代码对应于本人博客http://blog.csdn.net/bcj296050240/article/details/52778741。
博客中详细描述了该项目中各段代码的用途。
该代码可以实现双目视觉标定和立体匹配、视差计算、深度图生成等功能。
并配有标定图片。
欢迎交流
博客中详细描述了该项目中各段代码的用途。
该代码可以实现双目视觉标定和立体匹配、视差计算、深度图生成等功能。
并配有标定图片。
欢迎交流
2023/5/29 21:17:19
24.36MB
1
为了提高立体匹配效率和获得高精度的亚像素级视差,该文提出一种快速的小基高比立体匹配方法。
该方法首先利用积分图像加速自适应窗口和规范互相关度量的计算,然后根据可靠性约束进一步拒绝错误匹配,再采用基于迭代二倍重采样的亚像素级匹配方法为可信点计算亚像素级视差,最后利用基于图分割的视差平面拟合方法获得稠密的亚像素级视差图。
实验结果表明该方法不但可获得高精度的亚像素级视差而且还提高了算法的匹配效率,满足了小基高比立体重建的需求。
该方法首先利用积分图像加速自适应窗口和规范互相关度量的计算,然后根据可靠性约束进一步拒绝错误匹配,再采用基于迭代二倍重采样的亚像素级匹配方法为可信点计算亚像素级视差,最后利用基于图分割的视差平面拟合方法获得稠密的亚像素级视差图。
实验结果表明该方法不但可获得高精度的亚像素级视差而且还提高了算法的匹配效率,满足了小基高比立体重建的需求。
2023/5/29 3:16:15
345KB
1
effectivelargescalestereomatching，用于快速立体匹配，代码量比较大，可以直接用在工程中。
2023/5/16 10:24:29
5.38MB
1
基于可变窗口的立体匹配C++程序代码,没有错误,可以直接运行,只需要把自己的图像路径改一下即可,用的是经典tsukuba图相对进行匹配的,效果不错,对新接触立体匹配的同学很有协助,我的主页还有SADSSDNCC的经典局部立体匹配算法,需要的话也可以去我的主页下载
2017/7/13 1:21:41
3.44MB
1
立体匹配是深度估计的基础。
而bp算法和graphcut算法是比较成功的处理立体匹配（全局）的算法，这里有几种经典的基准源代码，以及代码使用方法及部分注释。
一些小的改变甚至于可以不需要知道算法步骤即可实现。
而bp算法和graphcut算法是比较成功的处理立体匹配（全局）的算法，这里有几种经典的基准源代码，以及代码使用方法及部分注释。
一些小的改变甚至于可以不需要知道算法步骤即可实现。
2017/6/24 21:18:20
13.65MB
1
针对水下双目图像匹配时不再满足空气中极线约束条件以及尺度不变特征变换(SIFT)特征匹配算法处理水下图像误匹配率较高等问题，提出一种基于曲线约束的水下特征匹配算法。
对双目摄像机进行标定获取相关参数，再获取参考图和待匹配图；
利用SIFT算法对两幅图像进行匹配，同时利用由参考图提取的特征点推导出其在待匹配图上对应的曲线，将该曲线作为约束条件判定待匹配图上对应特征点能否在曲线上，从而剔除误匹配点，以达到提高精度的目的。
实验结果表明，该算法优于SIFT算法，可以有效地剔除误匹配点，比SIFT算法匹配精度提高约12%，解决了SIFT算法在水下双目立体匹配中误匹配率高的问题。
对双目摄像机进行标定获取相关参数，再获取参考图和待匹配图；
利用SIFT算法对两幅图像进行匹配，同时利用由参考图提取的特征点推导出其在待匹配图上对应的曲线，将该曲线作为约束条件判定待匹配图上对应特征点能否在曲线上，从而剔除误匹配点，以达到提高精度的目的。
实验结果表明，该算法优于SIFT算法，可以有效地剔除误匹配点，比SIFT算法匹配精度提高约12%，解决了SIFT算法在水下双目立体匹配中误匹配率高的问题。
2020/6/1 11:40:56
4.22MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB