SSD、SAD、NCC三种方法提取的深度图

资 源 简 介

SSD、SAD、NCC三种方法提取的深度图

详 情 说 明

在立体视觉领域，SSD（Sum of Squared Differences）、SAD（Sum of Absolute Differences）和NCC（Normalized Cross Correlation）是三种经典的局部匹配算法，用于从左右视图提取深度图。它们通过计算像素邻域间的相似性来建立对应关系，最终生成视差图并转换为深度信息。

SSD算法 通过平方差累计衡量匹配代价，对亮度变化敏感但容易受噪声干扰。其核心思想是搜索使左右图像块像素值平方差最小的区域，适合高对比度场景，但对局部光照差异鲁棒性较弱。

SAD算法 采用绝对差值和作为匹配标准，计算效率高于SSD且硬件实现简单。它对异常值（如噪声点）的敏感度较低，但在纹理稀疏区域可能出现误匹配，通常需要后处理优化。

NCC算法 通过归一化互相关系数消除光照变化影响，对线性光度变化具有不变性。其计算结果范围在[-1,1]之间，值越接近1表示相似度越高。虽然计算量较大，但在光照不均的场景中表现最优。

三种算法各有优劣： 精度：NCC通常优于SSD和SAD，尤其在复杂光照条件下； 速度：SAD最快，适合实时系统，SSD次之； 适用性：SSD/SAD适合嵌入式设备，NCC适合对精度要求高的离线处理。

实际应用中需权衡计算资源与精度需求。例如，机器人导航可能优先选择SAD，而医疗影像分析可能采用NCC。后续可结合全局优化算法（如半全局匹配SGM）进一步提升深度图质量。