目錄

• 摘要
• 相機參數標定與投影模型
• SfM

摘要

MVS算法可以僅僅通過照片來重建出高細節的3D模型。MVS是給定一組圖像，估計最有可能的3D形狀，建立在已知物體的材料、視點以及光照條件的前提下。
如果前提條件未知的話，就會出現最優解不唯一的情況，因為不同種的光照等組合會出現相同的結果。

ill-posed：指最優解不唯一的情況
適定問題（Well-posed problem）是指滿足下列三個要求的問題:
1)解是存在的;
2)解是惟一的;
3)解能根據初始條件連續變化，不會發生跳變，即解必須穩定。

MVS的輸入：一組圖像和它們對應的相機參數。MVS很大一部分的成功在于SfM算法，用來計算相機參數。

MVS的pipeline：

大部分MVS算法都是工作在非有序的圖片集上的，應用SfM算法計算相機參數。
相機參數指的是一系列描述相機設定的值，包含相機的位置和朝向，內參數也包含焦距和傳感器的尺寸。

相機參數標定與投影模型

MVS需要對每一張輸入圖像擁有一個對應的相機模型來充分描述如何將3D點投影到2D像素位置上。MVS最常用的相機模型是針孔相機模型，由一個34的投影相機矩陣來表示。
任何一個34的投射矩陣P都可以分解成33上三角矩陣K和一個34姿態矩陣[R|T]相乘。

K是內參矩陣

• $f_x,f_y$是垂直和水平的焦距長度
• $c_x,c_y$是主點坐標
• s扭轉畸變
• R旋轉參數
• T平移參數

一般假設傳感器是正方形所以$f_x=f_y$，設置畸變為0，圖像沒被裁剪時主點在中心，因此普通針孔相機的相機參數由焦距f,旋轉矩陣R和平移矩陣T中7個參數組成;

對于附加鏡頭成像效果不好或者廣角相機（如圖1.4左所示）,單純的針孔相機模型不足以表示相機模型，通常要加上一個徑向畸變.尤其是對高分辨率圖像徑向畸變是很重要的，因為微小的偏離將會涉及到邊界的多個像素值.
高分辨率圖像的徑向畸變也很重要。所以需要在進入MVS pipeline之前消除。

SfM

SfM的輸入是一系列圖片，輸出兩種：每張圖片的相機參數以及一系列圖片中可見的3D點，通常被編碼成tracks，tracks通常是重建3D點的坐標讓其在對應圖像上的2D坐標。
當下的SfM算法的流程基本都是這樣的。

計算每張圖像的2D特征點
圖像間2D特征點匹配
從匹配關系構建2D tracks
從2D tracks 解sfm 模型
bundle adjustment優化sfm模型

SfM：目的是在未知相機位姿的情況下恢復稀疏的三維結構
MVS:已知相機位姿的前提下估計稠密的三維結構，如果相機位置未知就會先使用SfM得到相機的位姿

總結

以上是生活随笔為你收集整理的MVS_Tutorial-1的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。