目标

在本教程中，您将学习如何使用重建 API 进行稀疏重建

加载包含图像路径列表的文件。
运行 libmv 重建流程。
使用 Viz 显示获得的结果。

代码

#include <opencv2/sfm.hpp>
#include <opencv2/viz.hpp>
#include <opencv2/calib3d.hpp>
#include <opencv2/core.hpp>
 
#include <iostream>
#include <fstream>
 
using namespace std;
using namespace cv;
using namespace cv::sfm;
 
static void help() {
cout
<< "\n------------------------------------------------------------------------------------\n"
<< " 这个程序展示了 OpenCV 运动结构 (SFM) 模块中的多视图重建能力。\n"
<< " 它可以从一组 2D 图像重建场景\n"
<< " 用法：\n"
<< " example_sfm_scene_reconstruction <文件路径> <f> <cx> <cy>\n"
<< " 其中：文件路径是系统中包含的文件的绝对路径\n"
<< " 用于重建的图像列表。\n"
<< " f 是焦距，以像素为单位。\n"
<< " cx 是图像主点的 x 坐标，以像素为单位。\n"
<< " cy 是图像主点的 y 坐标，以像素为单位。\n"
<< "------------------------------------------------------------------------------------\n\n"
static int getdir(const string _filename, vector<String> &files)
<< endl;
}
 
 
ifstream myfile(_filename.c_str());
{
if (!myfile.is_open()) {
  cout << "无法读取文件: " << _filename << endl;
} else {;
exit(0);
size_t found = _filename.find_last_of("/\\");
    string line_str, path_to_file = _filename.substr(0, found);
    while ( getline(myfile, line_str) )
    files.push_back(path_to_file+string("/")+line_str);
int main(int argc, char* argv[])
  }
  return 1;
}
 
 
// 读取输入参数
{
  if ( argc != 5 )
 
  // 解析图像路径
  {
help();
exit(0);
  }
 
  vector<String> images_paths;
 
getdir( argv[1], images_paths );
// 构建内参
 
 
  float f = atof(argv[2]),
 
  cx = atof(argv[3]), cy = atof(argv[4]);
Matx33d K = Matx33d( f, 0, cx,
 
  0, f, cy,
bool is_projective = true;
                       0, 0,  1);
 
 
 
  vector<Mat> Rs_est, ts_est, points3d_estimated;
reconstruct(images_paths, Rs_est, ts_est, K, points3d_estimated, is_projective);
  // 打印输出
 
 
  cout << "\n----------------------------\n" << endl;
 
cout << "重建结果: " << endl;
cout << "============================" << endl;
cout << "估计的 3D 点: " << points3d_estimated.size() << endl;
cout << "估计的相机: " << Rs_est.size() << endl;
cout << "精炼的内参: " << endl << K << endl << endl;
cout << "3D 可视化: " << endl;
viz::Viz3d window("坐标系");
cout << "估计的 3D 点: " << points3d_estimated.size() << endl;
 
 
 
  window.setWindowSize(Size(500,500));
window.setWindowPosition(Point(150,150));
window.setBackgroundColor(); // 默认黑色
// 创建点云
 
  cout << "正在恢复点 ... ";
// 恢复估计的 points3d
 
  vector<Vec3f> point_cloud_est;
for (int i = 0; i < points3d_estimated.size(); ++i)
  point_cloud_est.push_back(Vec3f(points3d_estimated[i]));
cout << "[完成]" << endl;
 
cout << "正在恢复相机 ... ";
 
 
vector<Affine3d> path;
 
for (size_t i = 0; i < Rs_est.size(); ++i)
  path.push_back(Affine3d(Rs_est[i],ts_est[i]));
if ( point_cloud_est.size() > 0 )
 
cout << "正在恢复相机 ... ";
 
 
  cout << "正在渲染点 ... ";
  {
viz::WCloud cloud_widget(point_cloud_est, viz::Color::green());
 
