用于立体匹配的三种算法，显示视差图，matlab代码

3D双目立体重建基于立体视觉测量是目前效果最好的算法

杨庆雄 立体匹配算法 A Non-Local Cost Aggregation Method for Stereo Matching论文源代码 c++ vs2019 可直接运行无需配置

立体匹配BM post fiter 算法比BM算法效果好很多，比SGBM算法要快，视差图效果也要好。

【OpenCV】立体匹配算法 StereoSGBM源码参考，有兴趣的童鞋可以研究下。

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。

17.图像矫正程序。matelabe就可以运行，一个很简单的图像校正的程序，适合初学者。实现立体像对的矫正，并将匹配点显示出来事先输入相机内外参数，进行校正，是第一幅图的照片。所以后面校正的加载有问题。 后面显示都是第一个图的视差图。

针对双目视觉测量中的立体匹配问题，提出了一种基于主成分分析(PCA)算法和尺度不变特征变换(SIFT)匹配算法相结合的双目视觉立体匹配新方法。该系统以GSI 编码点为特征点，利用双目相机对以散斑为背景的编码标识板进行成像，利用PCA 算法与SIFT 算法结合的新算法对采集的图像进行特征提取与匹配解算。可实现对GSI 编码点特征的准确提取和立体匹配,并测量出不同位姿下特征点之间的精确位移。实验验证部分引入GSI 编码技术并在行程为1000 mm×1000 mm 二维高精度平移台上进行，实际测得位移的绝对误差在5×10

KITTI 2012/2015双目立体匹配(stereo matching)数据集百度云下载-附件资源

VS2017+OpenCV3.3基于SGBM算法的双目立体视觉、双目测距（双目校正和立体匹配）(文档里包含了测试图片)