colmap的三维重建使用简介，首先colmap的安装传送门在我另一篇中有记录。
本篇记录一下使用方法。

1.数据集获取

首先是数据集问题，可以下载自己想试着重建的数据集保存。
通过colmap -h和colmap gui打开colmap的界面。

2.新建项目

首先点击file新建项目“New Project”，弹出窗口，首先建立database，命名为scan1，后缀的db是它自动带上的，然后在Image中选择自己想要重建的图像。

3.特征点提取

之后就可以进行特征点提取，点击processing中的Feature extraction，其中可以什么都不动，使用默认项，也可以自己修改，比如相机模型一般选择针孔模型，也可以换别的。然后点击Extract

选择相机模型为Pinhole
选择Parameters from EXIF：从EXIF中提取相机内参（一般采集到的影响都携带EXIF文件）其他参数暂且默认
然后点击Extract进行特征提取

4.特征点匹配

特征提取之后，需要进行特征匹配，点击processing中的Feature matching，其中可以什么都不动，使用默认项，也可以自己修改，然后点击run。
这个步骤结束之后会自动生成场景图和匹配矩阵（以不同视图之间同名特征数为权重，以不同视图为图节点的图结构）

5.稀疏点云重建

然后就是稀疏点云重建。这里点击“reconstruction”中的“start reconstruction”进行一键式重建，整个过程将会自动进行增量式重建，我们可以从旁边的log框内查询当前状态。

1.右侧显示中，可以看出，

Registering image #39（49） ：当前正在新增第39个视角
=> Image sees 337 / 503 poin :当前影像可以看到已有点云的337个

Pose refinement report ：姿态细化信息
Residuals：672
Parameters：8 //参数
Iterations：8 //迭代次数
time：0.0055149
Initial cost：0.62589
Final cost：0.55798
Termination：covergence
Continued observation：3 //继续观察
Added observations：47 //新增观察点

2.进行姿态估计(Pose Refinement Report)，再进行BA优化

Bundle adjustment report ：BA优化
Residuals：12142
Parameters：1082 //参数
Iterations：12 //迭代次数
time：0.167065
Initial cost：0.515275
Final cost：0.504027
Termination：covergence
Merged observations：110//合并观察？ 整体稀疏点云融合测量点110个
Completed observations：XXX //完成观察
Filtered observation 41 //过滤观察 滤除测量点41个
Changed observation XXX
最后进行三角测量(Retriangulation)新增观测点111个。
上述过程结束后，进行迭代全局的BA优化，优化已有相机的姿态和三维稀疏点云坐标。
以第49张图像（39个视角）为例

已有点云576个首先进行姿态估计（Pose Refinement Report）再进行BA优化：整体稀疏点云融合测量点149个，滤除测量点32个再进行三角测量（Retriangulation）最后再进行迭代全局的BA优化，优化已有相机的姿态和三维稀疏点云坐标

6.稠密点云重建

点击“reconstruction”中的“dense reconstruction”，弹出稠密重建窗口，并点击“select”选择生成文件存放的目录，首先新建workspace的保存路径。
然后对窗口前三个选项一次点击。

Undistortion： 影像去畸变
注意：这里不要选择项目的根目录，拷贝图片的时候会报错路径已存在导致colmap gui闪退的；同时undistortion也只能点一次，第二次同样会因为路径已存在闪退
带有畸变的图像会导致边缘有较大的时差估计误差，因此在深度图估计之前，使用光学一致性和几何一致性联合约束构造代价匹配
dtu数据集和之前配置成针孔模型已经隐含无畸变 如果使用自采集数据集需要更改相机模型为带畸变参数的相机模型

stereo：深度估计
深度估计结束后，可以得到“photometric”和“geometric”下的深度图和法向量图。由之前提及的原理，COLMAP会利用光学一致性（photometric）同时估计视角的深度值和法向量值，并利用几何一致性(geometric)进行深度图优化，因此可以点击“Depth Map”和“Normal Map”，即可得到对应视角的深度图和法向量图。
点击这些就可以观察光学一致性photometric和几何一致性geometric后的depth map和normal map
Colmap会利用光学一致性同时估计视角的深度值和法向量值，并利用几何一致性进行深度图优化

参考图片

Fusion：稠密重建
通过meshlab，可以更清晰的看到重建结果。meshlab需要自己安装。
重建后会在dense中生成ply模型文件

7.匹配矩阵

通过点击“Extras”中的“Match Matrix”可以导出当前场景的匹配矩阵。
从匹配矩阵中看出数据集之间相机运动规律，若相机围绕物体呈圆周采样，匹配矩阵将有条带出现且若途中各个条带的平行关系越紧致，则说明相机的运动控制越严格。采集数据集的前期控制对重现效果有影响。

8.深度估计时间

表1 深度图估计运行时间对比(单位：分钟)数据参考文章
本实验28个图像用时约21分钟

7.其中一些内容

1.photometric光度

Depth map 深度图
normal map 法线图

2.geometric几何

Depth map 深度图

normal map 法线图

COLMAP可以用于快速三维重建，代码封装良好。但缺点为深度图估计速度过慢，且在深度图估计精度上略低于深度学习的方法。