openMVG+openMVS对数据集的详细重建步骤！避坑！！！

在Ubuntu18.04上配置安装了openMVG和openMVS两个库，成功跑通了官方数据集，想看一下它们在其它数据集上的效果，看了很多博客仍然会有错误，所以写一下自己的重建步骤和遇到问题的解决办法。
我选取的数据集是瑞典隆德大学发布的数据集中的圆顶教堂。图像使用佳能NIKON D60（相机型号与参数：Nikon D60;23.6）单反相机拍摄。

注：若电脑内存不够多或显卡不够强，不建议用很大的数据集，不然可能会出现内存不足或时间过长的情况。之前我跑很大的数据集，图片压缩包有1.3GB，稠密化后的文件差不多有20个GB，跑了4个小时最后还有错误，这个圆顶教堂的数据集压缩包只有50MB，很快就跑完了。

数据集参考链接：隆德大学三维重建数据集

一、写在前面

我是在一个全新的Ubuntu18.04上配置的openMVS与openMVG，全程按照官方的步骤进行的，参考链接如下：
openMVS：https://github.com/cdcseacave/openMVS/wiki/Building#linux-compilation
openMVG：https://github.com/openMVG/openMVG/blob/master/BUILD.md#compiling-on-linux

注：
1、建议先装openMVS再装openMVG，原因：
这两个库都需要用到libjpeg包，若它们编译时用到的libjpeg版本不同，则在稠密化的时候会报错
为避免上述问题，在openMVG cmake之前先去<openMVG/src/CMakeList.txt>中注释/删除掉以下文字：

if (DEFINED OpenMVG_USE_INTERNAL_JPEG)
message(STATUS "LIBJPEG (internal)")
else()
message(STATUS "LIBJPEG (external)")
endif()

即下面这段（蓝色字体），这样是为了openMVG不用自己的libjpeg而只用openMVS的libjpeg

若第1个方法不起作用，可以将libjpeg.so.8的路径/usr/local/lib添加到环境变量中，在命令行输入以下命令：

echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib' >> ~/.bashrc

这样就不会再出现libjpeg包的问题了。

2、这个算法是需要自己相机的参数的，参数文件为“sensor_width_camera_database.txt”，这个在后续过程中也会提到，主流相机都会在这个文件中写，若其中没有自己的相机型号和参数，可通过以下方法获取（个人认为用焦距来代替参数是不准确的，所以仅在txt中没有该相机的时候用来代替）：
I 在图片的属性中找到相机型号和焦距，焦距即为参数

II 手机的话下载AID64这个应用，这里面<设备>这项，查看焦距即可

例如我的手机是华为p20pro，相机型号为CLT-A10，焦距为5.58，则在txt中输入“CLT-A10;5.58”

二、openMVG生成稀疏点云

1、首先下载该数据集，将文件夹解压到SfM目录下的dataset文件夹（自己建的，方便管理数据集）中，进入eglise文件夹，把图片放入image文件夹，新建result文件夹

< image >：放置照片的文件夹；
< result >：输出的文件夹；

image存储输入的图片，result存储输出的数据文件

2、读入图像，产生数据文件，SFM文件夹下，终端输入：

openMVG_main_SfMInit_ImageListing -i dataset/eglise/image -o dataset/eglise/result/matches -d /home/lianqi/openMVG/src/openMVG/exif/sensor_width_database/sensor_width_camera_database.txt

执行成功后在matches文件夹产生sfm_data.json文件

注意！！！
“sensor_width_camera_database.txt” 是openMVG库中自带的，存储各大主流相机型号和参数的文件， “Nikon D60;23.6” 就写在该文件中。
" -d /home/lianqi/openMVG/src/openMVG/exif/sensor_width_database/sensor_width_camera_database.txt"
这条命令必须要写上，这是导入相机参数的，不然会报错

3、ComputeFeatures

openMVG_main_ComputeFeatures -i dataset/eglise/result/matches/sfm_data.json -o dataset/eglise/result/matches

4：ComputeMatches

openMVG_main_ComputeMatches -i dataset/eglise/result/matches/sfm_data.json -o dataset/eglise/result/matches

5：IncrementalSfM

openMVG_main_IncrementalSfM -i dataset/eglise/result/matches/sfm_data.json -o dataset/eglise/result/out_Incremental_Reconstruction -m dataset/eglise/result/matches

注：若这条命令或之后的命令出现没有找到图片或无法加载图片，例如：
error: failed reloading image ‘/home/lianqi/openMVG_Build/software/SfM/dataset/eglise/result/out_Incremental_Reconstruction/undistorted_images/DSC_0430.JPG’
则说明进入的文件夹太深了，图片并不在这层文件夹内，可以cd . .两次再执行

6：ExportUndistortedImages

openMVG_main_ExportUndistortedImages -i dataset/eglise/result/matches/sfm_data.json -o dataset/eglise/result/out_Incremental_Reconstruction/undistortedimage

7：数据格式转换

openMVG_main_openMVG2openMVS -i dataset/eglise/result/out_Incremental_Reconstruction/sfm_data.bin -o dataset/eglise/result/out_Incremental_Reconstruction/scene.mvs

sence.mvs即为openMVG生成的稀疏点云文件

三、openMVS进行点云稠密处理、网格生成、纹理映射

OpenMVS的使用基础为openMVG生成的稀疏点云
之后的步骤就是用openMVS的终端工具对点云进行处理，这些终端工具一般在</usr/local/bin/OpenMVS>下，直接使用会找不到，所以必须使用绝对路径
稠密点云重构：使用终端工具 DensifyPointCloud 建立稠密图

/usr/local/bin/OpenMVS/DensifyPointCloud dataset/eglise/result/out_Incremental_Reconstruction/scene.mvs

执行后会生成scene_dense.mvs与scene_dense.ply文件，scene_dense.ply文件用meshlab查看如下：

若这一步只产生了一个日志文件而并未生成上述文件，一般使用以下两种方法：
1、将scene.mvs改名，比如改成s1.mvs，再次执行此命令即可
2、重启电脑，再次执行此命令
以上两种我都尝试过，亲测有效，但是为什么会有这种bug目前还不知道

网格重构：使用终端工具 ReconstructMesh 建立粗网格

/usr/local/bin/OpenMVS/ReconstructMesh dataset/eglise/result/out_Incremental_Reconstruction/scene_dense.mvs

执行后会生成scene_dense_mesh.mvs，scene_dense_mesh.ply，是带粗纹理的，如下：

网格精炼（可选）：使用终端工具 RefineMesh 建立精致网格

/usr/local/bin/OpenMVS/RefineMesh dataset/eglise/result/out_Incremental_Reconstruction/scene_mesh.mvs

网格纹理映射：使用终端工具 TextureMesh 混合网格建立纹理

/usr/local/bin/OpenMVS/TextureMesh scene_dense_mesh.mvs

最终生成的模型如下：

模型不够完整，但是效果还行。图片的数量对重建的效果影响很大，这个数据集图片有点少，有条件的话可以跑一下更大的数据集。

参考链接：
https://blog.csdn.net/qq_42615787/article/details/105609338
https://blog.csdn.net/abccc250110119/article/details/105075101