4、立体匹配实战：OpenCV实现SGBM算法、参数调优、效果评估

好，咱们今天来点真家伙。前面讲了那么多理论，什么对极几何、视差计算，说白了都是为了这一刻——用OpenCV把SGBM算法跑起来。我刚开始接触立体匹配时，也以为调几个参数就能出完美深度图，结果被现实狠狠教育了一顿。嗯，今天就把我踩过的坑和总结的经验，一次性分享给你。

4.1 SGBM算法核心原理回顾

SGBM，全称是Semi-Global Block Matching。你想想看，它名字里就藏着两个关键点：

• Block Matching（块匹配）：用一个小窗口在左右图上滑动，找最像的那块区域。说白了就是“找茬游戏”。
• Semi-Global（半全局）：不是只盯着局部看，而是从多个方向（通常是8个或16个方向）做路径优化，让视差图更平滑。

我个人习惯把SGBM理解成“带全局视野的局部匹配”。它比BM（块匹配）更鲁棒，比GC（全局匹配）更快，属于工程上的黄金平衡点。

4.2 OpenCV中SGBM的创建与基本配置

OpenCV里SGBM的实现叫cv2.StereoSGBM_create()。我最早用的时候，看着那一堆参数直接懵了。别急，咱们一个一个拆。

import cv2
import numpy as np

# 创建SGBM对象
sgbm = cv2.StereoSGBM_create(
    minDisparity=0,        # 最小视差，通常为0
    numDisparities=16,     # 最大视差 - 最小视差，必须是16的倍数
    blockSize=5,           # 匹配块大小，奇数，3~11之间
    P1=8 * 3 * blockSize ** 2,  # 视差变化为1时的惩罚
    P2=32 * 3 * blockSize ** 2, # 视差变化大于1时的惩罚
    disp12MaxDiff=1,       # 左右一致性检查的最大差异
    preFilterCap=63,       # 预滤波截断值
    uniquenessRatio=10,    # 唯一性比率
    speckleWindowSize=100, # 斑点窗口大小
    speckleRange=2,        # 斑点范围
    mode=cv2.STEREO_SGBM_MODE_SGBM  # 模式选择
)

4.3 关键参数深度解析与调优策略

参数调优是SGBM最磨人的地方。我把它分成三类，咱们逐个击破。

4.3.1 核心结构参数

参数	作用	调优建议
numDisparities	视差搜索范围	场景越近，值越大。室内场景64~128，室外16~64
blockSize	匹配窗口大小	越大越平滑，但细节丢失。3~11之间试，我常用5或7
minDisparity	最小视差偏移	相机汇聚时可能为负值，一般保持0

4.3.2 惩罚参数（最关键的坑）

P1和P2这两个参数，我当年调得想砸键盘。它们控制着视差图的平滑程度：

• P1：相邻像素视差变化1个像素时的惩罚。值越小，视差图越“碎”。
• P2：视差变化大于1个像素时的惩罚。值越大，边缘越锐利。

4.3.3 后处理参数

参数	作用	典型值
disp12MaxDiff	左右一致性检查阈值	1~3，越大保留越多噪点
uniquenessRatio	匹配唯一性要求	5~15，越大匹配越“挑剔”
speckleWindowSize	去噪点窗口大小	50~200，0表示关闭

4.4 完整实战流程

好，理论说够了，咱们直接上代码。这是一个完整的立体匹配流程：

# 读取左右图像（已校正）
imgL = cv2.imread('left.png', cv2.IMREAD_GRAYSCALE)
imgR = cv2.imread('right.png', cv2.IMREAD_GRAYSCALE)

# 计算视差图
disparity = sgbm.compute(imgL, imgR).astype(np.float32) / 16.0

# 归一化显示
disparity_vis = cv2.normalize(disparity, None, 0, 255, cv2.NORM_MINMAX)
disparity_vis = np.uint8(disparity_vis)

# 显示结果
cv2.imshow('Disparity', disparity_vis)
cv2.waitKey(0)

4.5 效果评估方法

怎么知道调参调得好不好？不能光靠眼睛看。我一般用三个指标：

1. 视觉质量：边缘是否清晰？纹理区域是否平滑？有没有“黑洞”（匹配失败区域）？
2. 计算速度：用time.time()计时，实时应用一般要求<50ms/帧。
3. 定量指标：如果有真实视差图（Ground Truth），可以计算均方根误差（RMSE）和坏点百分比（Bad Pixel Ratio）。

# 简单评估代码
def evaluate_disparity(disp_est, disp_gt, threshold=1.0):
    mask = disp_gt > 0  # 忽略无效区域
    error = np.abs(disp_est - disp_gt)
    rmse = np.sqrt(np.mean(error[mask]**2))
    bad_pixel = np.mean(error[mask] > threshold) * 100
    return rmse, bad_pixel

4.6 知识体系总览

为了让你对整个流程有个全局认识，我画了张图。你看完应该能明白每个环节在干什么。

这张图把整个流程串起来了。你从输入开始，经过预处理、SGBM核心、后处理，最后得到视差图。而参数调优和效果评估，是贯穿始终的“质检员”。

---

公众号:蓝海资料掘金营，微信deep3321