昨天今天明天专题-计算机视觉与图形学007-COLMAP

COLMAP+OpenMVS实现物体三维重建mesh模型 COLMAP 是一种通用的运动结构(SfM)和多视图立体(MVS)工具,具有图形和命令行界面。OpenMVS是目前的三维重建的框架中,复原效果较好的,而且提供自动化的脚本。 阅读详情

在这里插入图片描述
COLMAP 是具有图形和命令行界面的通用运动结构 (SfM) 和多视图立体 (MVS) 管道。 它为有序和无序图像集的重建提供了广泛功能。
COLMAP适用于多个平台Linux、Windows、Max,并提供了对应的安装方法:http://colmap.github.io/install.html。
基于图像的 3D 重建传统上首先使用 Structure-from-Motion 恢复场景的稀疏表示和输入图像的相机位姿。 然后,此输出用作 Multi-View Stereo 的输入,以恢复场景的密集表示。

Structure-from-Motion在这里插入图片描述

Structure-from-Motion (SfM) 是将 3D 结构从其投影重建为一系列图像的过程。 输入是一组从不同视点拍摄的同一对象的重叠图像。 输出是对象的 3D 重建,以及重建的所有图像的内在和外在相机参数。 通常,Structure-from-Motion 系统将此过程分为三个阶段:

  1. 特征检测和提取
  2. 特征匹配和几何验证
  3. 结构和运动重建

Multi-View Stereo

多视图立体 (MVS) 采用 SfM 的输出来计算图像中每个像素的深度和/或法线信息。 融合多个 3D 图像的深度和法线图,然后生成场景的密集点云。 使用融合点云的深度和法线信息,诸如(筛选的)泊松表面重建等算法可以恢复场景的 3D 表面几何形状。
操作流程
第一步是通过运行二进制文件(Windows:COLMAP.bat,Mac:COLMAP.app)或从 CMake 构建文件夹执行 ./src/exe/colmap gui 来启动 COLMAP 的图形用户界面。接下来,通过选择 File > New project 创建一个新项目。在此对话框中,必须选择存储数据库的位置以及包含输入图像的文件夹。为方便起见,您可以通过选择 File > Save project 将整个项目设置保存到配置文件中。除了任何其他参数设置之外,项目配置还存储数据库和图像文件夹的绝对路径信息。如果决定移动数据库或图像文件夹,则必须通过创建新项目来相应地更改路径。或者,可以在您选择的文本编辑器中直接修改生成的 .ini 配置文件。要重新打开现有项目,您只需通过选择 File > Open project 打开配置文件,所有参数设置都应恢复。请注意,所有 COLMAP 可执行文件都可以通过将单个设置指定为命令行参数或提供项目配置文件的路径从命令行启动。

各文件中内容说明

关于COLMAP详细的说明可以到官网进行查找,这里主要来说明一下,COLMAP中内容存储的相关格式。
(1)Feature Detection and Extraction

NUM_FEATURES 128
X Y SCALE ORIENTATION D_1 D_2 D_3 ... D_128
...
X Y SCALE ORIENTATION D_1 D_2 D_3 ... D_128

X, Y, SCALE, ORIENTATION 为Float类型, D_1…D_128的取值范围在0…255
(2)Feature Matching and Geometric Verification

image1.jpg image2.jpg
0 1
1 2
3 4
<empty-line>
image1.jpg image3.jpg
0 1
1 2
3 4
4 5
<empty-line>
图像之间的特征对应关系,下面的数字为各个图像从数字0开始的特征索引。

(3)Sparse Reconstruction
相机的内参:图像的宽、高、焦距、中心点坐标(这里指的是简单针孔相机模型)

# Camera list with one line of data per camera:
#   CAMERA_ID, MODEL, WIDTH, HEIGHT, PARAMS[]
# Number of cameras: 3
1 SIMPLE_PINHOLE 3072 2304 2559.81 1536 1152
2 PINHOLE 3072 2304 2560.56 2560.56 1536 1152
3 SIMPLE_RADIAL 3072 2304 2559.69 1536 1152 -0.0218531

images.txt包含了图像ID、旋转、平移向量、相机ID、图像名;
图像坐标、对应的3D坐标;

