DTU数据集中文件组成及其含义

DTU训练集：

Cameras：

eg:00000000_cam.txt

extrinsic
0.970263 0.00747983 0.241939 -191.02 
-0.0147429 0.999493 0.0282234 3.28832 
-0.241605 -0.030951 0.969881 22.5401 
0.0 0.0 0.0 1.0 

intrinsic
361.54125 0.0 82.900625 
0.0 360.3975 66.383875 
0.0 0.0 1.0 

425.0 2.5

其中extrinsic为相机外参数，intrinsic为相机内参数，最后一行为：DEPTH_MIN DEPTH_INTERVAL DEPTH_NUM max_d DEPTH_NUM interval_scale

请注意，深度范围和深度分辨率由最小深度、两个深度样本之间的间隔以及深度样本数量（如果未提供，则在训练/测试脚本中）确定。我们还保留了用于控制深度分辨率的选项。然后，最大深度计算为：

DEPTH_MAX = DEPTH_MIN + (interval_scale * DEPTH_INTERVAL) * (max_d - 1)

pair.txr

第一行为数据集中包含的源图像的数目

之后的没两行为一小组，举例第二行和第三行

第二行：0为源图像的标号

第三行：第一个为10是参考图像的标号，第二个为参考图像的标号，第三个为参考图像和原图像的相似度；自此开始到最后，重复第二个和第三个的含义。

49
0
10 10 2346.41 1 2036.53 9 1243.89 12 1052.87 11 1000.84 13 703.583 2 604.456 8 439.759 14 327.419 27 249.278 
1
10 9 2850.87 10 2583.94 2 2105.59 0 2052.84 8 1868.24 13 1184.23 14 1017.51 12 961.966 7 670.208 15 657.218 
2
10 8 2501.24 1 2106.88 7 1856.5 9 1782.34 3 1141.77 15 1061.76 14 815.457 16 762.153 6 709.789 10 699.921 
3
10 7 1294.39 6 1159.13 2 1134.27 4 905.717 8 687.32 5 600.015 17 496.958 16 481.969 1 379.011 15 307.45 

Depths

存储的为pfm为一种深度图存储方式，可通过如下方式转换为png：

# -*- coding: UTF-8 -*-
from pathlib import Path
import matplotlib.pyplot as plt
import numpy as np
import os
import re
import cv2


def pfm_png_file_name(pfm_file_path, png_file_path):
    # png_file_path = {}
    save_path = png_file_path
    for root, dirs, files in os.walk(pfm_file_path):
        for file in files:
            png_file_path = save_path
            file = os.path.splitext(file)[0] + ".png"
            files = os.path.splitext(file)[0] + ".pfm"
            png_file_path = os.path.join(png_file_path, file)
            pfm_file_path = os.path.join(root, files)
            pfm_png(pfm_file_path, png_file_path)


def pfm_png(pfm_file_path, png_file_path):
    print(pfm_file_path, png_file_path)
    with open(pfm_file_path, 'rb') as pfm_file:
        header = pfm_file.readline().decode().rstrip()
        channel = 3 if header == 'PF' else 1

        dim_match = re.match(r'^(\d+)\s(\d+)\s$', pfm_file.readline().decode('utf-8'))
        if dim_match:
            width, height = map(int, dim_match.groups())
        else:
            raise Exception("Malformed PFM header.")

        scale = float(pfm_file.readline().decode().strip())
        if scale < 0:
            endian = '<'  # little endlian
            scale = -scale
        else:
            endian = '>'  # big endlian

        disparity = np.fromfile(pfm_file, endian + 'f')

        img = np.reshape(disparity, newshape=(height, width))
        img = np.flipud(img)
        plt.imsave(os.path.join(png_file_path), img)


def main():
    # E:\SFM\dtu_testing_output\scan1\depth_est
    pfm_file_dir = 'E:/SFM/dtu_testing_output/scan1/depth_est/'
    png_file_dir = 'E:/SFM/dtu_testing_output/scan1/depth_est/'
    pfm_png_file_name(pfm_file_dir, png_file_dir)


if __name__ == '__main__':
    main()

Rectified

rect_048_1_r5000.png：rect代表参考图像，048代表训练的组，1是在训练组中的参考图像的标号。

训练集中的类似