目标
- 本节要学习为立体图像制作深度地图
基础
在上一节中，学习了对极约束的基本概念和相关术语。 如果同一场景有两幅图像的话，在直觉上就可以获得图像的深度信息。 下面是的这幅图和其中的数学公式证明，我们的直觉是对的。（图像来源 image courtesy）
上图包含等效三角形。写出它们的等价方程将得到以下结果：
x 和 x' 分别是图像中的点到 3D 空间中的点和到摄像机中心的距离。 B 是这两个摄像机之间的距离，f 是摄像机的焦距。上边的等式告诉我们，点的深度与 x 和 x' 的差成反比。所以根据这个等式就可以得到图像中所有点的深度图。
这样就可以找到两幅图像中的匹配点了。前面已经知道了对极约束可以使这个操作更快更准。 一旦找到了匹配，就可以计算出 disparity 了。让我们看看在 OpenCV 中怎样做吧。
代码
下面的代码显示了构建深度图的简单过程。
In [1]:
import numpy as np
import cv2
from matplotlib import pyplot as plt
imgL = cv2.imread('/data/cvdata/tsukuba_l.png',0)
In [2]:
plt.imshow(imgL)
Out[2]:
<matplotlib.image.AxesImage at 0x7f49d135b110>
In [3]:
imgR = cv2.imread('/data/cvdata/tsukuba_r.png',0)
In [4]:
plt.imshow(imgR)
Out[4]:
<matplotlib.image.AxesImage at 0x7f49d123b200>
In [5]:
stereo = cv2.StereoBM_create(numDisparities=16, blockSize=15)
disparity = stereo.compute(imgL,imgR)
plt.imshow(disparity,'gray')
plt.show()
下图左侧为原始图像，右侧为深度图像。如图所示，结果中有很大的噪音。
通过调整 numDisparities 和 blockSize 的值，将会得到更好的结果。