SGBM算法：双目相机视差图生成详解

得到视差图（BM算法）是计算机视觉领域中的一个重要技术，尤其在双目相机系统中，通过处理左、右眼捕获的图像对，计算出两个图像之间的深度信息，形成视差图。OpenCV库提供了一个名为StereoSGBM的函数来实现这一过程，它基于半全局匹配（Semi-Global Block Matching, SGBM）算法，这是一种广泛应用于立体视觉的匹配方法。 在给定的C++代码示例中，我们看到以下几个关键步骤： 1. **图像读取**： 使用`cvLoadImage`函数加载左右眼的图像，如"left.png"和"right.png"。这些图像通常需要预处理，确保它们具有相同的尺寸和通道数。 2. **设置参数**： - `StereoSGBM`类的实例化：创建一个StereoSGBM对象，这是进行匹配的核心。 - `SADWindowSize`（Sum of Absolute Differences, 求绝对差窗口大小）：这是一个重要的参数，用于计算像素间差异，较大的窗口可能提供更准确的匹配，但计算成本更高。 - `preFilterCap`：滤波器的阈值，用于降低噪声的影响。 - 其他参数，如`P1`和`P2`用于控制匹配的质量和计算成本，`minDisparity`指定最小可能的视差，`numberOfDisparities`是最大视差范围，`uniquenessRatio`确保匹配的稀疏性和一致性，`speckleWindowSize`和`speckleRange`用于处理匹配噪声，`disp12MaxDiff`限制了匹配结果的差异。 3. **计算视差图**： 使用`sgbm`对象调用`StereoBM()`函数，该函数会返回一个视差图矩阵（Mat disp）和一个8位深度的视差图（Mat disp8）。这里的时间消耗用`getTickCount()`获取，以便后续评估性能。 4. **结果存储**： 视差图存储在`disp`和`disp8`矩阵中，分别用于后续处理或可视化。这些数据可以用于重建3D模型，增强虚拟现实体验，或者在机器人导航等应用中确定物体的距离和位置。 得到视差图（BM算法）的关键在于理解双目相机的工作原理，选择合适的OpenCV API，以及正确调整SGBM的参数以适应特定应用场景。这段代码提供了一个基础框架，实际应用时可能需要根据具体需求进一步优化和调整。