初识立体匹配

最新推荐文章于 2025-03-26 21:44:28 发布
原创 最新推荐文章于 2025-03-26 21:44:28 发布 · 6.5k 阅读 · 28 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#立体匹配 #三维重建 #摄影测量 #计算机视觉

  2009年，我进入武汉大学遥感信息工程学院开始大学本科生涯，专业是遥感科学与技术，当时我根本不知道遥感学科是做什么的，只是觉得听着好像非常高端，所以报了这个专业，到现在已经9年有余，只想说，身为遥感人，此生无悔。

  当时，遥感分为三个学科，遥感、摄影测量和地理信息系统，我所在的班级属于摄影测量，通俗的说，就是用影像来替代机械进行测量。所以，影像是摄影测量学科最最基础的数据，与影像相关的技术也成了摄影测量学科必须掌握的技术。计算机兴起之前，影像大多是胶质的，测量还是很笨重的机械方式，比如机械化的立体测图仪；在计算机科学飞速发展之后，数码影像代替胶纸影像，全面进入数字摄影测量时代，计算机性能不断更新，基于数码影像的摄影测量算法蓬勃发展，摄影测量正向着全自动、更高精度、更高效率测量的方向杨帆前行。

  摄影测量有一套完整的流程，从拿到相机到产品生成，其中包含多个阶段性任务，立体匹配就是其中一个阶段，目的是得到稠密的三维点云，为制作数字表面模型、制作真正射影像、生成三维网格以及真彩色模型提供足够稠密的空间点云数据，完整流程如下图：

图1 摄影测量系统流程
在这里插入图片描述

  在我开始学摄影测量学的时候，课本的是张剑清教授、潘励教授、王树根教授编著的《摄影测量学》第二版 1，里面并没有立体匹配，4D产品是摄影测量的主要任务，空中三角测量任务所生成的稀疏点云已经能够满足产品需要。时代的发展一直在推动着摄影测量的进步，随着计算机视觉学科的兴起，立体匹配算法日渐成熟，所有的摄影测量系统都将立体匹配纳入必要阶段，稠密的点云使得数字表面模型和真正射影像制作成为可能，而且三维网格和真实彩色模型的生成让摄影测量的产品更加丰富，应用更加广泛。

  2014年，因为项目需要，我第一次接触立体匹配，因为项目需求是研发超高效率的立体匹配算法，所以我将方向定在快速立体匹配技术研究，算是正式开始与立体匹配结缘。

  立体匹配（Stereo Matching）的目标是从不同视点图像中找到匹配的对应点，从而从二维图像中恢复三维信息，其用处不只是用于摄影测量中所涉及的生成DSM/TDOM、Mesh/Model，还有三维环境感知与建模、机器人导航、物体跟踪与检测等，是摄影测量与计算视觉领域非常重要的一个热点研究方向。实际上由于学科专注点不同，摄影测量学科的立体匹配技术发展要落后于计算机视觉学科，很多经典成熟的立体匹配算法如PMVS（Patch-based Multi-view Stereo）2、SGM（Semi-Gloabl Matching）3、PatchMatch 4等都是计算机视觉学科的专家所提出的，但现在立体匹配技术在摄影测量学科中也发展非常迅速，研究非常广泛。

  感谢博洛尼亚大学Stefano Mattoccia教授所著的文章《Stereo Vision：Algorithms and Applications》5，为我的入门提供了很关键的电子资料，该文对立体匹配的讲解通俗易懂，十分详尽。研究立体匹配是一件非常有意思的事情，对于两张或者更多影像，正常人看到只有二维信息，而通过立体匹配，我却可以得到三维信息，仿佛看到了一般人所看不到的高维信息，这就是科学的魅力，感谢那些在科学领域勤奋耕耘的科研人员，他们让人们生活变得美好，推动着人类向前发展。

图2 Smart3D 6 软件从二维重建三维效果
在这里插入图片描述

  1. 张祖勋, 张剑清. 数字摄影测量学.第2版[M]. 武汉大学出版社, 2012. ↩︎

  2. Yasutaka Furukawa and Jean Ponce. Accurate, Dense, and Robust Multi-View Stereopsis. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 32, Issue 8, Pages 1362-1376, August 2010. ↩︎

  3. Hirschmüller, H. Stereo processing by semiglobal matching and mutual information[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2008,30(2):328-341. ↩︎

  4. M. Bleyer, C. Rhemann, and C. Rother. Patchmatch stereo - stereo matching with slanted support windows. In BMVC, 2011. ↩︎

