### Python 实现 SGBM 半全局块匹配算法 以下是基于 OpenCV 的 Python 示例代码，用于实现 SGBM（Semi-Global Block Matching）算法。此代码展示了如何加载一对校准后的双目图像并生成视差图。 ```python import numpy as np import cv2 # 加载左右图像 img_left = cv2.imread('left_image.png', cv2.IMREAD_GRAYSCALE) img_right = cv2.imread('right_image.png', cv2.IMREAD_GRAYSCALE) if img_left is None or img_right is None: raise ValueError("无法读取图像，请检查文件路径") # 设置 SGBM 参数 window_size = 3 # 使用的窗口大小决定了每个像素邻域的范围 minDisparity = 16 # 最小可能的差异值 numDisparities = 96 # 视差搜索范围的最大值减去最小值 blockSize = 5 # 匹配窗口大小，必须为奇数 uniquenessRatio = 10 # 唯一性比率参数 speckleWindowSize = 100 # 颗粒过滤窗口大小 speckleRange = 32 # 颗粒过滤最大差异值 disp12MaxDiff = 1 # 左右一致性检查中的最大允许差异 stereo_sgbm = cv2.StereoSGBM_create( minDisparity=minDisparity, numDisparities=numDisparities, blockSize=blockSize, uniquenessRatio=uniquenessRatio, speckleWindowSize=speckleWindowSize, speckleRange=speckleRange, disp12MaxDiff=disp12MaxDiff, P1=8 * 3 * window_size ** 2, # 处罚项系数 P1 和 P2 控制不连续性的平滑度 P2=32 * 3 * window_size ** 2 ) # 计算视差图 disparity = stereo_sgbm.compute(img_left, img_right).astype(np.float32) / 16.0 # 显示视差图 cv2.imshow("Disparity Map", (disparity - minDisparity) / numDisparities) cv2.waitKey(0) cv2.destroyAllWindows() ``` #### 关键说明 上述代码实现了 SGBM 算法的核心功能[^1]。通过调整 `StereoSGBM_create` 方法中的多个参数，可以控制算法的行为和性能。例如： - `minDisparity`: 定义了视差搜索的起始点。 - `numDisparities`: 表示视差搜索范围的宽度，需为 16 的倍数。 - `P1`, `P2`: 平滑惩罚项，较大的值会增加对噪声的容忍度，但也可能导致边缘模糊[^4]。 为了进一步提升精度，还可以结合相机标定矩阵 \(Q\) 将视差转换为三维空间坐标： ```python threeD = cv2.reprojectImageTo3D(disparity, Q, handleMissingValues=True) ``` --- ###