从照⽚的三维重建（3DReconstruction）——MVS系列（１）MVS——multi view system从多视图的密集重建（１）
SFM的重建成果是稀疏三维点云，为了进⼊更加深刻的领域，获得更好的结果，我们进⼊到MVS
（１）如何理解密集点云的⽣成原理
MVS是⽣成密集点云的⽅法，事实上，为什么我们在SFM中不能得到密集点云？因为，SFM中我们⽤来做重建的点是由特征匹配提供的！这些匹配点天⽣不密集！⽽使⽤计算机来进⾏三维点云重建，我们必须认识到，点云的密集程度是由⼈为进⾏编程进⾏获取的。SFM获得点的⽅式决定了它不可能直接⽣成密集点云。
⽽MVS则⼏乎对照⽚中的每个像素点都进⾏匹配，⼏乎重建每⼀个像素点的三维坐标，这样得到的点的密集程度可以较接近图像为我们展⽰出的清晰度。
其实现的理论依据在于，多视图照⽚间，对于拍摄到的相同的三维⼏何结构部分，存在极线⼏何约束。
描述这种⼏何约束：
想象，对于在两张图⽚中的同⼀个点。现在回到拍摄照⽚的那⼀刻，在三维世界中，存在⼀条光线从照
⽚上这⼀点，同时穿过拍摄这张照⽚的相机的成像中⼼点，最后会到达空间中⼀个三维点，这个三维点同时也会在另⼀张照⽚中以同样的⽅式投影。九九重阳节古诗
这个过程这样看来，很普通，就如同普通的相机投影⽽已。但是因为两张图⽚的原因，他们之间存在联系，这种联系的证明超过了能⼒范围，但是我们只需要知道，此种情况下，两张照⽚天然存在了⼀种约束。
如下图所⽰：
X表⽰空间中的⼀点，x1、x2为X在两张图⽚中的同⼀点。由于天然的约束，已知x1，想要在另⼀张图⽚中到x2，可以在直线L2上进⾏⼀维寻。 MVS主要做的就是如何最佳搜索匹配不同相⽚的同⼀个点。
（２）初步探究MVS中的点匹配⽅法
斯坦李 在有了约束的基础上，接下来就是在图⽚上的⼀条线上进⾏探测，寻两张图⽚上的同⼀点。主要⽅法为逐像素判断，两个照⽚上的点是否是同⼀点——
为此提出图像点间的“⼀致性判定函数”
π (p)是使得点p投影到照⽚上⼀点的函数，Ω(x) 函数定义了⼀个点x周围的区域，I(x) 函数代表了照⽚区域的强度特征，ρ(f, g) 是⽤来⽐较两个向量之间的相似程度的
ρ函数和Ω函数的具体选择决定这个”⼀致性判别“的准确度
这个函数的具体实现，由编程实现。函数的具体选择有很多研究结果，在下⼀次博客MVS系列（２）中进⾏讨论。基金分红
好qq名解封>日暮 山远本⽂参考furukawa博⼠的MVS英⽂教程
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论