当前位置：首页 > news >正文

COLMAP原理讲解与使用教程

news 2025/10/17 6:10:19

COLMAP论文简单介绍

COLMAP论文名： Structure-from-Motion Revisited

COLMAP是一个经典的增量式SfM（incremental structure from motion）方法

Incremental的SfM的pipeline的思想就是从一系列多视角图像中找到对应的feature的关系，然后选取两张质量好的视角图片进行初始化，通过增量的方式一步步还原出3D场景和每个图片对应的摄像机位姿。

COLMAP对incremental structure from motion的各个模块做了改进，具体的细节不是本文的重点，总而言之，COLMAP是一个典型的incremental SfM方法。

下面是Image-based 3D reconstruction和Structure-from-Motion以及Multi-View Stereo之间的关系（来自COLMAP文档）

Image-based 3D reconstruction from images traditionally first recovers a sparse representation of the scene and the camera poses of the input images using Structure-from-Motion.

This output then serves as the input to Multi-View Stereo to recover a dense representation of the scene.

Multi-View Stereo

MVS 的作用是根据SfM得到的初步的信息来还原每张图片像素级别的depth和normal的信息，然后还原出dense的3D场景，同时还可以根据normal的信息还原出3D surface

Multi-View Stereo (MVS) takes the output of SfM to compute depth and/or normal information for every pixel in an image. Fusion of the depth and normal maps of multiple images in 3D then produces a dense point cloud of the scene. Using the depth and normal information of the fused point cloud, algorithms such as the (screened) Poisson surface reconstruction [kazhdan2013] can then recover the 3D surface geometry of the scene. More information on Multi-View Stereo in general and the algorithms in COLMAP can be found in [schoenberger16mvs].

COLMAP安装

COLMAP官方仓库地址：

https://github.com/colmap/colmaphttps://github.com/colmap/colmap

COLMAP官方文档地址：

https://colmap.github.io/https://colmap.github.io/

环境安装：

conda create -n colmap python=3.10 -y
conda activate colmap

COLMAP安装：

https://anaconda.org/conda-forge/colmaphttps://anaconda.org/conda-forge/colmap

直接使用conda安装

conda install conda-forge::colmap
conda install conda-forge/label/colmap_dev::colmap

稀疏重建代码：

由于没有图形界面，直接选择使用命令行操作

首先cd 到项目文件夹，创建一个images的文件夹存放图片：

# 特征提取
colmap feature_extractor --database_path ./database.db --image_path ./images# 特征匹配
colmap exhaustive_matcher --database_path ./database.db# 稀疏重建
mkdir sparse
colmap mapper --database_path ./database.db --image_path ./images --output_path ./sparse

最终得到以下重建结果

可能在这里看到多个模型结果，说明场景的图片不是连通的：

得到的文件解释：

查看重建效果：

colmap model_analyzer --path ./sparse/0

最终还要转换成ply文件才方便打开

colmap model_converter \--input_path ./sparse/0 \--output_path ./sparse/0/model.ply \--output_type PLY

可用的可视化打开方式：

在meshlab中：

meshlab sparse/0/points3D.ply

在python中：

import open3d as o3d
pcd = o3d.io.read_point_cloud("sparse/0/points3D.ply")
o3d.visualization.draw_geometries([pcd])

稠密重建代码：

# Step 1: 去畸变
colmap image_undistorter \--image_path ./images \--input_path ./sparse/0 \--output_path ./dense# Step 2: 深度图计算
colmap patch_match_stereo \--workspace_path ./dense \--workspace_format COLMAP \--PatchMatchStereo.geom_consistency true# Step 3: 深度融合
colmap stereo_fusion \--workspace_path ./dense \--workspace_format COLMAP \--input_type geometric \--output_path ./dense/fused.ply

得到dense的重建结果：

同时还能生成带mesh的可视化结果：


# 这个速度非常慢，不建议
colmap poisson_mesher \--input_path ./dense/fused.ply \--output_path ./dense/meshed-poisson.ply# 或更轻量的：colmap delaunay_mesher \--input_path ./dense \--output_path ./dense/meshed-delaunay.ply