目录
- 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3×3、5×5、7×7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)
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 = Lraw
self.Rraw = Rraw
self.window_size = window_size
self.Dmax = Dmax
self.ROWS = Lraw.shape[0]
self.COLS = Lraw.shape[1]
self.PADDING_SIZE = int((window_size-1)/2)
#Calculate Absolute Differences
def 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]=0
return Cost_SAD
#Calculate the minimum index
def 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')
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！
Original: https://blog.csdn.net/weixin_45155861/article/details/123777105
Author: 可与人言不过二三
Title: 立体匹配算法-SAD
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/533419/
转载文章受原作者版权保护。转载请注明原作者出处！