colmap大场景稀疏重建记录:部分照片畸变导致sfm生成的稀疏点云扭曲

已于 2024-11-25 14:24:45 修改
阅读量2k 收藏 12
点赞数 11
分类专栏： 工程 文章标签： 深度学习 gpu算力 几何学 计算机视觉 bash
于 2024-06-08 11:11:07 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_74310646/article/details/139543108
版权

一、问题

如题，要进行一个大场景的3DGS重建，数据集来自于某工地现场（大约3000张照片），数据集拍摄于同一个相机，按照国际惯例，3DGS需要输入一个稀疏点云，所以首先利用colmap进行稀疏重建。

进行特征提取，特征匹配（colmap官网建议1000-10000张图的特征匹配使用vocab tree），稀疏重建以后，发现场景中，楼宇出现弯曲，分裂现象，如下图:

7f837e07183b8803bf92d19e18329141.jpg

f16e9f4dcc92944ac9a180e58ae9ec0c.jpg 问题出现以后，查看（在colmap gui界面双击)弯曲部分对应的照片，楼宇上下拍摄角度的照片并没有发现畸变（楼宇是直的，简单的用尺子或者其他工具对比一下，楼宇是否有弯曲）

bc44e38ddc63b3f43baca5f59c06b424.jpg

 从拍摄的照片来看，虽然是对着楼宇上下拍摄，

最低0.47元/天 解锁文章
三维重建（十八）——colmap的使用（粗浅）
河海大学研究生在读的学习笔记
03-26 307
三维重建（十八）——colmap的使用（粗浅）
ECCV‘24开源 | 完虐COLMAP！百倍加速！ACEZero：全新SfM革新三维重建！
计算机视觉工坊
08-06 509
我们研究了从一组描绘场景的图像中估计相机参数的任务。流行的基于特征的运动结构（Structure-from-Motion, SfM）工具通过增量重建来解决此任务：它们重复对稀疏3D点进行三角测量，并将更多相机视图注册到稀疏点云中。我们重新解释了增量运动结构，将其视为视觉重定位器的迭代应用和细化，即一种将新视图注册到当前重建状态的方法。这一视角使我们能够研究不依赖于局部特征匹配的替代视觉重定位器。我们展示了场景坐标回归（一种基于学习的重定位方法）允许我们从无姿态图像中构建隐式的神经场景表示。
SfM稀疏三维点云重建【VS2015+OpenCV3.4+PLC1.8】--完整工程文件
03-08
基于SfM实现视觉稀疏三维点云重建，完整的工程文件，内含所需图片，可直接运行。环境：Win10+VS2015+OpenCV3.4+PLC1.8。
COLMAP 安装与三维点云重建全流程详解：从安装配置到模型查看
qq_22841387的博客
12-29 3101
COLMAP 是一个功能强大的开源三维重建工具，它支持自动化的多视角几何重建，包括特征提取、相机位姿估计、稀疏点云重建、稠密点云生成等核心功能。无论是学术研究还是工程应用，COLMAP 都是不可或缺的三维重建利器。在本篇博客中，我们将详细介绍如何下载并安装 COLMAP，并将其配置到系统环境中，确保其可以正常运行。同时我们还会展示如何准备数据目录结构，为后续使用 COLMAP 进行三维点云重建做准备。为了方便在命令行中直接调用 COLMAP，我们需要将其。，选择稀疏重建的模型文件夹。
COLMAP简明教程 重建 转化深度图 导出相机参数 导入相机参数 命令行 详解
最新发布
m0_63932801的博客
03-06 1290
发现一篇文章只有代码 gpt解释一下 留个笔记。
Colmap进行稀疏重建、稠密重建
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。
02-03 1557
Colmap进行稀疏重建以及稠密重建
已知相机内外参通过COLMAP进行稀疏/稠密模型重建操作过程
网络资源是无限的
05-14 6201
已知相机内外参通过COLMAP进行稀疏/稠密模型重建操作过程
基于多视角几何的稀疏重建-Colmap
rlczddl的博客
09-20 1761
Colmap算法的输入为一组图像，输出为相机姿态及稀疏的点云。如图1所示，算法主要分成对应点搜索和增量重建两大模块。图1.Colmap算法的整体框架。
基于图像的多视角立体视觉三维重建(三)——基于SfM的稀疏点云重建
薛定谔的猫头咕咕咕
09-15 6286
