针对现有立体匹配算法对噪声敏感、易失真、在视差不连续区域与弱纹理区域误匹配率高的问题, 提出一种改进Census变换与梯度融合的多尺度立体匹配算法。采用支持窗口内所有像素的加权平均灰度值作为Census变换的参考值, 将Census代价与由水平和垂直方向归一化结合的梯度代价进行加权融合, 通过设置噪声容限获得稳定的代价, 提高了单像素匹配代价的可靠性；在多分辨率尺度下, 采用改进引导滤波算法完成对匹配代价的聚合；通过视差提取获得视差图。实验结果表明, 该算法在Middlebury测试平台上对标准立体图像对的平均误匹配率为4.74%, 对27组扩展立体图像对的平均误匹配率为8.67%。该算法使得视差不连续区域与弱纹理区域的误匹配率进一步降低, 且对噪声和光照等干扰表现出较好的稳健性。

杨庆雄老师的立体匹配MST滤波优化算法代码C++ VS环境，VS2019可以直接运行，不用进行配置，代码内容详参考论文《Qiongxiong Yang,Stereo Matching Using Tree Filtering》 ppm格式文件用cvkit直接转化就可以 参照C:\Users\DELL>D:\cvkit\bin\imgcmd.exe D:\teddy\disp2.png -out D:\teddy\teddy_disp.pgm

census 立体匹配算法c++实现 可直接运行或进行修改

很好的区域线性生长立体匹配算法，绝对可用

adcensus立体匹配代码，windows和linux都可，看readme里看怎么编译。没有用cuda，就是用了cpu并行，没找到用cuda的代码

在双目立体视觉系统中，图像匹配是关键步骤之一。在众多匹配算法中，归一化互相关（NCC）算法由于具有精度高、鲁棒性强等优点得到广泛应用，但其计算量大、运算速度较慢，使其难以在线应用。为此，本文提出一种改进的NCC立体匹配算法，通过引入积分图像和平方积分图像，将矩形窗口区域像素求和运算转化为四个像素点值的简单相加减，同时剔除基准图像中无法匹配区域以减小搜索范围，使计算复杂度得到简化，计算量大为降低。实验证明，改进后的NCC算法在保证匹配质量的基础上，执行速度得到显著提高，利于在线应用。

引入辅助任务信息有助于立体匹配模型理解相关知识,但也会增加模型训练的复杂度。为解决模型训练对额外标签数据的依赖问题,提出了一种利用双目图像的自相关性进行多任务学习的立体匹配算法。该算法在多层级渐进细化过程中引入了边缘和特征一致性信息,并采用循环迭代的方式更新视差图。根据双目图像中视差的局部平滑性和左右特征一致性构建了损失函数,在不依赖额外标签数据的情况下就可以引导模型学习边缘和特征一致性信息。提出了一种尺度注意的空间金字塔池化,使模型能够根据局部图像特征来确定不同区域中不同尺度特征的重要性。实验结果表明:辅助任务的引入提高了视差图精度,为视差图的可信区域提供了重要依据,在无监督学习中可用于确定单视角可见区域;在KITTI2015测试集上,所提算法的精度和运行效率均具有一定的竞争力。

ygz-stereo-inertial（立体匹配优化算法）

双目标定立体匹配算法

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！