シリーズ記事ディレクトリ
ミドルベリー・ステレオ・マッチングの評価方法まとめ(1) - サイト説明
ミドルベリー・ステレオ・マッチングの評価方法まとめ(2) - Python版オフラインチュートリアル
ミドルベリー・ステレオ・マッチングの評価方法まとめ(3) - オンラインチュートリアル
序文
最近、Middlebury データセットを使用してアルゴリズムの効果をテストしたいと考えています。ただし、Middlebury オフライン環境の構築に関する完全なチュートリアルはインターネット上にありません。情報を参照し、公式 Readme ドキュメントを読み、次のチュートリアルを要約しています。 。
2人のブロガーの記事を推薦するのは非常に便利です。
Windows でのミドルベリー オフライン ツールの使用 (補足)
ピット レコードを踏むステレオ ビジョン データ セットのミドルベリー オフラインでの使用 (Windows+Cygwin)
1. ダウンロードコンテンツ
Middlebury の公式 Web サイトで README.txt を入力して
、公式のソリューションを表示します。
1. MiddleEval3-data-Q.zip(元画像と補正パラメータ)、MiddleEval3-GT0-Q.zip(標準視差マップ)をダウンロードして解凍します。(F、H、Q は 3 つの異なる解像度を表します。必要に応じて異なる解像度の写真をダウンロードすることも、すべてをダウンロードすることもできます。グループは合計 15 個ありますが、あまり大きくありません。) 同じフォルダーに解凍します。マニュアルの目次セクションの構造と同じように、それらをマージします。
2. MiddEval3-SDK-1.6.zip (オフライン評価ツール) をダウンロードします。これは C++ コードとシェル スクリプトで構成される SDK であり、Windows 環境で実行でき、すべてのデータ セットに対してアルゴリズムを実行し、トレーニング セットの結果を評価できます。結果用の zip ファイルを作成してアップロードします。検出には、拡張子 .pfg が付いた PFM 形式の視差画像 (アルゴリズム処理後の結果画像) を使用する必要があります。
3. cvkit ツールキットをダウンロードして、.pfm 形式のファイルを表示します。
2. 環境を構成する
1. cmake
のインストール2. cygwinのインストール(cygwin のインストール時に make と tcsh を手動で選択する必要があります)
3. MinGW のインストール(公式 Web サイトからダウンロードした MinGW には拡張パッケージは含まれていませんが、MiddleBury では拡張パッケージ libpng が使用されているため、ここで共有します (独自の拡張パッケージを備えた MinGW、リンクはすでに上にあります)。
4. cmake、cygwin、および MinGM の環境変数をそれぞれ設定します。
3.エラスのコンパイル
公式ドキュメントには、
middleburyフォルダーの下のcmdで実行されると記載されています
cd alg-ELAS/build
cmake ..
make
cd ../..
code/imageLib/ImageIOpng.cpp 内の png.h が見つからない可能性があるため、次のコードを手動で追加する必要があります。
パスを独自の MinGW インストール パスに変更します。
extern "C"{
#include "E:\\MinGW\\MinGW\\include\\png.h"
}
middleburyフォルダーでcmdを実行します。
cd code/imageLib
make
cd ..
make
cd ..
4. 評価を実行する
cygwin ターミナルを開きます。Windowsの下のディレクトリを右クリックして cygwin ターミナルを開きます。
コマンドを入力して関連する操作を表示します
/.runeval
pfm 視差マップは、Python の opencv コードを通じて取得できます。テストのために、pfm ファイルとして直接保存し、対応するテスト ファイル ディレクトリに置くことをお勧めします。
cv2.imwrite("test.pfm",disp)
cygwin にコマンドを入力してテストします
./runeval Q Adirondack 1
要約する
マスク: (水平/垂直方向) 非オクルージョン領域率
bad1.0 渡した閾値が 1 の場合、不良点率: 対応するピクセル位置における実際の結果との値の差が閾値より大きい点の割合無効な
ドット レート、これらの黒いドットを指します、マッチング失敗、グレー スケールは無限大です
全体的な不良ドット、不良ドット レート + 無効なドット レート
avgErr 平均誤差: すべての有効なドットと実際の結果ドットの間のグレー スケールの差の累積和 /すべての有効なポイント
私のフォルダーの写真を貼り付けて、それを比較して、それが何であるかを確認できます。