# Image list with two lines of data per image:
#   IMAGE_ID, QW, QX, QY, QZ, TX, TY, TZ, CAMERA_ID, NAME
#   POINTS2D[] as (X, Y, POINT3D_ID)
# Number of images: 2, mean observations per image: 2
1 0.851773 0.0165051 0.503764 -0.142941 -0.737434 1.02973 3.74354 1 P1180141.JPG
2362.39 248.498 58396 1784.7 268.254 59027 1784.7 268.254 -1
2 0.851773 0.0165051 0.503764 -0.142941 -0.737434 1.02973 3.74354 1 P1180142.JPG
1190.83 663.957 23056 1258.77 640.354 59070

points3D.txt 里面包含3D对应的ID、XYZ、RGB、重投影误差

# 3D point list with one line of data per point:
#   POINT3D_ID, X, Y, Z, R, G, B, ERROR, TRACK[] as (IMAGE_ID, POINT2D_IDX)
# Number of points: 3, mean track length: 3.3334
63390 1.67241 0.292931 0.609726 115 121 122 1.33927 16 6542 15 7345 6 6714 14 7227
63376 2.01848 0.108877 -0.0260841 102 209 250 1.73449 16 6519 15 7322 14 7212 8 3991
63371 1.71102 0.28566 0.53475 245 251 249 0.612829 118 4140 117 4473
(4)Dense Reconstruction
+── images
│   +── image1.jpg
│   +── image2.jpg
│   +── ...
+── sparse
│   +── cameras.txt
│   +── images.txt
│   +── points3D.txt
+── stereo
│   +── consistency_graphs
│   │   +── image1.jpg.photometric.bin
│   │   +── image2.jpg.photometric.bin
│   │   +── ...
│   +── depth_maps
│   │   +── image1.jpg.photometric.bin
│   │   +── image2.jpg.photometric.bin
│   │   +── ...
│   +── normal_maps
│   │   +── image1.jpg.photometric.bin
│   │   +── image2.jpg.photometric.bin
│   │   +── ...
│   +── patch-match.cfg
│   +── fusion.cfg
+── fused.ply
+── meshed-poisson.ply
+── meshed-delaunay.ply
+── run-colmap-geometric.sh
+── run-colmap-photometric.sh

稠密重建可以输出场景中更多的空间结构信息:images 文件夹包含畸变校正后的图像,sparse 文件夹包含畸变校正相机的稀疏重建,stereo 文件夹包含立体重建结果,point-cloud.ply 和 mesh.ply 是点云融合和网格划分过程的结果,以及 run-colmap-geometric.sh 和 run-colmap-photometric.sh 包含用于执行密集重建的示例命令行用法。

COLMAP地址:http://colmap.github.io/

更多计算机视觉与图形学相关资料,请关注微信公众号:计算机视觉与图形学实战
在这里插入图片描述

Colmap三维重建详解与使用方法 在重建场景的稀疏表示和输入图像的相机姿势后,MVS现在可以恢复更密集的场景几何。:空间中的一点与两张图片相机的光心,三者围成一个极平面,极平面与两张图片相交形成两条极线,对极几何约束是指,空间点X在摄像机1的成像平面中的像素点x,与之相匹配的摄像机2的成像平面中的像素点 x' 一定落在极线上。是通过一系列有重叠的且不同视角的图片重建出物体的三维结构(稀疏点云),并且输出相机的内外参数,内参指的是将真实空间的三维点通过内参矩阵转换为相机图片上的二维点,外参包含相机在切换不同视角时的平移和旋转信息。 阅读详情

相关推荐

OpenMVS :用 colmap制作自己的数据集 重建(用colmap计算位姿,将位姿转为MVS需要的格式)

数据集制作主要是在windows进行,比较方便。

程序员,他们想的是什么?他们想的永远都是技术,他们崇尚的也永远都是技术。 3326

COLMAP导出相机外参(bin文件转txt文件)

COLMAP导出相机外参(bin文件转txt文件)

qq_43307074的博客 1万+

三维重建系列 COLMAP: Structure-from-Motion

BA优化:由于图像注册与三角化是分开进行的,但二者是强相关的两个过程:错误的位姿会导致错误的三角化点点产生,反之亦然。三角化的过程中使用了RANSAC,即从上述特征追踪中随机选择2个点(一对点)进行三角化,统计内点数(即,重投影误差小于阈值记为内点),选择内点数最多的那个作为三角化点。根据未知的图像与地图中图像的2D-2D匹配,进而得到二者之间的2D-3D匹配,然后利用RANSAC-PNP解算出该相机位姿,完成图像注册。三角化:新注册的图像需要对已有的场景点有足够多的观测,同时也可以通过三角化扩展场景点。

