OpenCV Python Depth Map from Stereo Images 立体图像的深度图

【目标】

通过立体图像创建一个深度图

【理论】

上一节中，我们学习了一些基本概念，如对极约束和其他一些相关术语。我们还可以看到，如果我们有同一个场景的两张图像，我们可以以一种直观的方式获得深度信息。

在这里插入图片描述

上图包含等价三角形。写出它们的等价方程，得到如下结果:

$disparity=x-x'=\frac{Bf}{Z}$

$x$ 和 $x^{'}$ 为图像平面中与场景点3D对应的点与其相机中心之间的距离。 $B$ 是两个相机之间的距离(我们知道)， $f$ 是相机的焦距(已经知道)。所以简而言之，上面的方程说的是，场景中一个点的深度与对应图像点与其相机中心的距离之差成反比。因此，有了这些信息，我们可以推导出图像中所有像素的深度。

所以它会在两张图像之间找到对应的匹配。我们已经看到了极线约束如何使这个操作更快更准确。一旦找到匹配，它就会发现差异。

【代码】

在这里插入图片描述

import numpy as np 
import cv2 

imgL = cv2.imread("assets/tsukuba_l.png", 0)
imgR = cv2.imread("assets/tsukuba_r.png", 0)

stereo = cv2.StereoBM_create(numDisparities=16, blockSize=15)
disparity = stereo.compute(imgL, imgR)
disparity = np.uint8(disparity)

cv2.imshow("L", imgL)
cv2.imshow("R", imgR)
cv2.imshow("depth", disparity)
cv2.waitKey(0)
cv2.destroyAllWindows()

【接口】

StereoSGBM_create

cv.StereoSGBM_create(	[, minDisparity[, numDisparities[, blockSize[, P1[, P2[, disp12MaxDiff[, preFilterCap[, uniquenessRatio[, speckleWindowSize[, speckleRange[, mode]]]]]]]]]]]	) ->	retval

创建 StereoSGBM 对象

minDisparity: 最小可能的视差值，正常情况下为零，但有时校正算法会对图像进行移位，因此需要对该参数进行相应的调整。
numDisparities: 最大视差减去最小视差。该值总是大于零。在当前实现中，该参数必须能被16整除。
blockSize: 匹配的块大小。它必须是奇数>=1。通常情况下，它应该在 3~11范围内。
P1: 控制视差平滑度的第一个参数
P2: 控制视差平滑度的第二个参数，值越大，越平滑。P1是对相邻像素之间的视差变化±1的惩罚。P2是对相邻像素之间的视差变化超过1的惩罚。算法要求P2 > P1。参见 stereo_match.cpp示例，其中显示了一些相当不错的P1和P2值(例如分别为 8*number_of_image_channels*blockSize*blockSize和 32*number_of_image_channels*blockSize*blockSize)。
disp12MaxDiff: 在左右图差异检查中允许的最大差异(整数像素单位)。将其设置为非正值以禁用检查。
preFilterCap: 预过滤图像像素的截断值。该算法首先计算每个像素的x导数，并按 [-preFilterCap, preFilterCap]区间剪辑其值。结果值被传递给 Birchfield-Tomasi像素代价函数。
uniquenessRatio: 计算出的最佳(最小)代价函数值应该“赢得”第二个最佳值以认为找到的匹配正确的百分比差额。通常，5-15之间的值就足够了。
speckleWindowSize: 平滑视差区域的最大大小，以考虑其噪声斑点和无效。将其设置为0以禁用散斑滤波。否则，将其设置在 50-200范围内。
speckleRange: 每个连接组件内的最大视差变化。如果进行散斑滤波，将参数设置为正值，它将隐式乘以 16。通常，1或 2就足够了。
mode: 设置为 StereoSGBM::MODE_HH 可运行全尺寸两步动态规划算法，将会消耗 O(W*H*Disparities) 字节，对于640x480 图像来说很大，对于 HD-尺寸图像来说就是巨大的了。缺省值为false。