  5. http://vision.deis.unibo.it/~smatt/Seminars/StereoVision.pdf ↩︎

  6. https://www.bentley.com/en/products/brands/contextcapture ↩︎

双目视觉——立体匹配基本理论
Tan
04-03 1万+
如果空间景物上的任意一点M在两个（或两个以上）摄像机成像面上的投影点为ml 和mr，则ml 和mr 被称为对应点（Correspondence）。求取左右像平面之间对应点的过程就是立体匹配。 1.视差理论       在计算三维信息坐标时，视差d 的计算具有重要的意义。视差估计在立体视觉中具有重要的地位，视差的估计过程就是立体图像对中对应点的求解过程，也就是立体匹配过程。所以在具体介绍立体
基于MVS的三维重建算法学习笔记（一）— MVS三维重建概述与OpenMVS开源框架配置
热门推荐
weixin_44292547的博客
08-29 4万+
MVS（多视点立体算法，Multi-view stereo）能够单独从图像中构造出高度细节化的3D模型，采集一个庞大的图像数据集，用其来构建出一个用来解析图像的3D几何模型。 OpenMVS是一个比较经典的MVS(Multi-View Stereo)开源库，集成三维重建整个完整的技术方案；OpenMVS非常适合入门系统学习和二次开发。代码框架非常完善，代码实现清晰且规范，可快速提高项目实战经验。学习三维重建必备。...
立体匹配
慢慢积累
03-09 1万+
立体匹配是立体视觉研究中的关键部分。其目标是在两个或多个视点中匹配相应像素点，计算视差。通过建立一个能量代价函数，对其最小化来估计像素点的视差，求得深度。概述 点P和Q，映射到左相机OR像面上的同一点p≡q，只要找到p和q在右相机OT像面上的对应点就可以通过三角计算估计深度。找到对应点的过程，即立体匹配。 为了找到对应点，需要增加约束，最常用的是极线约束。 P和Q映射到左相机QR像面上的同
快速立体匹配算法
08-02
双目立体匹配算法的学习代码，可以直接执行，可用于初学者学习其思想。
立体匹配算法研究
wu_wenhuan的专栏
09-14 1613
转载请注明出处：http://www.cnblogs.com/adong7639/p/4267326.html http://blog.youkuaiyun.com/real_myth/article/details/44805321  立体匹配算法最新动态： http://vision.middlebury.edu/stereo/eval/ http://
基于图像分割的快速立体匹配算法
08-13
针对Tao的平滑表面假设提出了一种基于图像分割的快速立体匹配算法。算法把参考图分割成多个区域，计算其中可靠区域的平面模板，通过贪婪算法把平面模板分配给不可靠区域使得全局评价函数取到最小值。该算法能克服基于局部算法中存在的边界模糊，以及低纹理区误匹配严重的缺点，解决了传统的基于全局算法中计算量过大的问题。实验表明，该算法能同时满足高精度和高实时性的要求。
【立体匹配算法并行化】：GPU加速技术的深入探讨
首先概述了立体匹配算法的基本概念，随后详细介绍GPU加速技术的基础，包括GPU的硬件架构、并行计算原理以及CUDA编程模型。在此基础上，探讨了立体匹配算法的并行化策略和技术实现，包括算法分解、映射到GPU、数据...
Halcon初识
02-11
在Halcon中，三维视觉主要依赖于深度信息，如通过结构光、时间飞行（ToF）或立体匹配等技术获取。这些数据可以构建物体的三维模型，用于复杂形状的匹配、测量和抓取任务。Halcon的3D工具箱提供了丰富的函数，如点云...
初识Halcon
bomanys的专栏
01-20 227
参考https://blog.youkuaiyun.com/liubing8609/article/details/8922784 参考的该博客貌似汉化的，而且不太友好，比如调用call翻译成了呼叫，开发翻译成了发展等等 写在前面：几年前接触Halcon，但是一直没坚持学习下来，唉，无知者常立志！ HALCON是当今 machine vision 技术的代表，它总是以最新科技为基础，提供了现今市场中最强大的 vision library。除了提供了完整的标准 machine vision 功能，还有一系列..
立体匹配方法基础
05-30
立体匹配方法基础，主要讲述了一些立体匹配的研究背景和意义，可以作为一个科普ppt
Stefano Mattoccia 的讲义:有关立体匹配的介绍和常见匹配算法的比较
11-27
Stefano Mattoccia 的讲义:有关立体匹配的介绍和常见匹配算法的比较
opencv立体匹配算法（BM+SGBM+VAR）运行官方立体匹配图对程序
03-08
基于opencv2.4.9中的立体匹配三种算法，去掉了校正图像的步骤，可以直接使用校正好的标准图像进行实验，对比视差图的效果！环境是VS2010！
立体匹配sad算法
05-04
只是一个很简单的立体匹配，可以运行。如果是做计算机视觉方面的东西，还是有一定的参考价值。
001初识多视图几何
最新发布
qq_45670407的博客
03-26 1011
主要介绍计算机视觉中的多视图几何