三角测量 直接线性变换法  三角测量:已知相机参数和同一个三维点对应多个视角像平面上的匹配点,恢复三维点的坐标(目标是求X的坐标) 已知第i个相机的投影矩阵,其中KiK_{i}Ki​为第 i 个相机的内参矩阵, [pi,ti][p_{i}, t_{i}][pi​,ti​]为外参矩阵: Pi=Ki[Pi,ti]={pi1pi2pi3}(1.1)P_{i}=K_{i}[P_{i}, t_{i}]=\left\{\begin{matrix} p_{i1}\\p_{i2}\\p_{i3} \end{matrix}
COLMAP运行个人数据集进行稀疏重建
zt0225的博客
10-22 1261
（一）Colmap给出了几个官方数据集作为参考，详见官方文档中Datasets部分，我下载了里面的South Building。打开这个数据集中的images可以看到其中的照片信息。（二） 准备个人数据集在制作个人图片数据集时，要注意拍摄图片要具有良好的纹理，尽量避免拍摄反光物体；拍摄物所处的环境光线要尽量一致；所拍摄照片要足够重叠，在不同角度拍摄的物体要有较高的重叠度，要注意连续性，这样可以减少图像重建的时间；从不同角度对物体进行拍摄，比如正面一圈，上面一圈；
【SLAM】2019浙大SLAM暑期学校--申抒含《基于图像的三维建模》学习记录1~稀疏点云重建
王博（Kings）的博客
07-29 3709
目录 简介 三维重建 三维几何视觉核心问题： 途径一：Simultaneous Localization and Mapping (SLAM) 途径二：Structure from Motion (SfM) SLAM & Incremental SfM： SfM误差消除策略： 图像三维建模的基本流程 稀疏点云重建 基础：小孔相机模型 重投影误差最小化 相机位姿初始化...
colmap 三维重建
04-20
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】基于colmap的多视图三维重建
m0_64446860的博客
01-16 4925
本文将介绍COLMAP的安装与使用，重点介绍3D重建过程中每个步骤的输入输出。
sfm三维重建源码_多视图几何三维重建实战系列之COLMAP
weixin_39907922的博客
12-17 1569
作者：浩南来源：公众号 @3D视觉工坊链接：多视图几何三维重建实战系列之COLMAP 为了方便大家了解基于多视图立体的三维重建技术，更重要的是能亲手利用开源数据集或者自己采集的影像跑一遍流程，进而对整个流程更为熟悉，本文整理了近年来几种经典的基于传统方法和基于深度学习方法的三维重建技术Pipeline，并详细介绍从多视图影像到深度图估计，再到恢复三维点云的整个过程。因为三维重建原理复杂，且各种软件...
如何利用COLMAP三维重建进行点云生成（含软件下载与环境配置）
2402_86270956的博客
11-30 2420
此文将介绍如何利用COLMAP进行点云生成，将从Anaconda部署、FFmpeg部署、COLMAP部署、FFmpeg抽帧、点云生成进行讲解。
【开源项目实战】OnSurfacePrior：稀疏点云表面重建指南
gitblog_00852的博客
09-27 547
【开源项目实战】OnSurfacePrior：稀疏点云表面重建指南 OnSurfacePrior Implementation of CVPR'2022:Reconstructing Surfaces for Sparse Point Clouds with On-Surface Priors ...
3维仿真：快速获得模型的点云数据（colmap的安装和使用）
Hacker_Hacker007的博客
03-20 1046
首先，用到的工具是colmap，通过colmap识别图像或者视频，来生成点云数据。接下来就是colmap的使用--------------------最后就能够生成点云数据，但是要获得ply文件和npz文件还有几步。images选择存放照片的文件夹，最后点击save。database可以在项目中创建一个db文件。下载后解压缩，找到bat文件。注意，不要关闭出现的黑窗口。
COLMAP稀疏重建得图像内外参文件
weixin_45880331的博客
03-29 3994