sdw8855的博客 814

COLMAP与MVSNet

首先进行特征提取,点击“processing”中的“Feature Extraction”, 弹出选择窗体,这里面,只需要将相机模型选择为“Pinhole”模型即可,其他参数默认可以不变。当前正在新增第29个视角,当前影像可以看到已有点云的2148个,进行姿态估计(Pose Refinement Report),再进行BA优化,整体稀疏点云融合测量点236个,滤除测量点65个,最后进行三角测量(Retriangulation)新增观测点218个。增量式重建是个逐渐增加视角,并进行迭代优化重投影误差的过程。

gygedg的博客 1432

PatchmatchNet: 重建自己的数据集 详细教程(用 colmap制作自己的数据集:计算位姿,将位姿转为MVS需要的格式)

u0,v0表示图像的中心像素坐标和图像原点像素坐标之间相差的横向和纵向像素数。理论值应该是图像宽度、高度的一半,但实际是有偏差的,一般越好的摄像头则其越接近于分辨率的一半;dx和dy表示: x方向和y方向的一个像素Q分别占多少长度单位,即一个像素代表的实际物理值的大小,其是实现图像物理坐标系与像素坐标系转换的关键。我们通常所说的相机内参是4个,分别为:fx、fy、u0、v0;在导出时,弹出对话框,新建sparse文件夹,用于保存结果;是与相机自身特性相关的参数,比如相机的焦距、像素大小。

程序员,他们想的是什么?他们想的永远都是技术,他们崇尚的也永远都是技术。 1565

【colmap数据格式转换】关于colmap稀疏重建结果的数据格式和数据库内容的一些笔记

  由于实验需要,最近几天在数据转换过程中深入了解了colmap稀疏重建结果的存储细节。针对数据转换,colmap官方有给出了一些转换示例的脚本代码,包括matlab、python等语言,链接。但是,即便如此,colmap官方对一些数据组织形式还是没有做更详细的说明(一把辛酸泪,很多结论都是在踩了很深的坑之后才得到的)。现记录如下: colmap数据库中,keypoints表格的data行数是实际特征点数的三倍,其中每三行的第一行才是特征点的像素坐标值,二三两行具体作用未知,如下图所示: 在执行S

zeeq的博客 5856

COLMAP简易教程(命令行模式)

完整的 multi view stereo pipeline 会有以下步骤 structure from motion(SfM)==> camera parameters, sparse point cloud multi view stereo(MVS)==>depth map, dense point cloud surface reconstruction(SR)==>poisson or delauny reconstruction, mesh texture mapping™==

fewcecwe的博客 3326

三维重建之colmap+openmvs

本文介绍了基于Docker的3D重建环境配置流程。首先通过Docker搭建Ubuntu 20.04环境并配置GUI功能,然后详细记录了COLMAP和OpenMVS的编译安装过程,包括依赖安装、源码编译和错误修正。其中COLMAP安装需解决apt安装失败问题,OpenMVS编译需修改代码错误并处理依赖关系。最后配置Python环境运行3D重建代码,解决了typing_extensions版本问题。整个过程涵盖了从容器配置到软件编译、错误调试的全部步骤,为3D重建工作提供了完整的开发环境搭建方案。

qq_46454669的博客 1822

一份colmap tutorial的阅读笔记(更新中)——Windows版本

大型纪录片《colmap tutorial笔记》,正在更新,来不及了,快上车啊,先到先得,一睹为快

m9_743106469350的博客 5474

colmap 三维重建

三维重建效果很好的开源软件,超过visualSFM的效果,不限制图片数量

COLMAP-3.6-windows-cuda.zip

多视图重建中的经典开源项目colmap的cuda版本

COLMAP: Structure-from-Motion Revisited 论文阅读

COLMAP: Structure-from-Motion Revisited 论文阅读

qq_45951029的博客 2122

PowerBI启动故障排查:环境变量与兼容性设置全指南

本文详细解析了PowerBI启动故障的常见问题,如空白界面和闪退,并提供了环境变量修改与兼容性设置的全方位解决方案。通过调整WEBVIEW2_ADDITIONAL_BROWSER_ARGUMENTS环境变量和设置兼容模式,有效解决PowerBI启动问题,提升软件运行稳定性。

weixin_29255731的博客 472

Colmap官方文档自学总结

COLMAP是开源的计算机视觉软件,主要用于从一系列二维图像中进行三维重建。全称为

u011833022的博客 2562

Revit二次开发之双事件:空闲事件与DocumentChanged事件

对以下文章所展示的代码进行了修改,当前展示的代码可直接复制使用。 由于本人初学,下列语言为个人理解,如有错误请指正。   《引用1》中: 使用模态对话框,或者尽量保证事件在ExternalCommand的Execute函数或者ExternalApplication的OnStartup函数里面注册。 如果一定要使用非模态对话框,那么请使用ExternalEvent事件的Raise函数,强迫...

