双目立体匹配算法--归一化互相关(NCC)详解和代码实现(python)

本文主要是介绍双目立体匹配算法--归一化互相关(NCC)详解和代码实现(python),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

原理:

  • 对于原始的图像内任意一个像素点 ( p x , p y ) (p_x,p_y) (px,py)构建一个 n × n n\times n n×n的邻域作为匹配窗口。然后对于目标相素位置 ( p x + d , p y ) (p_x+d, p_y) (px+d,py)同样构建一个 n × n n\times n n×n大小的匹配窗口,对两个窗口进行相似度度量,注意这里的 d d d有一个取值范围。对于两幅图像来说,在进行 N C C NCC NCC计算之前要对图像处理,也就是将两帧图像校正到水平位置,即光心处于同一水平线上,此时极线是水平的,否则匹配过程只能在倾斜的极线方向上完成,这将消耗更多的计算资源。
  • N C C NCC NCC计算公式如下图所示:
    在这里插入图片描述
    其中 N C C ( p , d ) NCC(p,d) NCC(p,d)得到的值得范围将在 [ − 1 , 1 ] 之 间 [-1,1]之间 [1,1]
    W p W_p Wp为之前提到的匹配窗口。
    I 1 ( x , y ) I_1(x,y) I1(x,y)为原始图像的像素值。
    I 1 ‾ ( p x , p y ) \overline{I_1}(p_x,p_y) I1(px,py)为原始窗口内像素的均值。
    I 2 ( x + d , y ) I_2(x+d,y) I2(x+d,y)为原始图像在目标图像上对应点位置在 x x x方向上偏移 d d d后的像素值。
    I 2 ‾ ( p x + d , p y ) \overline{I_2}(p_x+d, p_y) I2(px+d,py)为目标图像匹配窗口像素均值。
  • N C C = − 1 NCC = -1 NCC=1,则表示两个匹配窗口完全不相关,相反,若 N C C = 1 NCC = 1 NCC=1时,表示两个匹配窗口相关程度非常高。

匹配流程

  • 采集图像:通过标定好的双目相机采集图像,当然也可以用两个单目相机来组合成双目相机。
  • 极线校正:校正的目的是使两帧图像极线处于水平方向,或者说是使两帧图像的光心处于同一水平线上。通过校正极线可以方便后续的 N C C NCC NCC操作。
    • 由标定得到的内参中畸变信息中可以对图像去除畸变。
    • 通过校正函数校正以后得到相机的矫正变换R和新的投影矩阵P,接下来是要对左右视图进行去畸变,并得到重映射矩阵。
  • 特征匹配:这里便是我们利用 N C C NCC NCC做匹配的步骤啦,匹配方法如上所述,右视图中与左视图待测像素同一水平线上相关性最高的即为最优匹配。完成匹配后,我们需要记录其视差d,即待测像素水平方向xl与匹配像素水平方向xr之间的差值 d = x r − x l d = x_r - x_l d=xrxl,最终我们可以得到一个与原始图像尺寸相同的视差图 D D D
  • 深度恢复:通过上述匹配结果得到的视差图 D D D,我们可以很简单的利用相似三角形反推出以左视图为参考系的深度图。计算原理如下图所示:

在这里插入图片描述

如图, T x Tx Tx为双目相机基线, f f f为相机焦距,这些可以通过相机标定步骤得到。而 x r − x l xr - xl xrxl就是视差 d d d

通过公式 z = z = z= f × T x d {f \times Tx }\over d df×Tx可以很简单地得到以左视图为参考系的深度图了。

至此,我们便完成了双目立体匹配。倘若只是用于图像识别,那么到步骤3时已经可以结束了。

代码实现:

  • 本次使用的图片为:
    • 左图:
      在这里插入图片描述
    • 右图:
      在这里插入图片描述
  • 图片下载网址为:http://vision.middlebury.edu/stereo/data/scenes2003/ 已经经过矫正。
  • 版本1(运行较慢)
import numpy as np
import cv2
import mathim1 = 'im2.ppm'
im2 = 'im6.ppm'
img1 = cv2.imread(im1, cv2.CV_8UC1)
img2 = cv2.imread(im2, cv2.CV_8UC1)
rows, cols = img1.shape
print(img1.shape)
#用3*3卷积核做均值滤波def NCC(img1,img2,avg_img1,avg_img2,disparity,NCC_value,deeps, threshold,max_d, min_rows, max_rows):#设立阈值ncc_value = thresholdif min_rows == 0:min_rows += 1for i in range(3, max_rows - 3):for j in range(3, cols-3):if j < cols - max_d-3:max_d1 = max_delse:max_d1 = cols - j - 3for d in range(4, max_d1):#减一防止越界ncc1 = 0ncc2 = 0ncc3 = 0for m in range(i-3, i+4):for n in range(j-3, j+4):ncc1 += (img2[m, n] - avg_img2[i, j])*(img1[m, n+d]-avg_img1[i, j+d])ncc2 += (img2[m, n] - avg_img2[i, j])*(img2[m, n] - avg_img2[i, j])ncc3 += (img1[m, n+d]-avg_img1[i, j+d])*(img1[m, n+d]-avg_img1[i, j+d])ncc_b = math.sqrt(ncc2*ncc3)ncc_p_d = 0if ncc_b != 0:ncc_p_d = ncc1/(ncc_b)if ncc_p_d > ncc_value:ncc_value = ncc_p_ddisparity[i, j] = dNCC_value[i ,j] = ncc_p_dncc_value = thresholdprint("iter{0}".format(i))if __name__ == "__main__":disparity = np.zeros([rows, cols])NCC_value = np.zeros([rows, cols])deeps = np.zeros([rows, cols])# 用3*3卷积核做均值滤波avg_img1 = cv2.blur(img1, (7, 7))avg_img2 = cv2.blur(img2, (7, 7))img1 = img1.astype(np.float32)img2 = img2.astype(np.float32)avg_img1 = avg_img1.astype(np.float32)NCC(img1,img2,avg_img1,avg_img2, disparity, NCC_value,deeps, 0.6,64,0,150)disp = cv2.normalize(disparity, disparity, alpha=0, beta=255, norm_type=cv2.NORM_MINMAX,dtype=cv2.CV_8U)cv2.imshow("depth", disp)cv2.waitKey(0)  # 等待按键按下cv2.destroyAllWindows()#清除所有窗口print(NCC_value)
  • 运行结果:
    在这里插入图片描述
  • 版本2:(运行快)
    • 已上传至我的 G i t h u b Github Github:sunrise666

参考博客:

双目立体匹配——归一化互相关(NCC)

这篇关于双目立体匹配算法--归一化互相关(NCC)详解和代码实现(python)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/219682

相关文章

Python将博客内容html导出为Markdown格式

《Python将博客内容html导出为Markdown格式》Python将博客内容html导出为Markdown格式,通过博客url地址抓取文章,分析并提取出文章标题和内容,将内容构建成html,再转... 目录一、为什么要搞?二、准备如何搞?三、说搞咱就搞!抓取文章提取内容构建html转存markdown

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

SpringBoot3实现Gzip压缩优化的技术指南

《SpringBoot3实现Gzip压缩优化的技术指南》随着Web应用的用户量和数据量增加,网络带宽和页面加载速度逐渐成为瓶颈,为了减少数据传输量,提高用户体验,我们可以使用Gzip压缩HTTP响应,... 目录1、简述2、配置2.1 添加依赖2.2 配置 Gzip 压缩3、服务端应用4、前端应用4.1 N

Linux换行符的使用方法详解

《Linux换行符的使用方法详解》本文介绍了Linux中常用的换行符LF及其在文件中的表示,展示了如何使用sed命令替换换行符,并列举了与换行符处理相关的Linux命令,通过代码讲解的非常详细,需要的... 目录简介检测文件中的换行符使用 cat -A 查看换行符使用 od -c 检查字符换行符格式转换将

SpringBoot实现数据库读写分离的3种方法小结

《SpringBoot实现数据库读写分离的3种方法小结》为了提高系统的读写性能和可用性,读写分离是一种经典的数据库架构模式,在SpringBoot应用中,有多种方式可以实现数据库读写分离,本文将介绍三... 目录一、数据库读写分离概述二、方案一:基于AbstractRoutingDataSource实现动态

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Python Websockets库的使用指南

《PythonWebsockets库的使用指南》pythonwebsockets库是一个用于创建WebSocket服务器和客户端的Python库,它提供了一种简单的方式来实现实时通信,支持异步和同步... 目录一、WebSocket 简介二、python 的 websockets 库安装三、完整代码示例1.

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

springboot循环依赖问题案例代码及解决办法

《springboot循环依赖问题案例代码及解决办法》在SpringBoot中,如果两个或多个Bean之间存在循环依赖(即BeanA依赖BeanB,而BeanB又依赖BeanA),会导致Spring的... 目录1. 什么是循环依赖?2. 循环依赖的场景案例3. 解决循环依赖的常见方法方法 1:使用 @La

Java枚举类实现Key-Value映射的多种实现方式

《Java枚举类实现Key-Value映射的多种实现方式》在Java开发中,枚举(Enum)是一种特殊的类,本文将详细介绍Java枚举类实现key-value映射的多种方式,有需要的小伙伴可以根据需要... 目录前言一、基础实现方式1.1 为枚举添加属性和构造方法二、http://www.cppcns.co