美文网首页
半全局块匹配(Semi-Global Block Matchin

半全局块匹配(Semi-Global Block Matchin

作者: hmta_dhs | 来源:发表于2018-01-08 20:59 被阅读0次

    最近在做双目视差估计算法,在OpenCV里有一些算法,其中半全局块匹配(Semi-Global Block Matching,SGBM)算法具有视差效果好速度快的特点,因此常常被广泛应用。本文主要讨论的就是SGBM算法。OpenCV的SGBM算法主要参考了《Stereo Processing by Semiglobal Matching and Mutual Information》这篇论文。

    1. 计算每个像素点的代价

    原论文使用的方法是利用互信息熵,而OpenCV使用的是Birchfield和Tomasi的方法(参照《Depth Discontinuities by Pixel-to-Pixel Stereo》)。这里我们分别介绍一下。

    1.1 利用互信息熵

    所谓的熵,是用来表示随机变量的不确定性,熵的值越大,信息的不确定性也越大。熵H和互信息MI的定义分别如下:

    熵H的定义 互信息MI(Mutual Information)的定义

    其中,PI代表某个点i的概率分布,也就是灰度直方图为i的点出现的概率;对应地,PI1,I2就是两个图对应点i1和i2的联合概率分布,也就是:

    Kim等人将上式做了一个改进:利用泰勒展开把HI1,I2的计算转化为求和问题(参见论文《Visual Correspondence Using Energy Minimization and Mutual Information》)。

    其中圈中带叉表示卷积运算,g(i,k)为高斯卷积核。

    相应地,边缘熵以及边缘概率的计算如下:

    这样的话,互信息的定义为:

    MI匹配代价CMI为:

    其中q是点p在视差为d的情况下的对应校正点。

    原作者使用分层互信息(HMI)进行计算,每一层尺寸减少一半。单次计算的时间复杂度是O(WHD),即width×height×disparity range,所以上次迭代将会是当前迭代速度的1/8。

    这里1/163要乘3的原因是小尺寸的随机视差图不靠谱,需要迭代3次。我们可以看到,相比于后文的BT方法仅仅慢了14%

    1.2 Birchfield和Tomasi的方法(简称BT方法)

    对于一个匹配序列M,其代价函数γ(M)表示匹配结果准确的程度,其值越小越好。

    其中,κocc表示未匹配的惩罚项(constant occlusion penalty),κr表示匹配的奖励项,Nocc和Nr分别表示未匹配和匹配的点数。

    2. 损失聚合

    我们为视差设置一个能量函数E(D)

    其中P1和P2分别表示视差差值为1和视差差值大于1的惩罚系数,一般P1<P2。添加两个正则化项一是为了保持视差图平滑,二是为了保持边缘。我们要做的是找到D使得能量函数E(D)最小,但是不幸的是,在二维图像的这个问题是一个NP-完全问题。为了解决这个问题,原文选择沿着一圈8个或者16个方向进行优化。

    代价聚合公式(初始为C(p,d)) 图片的代价聚合是各个像素点代价聚合之和

    选取使代价聚合最小的视差值mindS[emb(q,d),d]即可。

    3. OpenCV相关函数的使用

    我们看一下stereoSGBM类的参数。

    
    static Ptr<StereoSGBM> cv::StereoSGBM::create   (int    minDisparity = 0,
    int     numDisparities = 16,
    int     blockSize = 3,
    int     P1 = 0,
    int     P2 = 0,
    int     disp12MaxDiff = 0,
    int     preFilterCap = 0,
    int     uniquenessRatio = 0,
    int     speckleWindowSize = 0,
    int     speckleRange = 0,
    int     mode = StereoSGBM::MODE_SGBM 
    )       
    
    • minDisparity:最小的视差值。
    • numDisparity:视差范围,即最大视差值和最小视差值之差,必须是16的倍数
    • blockSize:匹配块大小(SADWindowSize),必须是大于等于1的奇数,一般为3~11 。
    • P1,P2:惩罚系数,一般:P1=8*通道数*SADWindowSize*SADWindowSize,P2=4*P1
    • disp12MaxDiff :左右视差图的最大容许差异(超过将被清零),默认为 -1,即不执行左右视差检查。
    • preFilterCap:预滤波图像像素的截断值。该算法首先计算每个像素的x导数,并通过[-preFilterCap,preFilterCap]间隔剪切其值。结果值被传递给Birchfield-Tomasi像素成本函数。
    • uniquenessRatio:视差唯一性百分比, 视差窗口范围内最低代价是次低代价的(1 + uniquenessRatio/100)倍时,最低代价对应的视差值才是该像素点的视差,否则该像素点的视差为 0,通常为5~15.
    • speckleRange:视差变化阈值。
    • mode:模式

    简单地试了一下:

    #include "stdafx.h"
    
    #include <opencv2\core\core.hpp>
    #include <opencv2\highgui\highgui.hpp>
    #include <opencv2\imgproc\imgproc.hpp>
    #include <opencv2\calib3d\calib3d.hpp>
    #include <iostream>
    
    using namespace cv;
    int main(int argc, char** argv) {
    
        //读入图像。
        Mat left = cv::imread("left.png");
        Mat right = cv::imread("right.png");
        if (left.empty() || right.empty()) {
            std::cout << "could not load image...\n";
            return -1;
        }
    
        //图像转灰度
        cv::cvtColor(left, left, CV_BGR2GRAY);
        cv::cvtColor(right, right, CV_BGR2GRAY);
    
        //设置参数
        int numberOfDisparities = 48, SADWindowSize = 11;
        int uniquenessRatio = 15, speckleWindowSize = 50, speckleRange = 32;
        cv::Ptr<cv::StereoSGBM> sgbm = cv::StereoSGBM::create(0, numberOfDisparities, SADWindowSize);
        int cn = left.channels();
        sgbm->setP1(8 * cn * SADWindowSize * SADWindowSize);
        sgbm->setP2(32 * cn * SADWindowSize * SADWindowSize);
        sgbm->setPreFilterCap(63);
        sgbm->setUniquenessRatio(uniquenessRatio);
        sgbm->setSpeckleWindowSize(speckleWindowSize);
        sgbm->setSpeckleRange(speckleRange);
        sgbm->setDisp12MaxDiff(1);
    
        //计算并显示视差
        Mat disp;
        sgbm->compute(left, right, disp);
        disp.convertTo(disp, CV_8U, 255 / (numberOfDisparities*16.));   //将16位符号整形的视差矩阵转换为8位无符号整形矩阵
        cv::imshow("disparity", disp);
        cv::waitKey();
    
        return 0;
    }
    
    左视图 视差结果

    参考资料

    相关文章

      网友评论

          本文标题:半全局块匹配(Semi-Global Block Matchin

          本文链接:https://www.haomeiwen.com/subject/ckxsnxtx.html