### 导入必要的库 为了处理双目相机拍摄的照片并进行拼接，首先需要导入一些基本的库。这些库包括用于图像操作的`cv2`（OpenCV），以及用于数值计算的`numpy`。 ```python import cv2 import numpy as np ``` ### 加载双目相机照片 假设已经有一组由双目相机捕捉到的左视图和右视图图像文件路径分别为`left_image_path` 和 `right_image_path` 。通过 OpenCV 可以轻松读取这两张图片： ```python left_img = cv2.imread(left_image_path) right_img = cv2.imread(right_image_path) if left_img is None or right_img is None: raise ValueError("无法加载指定路径下的图片") ``` ### 计算立体匹配 disparity map 对于双目视觉来说，创建disparity map 是非常重要的一步，这有助于后续生成深度信息或者三维重建工作。这里采用SGBM算法来实现这一点[^1]。 ```python stereo = cv2.StereoSGBM_create( minDisparity=-1, numDisparities=5 * 16, blockSize=5, P1=8 * 3 * 3 ** 2, P2=32 * 3 * 3 ** 2, disp12MaxDiff=12, uniquenessRatio=10, speckleWindowSize=50, speckleRange=32, preFilterCap=63, mode=cv2.STEREO_SGBM_MODE_SGBM_3WAY ) disparity_map = stereo.compute(left_img, right_img).astype(np.float32) / 16.0 ``` ### 将 Disparity Map 转换为 Depth Image 一旦有了 disparity map ，就可以利用已知的相机参数将其转换成 depth image 。这里的相机内参矩阵 K 已经给出，在实际应用中可能还需要知道基线距离 B （即两个摄像机之间的水平间距）。下面是一个简单的例子说明如何完成这个过程: ```python focal_length = K[0][0] # 使用提供的焦距值作为近似 baseline = 0.1 # 基线长度 (单位: 米)，需根据具体设备调整此值 do_depth = True # 是否执行depth conversion Q = np.float32([[1, 0, 0, -K[0][2]], [0, -1, 0, K[1][2]], [0, 0, focal_length * baseline, 0], [0, 0, 0, 1]]) points = cv2.reprojectImageTo3D(disparity_map, Q) colors = cv2.cvtColor(left_img, cv2.COLOR_BGR2RGB) mask_map = disparity_map > disparity_map.min() output_points = points[mask_map] output_colors = colors[mask_map] def create_output(vertices, colors, filename): colors = colors.reshape(-1, 3) vertices = np.hstack([vertices.reshape(-1, 3), colors]) ply_header = '''ply format ascii 1.0 element vertex %(vert_num)d property float x property float y property float z property uchar red property uchar green property uchar blue end_header ''' with open(filename, 'w') as f: f.write(ply_header % dict(vert_num=len(vertices))) np.savetxt(f, vertices, '%f %f %f %d %d %d') create_output(output_points, output_colors, 'reconstructed.ply') ``` 上述代码片段展示了从双目图像获取点云数据的过程，并最终保存为PLY格式文件以便进一步可视化或分析[^3]。