sad(sum of absolute differences)是一種影象匹配演算法。用公式表示為：
sad(u,v) = sum選擇最小值。基本思想：差的絕對值之和。此演算法常用於影象塊匹配，將每個畫素對應數值之差的絕對值求和，據此評估兩個影象塊的相似度。該演算法快速、但並不精確，通常用於多級處理的初步篩選。
輸入：兩幅影象，一幅left，一幅right
對左圖，依次掃瞄，選定乙個錨點：
（1）構造乙個小視窗,類似於卷積核；
（2）用視窗覆蓋左邊的影象,選擇出視窗覆蓋區域內的所有畫素點；
（3）同樣用視窗覆蓋右邊的影象並選擇出覆蓋區域的畫素點；
（4）左邊覆蓋區域減去右邊覆蓋區域，並求出所有畫素點灰度差的絕對值之和；
（5）移動右邊影象的視窗，重複（3）-（4）的處理（這裡有個搜尋範圍,超過這個範圍跳出）；
（6）找到這個範圍內sad值最小的視窗,即找到了左圖錨點的最佳匹配的畫素塊。
下面我寫一下對於這個演算法的理解：
我們要構造乙個視窗d分別用於覆蓋左邊影象和右邊影象，視窗的size大小可以自己去定義，然後用d視窗圈出了ab兩幅影象後，我們需要左右視窗內的選定的畫素做差，然後求取其絕對值，並且對絕對值求和。在視差範圍內移動視窗 ，並重複作差，求取絕對值，並求和。找到最小的匹配塊，並且標記記錄下來
w=9; %視窗半徑
depth=20; %最大偏移距離，同樣也是最大深度距離
imgn=zeros(m,n);
for i=1+w:m-w
for j=1+w+depth:n-w
tmp=;
lwin=left(i-w:i+w,j-w:j+w);
for k=0:-1:-depth
rwin=right(i-w:i+w,j-w+k:j+w+k);
diff=lwin-rwin;
tmp=[tmp sum(abs(diff(:)))];
end[junk imgn(i,j)]=min(tmp); %獲得最小位置的索引
（其實不難發現，演算法中存在大量的冗餘計算，主要體現在，你需要反覆地計算出，已經計算過的差值，絕對值，求和，所以，能不能只計算一次插值呢，能不能先求取插值，比如生成乙個插值影象（imgl-imgr），然後利用視窗d在插值影象上面滑動，計算和，然後在針對每個點進行匹配） （這份**是在網上找到的，寫**還是一件費勁的事，自己還是很菜，有些地方還沒看懂，慢慢努力吧…）
d=20; %最大視差
n=9; %視窗半徑
[h,w]=size(im1);
%計算右圖減去左圖，相減產生d個矩陣放到imgdiff中
imgdiff=zeros(h,w,d);
e=zeros(h,w);
for i=1:d
e(:,1:(w-i))=abs(im2(:,1:(w-i))- im1(:,(i+1):w));
e2=zeros(h,w);%計算視窗內的和
for y=(n+1):(h-n)
for x=(n+1):(w-n)
e2(y,x)=sum(sum(e((y-n):(y+n),(x-n):(x+n))));
endend
imgdiff(:,:,i)=e2;
end%找到最小的視差，到dispmap
dispmap=zeros(h,w);
for x=1:w
for y=1:h
[val,id]=sort(imgdiff(y,x,:));
if abs(val(1)-val(2))>10
dispmap(y,x)=id(1);
endend
end%顯示
imshow(dispmap,);
此程式提高了計算效率，程式執行時間大大減少。
原圖：
SAD立體匹配詳解
1.概念 sad sum of absolute differences 是一種影象匹配演算法。基本思想 差的絕對值之和。此演算法常用於影象塊匹配，將每個畫素對應數值之差的絕對值求和，據此評估兩個影象塊的相似度。該演算法快速 但並不精確，通常用於多級處理的初步篩選。2.步驟 1 構造乙個小視窗,類似...
SAD立體匹配演算法的PYTHON實現
這是第一次發csdn部落格，因為在機器視覺的學習中csdn幫助了我很多，那麼我也應該為csdn社群做一些貢獻，所以本文將介紹我用python實現的sad匹配演算法。sad演算法是立體匹配演算法中，隸屬於區域性區域匹配演算法中的乙個演算法，原理是從左圖中找出乙個小視窗，利用極線約束，在 右圖中同一行中...
立體匹配 立體匹配過程
立體匹配就4個步驟 匹配代價計算，代價聚合，計算視差，視差精化 匹配代價計算 一般是通過計算左右兩圖對應畫素3個通道的灰度值差來決定匹配代價的，常用的就是基於畫素點匹配代價計算，一般有ad，sd，tad什麼的，基於區域的匹配代價計算一般有sad，ssd，stad之類的。匹配代價計算會生成乙個disp...