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录 系列文章目录 前言 一、pandas是什么？ 二、使用步骤 1.引入库 2.读入数据 总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的
gazebo摄像头采集数据集传回colmap重建
01-14
### 使用 Gazebo 数据集在 Colmap 中实现三维重建 为了利用来自 Gazebo 的数据集完成三维重建工作，在 Colmap 中的操作流程主要分为几个部分：准备图像序列、提取特征点并匹配、构建稀疏模型以及密集重建。 #### 准备阶段 Gazebo 是一款强大的机器人仿真工具，可以模拟各种传感器获取的数据。对于视觉 SLAM 或 SfM (Structure from Motion)，通常会使用 RGB-D 图像或单目相机拍摄的一系列图片作为输入[^1]。因此，首先要确保从 Gazebo 获取到合适的图像序列文件夹结构如下： ``` /path/to/images/ ├── image_00.png ├── image_01.png └── ... ``` 此外，还需要保存每张照片对应的位姿信息（即相机外参），这可以通过记录 ROS topic `/gazebo/model_states` 来获得，并将其转换成适合 COLMAP 处理的形式。 #### 特征检测与描述子计算 安装好最新版本的 COLMAP 后，启动命令行界面进入项目目录下执行以下操作来加载图像路径下的所有图片： ```bash colmap feature_extractor \ --database_path database.db \ --image_path /path/to/images/ \ --ImageReader.camera_model SIMPLE_RADIAL ``` 上述指令指定了数据库位置 `database.db` 和待处理的图像所在的位置 `/path/to/images/` 。这里选择了简单的径向畸变校正模式 `SIMPLE_RADIAL` ，适用于大多数情况；如果已知更精确的内参数，则可以选择其他模型如 PINHOLE 等[^2]。 #### 关键帧选取与两两匹配 接下来要做的就是挑选出具有代表性的关键帧用于后续建模过程中的几何约束条件建立。COLMAP 提供了一个名为 vocab_tree_matcher 的功能模块来进行高效的大规模图像检索和粗略配对： ```bash colmap vocab_tree_matcher \ --database_path database.db \ --VocabTreeMatching.vocab_tree_path path_to_vocab_tree.bin ``` 此步骤依赖于预先训练好的词汇树索引文件 `vocab_tree.bin` 进行情景感知式的快速筛选，从而减少不必要的重复运算量。 #### 构造初始稀疏场景图 当完成了前面提到的关键视图关联之后就可以着手创建初步的空间布局框架了——也就是所谓的“稀疏地图”。通过下面这条语句即可调用增量式SFM算法自动推断出各时刻摄像机姿态变化轨迹及其所观察物体表面特征分布状况： ```bash colmap mapper \ --database_path database.db \ --image_path /path/to/images/ \ --output_path sparse ``` 此时会在指定输出地址处形成一个新的子文件夹 “sparse”，里面包含了经过优化后的多视角立体几何关系表达形式。 #### 密度化填充细节纹理 最后一步便是借助光束法平差技术进一步细化和完善整个虚拟环境内部结构轮廓线条走向，使得最终成果更加逼真自然。具体做法是在上一环节产生的基础之上运行稠密重建程序： ```bash mkdir dense cd dense colmap patch_match_stereo \ --PatchMatchStereo.geom_consistency true colmap stereo_fusion \ --workspace_path . \ --input_type geometric \ --output_path fused.ply ``` 以上命令先建立了新的工作空间 "dense" 并切换进去，接着采用基于补丁匹配的方法生成双目视差图谱，再经由融合滤波器得到完整的三角网格表示结果存储为 PLY 文件格式以便查看编辑[^3]。
评论 12
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