【双目视觉】 立体匹配算法原理之“代价空间与聚合、视差计算”
yzfzzz的博客
08-10 2667
任意选取一个像素点，横向、纵向扩张，直到遇到颜色差异较大的地方才停下来。然后在扩张后的像素点，重复上述操作。这样，因为能及时发现边界，就能大概判断出。即我们发现在这条视差方向r上，纵轴（聚合后的代价）最小，那么我们就取出视差值（d=18）Bilateral filter就是输入的代价，乘以一个高斯函数，实现平滑。例如opencv收录的sgbm算法，就是计算了下面5条路径的代价。d是移动像素的大小。(AD, BT, Census, MI, …是该像素点左侧，最优代价。即当d=i时，左侧有最优代价，那么就。..
立体匹配算法概述
干啥啥不行，但是也要干的博客
03-15 3965
立体匹配算法 一、立体匹配算法的分类 在立体匹配中，匹配问题可以看成是寻找两组数据相关程度的过程。立体匹配算法由多种分类。 ①根据算法运行时约束的作用范围：分为局部（local）匹配算法和全局（Global）匹配算法。 ②基于生成的视差图：可分为稠密（Dense）匹配和稀疏（Sparse）匹配。稠密匹配：是基于生成的视差图，对于所有像素都能生成确定视差值，称为稠密匹配。稀疏匹配：只选择关键像素点[...
双目立体匹配原理及流程简介
cy413026的博客
10-20 1741
匹配代价计算的目的是计算参考图像上的每一个待匹配像素与目标图上每一个可能的视差范围内的候选像素之间的相关性，最后得到一个大小为W×H×D (D为视差搜索范围)的代价矩阵C（也叫视差空间图Disparity Space Image，DSI），代价计算算法是双目匹配的核心之一，不同的计算方式有不同的优势，有时候可以结合多种计算方法。的一种重要形式，它是基于视差原理并利用成像设备从不同的位置获取被测物体的两幅图像，通过计算图像对应点间的位置偏差，来获取物体三维几何信息的方法。立体视觉：立体视觉是。
初识openCV 轮廓近似与模板匹配
01-10
### OpenCV 中轮廓近似与模板匹配入门 #### 轮廓近似的概念和实现 在计算机视觉领域，轮廓近似是一种简化多边形曲线的方法。通过减少不必要的点来表示物体边界，从而降低计算复杂度并提高处理速度。 对于给定的一组轮廓点，`approxPolyDP()` 函数用于查找具有最少可能顶点数量的多边形，这些顶点能够紧密拟合原始形状。该过程依赖于 Douglas-Peucker 算法，它允许指定最大距离误差 `epsilon` 来控制近似程度： ```python import cv2 import numpy as np def approximate_contour(contours, epsilon_ratio=0.01): approximations = [] for contour in contours: perimeter = cv2.arcLength(contour, True) approximation = cv2.approxPolyDP( curve=contour, epsilon=epsilon_ratio * perimeter, closed=True ) approximations.append(approximation) return approximations ``` 此代码片段展示了如何利用弧长作为尺度因子调整 `epsilon` 参数[^1]。 #### 模板匹配的概念和技术细节 模板匹配技术旨在在一个较大图像内寻找特定子图案的最佳位置。OpenCV 提供了多种相似性测度选项，包括平方差 (`TM_SQDIFF`) 和标准化互相关 (`TM_CCOEFF_NORMED`) 方法等。 当执行模板匹配时，通常会先对源图像以及目标模式应用相同的预处理步骤（如灰度转换、阈值设定）。接着调用 `matchTemplate()` 执行卷积运算，并依据所选评估标准获取响应矩阵。最后定位峰值坐标即代表最佳匹配区域中心点的位置。 以下是 Python 实现示例： ```python template_image = cv2.imread('template.png', 0) # 加载模板图片为灰度图 main_image = cv2.imread('scene.jpg' , 0) # 加载场景图片也为灰度图 result = cv2.matchTemplate(main_image, template_image, cv2.TM_CCORR_NORMED) min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result) top_left_corner = max_loc bottom_right_corner = (top_left_corner[0]+w, top_left_corner[1]+h) cv2.rectangle(main_image,top_left,bottom_right,(0,0,255),2) ``` 上述脚本说明了怎样读取两张不同尺寸但内容相关的单通道图像文件，并运用归一化的交叉关联算法完成精确搜索任务[^2]。
评论 14
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值