算法原理
SAD(Sum of absolute differences)是一种图像匹配算法。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。
常见立体匹配算法流程
常见的立体匹配算法主要包括以下四步
匹配代价计算
代价聚合
视差计算或优化
视差改良
匹配代价计算常采用sad等方法，根据左右两幅图像上匹配点的像素之差的绝对值。
代价聚合常采用一个固定窗口，计算窗口内部的所有视差之和。
视差的计算最直观的方式是采用WTA(Winner Takes All)的方式，直接选取使得聚合代价最小的视差值。
BM算法概括
简单的理解立体匹配，在行对准的两幅图像中找到同一个点,或Reference图像中给定一点，在Target图像中搜索对应的点，如下图所示。
根据极线规则，上图左边图中红色像素点（x, y）到右边图中搜索匹配点。实际上，直接对一点来进行匹配，百分百会出现各种各样的问题，这个时候我们选择用一个固定窗口来替代一点，如下图所示。
这样做就隐含了一个假设，认为窗口内部视差值相同，但是，显然的，这种假设太过想当然，也使得算法实际效果不好。
BM算法，也常称为SAD(Sum of Absolute Differences)算法，是双目立体匹配中最基本的算法。
SAD基本理论
SAD算法由3步构成。
匹配代价计算
代价聚合
视差计算
Matching Cost Computation
SAD的匹配代价计算比较简单，Reference图像和Target图像像素直接相减加绝对值，即|IR(x,y)−IT(x+d,y)||IR(x,y)−IT(x+d,y)|。
视差空间(DSI)是一个三维矩阵，定义
[c(x,y,d)= |
I_R(x,y)-I_T(x+d,y) |
] |
可以理解为Reference图像(x,y)(x,y)点，在搜索视差为dd时的代价。
Cost Aggeration
SAD的代价聚合就是将固定窗口FW(Fixed Window)内代价求和，直观理解如下图所示。
计算FW内视差视差为d时的聚合代价
[C(x,y,d)=\sum_{x\in S}|I_R(x,y)-I_T(x+d,y)|]
Disparity Computation
SAD的视差计算非常简单，采用WTA原则，对于给定的(x,y)(x,y)，找使得C(x,y,d)C(x,y,d)最小的d，此d即可认为时该点的视差。
基本流程
输入：两幅图像，一幅Left-Image，一幅Right-Image且两幅图像已经校正实现行对准
对左图，依次扫描，选定一个锚点：
（1）设定SAD窗口的大小（下图灰色区域），left_image为开始匹配的位置，（p,q）以及在right_image中SAD窗口移动的范围D。
（2）在left_image图像中，确定待匹配的像素点的位置（x,y），并以此位置作为SAD窗口的锚点，用SAD窗口覆盖left_image中以（x,y）为锚点的区域regionl。
（3）在right_image图像中，选取匹配的开始点，位置为（m,n），并以该点作为SAD窗口的锚点，用SAD窗口去覆盖，在right_iamge中形成以（m,n）为锚点的图像区域regionr.
