基于python实现的SGM半全局立体匹配算法,直接替换图片位置即可，均有注释。

论文翻译，利用半全局匹配算法计算匹配代价实现立体匹配

传统的基于像素点的匹配算法常常是算出初始匹配代价后直接采用贪心策略求取视差，虽然速度较快，但往往是局部最优的，以至精确度很低。针对这一问题，目前策略主要有：（1）半全局优化算法：扫描线算法和动态规划算法；（2）全局优化算法：置信度算法和图割算法。本文旨在通过详细讨论这四种算法原理本质，算法步骤与算法运行，从而深刻分析各自的优点与缺点

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

sgm, 在GPU上，半全局匹配 GPU上的半全局匹配这是在GPU上通过半全局匹配实现实时立体实时立体估计的实现，即 。 ，juarez et et，ICCS 。获得的性能以每秒帧( FPS ) 为单位测量：2 路 4路径 8路径NVIDIA Tegra

立体声匹配 *作者： （2020年1月） 总览 这个小工具是简单的立体声匹配的手动实现。 从不同的角度拍摄的两个经过校正的图像： 左图 正确的图像 通过两个匹配算法来组合以深度图像，简单胜者为王它，所有（WTA）或更复杂的半全局匹配（SGM）与绝对差的几个匹配成本（和（SAD），总和平方差（SAD）或归一化互相关（NCC） ）。 使用accX精度度量将结果与真实情况进行比较，不包括使用遮罩遮挡的像素。 公式 有关所涉及公式的精确细节（匹配成本，匹配算法和精度度量），请参阅Theory.pdf 。 文件 输入图像的data/目录（左眼和右眼） output/生成深度图像输出的目录 Ma

semi_global_matching：使用半全局匹配算法从立体图像计算视差图

根据论文Accurate and Efficient Stereo Processing by Semi-Global Matching and Mutual Information写的双目立体匹配代码，matlab编写方便阅读，带测试图片，注意算法只实现了4个方向，即左右，右左，上下，下上四个方向。然后，互信息没有用到。测试结果可见效果不错，对于学习动态规划，立体匹配的同学有帮助