OpenCV Stereo Matching 入門：從理論到代碼實戰

什麼是 Stereo Matching？

雙目立體匹配透過左右兩顆相機拍攝同一場景，利用視差原理計算像素深度，生成深度圖/點雲，是 3D 重建、自動駕駛、機器人導航的核心技術。

OpenCV 核心類別與流程

1. 校正 — stereoCalibrate, stereoRectify，獲得校正映射表 map1x, map1y, map2x, map2y。
2. 校正應用 — remap 將原圖校正為極線對齊 (同一掃描線對應同一 3D 點)。
3. 匹配算法 —
   • StereoBM (Block Matching) — 快速、適合紋理豐富場景，參數 numDisparities (16 倍數)、blockSize (奇數 5~21)。
   • StereoSGBM (Semi-Global Block Matching) — 半全域優化，邊緣銳利、抗噪強，參數較多 (P1, P2, uniquenessRatio, speckleWindowSize 等)。
4. 後處理 — filterSpeckles 去噪、normalize 視覺化、reprojectImageTo3D 獲取點雲。

最小可運行範例 (C++)

#include 
using namespace cv;

int main() {
    Mat imgL = imread("left.png", IMREAD_GRAYSCALE);
    Mat imgR = imread("right.png", IMREAD_GRAYSCALE);
    if (imgL.empty() || imgR.empty()) return -1;

    // 假設已完成校正，直接匹配
    Ptr sgbm = StereoSGBM::create(0, 96, 9);
    sgbm->setP1(8*9*9);
    sgbm->setP2(32*9*9);
    sgbm->setUniquenessRatio(10);
    sgbm->setSpeckleWindowSize(100);
    sgbm->setSpeckleRange(32);

    Mat disp;
    sgbm->compute(imgL, imgR, disp); // 16-bit signed, 值 = 視差 * 16
    disp.convertTo(disp, CV_32F, 1.0/16.0); // 真實視差

    // 視覺化
    Mat dispVis;
    normalize(disp, dispVis, 0, 255, NORM_MINMAX, CV_8U);
    imshow("Disparity", dispVis);
    waitKey(0);
    return 0;
}

關鍵參數調試心法

• numDisparities：覆蓋最近/最遠物體視差範圍，必須為 16 的倍數，過大費時、過小丟失遠近物體。
• blockSize：越大越平滑但邊緣模糊，越小越銳利但噪點多。典型 7~11。
• P1, P2 (SGBM)：懲罰視差變化，P2 > P1，經驗公式 P1=8*channels*blockSize^2, P2=32*channels*blockSize^2。
• uniquenessRatio：最佳代價比次佳代價優勢百分比，5~15 平衡誤匹配與漏匹配。

進階資源

• OpenCV 官方範例：samples/cpp/stereo_match.cpp
• 中文教學部落格：OpenCV Stereo Matching 詳細講解
• 經典論文：Stereo Processing by Semiglobal Matching and Mutual Information (Hirschmüller, 2007)

總結

OpenCV 提供完整的 StereoBM/SGBM 流程，關鍵在於精準校正與參數微調。建議先用官方範例跑通流程，再針對具體場景 (室內/室外、紋理貧瘠/豐富) 逐步優化參數。