一、前言 我创作这篇博客的初衷是因为我在ubuntu20.04环境下跑Colmap+OpenMVS这个算法框架的时候踩了很多坑，一方面是网上现在很多教程都是基于Windows环境下的，而Windows环境和Linux环境相比还是有很大的差异的；二是现在网上的很多教程基本很多步骤一带而过了，而往往这些一带而过的步骤也非常容易出问题。所以我希望我的这篇分享能够帮助到大家，不想再让后面的创作者再踩这些坑了。    特别说明：如果大家在编译中遇到任何问题，建议先直接跳转到第七章：问题合集里面看是否有相应的问题，如果有任何问题，欢迎评论区留言交流。        在这里也有一些在这个方向上的一些优秀参考

基于MVS的三维重建算法学习笔记（一）—MVS三维重建概述与OpenMVS开源框架配置声明1.MVS（Multi-viewstereo）概述稀疏重建与稠密重建的区别稀疏重建——SFM（StructurefromMotion）算法稠密重建——MVS（Multi-viewstereo）方法图像一致性立体匹配2.OpenMVS开源框架介绍OpenMVS安装OpenMVS测试Meshlab下载测试数据集下载1.稠密重建2.曲面重建3.网格优化4.纹理贴图参考文献和资料声明本人书写本系列博客目的是为了记录我学习三维重建领域相关知识的过程和心得，不涉及任何商业意图，欢迎互相交流，批评指正。1.MVS（Mu

OpenMVS详细安装教程-ubuntu18.04前言一、安装第三方库1.安装Eigen3.42.安装Boost1.56版本以上3.安装OpenCV2.4(或者更高版本)4.安装CGAL5.安装VCGLib一、安装以及运行OpenMVS1.安装OpenMVS的库2.OpenMVS测试总结前言githup:https://github.com/cdcseacave/openMVS最近在ubuntu18.04上配置OpenMVS运行环境时踩了很多坑,在这期间查阅了很多资料和博客,于是想对安装过程进行总结,方便自己反复查阅以及分享经验避免大家重复踩坑。博主是用docker在ubuntu18.04容器

首先上一篇文章详细介绍了openmvs的环境配置。此篇文章记录一下跑通GitHubopenmvs示例项目的全过程。首先openmvs开源项目中使用SceauxCastle图像和OpenMVG管道来恢复相机位置和稀疏点云。此时可以选择自行配置OpenMVG后来恢复相机位置和稀疏点云。由于完整的示例（包括模块的Windowsx64二进制文件）可以在OpenMVS_sample中找到。所以此次直接从openmvs的DensifyPointCloud构建稠密点云开始操作。开始准备工作：1、下载示例影像。GitHub-openMVG/ImageDataset_SceauxCastle:Imageof"C

1.说明：需要的工具：•CMake•Git•C/C++compiler(GCC,VisualStudioorClang)2.OpenMVG安装1)安装依赖 sudoapt‐getinstalllibxxf86vm1libxxf86vm‐devlibpng‐devlibjpeg‐devlibtiff‐devlibxi‐devlibxrandr‐dev2)Graphvizforviewgraphsvglogs. sudoapt‐getinstallgraphviz3)下载OpenMVG $gitclone‐‐recursivehttps://github.com/openMVG/openMVG.g

1对于单个相机拍摄的图像序列很简单，将自己的图片放入一个文件夹，命令输入指向这个文件夹就好了：1.1Sequential&IncrementalSfMpipeline$cdopenMVG_Build/software/SfM/$pythonSfM_SequentialPipeline.py[fullpathimagedirectory][resultingdirectory]$pythonSfM_SequentialPipeline.py~/home/user/data/ImageDataset_SceauxCastle/images~/home/user/data/ImageDataset_

openMVS的框架可由：稠密重建、点云融合、网格生成、网格优化和纹理贴图五部分组成。稠密重建openMVS的输入是一组图像以及已经计算出的位姿，所以省去了SFM位姿估计的部分。在openMVS的稠密重建中，由以下部分组成：深度图计算、深度图融合、点云颜色计算和点云法线计算组成。其中点云颜色计算和点云法线计算一般不计算，因为浪费计算资源。深度图计算、深度图融合是稠密重建中的关键。深度图计算深度图计算框架图在openMVS中，深度图计算部分属于重中之重，深度图计算的框架图如上图所示，在这个过程中，用到了两个比较经典实用的算法PlanSweeping和PatchMatch。其中PlanSweepi