SGM算法在KITTI2015数据集上测评结果 开发环境：python=3.6、numpy=1.19.5、opencv-python=4.5.5.64 操作系统：Ubuntu20.04LTS 处理器：Intel(R) Core(TM) i7-9700 CPU @ 3.00GHz 实验记录： 1、WTA、SSD策略，disparity=190，radius=3，视差<=3精度：0.5611，运行时间：7.4344s 2、WTA、SSD策略，disparity=64，radius=3，视差<=3精度：0.5611，运行时间：2.7495s 3、SGM、SSD策略，disparity=64，radius=3，视差<=3精度：0.8161，运行时间：22.7137s 4、SGM、NCC策略，disparity=64，radius=3，视差<=3精度：0.8119，运行时间：28.0640s 5、SGM、SAD策略，disparity=64，radius=3，视差<=3精度：0.6681，运行时间：22.3349

传统的Census+Hamming距离立体匹配算法往往由于将邻域像素等同对待，从而缺少足够的匹配信息，造成较高的误匹配率。对此提出了一种自适用加权的Hamming距离算法，通过引入邻域像素空间距离，使在距离测算时将邻域像素分等级计算，丰富了匹配图像的信息。并且使用梯度图像像素之间的距离作为聚合代价计算的权值，实验证明其对于噪声有一定的抗干扰性，并且能够很好地反映纹理等信息，同时引入稀疏聚合窗口来减少算法的复杂度。最后进行亚像素插值增大匹配的正确性。通过对比试验证明，此算法不仅能够提高匹配的准确性和抗干扰性，还能减少算法的复杂度，适用于实时的立体匹配。

Stefano Mattoccia 的讲义 Stereo Vision: algorithms and applications,是2015最新版，与旧的版本相比，除了准确详实的记述了立体匹配的基本原理和关键技术，增加了新的3D应用和FPGA处理的详细过程。

该源代码执行二进制立体匹配算法以估计立体匹配图像。 在此应用程序中，您可以实现不同的流行蒙版以及新颖的混合蒙版。

立体匹配就是在左右视图中找到同一场景点所对应的一对对应点。使用matlab实现了立体匹配，采用的是SGM算法。

为解决局部立体匹配算法存在深度图边界区域不连续问题，本文提出了一种基于边缘约束的自适应引导滤波立体匹配算法。将梯度值和颜色信息结合进行匹配代价计算；然后，基于图像边缘局部特征，对图像的像素点基于颜色阈值和边界条件构建自适应十字交叉区域，并对自适应窗口进行引导滤波代价聚合；最后，采用胜者为王策略(winner takes all，WTA)进行视差计算，对视差图进行视差精细化处理。实验结果表明：本文算法生成的深度图能够更好地保留细节特征，边界纹理区域的误匹配现象明显改善，可有效降低误匹配率，本文算法在Middlebury数据集误匹配率仅为5.22%。

叶片是航空发动机的重要部件, 由于工作环境恶劣, 容易出现损坏。对损坏的叶片进行修复是比较经济的做法, 模型重构是航空发动机叶片修复的关键技术之一。为此提出了一种基于散斑视觉测量的叶片模型重构方法。采用散斑视觉系统采集叶片曲面散斑点; 通过散斑点立体匹配得到局部点云数据; 通过点云拼接得出叶片整体点云; 根据叶片点云曲率提取边界点, 通过三次B样条曲线对叶片点云边界点进行拟合, 得出叶片包络曲线; 利用包络曲线和点云重建叶片模型; 进行了实验验证, 证明了方法的可行性。

均值滤波，在卷积形式的均值滤波中，需要把输入图对应模板内所有点像素点相加求平均，代替 原像素点。窗口越大，滤波效果越好，但是图像也变得更加模糊，所以需要根据实际情况设置矩形窗口的大小。 高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。通俗 的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的 其他像素值经过加权平均后得到。 高斯滤波的具体操作是：用一个模板 (或称卷积、掩模) 扫描图像中的每一个像素，用模板确 定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。对应均值滤波说，其邻域内每个像素的权重是相等的。而在高斯滤波中，会将中心点的权重值加大，远离中心点的权重值减小，在此基础上计算邻域内各个像素值不同权重的和。

立体匹配是立体视觉从图像生成三维点云的常规手段。立体匹配算法主要是通过建立一个能量代价函数，通过此能量代价函数最小化来估计像素点视差值。立体匹配算法的实质就是一个最优化求解问题，通过建立合理的能量函数，增加一些约束，采用最优化理论的方法进行方程求解，这也是所有的病态问题求解方法。 双目立体匹配可划分为四个步骤：匹配代价计算、代价聚合、视差计算和视差优化。 匹配代价计算的目的是衡量待匹配像素与候选像素之间的相关性。两个像素无论是否为同名点，都可以通过匹配代价函数计算匹配代价，代价越小则说明相关性越大，是同名点的概率也越大。匹配代价计算的方法有很多，本课设使用灰度绝对值差（AD，Absolute Differences）。 代价聚合的根本目的是让代价值能够准确的反映像素之间的相关性。上一步匹配代价的计算往往只会考虑局部信息，通过两个像素邻域内一定大小的窗口内的像素信息来计算代价值，这很容易受到影像噪声的影响，而且当影像处于弱纹理或重复纹理区域，这个代价值极有可能无法准确的反映像素之间的相关性，直接表现就是真实同名点的代价值非最小。 视差计算即通过代价聚合之后的代价矩阵S来确定每个像素的最优

经典的极线校正程序Fusiello_epipolarcode MATLAB完整源代码