1.算法原理
SAD(Sum of absolute differences)是一种图像匹配算法。用公式表示为：
SAD(u,v) = Sum{|Left(u,v) - Right(u,v)|} 选择最小值。基本思想：差的绝对值之和。此算法常用于图像块匹配，将每个像素对应数值之差的绝对值求和，据此评估两个图像块的相似度。该算法快速、但并不精确，通常用于多级处理的初步筛选。
2.基本流程
输入：两幅图像，一幅Left，一幅Right
对左图，依次扫描，选定一个锚点：
（1）构造一个小窗口,类似于卷积核；
（2）用窗口覆盖左边的图像,选择出窗口覆盖区域内的所有像素点；
（3）同样用窗口覆盖右边的图像并选择出覆盖区域的像素点；
（4）左边覆盖区域减去右边覆盖区域，并求出所有像素点灰度差的绝对值之和；
（5）移动右边图像的窗口，重复（3）-（4）的处理（这里有个搜索范围,超过这个范围跳出）；
（6）找到这个范围内SAD值最小的窗口,即找到了左图锚点的最佳匹配的像素块。
下面我写一下对于这个算法的理解：
我们要构造一个窗口D分别用于覆盖左边图像和右边图像，窗口的size大小可以自己去定义，然后用D窗口圈出了AB两幅图像后，我们需要左右窗口内的选定的像素做差，然后求取其绝对值，并且对绝对值求和。在视差范围内移动窗口 ，并重复作差，求取绝对值，并求和。找到最小的匹配块，并且标记记录下来
3、参考代码
clear all
clc
left=double(rgb2gray(imread('left.jpg')));
right=double(rgb2gray(imread('right.jpg')));
[m n]=size(left);
w=9; %窗口半径
depth=20; %最大偏移距离，同样也是最大深度距离
imgn=zeros(m,n);
for i=1+w:m-w
for j=1+w+depth:n-w
tmp=[];
lwin=left(i-w:i+w,j-w:j+w);
for k=0:-1:-depth
rwin=right(i-w:i+w,j-w+k:j+w+k);
diff=lwin-rwin;
tmp=[tmp sum(abs(diff(:)))];
end
[junk imgn(i,j)]=min(tmp); %获得最小位置的索引
end
end
imshow(imgn,[]);
4、改进
（其实不难发现，算法中存在大量的冗余计算，主要体现在，你需要反复地计算出，已经计算过的差值，绝对值，求和，所以，能不能只计算一次插值呢，能不能先求取插值，比如生成一个插值图像（imgL-imgR），然后利用窗口D在插值图像上面滑动，计算和，然后在针对每个点进行匹配） （这份代码是在网上找到的，写代码还是一件费劲的事，自己还是很菜，有些地方还没看懂，慢慢努力吧…）
im1=double(rgb2gray(imread('left.jpg')));
im2=double(rgb2gray(imread('right.jpg')));
D=20; %最大视差
N=9; %窗口半径
[H,W]=size(im1);
%计算右图减去左图，相减产生D个矩阵放到imgDiff中
imgDiff=zeros(H,W,D);
e=zeros(H,W);
for i=1:D
e(:,1:(W-i))=abs(im2(:,1:(W-i))- im1(:,(i+1):W));
e2=zeros(H,W);%计算窗口内的和
for y=(N+1):(H-N)
for x=(N+1):(W-N)
e2(y,x)=sum(sum(e((y-N):(y+N),(x-N):(x+N))));
end
end
imgDiff(:,:,i)=e2;
end
%找到最小的视差，到dispMap
dispMap=zeros(H,W);
for x=1:W
for y=1:H
[val,id]=sort(imgDiff(y,x,:));
if abs(val(1)-val(2))>10
dispMap(y,x)=id(1);
end
end
end
%显示
imshow(dispMap,[]);
此程序提高了计算效率，程序运行时间大大减少。
---------------------
作者：muzi李
来源：CSDN
原文：blog.csdn.net/laoliaixuex…
更多技术资讯可关注:itheimaGZ获取 |
|
