稠密重建学习笔记
稠密重建(dense point cloud)学习笔记
概述
- 学习资料:
- MVS的基本思路:
寻找空间中具有图像一致性(Photo-consistency)的点
-
两视图图像一致性:
-
多视图图像一致性:需要考虑相机的可视性问题
Method1 - 基于体素
-
本质
:三维空间voxel的label问题
- MRF(Markov Random Field)优化问题-- Graph-cuts可以有效求解
- 自适应多分辨率网格(物体表面高分辨率、其他区域低分辨率)—处理海量高分辨率Voxel
Method2 - 基于特征点扩散
- 代表方法:Patch-based Multi-view Stereo (
PMVS
)
- 缺点:需要一次读入所有图像
- 改进:Clustering Views for PMVS–
CMVS
Method3 - 基于深度图融合–(main)
0 pre
step1 构造立体图像对(组)
step2 深度图计算
- 实质:基于图像一致性约束实现深度值计算
一致性约束可分为:
- space–领域像素intensity\3D depth\3D normal
- view – matching view上对应像素 intensity\3D depth\3D normal
- temporal – 相邻时间view上对应像素 intensity\3D depth\3D normal
- 约束的具体操作(多种,以下列举出部分):
- view-window:( even or adjust weight) SSD\ASD\NCC
- pixel --plane (parameter)–aggregate cost
- 方法分类及基本步骤
(每个步骤的实现细节,参见参考博客)
- 局部匹配:匹配代价计算、代价聚合和视差计算
- 全局算法:匹配代价计算,视差计算与视差优化
- 半全局算法SGM:匹配代价计算、代价聚合和视差计算、视差优化
step3 多张深度图融合
- 关键: 基于领域图像进行depth的融合
- 具体细节包括: 领域图像的选择,融合的标准
- 目的: 得到具有一致性的3D point depth
step4 抽取物体表面
dense point cloud + normal —surface