前言
- SAD 是一种简单高效的立体匹配算法，虽然由于精度等原因很少被实际应用，但可以帮助我们理解立体匹配过程
一、SAD算法原理
- SAD计算过程主要包括以下步骤：
二、代码示例
- 1.引入库
- 2.设置窗口和最大视差
- 3.读入左右图
- 4.定义SAD类
- 5.计算视差图
总结

前言

SAD 是一种简单高效的立体匹配算法，虽然由于精度等原因很少被实际应用，但可以帮助我们理解立体匹配过程

一、SAD算法原理

Sum of Absolute Differences 即“绝对差之和”简称SAD。该算法通过比较立体图像对（一般为左右图）中的光照亮度差异来寻找匹配点对，进而计算视差。

SAD计算过程主要包括以下步骤：

选取窗口，窗口大小通常为3x3、5x5、7x7或者更大；
确定最大视差Dmax；
在左（右）图上以（x,y）为中心构建窗口，在右（左）图分别以（x,y-d）(（x,y+d）)
,d=0-Dmax构建窗口，并计算视差0-Dmax范围内的左右图窗口内像素亮度差异；
对窗口内的亮度差异求和，选取使绝对亮度差值之和最小的d作为（x,y）处的视差值。

二、代码示例

1.引入库

代码如下（示例）：

import os
import time
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

2.设置窗口和最大视差

代码如下（示例）：

window_size=5
Dmax=64

3.读入左右图

本文使用的图片来源于Middlebury数据集
代码如下：

#Read rectified stereo image pairs
os.chdir(r'此处为图片路径')
LeftRawImage = cv.imread("左图文件名")
RightRawImage = cv.imread("右图文件名")
#Convert to gray image
LeftRawImage = cv.cvtColor(LeftRawImage,cv.COLOR_BGR2GRAY)
RightRawImage = cv.cvtColor(RightRawImage,cv.COLOR_BGR2GRAY)

左图：
右图：

4.定义SAD类

代码如下，此代码对图片做了padding，保证输出视差图和原图具有相同分辨率：

class SAD():def __init__(self, Lraw, Rraw, window_size, Dmax):self.Lraw = Lrawself.Rraw = Rrawself.window_size = window_sizeself.Dmax = Dmaxself.ROWS = Lraw.shape[0]self.COLS = Lraw.shape[1]self.PADDING_SIZE = int((window_size-1)/2)#Calculate Absolute Differencesdef AD(self):AD_PADDING=np.zeros((self.ROWS,self.COLS,self.Dmax))AD_PADDING=np.pad(AD_PADDING,(self.PADDING_SIZE,self.PADDING_SIZE))Cost_SAD=np.zeros((self.ROWS,self.COLS,Dmax))for d in range(0,self.Dmax):for i in range(0,self.ROWS):for j in range(0,self.COLS):if(j - d >= 0):AD_PADDING[i+self.PADDING_SIZE,j+self.PADDING_SIZE,d]=np.abs(int(self.Lraw[i,j])-int(self.Rraw[i,j-d]))Cost_SAD[i,j,d] = np.sum(AD_PADDING[i:i+window_size,j:j+window_size,d])else:Cost_SAD[i,j,d]=0return Cost_SAD#Calculate the minimum indexdef argmin(self,Cost_volume):Disparity = np.zeros((self.ROWS,self.COLS),dtype=np.int8)for i in range(0,self.ROWS):for j in range(0,self.COLS):Cost_sad = Cost_volume[i,j,:]index_sort= np.argsort(Cost_sad)Disparity[i,j]=index_sort[0]return Disparity

5.计算视差图

代码如下：

#Calculate disparity
time_start = time.time()
SAD_Middleburry = SAD(LeftRawImage,RightRawImage,window_size, Dmax)
Cost_sad = SAD_Middleburry.AD()
Disparity_image = SAD_Middleburry.argmin(Cost_sad)
print("用时：",time.time() - time_start,"s")
plt.imshow(Disparity_image,cmap='plasma')
plt.show()
plt.imsave('./Disparity.png',  Disparity_image, cmap='plasma')

视差图：

总结

SAD算法虽然简单高效，但是容易受光照、曝光等噪声影响，视差图的效果往往不是特别鲁棒。

注：以上代码运行较慢，在作者的电脑上运行时间为325s左右，运行后请耐心等待。以后作者将不定时更新立体匹配算法的python代码，包括Census，AD-Census等，同时作者将学习相关加速方法，并对所写代码做出改进，以便高效运行。
作者并不精通python编程，如有错误，欢迎各位大佬不吝赐教！如有疑问，欢迎大家一起讨论！谢谢！

立体匹配算法-SAD相关推荐

python立体匹配评价,sad立体匹配算法的Python实现,SAD,PYTHON
SAD立体匹配算法的PYTHON实现这是第一次发CSDN博客,因为在机器视觉的学习中CSDN帮助了我很多,那么我也应该为CSDN社区做一些贡献,所以本文将介绍我用python实现的SAD匹配算法. ...
基于深度学习算法和传统立体匹配算法的双目立体视觉
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 01 立体视觉是什么? 在开始之前,我相信很多站友都会有这个疑问, ...
立体匹配十大概念综述---立体匹配算法介绍
from:https://blog.csdn.net/wintergeng/article/details/51049596 一.概念立体匹配算法主要是通过建立一个能量代价函数,通过此能量代价函数最 ...
局部立体匹配算法介绍及代码实现
作者I dulingwen@CSDN 编辑I 3D视觉开发者社区 01 什么是局部匹配算法?优势如何? 局部(Local)立体匹配是相对于半全局以及全局(Non-Local)立体匹配算法而言的,它不构 ...
双目立体匹配算法SGBM
semi-global matching(SGM)是一种用于计算双目视觉中视差(disparity)的半全局匹配算法,在OpenCV中的实现为semi-global block matching(SG ...
双目立体匹配算法漫谈
双目立体匹配算法漫谈双目立体匹配算法漫谈前提一些基本假设框架 matching cost computation cost (support) aggregation;代价聚合双目立体匹配算 ...
[双目视差] 立体匹配算法推理 - SGBM算法（一）
文章目录立体匹配算法推理 - SGBM算法(一) 一.SGBM与SGM的区别二.代价计算立体匹配算法推理 - SGBM算法(一) SGBM立体匹配算法,总体来讲包含以下6个步骤: Preproc ...
《一种新颖的自适应权重 Census变换立体匹配算法》（2016）
摘要:针对当前 Census 变换立体匹配算法深度不连续区域匹配精度低的缺陷,提出了一种新颖的自适应权重的Census 变换立体匹配算法.在 Census 变换阶段计算变换窗口中心点上下左右四个像素的 ...
双目立体匹配算法：SGM
一.简介立体匹配旨在为校正后的左右视图提供稠密的匹配对,这种问题称为"stereo correspondence problem".有大量的算法用于求解立体匹配问题,根据Sc ...

立体匹配算法-SAD

目录

前言