Python OpenCV中使用StereoBM的坏视差贴图

我已经组装了一个立体凸轮装置，但在使用它生成一个好的视差图时遇到了麻烦。下面是两张经过校正的图像和我用它们生成的视差图的示例：

正如你所看到的，结果非常糟糕。更改StereoBM的设置变化不大

设置

• 两个摄像头都是同一型号，并通过USB连接到我的电脑
• 它们被固定在一块坚硬的木板上，这样它们就不会移动。我尽可能地将它们对齐，但这当然不是完美的。它们无法移动，因此校准期间和之后的位置相同
• 我使用OpenCV校准了立体对，并使用OpenCV的

  StereoBM

  类生成视差图
• 这可能不太相关，但我正在用Python编写代码

我能想象的问题

我是第一次这样做，所以我远不是一个专家，但我猜问题在于校准或立体校正，而不是视差图的计算。我已经尝试了

StereoBM

的所有设置排列，虽然我得到了不同的结果，但它们都像上面显示的视差图：黑白片

据我所知，立体校正应该对齐每张图片上的所有点，以便它们通过一条直线（在我的例子中是水平线）连接，这一事实进一步支持了这一观点。如果我把两张校正过的图片放在一起检查，很明显情况并非如此。右侧图片上的对应点比左侧高得多。不过，我不确定校准还是校正是问题所在

代码

实际的代码被包装在对象中——如果您有兴趣完整地看到它，那么它是可用的。下面是一个实际运行的简化示例（当然，在实际代码中，我使用的不仅仅是两张图片）：

导入cv2
将numpy作为np导入
##负载测试图像
#TEST_IMAGES是测试图像的路径列表
input\u l，input\u r=[cv2.imread（image，cv2.CV\u LOAD\u image\u GRAYSCALE）
用于测试中的图像\u图像]
图像大小=输入形状[：2]
##取回棋盘角
#棋盘_行和棋盘_列是内部行和列的数量
#棋盘上用于校准的列
图案大小=棋盘行、棋盘列
object_points=np.zero（（np.prod（pattern_size），3），np.float32）
对象点[：，：2]=np.索引（模式大小）。T.重塑（-1，2）
#SQUARE_SIZE是棋盘方块的大小，单位为厘米
对象\u点*=正方形\u大小
图像_点={}
ret，corners=cv2。findChessboardCorners（输入，模式大小，真）
cv2.拐角子PIX（输入、拐角、，
(11, 11), (-1, -1),
（cv2.TERM_CRITERIA_MAX_ITER+cv2.TERM_CRITERIA_EPS，
30, 0.01))
图像_点[“左”]=角点_l.重塑（-1,2）
ret，corners=cv2。findChessboardCorners（输入，模式大小，真）
cv2.拐角子PIX（输入、拐角、，
(11, 11), (-1, -1),
（cv2.TERM_CRITERIA_MAX_ITER+cv2.TERM_CRITERIA_EPS，
30, 0.01))
图像点[“右”]=角点重新整形（-1,2）
##校准摄像机
（cam_mats、dist_coefs、rect_trans、proj_mats、valid_Box、，
不失真映射，校正映射）={}，{}，{}，{}，{}，{}，{}，{}，{}，{}，{}
标准=（cv2.TERM\u标准\u MAX\u ITER+cv2.TERM\u标准\u EPS，
100，1e-5）
标志=（cv2.CALIB\u FIX\u ASPECT\u RATIO+cv2.CALIB\u ZERO\u TANGENT\u DIST+
cv2.校准（相同焦距）
（ret、三角垫[“左”]、距离系数[“左”]、三角垫[“右”]，
区域系数[“右”]、旋转垫、变速器、电子垫、，
f_mat）=cv2.立体校准（对象点，
图像点[“左”]、图像点[“右”]，
图像大小，标准=标准，标志=标志）
（右转[“左”]、右转[“右”]，
项目垫[“左”]、项目垫[“右”]，
显示至深度垫，有效方框[“左”]，
有效的_盒[“右”]）=cv2.立体校正（凸轮垫[“左”]，
dist_coefs[“左”]，
三角垫[“右”]，
dist_coefs[“右”]，
图像大小，
旋转垫，变速箱，标志=0）
对于“左”、“右”侧：
（不失真地图[侧面]，
校正映射[侧]=cv2.初始无畸变校正映射（凸轮垫[侧]，
距离[侧面]，
矩形横[侧]，
项目垫[侧面]，
图像大小，
cv2.CV_32FC1）
##生成视差图
已校正=cv2.重新映射（输入，不失真映射[“左”]，
校正图[“左”]，
cv2.内部（最近的）
已校正=cv2.重新映射（输入，不失真映射[“右”]，
校正图[“右”]，
cv2.内部（最近的）
cv2.imshow（“左”，已纠正）
cv2.imshow（“右”，已纠正）
块匹配器=cv2.StereoBM（cv2.StereoBM\u基本预设，0,5）
disp=block\u matcher.compute（已纠正，已纠正，disptype=cv2.CV\u 32F）
cv2.imshow（“差异”，显示）

---

这里出了什么问题？

事实证明，问题在于可视化，而不是数据本身。我在某处读到

cv2.reprojectionmageto3d

需要一个视差图作为浮点值，这就是为什么我从

block\u matcher.compute

请求

cv2.CV\u 32F

更仔细地阅读OpenCV文档让我想到