小工具知识网

当前位置: 首页 > 行业知识 > 【双目视觉】 SGBM算法应用(Python版)

行业知识

【双目视觉】 SGBM算法应用(Python版)

2026-11-21 03:20:26 来源:互联网转载

文章目录

    • 流程图
    • 相机标定
    • 立体匹配
    • 效果
      • 1.原图像
      • 2.深度图
      • 3.代���链接

        流程图

        相机标定

        参考链接:【开源 |教程 | 双目测距】双目相机的标定_哔哩哔哩_bilibili

        自制的标定数据集,必须用自己相机拍摄照片制作数据集

        标定板下载:pattern.png (1830×1330) (opencv.org)

        import cv2import numpy as np# -----------------------------------双目相机的基本参数---------------------------------------------------------#   left_camera_matrix          左相机的内参矩阵#   right_camera_matrix         右相机的内参矩阵##   left_distortion             左相机的畸变系数    格式(K1,K2,P1,P2,0)#   right_distortion            右相机的畸变系数# -------------------------------------------------------------------------------------------------------------# 左镜头的内参,如焦距left_camera_matrix = np.array([[516.5066236,-1.444673028,320.2950423],[0,516.5816117,270.7881873],[0.,0.,1.]])right_camera_matrix = np.array([[511.8428182,1.295112628,317.310253],[0,513.0748795,269.5885026],[0.,0.,1.]])# 畸变系数,K1、K2、K3为径向畸变,P1、P2为切向畸变left_distortion = np.array([[-0.046645194,0.077595167, 0.012476819,-0.000711358,0]])right_distortion = np.array([[-0.061588946,0.122384376,0.011081232,-0.000750439,0]])# 旋转矩阵R = np.array([[0.999911333,-0.004351508,0.012585312],              [0.004184066,0.999902792,0.013300386],              [-0.012641965,-0.013246549,0.999832341]])# 平移矩阵T = np.array([-120.3559901,-0.188953775,-0.662073075])size = (640, 480)R1, R2, P1, P2, Q, validPixROI1, validPixROI2 = cv2.stereoRectify(left_camera_matrix, left_distortion,                   right_camera_matrix, right_distortion, size, R,                   T)# 校正查找映射表,将原始图像和校正后的图像上的点一一对应起来left_map1, left_map2 = cv2.initUndistortRectifyMap(left_camera_matrix, left_distortion, R1, P1, size, cv2.CV_16SC2)right_map1, right_map2 = cv2.initUndistortRectifyMap(right_camera_matrix, right_distortion, R2, P2, size, cv2.CV_16SC2)print(Q)

        cv2.stereoRectify()函数

        • 示例:R1, R2, P1, P2, Q, validPixROI1, validPixROI2 = cv2.stereoRectify(left_camera_matrix, left_distortion,right_camera_matrix, right_distortion, size, R, T)
        • 作用:为每个摄像头计算立体校正的映射矩阵R1, R2, P1, P2
        • 参数:
          1. left_camera_matrix:左相机内参
          2. left_distortion:左相机畸变系数
          3. right_camera_matrix:右相机内参
          4. right_distortion:右相机畸变系数
          5. size:单边相机的图片分辨率
          6. R:旋转矩阵
          7. T:平移矩阵
        • 返回值:
          1. R1, R2:R1-输出矩阵,第一个摄像机的校正变换矩阵(旋转变换);R2-输出矩阵,第二个摄像机的校正变换矩阵(旋转变换)
          2. P1, P2:P1-输出矩阵,第一个摄像机在新坐标系下的投影矩阵;P2-输出矩阵,第二个摄像机在新坐标系下的投影矩阵

          立体匹配

          import numpy as npimport cv2import randomimport math# 加载视频文件capture = cv2.VideoCapture("./car.avi")WIN_NAME = 'Deep disp'cv2.namedWindow(WIN_NAME, cv2.WINDOW_AUTOSIZE)# 读取视频fps = 0.0ret, frame = capture.read()while ret:    # 开始计时    t1 = time.time()    # 是否读取到了帧,读取到了则为True    ret, frame = capture.read()    # 切割为左右两张图片    frame1 = frame[0:480, 0:640]    frame2 = frame[0:480, 640:1280]    # 将BGR格式转换成灰度图片,用于畸变矫正    imgL = cv2.cvtColor(frame1, cv2.COLOR_BGR2GRAY)    imgR = cv2.cvtColor(frame2, cv2.COLOR_BGR2GRAY)    # 重映射,就是把一幅图像中某位置的像素放置到另一个图片指定位置的过程。    # 依据MATLAB测量数据重建无畸变图片,输入图片要求为灰度图    img1_rectified = cv2.remap(imgL, left_map1, left_map2, cv2.INTER_LINEAR)    img2_rectified = cv2.remap(imgR, right_map1, right_map2, cv2.INTER_LINEAR)    # 转换为opencv的BGR格式    imageL = cv2.cvtColor(img1_rectified, cv2.COLOR_GRAY2BGR)    imageR = cv2.cvtColor(img2_rectified, cv2.COLOR_GRAY2BGR)    # ------------------------------------SGBM算法----------------------------------------------------------    #   blockSize                   深度图成块,blocksize越低,其深度图就越零碎,0

上一篇:微信电脑版模板手机操作全攻略,轻松上手使用指南

下一篇:最近收藏的域名怎么删除不了