### Python OpenCV 实现双目立体匹配 以下是基于 `left.jpg` 和 `right.jpg` 的双目立体匹配的完整代码示例。此代码实现了立体匹配并生成视差图。 ```python import numpy as np import cv2 # 加载左右图像 left_image = cv2.imread("left.jpg", cv2.IMREAD_GRAYSCALE) right_image = cv2.imread("right.jpg", cv2.IMREAD_GRAYSCALE) if left_image is None or right_image is None: raise ValueError("无法加载图像，请检查文件路径") # 设置立体BM或SGBM算法参数 window_size = 3 min_disparity = 16 num_disparities = 48 # 必须是16的倍数 block_size = 15 # 创建立体匹配对象 (可以选择 StereoBM 或 StereoSGBM) stereo = cv2.StereoSGBM_create( minDisparity=min_disparity, numDisparities=num_disparities, blockSize=block_size, P1=8 * 3 * window_size ** 2, # 控制平滑度的参数 P2=32 * 3 * window_size ** 2, disp12MaxDiff=1, uniquenessRatio=10, speckleWindowSize=100, speckleRange=32 ) # 计算视差图 disparity = stereo.compute(left_image, right_image).astype(np.float32) / 16.0 # 归一化视差图以便于显示 normalized_disparity = cv2.normalize(disparity, disparity, alpha=0, beta=255, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_8U) # 显示结果 cv2.imshow("Left Image", left_image) cv2.imshow("Right Image", right_image) cv2.imshow("Disparity Map", normalized_disparity) cv2.waitKey(0) cv2.destroyAllWindows() ``` #### 参数说明 - `minDisparity`: 最小可能的视差值，通常设置为大于零的小整数值。 - `numDisparities`: 视差范围大小，必须是16的倍数。 - `blockSize`: 匹配窗口尺寸，较大的值可以提高抗噪能力但会降低细节分辨率[^1]。 - `P1`, `P2`: 平滑项权重，控制代价函数中相邻像素差异的影响程度。 - `disp12MaxDiff`: 左右一致性检测的最大允许误差。 - `uniquenessRatio`: 唯一性比率，用于过滤掉可信度低的匹配点。 - `speckleWindowSize`, `speckleRange`: 小区域滤波器参数，用于去除孤立噪声点。 以上代码适用于已经经过校正的左右图像对[^3]。如果输入图像未经过校正，则需要先执行图像校正操作再进行立体匹配。 ### 关键技术点 1. 立体匹配的核心在于计算左右图像之间的对应关系，从而生成视差图。 2. 使用 `StereoSGBM_create()` 方法创建半全局块匹配（Semi-Global Block Matching）实例，相比基本的 BM 算法具有更高的精度和鲁棒性[^1]。 3. 对于未经校正的图像，需通过相机标定获取内外参矩阵，并应用 `cv2.stereoRectify()` 函数完成几何校正。