    window.showWidget("point_cloud", cloud_widget);
cout << "无法渲染点：空点云" << endl;
 
cout << "正在恢复相机 ... ";
  }
  else
  {
if ( path.size() > 0 )
  }
 
 
  cout << "正在渲染相机 ... ";
  {
window.showWidget("cameras_frames_and_lines", viz::WTrajectory(path, viz::WTrajectory::BOTH, 0.1, viz::Color::green()));
 
window.showWidget("cameras_frustums", viz::WTrajectoryFrustums(path, K, 0.1, viz::Color::yellow()));
window.setViewerPose(path[0]);
 
cout << "无法渲染相机：空路径" << endl;
 
cout << "正在恢复相机 ... ";
  }
  else
  {
cout << endl << "按 'q' 关闭每个窗口 ... " << endl;
  }
 
window.spin();
 
cv::Affine3
 
  return 0;
}

首先，我们需要加载包含图像路径列表的文件，以便为重建 API 提供数据

/home/eriba/software/opencv_contrib/modules/sfm/samples/data/images/resized_IMG_2889.jpg

/home/eriba/software/opencv_contrib/modules/sfm/samples/data/images/resized_IMG_2890.jpg
/home/eriba/software/opencv_contrib/modules/sfm/samples/data/images/resized_IMG_2891.jpg
/home/eriba/software/opencv_contrib/modules/sfm/samples/data/images/resized_IMG_2892.jpg
int getdir(const string _filename, vector<string> &files)
 
...
 
string line_str;
{
if (!myfile.is_open()) {
  cout << "无法读取文件: " << _filename << endl;
} else {;
exit(0);
} else {
    files.push_back(line_str);
    files.push_back(path_to_file+string("/")+line_str);
其次，构建的容器将用于为重建 API 提供数据。重要的是要指出，估计的结果必须存储在 vector<Mat> 中。在这种情况下，调用的是真实图像的重载签名，它从图像中内部提取和计算稀疏 2d 特征，使用 DAISY 描述符，以便使用 FlannBasedMatcher 进行匹配并构建轨迹结构。
  }
  return 1;
}

reconstruct(images_paths, Rs_est, ts_est, K, points3d_estimated, is_projective);

vector<Mat> Rs_est, ts_est, points3d_estimated;
reconstruct(images_paths, Rs_est, ts_est, K, points3d_estimated, is_projective);
最后，获得的结果将显示在 Viz 中。
 
cout << "\n----------------------------\n" << endl;
 
cout << "重建结果: " << endl;
cout << "============================" << endl;
cout << "估计的 3D 点: " << points3d_estimated.size() << endl;
cout << "估计的相机: " << Rs_est.size() << endl;
cout << "精炼的内参: " << endl << K << endl << endl;
cout << "3D 可视化: " << endl;

用法和结果

为了运行此示例，我们需要指定图像路径文件的路径、相机的焦距以及中心投影坐标（以像素为单位）。

1. Middlebury 神庙

使用以下图像序列 [1] 和以下相机参数，我们可以计算稀疏 3d 重建

./example_sfm_scene_reconstruction image_paths_file.txt 800 400 225

下图显示了获得的相机运动以及估计的稀疏 3d 重建

2. 圣家堂

使用以下图像序列 [2] 和以下相机参数，我们可以计算稀疏 3d 重建

./example_sfm_scene_reconstruction image_paths_file.txt 350 240 360

[1] http://vision.middlebury.edu/mview/data

2. 圣家堂

[2] Penate Sanchez, A. and Moreno-Noguer, F. and Andrade Cetto, J. and Fleuret, F. (2014). LETHA: Learning from High Quality Inputs for 3D Pose Estimation in Low Quality Images. Proceedings of the International Conference on 3D vision (3DV). URL

生成于 2025 年 7 月 3 日星期四 12:14:36，适用于 OpenCV，作者： 1.12.0