（4）定义differernce=regionr-regionl。计算difference中的和。
（5）在right_image图像中沿行方向移动SAD（移动次数为匹配的范围大小），重复步骤（3），（4），并将每次得到的difference记录在mat矩阵中。
（6）找到mat矩阵中difference最小的值，则其所在位置就是right_image和left_image的视差。
代码实现
#include "opencv2/opencv.hpp"
class SAD
{
public:
SAD() :winSize(7), DSR(30) {}
SAD(int _winSize, int _DSR) :winSize(_winSize), DSR(_DSR) {}
cv::Mat computerSAD(cv::Mat& L, cv::Mat& R); //计算SAD
private:
int winSize; //卷积核的尺寸
int DSR; //视差搜索范围
};
cv::Mat SAD::computerSAD(cv::Mat& L, cv::Mat& R)
{
int Height = L.rows;
int Width = L.cols;
cv::Mat Kernel_L(cv::Size(winSize, winSize), CV_8U, cv::Scalar::all(0));
cv::Mat Kernel_R(cv::Size(winSize, winSize), CV_8U, cv::Scalar::all(0));
cv::Mat Disparity(Height, Width, CV_8U, cv::Scalar(0)); //视差图
for (int i = 0; i < Width - winSize; i++)
{
for (int j = 0; j < Height - winSize; j++)
{
Kernel_L = L(cv::Rect(i, j, winSize, winSize));
cv::Mat MM(1, DSR, CV_32F, cv::Scalar(0)); //MM是一个1行DSR列的图像（矩阵）
for (int k = 0; k < DSR; k++)
{
int x = i - k; //为什么是i-k参见我上面的叙述
if (x >= 0)
{
Kernel_R = R(cv::Rect(x, j, winSize, winSize));
cv::Mat Dif;
cv::absdiff(Kernel_L, Kernel_R, Dif);//
cv::Scalar ADD = sum(Dif);
float a = ADD[0];//a为视差为k是相应窗口的像素差值的绝对值之和
MM.at<float>(k) = a;//将a赋给MM的第k列，因为从0开始搜索，遍历结束后MM每一列为视差为列序号时对应的SAD值，我们取其最小即可
std::cout << "i,j: " << i << ", " << j << "; MM " << MM << std::endl;
}
}
cv::Point minLoc; //point数据类型为二维点对象，有横纵xy两个坐标
double min = 0.0;
cv::minMaxLoc(MM, &min, NULL, &minLoc, NULL);//返回MM最小值的坐标
int loc = minLoc.x;//取最小值坐标的横坐标x值，即为对应的列序号，也就是相应的视差值
//int loc=DSR-loc;
Disparity.at<char>(j, i) = loc * 16;//*16只是为了方便显示
}
double rate = double(i) / (Width);
//cout << "已完成" << setprecision(2) << rate * 100 << "%" << endl; //处理进度
}
return Disparity;
}
int main()
{
cv::Mat Img_L = cv::imread("SAD\\left_0.jpg", 0);
cv::Mat Img_R = cv::imread("SAD\\right_0.jpg", 0);
cv::Mat Disparity; //视差图
//SAD mySAD;
SAD mySAD(7, 30);
Disparity = mySAD.computerSAD(Img_L, Img_R);
cv::imshow("Img_L", Img_L);
cv::imshow("Img_R", Img_R);
cv::imshow("Disparity", Disparity);
cv::waitKey();
return -1;
}备注：
用SAD算法可以得出左右图像的视差，进一步处理就可以得到深度图，深度与视差成反比的关系。我们做个实验：将手指头放在离眼睛不同距离的位置，并轮换睁、闭左右眼，可以发现手指在不同距离的位置，视觉差也不同，且距离越近，视差越大，其中距离的远近就是深度了。并且可以观察到，用左眼看手指时，手指在你眼中的靠右位置，而用右眼看时，手指在你眼中靠左的位置。假设两只眼分别看到的视野一样大。若用(x,y)表示左眼视图中某个位置的坐标，那么相应的该位置右眼视图的坐标应该为(x-d,y),其中d就是视差。这时(x,y)和(x-d,y)就是最佳匹配点。但是实际情况我们并不知道d是多少。SAD算法就给出了如何求视差d.
SAD算法:我们按视差搜索范围从0开始搜索，找到左右图像最匹配的点，对应的视差值就确定了。如何确定最佳匹配点呢？试想一下，如果视差为0，也就是左右图像一样，那么这个点上下左右区域对应的点都应该相同，所以像素相减后都为0，由于视差的存在（简单理解为从不同的角度看物体，由于光照的影响像素值也会发生改变），该点上下左右区域的像素值不会完全相等，但是我们依然可以利用这个思想，设定一个小窗口，在左右两幅图中计算其像素值差的绝对值之和。根据极线约束覆盖右图像像素点，假如视差搜索范围为0-50，那么就会得到51个结果。若在某个视差值d下该绝对值之和最小，那么d就为该中心点对应的视差。再由视差与深度的关系就可以得到深度图。