目標

在本教程中，您將學習如何使用重建 API 進行稀疏重建

載入包含影像路徑列表的檔案。
執行 libmv 重建流程。
使用 Viz 顯示獲得的結果。

程式碼

#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"
<< " 這個程式展示了 OpenCV 運動結構 (SFM) 模組中的多檢視重建能力。\n"
<< " 它可以從一組 2D 影像重建場景\n"
<< " 用法：\n"
<< " example_sfm_scene_reconstruction <檔案路徑> <f> <cx> <cy>\n"
<< " 其中：檔案路徑是系統中包含的檔案的絕對路徑\n"
<< " 用於重建的影像列表。\n"
<< " f 是焦距，以畫素為單位。\n"
<< " cx 是影像主點的 x 座標，以畫素為單位。\n"
<< " cy 是影像主點的 y 座標，以畫素為單位。\n"
<< "------------------------------------------------------------------------------------\n\n"
static int getdir(const string _filename, vector<String> &files)
<< endl;
}
 
 
ifstream myfile(_filename.c_str());
{
if (!myfile.is_open()) {
  cout << "無法讀取檔案: " << _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;
}
 
 
// 讀取輸入引數
{
  if ( argc != 5 )
 
  // 解析影像路徑
  {
help();
exit(0);
  }
 
  vector<String> images_paths;
 
getdir( argv[1], images_paths );
// 構建內參
 
 
  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);
  // 列印輸出
 
 
  cout << "\n----------------------------\n" << endl;
 
cout << "重建結果: " << endl;
cout << "============================" << endl;
cout << "估計的 3D 點: " << points3d_estimated.size() << endl;
cout << "估計的相機: " << Rs_est.size() << endl;
cout << "精煉的內參: " << endl << K << endl << endl;
cout << "3D 視覺化: " << endl;
viz::Viz3d window("座標系");
cout << "估計的 3D 點: " << points3d_estimated.size() << endl;
 
 
 
  window.setWindowSize(Size(500,500));
window.setWindowPosition(Point(150,150));
window.setBackgroundColor(); // 預設黑色
// 建立點雲
 
  cout << "正在恢復點 ... ";
// 恢復估計的 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 << "正在恢復相機 ... ";
 
 
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 << "正在恢復相機 ... ";
 
 
  cout << "正在渲染點 ... ";
  {
viz::WCloud cloud_widget(point_cloud_est, viz::Color::green());
 
    window.showWidget("point_cloud", cloud_widget);
cout << "無法渲染點：空點雲" << endl;
 
cout << "正在恢復相機 ... ";
  }
  else
  {
if ( path.size() > 0 )
  }
 
 
  cout << "正在渲染相機 ... ";
  {
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 << "無法渲染相機：空路徑" << endl;
 
cout << "正在恢復相機 ... ";
  }
  else
  {
cout << endl << "按 'q' 關閉每個視窗 ... " << endl;
  }
 
window.spin();
 
cv::Affine3
 
  return 0;
}

首先，我們需要載入包含影像路徑列表的檔案，以便為重建 API 提供資料

/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 << "無法讀取檔案: " << _filename << endl;
} else {;
exit(0);
} else {
    files.push_back(line_str);
    files.push_back(path_to_file+string("/")+line_str);
其次，構建的容器將用於為重建 API 提供資料。重要的是要指出，估計的結果必須儲存在 vector<Mat> 中。在這種情況下，呼叫的是真實影像的過載簽名，它從影像中內部提取和計算稀疏 2d 特徵，使用 DAISY 描述符，以便使用 FlannBasedMatcher 進行匹配並構建軌跡結構。
  }
  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);
最後，獲得的結果將顯示在 Viz 中。
 
cout << "\n----------------------------\n" << endl;
 
cout << "重建結果: " << endl;
cout << "============================" << endl;
cout << "估計的 3D 點: " << points3d_estimated.size() << endl;
cout << "估計的相機: " << Rs_est.size() << endl;
cout << "精煉的內參: " << endl << K << endl << endl;
cout << "3D 視覺化: " << endl;

用法和結果

為了執行此示例，我們需要指定影像路徑檔案的路徑、相機的焦距以及中心投影座標（以畫素為單位）。

1. Middlebury 神廟

使用以下影像序列 [1] 和以下相機引數，我們可以計算稀疏 3d 重建

./example_sfm_scene_reconstruction image_paths_file.txt 800 400 225

下圖顯示了獲得的相機運動以及估計的稀疏 3d 重建

2. 聖家堂

使用以下影像序列 [2] 和以下相機引數，我們可以計算稀疏 3d 重建

./example_sfm_scene_reconstruction image_paths_file.txt 350 240 360

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

2. 聖家堂

[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

生成於 2025 年 7 月 3 日星期四 12:14:36，適用於 OpenCV，作者： 1.12.0