一个Revit二次开发的实习生 6149

攻克+86手机号Discord验证墙:从“无效”到“成功”的实战指南

本文提供了一份针对+86手机号在Discord注册时频繁遭遇“手机号无效”问题的实战解决指南。文章系统分析了问题根源,并分步详解了从打造纯净网络环境、尝试多种手机号格式(如+86前加0),到更换iOS等客户端设备的有效方法,旨在帮助用户成功完成Discord手机号验证。

mac99的博客 1134

使用COLMAP进行三维重构

根据运动视频或图像进行三维重构

jiankangyq的博客 1万+

YOLOv8实例分割实战:从LabelMe标注到模型训练全流程(附完整代码)

本文详细介绍了YOLOv8实例分割的完整实战流程,涵盖从使用LabelMe进行数据标注、格式转换,到构建数据集、配置参数并完成模型训练的全过程。文章提供了详尽的代码示例和常见问题解决方案,旨在帮助开发者高效掌握YOLOv8实例分割技术,快速应用于实际项目。

java5的博客 816

一文搞懂ubuntu下colmap的使用方法

基于ubuntu20.04下colmap的两种使用方法,新手向

m0_47488011的博客 9285

168、OIS光学防抖系统设计:陀螺仪标定、音圈马达驱动与滚珠式/悬丝式结构选型

本文总结了OIS光学防抖系统设计中的关键问题与解决方案。作者通过实际案例指出,陀螺仪标定需重视零偏、灵敏度和温度补偿问题,音圈马达驱动需采用电流环控制并优化相位补偿。在机械结构选型方面,滚珠式适合大角度补偿但存在回差问题,悬丝式精度高但受重力影响,需根据应用场景选择。系统联调建议从开环到闭环逐步验证,注意陀螺仪与驱动频率匹配。最后给出5条经验建议:关注陀螺仪信噪比而非分辨率、预留标定余量、重视机械结构公差、配备专业调试工具、协调OIS与电子防抖的分工配合。文章强调OIS调试需针对不同模组特性进行反复测试与标

zzfmlxs的博客 46

锂电池SOH估计 | 基于LSTM模型的锂电池SOH估计(Python)

锂电池SOH估计 | 基于LSTM模型的锂电池SOH估计(Python)

前程算法屋的博客 1436

【三维重建】Ubuntu18.04安装COLMAP

【三维重建】Ubuntu18.04安装COLMAP

yangyu0515的博客 2906

指纹对抗指南:如何绕过Cloudflare与Akamai的5s盾与浏览器指纹检测

现在的CDN反爬技术虽然越来越强,但是道高一尺魔高一丈,只要掌握了指纹伪造、流量伪装、行为模拟这些核心技术,就可以绕过绝大多数的防护措施。对抗过程中要注意效率和成本的平衡,小规模爬取用Playwright+stealth最方便,大规模爬取用curl_cffi+代理池性价比最高,遇到验证码用打码平台或者自动识别服务,不需要死磕破解。本文介绍的方案已经在实战中验证过,可以绕过95%以上的Cloudflare/Akamai防护,成功率非常高。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 299

Colmap+Patchmatch使用自己数据集测试

深度学习三维重建patchamtchnet网络数据测试

weixin_58663121的博客 1780

【26美赛B题】2026美赛数学建模(MCM/ICM)思路解析及代码分享

2026美赛数学建模B题解析与备赛指南:本文针对B题"数据+预测+决策优化"的特点,提出通用建模路线图,包含数据预处理、特征工程、预测模型构建、策略优化和稳定性验证等关键环节。提供赛题拆解方法、Python/Matlab双实现方案、AI辅助建模技巧及论文写作模板。适用于2026美赛B题参赛者及其他数学建模竞赛选手,帮助掌握从数据到决策的闭环建模流程,特别强调逻辑严谨性和结果可视化呈现。订阅者可获取历年真题解析和持续更新的备赛资源。

一键难忘的博客 2119

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

基于深度学习的猫狗目标检测(Python+YOLO26m+Django)实现详解

详解基于深度学习的猫狗目标检测系统:YOLO26m迁移学习训练、数据划分与错标检测、ONNX导出、Energy阈值拒识、Django+Vue网站部署,附后端核心代码。

WEIXIN_JSJBSZDS的博客 379

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

上一篇: Ubuntu下如何重新编译pycuda
下一篇: colmap利用已知的相机内外参数重建场景
元宇宙MetaAI
博客等级 码龄10年 331粉丝 333原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值