如何解决如何应用特征匹配方法来增强立体视差图结果
最近我使用 Middlebury Stereo Datasets 2005 来生成视差图。将仅使用数据集 Art、Dolls 和 Reindeer。要求是为每个集合生成只有view1.png和view5.png的视差图。
我尝试直接使用 cv2.StereoSGBM 和 cv2.StereoBM 生成深度图，但并没有真正给出令人满意的结果，这是使用 StereoSGBM 代码的 Art 的结果：
imgL = cv2.imread('./Art/view1.png',cv2.IMREAD_GRAYSCALE)
imgR = cv2.imread('./Art/view5.png',cv2.IMREAD_GRAYSCALE)
win_size = 3
stereo = cv2.StereoSGBM_create(
mindisparity=20,numdisparities=200,blockSize=7,uniquenessRatio=10,speckleWindowSize=3,speckleRange=1,P1=8 * 3 * win_size ** 2,P2=32 * 3 * win_size ** 2,)
disparity_SGBM = stereo.compute(imgL,imgR)
除了 StereoSGBM 和 StereoBM，我还看到人们在计算深度图之前使用带有 ORB / SIFT 的特征数学方法来运行 cv2.warpPerspective，但是，它的转换方式似乎失败了（右侧）：
使用上述方法生成深度图后，我还实现了 wlsd 过滤器，但我对 lambda 和 sigma 值感到困惑。我想问一下我应该如何实现这些方法来增强输出
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
