传统方法Colmap进行三维重建实践（GUI｜命令行）

最新推荐文章于 2026-06-11 21:17:44 发布
原创 最新推荐文章于 2026-06-11 21:17:44 发布 · 6.2k 阅读 · 78
标签
#计算机视觉
本文详细介绍了Colmap算法的全管道流程，包括Ubuntu Docker环境下的安装、数据采集、特征提取与匹配、增量式稀疏重建、深度图估计与优化，以及关键步骤的详细报告。还探讨了图像去畸变、稠密重建和Meshlab可视化。

Colmap算法pipeline：

62F04787-5D3D-4638-AF5A-862CE30B48B4.png

Colmap安装

在Ubuntu Docker中安装Colmap

数据采集

多视角三维重建(MVS)的数据采集

Colmap GUI操作

稀疏重建

采用增量SfM技术

其中SfM技术出自GitHub - openMVG/openMVG: open Multiple View Geometry library. Basis for 3D computer vision and Structure from Motion.

1. 准备工作
  1. 创建工程目录TestScan
  2. 在其中创建images目录并存放原始图像
  3. 运行colmap gui，点击file - New Project弹出Project窗口
  4. 在Database行点击New，在TestScan目录中创建TestScan.db文件用于存储原始图片地址、特征匹配等数据
  5. 在Images行点击Select选择场景原始图片所在目录
  6. 最后点击save
    初始的目录结构为：
.
|-- TestScan.db
`-- images
    |-- 00000000.jpg
    |-- 00000001.jpg
    |-- ...
    `-- 00000048.jpg
2. 特征提取

此步骤进行对应点搜索，可以理解为全局特征匹配
点击processing - Feature Extraction

  • 选择相机模型为Pinhole
  • 选择Parameters from EXIF：从EXIF中提取相机内参（一般采集到的影响都携带EXIF文件）
  • 其他参数暂且默认
    然后点击Extract进行特征提取

2021-04-06_10-35.png

3. 特征匹配

点击processing - Feature Matching，参数全部选用默认，然后点击Run进行特征匹配

这个步骤结束之后会自动生成场景图和匹配矩阵（以不同视图之间同名特征数为权重，以不同视图为图节点的图结构）

从右侧的Log中可以看到这两步的输出
2021-04-06_10-39.png

4. 增量式建模

点击reconstruction - start reconstruction进行一键式增量迭代重建

此步骤逐渐增加视角，并进行迭代优化重投影误差
目的是计算不同视图的相机参数、得到场景的稀疏点云和确定不同视图与点云间的可视关系
最后可以得到场景的稀疏点云

最低0.47元/天 解锁文章
【colmap】 gui 功能详细介绍及应用结果注意事项
yxh_serendipity的博客
12-15 2858
采用SIFT检测方法，最终形成128维0-255的特征描述子。（1）Camera model：如果是一个相机，一定要勾选“Shared for all images"，否则会生成和图片一样多的相机数量。（2）mask_path/carema_mask_path：掩模地址，官方解释-1：从下采样一倍的分辨率开始0：从原始分辨率开始1：从超采样（上采样）后的分辨率开始（通常保持默认值即可；如果图像质量较差或分辨率很低，可以尝试设置为 0）降低：图像特征较弱（如纹理较少）提高：图像中噪声较多。
Colmap三维重建实战：从GUI到命令行的全流程解析
weixin_29090917的博客
03-17 261
本文详细解析了Colmap三维重建的全流程，从GUI操作到命令行高效工作流，涵盖特征提取、稀疏重建、稠密重建等关键步骤。通过实战案例和性能优化技巧，帮助用户掌握这一开源工具在考古文物数字化、建筑场景重建等领域的应用，提升三维建模效率与精度。
COLMAP实战：跳过特征提取，直接用已知位姿完成三角测量与稠密重建
weixin_28686915的博客
05-18 191
本文详细介绍了如何利用COLMAP在已知相机位姿的情况下，跳过特征提取步骤，直接进行三角测量与稠密重建的高效方案。通过解析核心原理、输入文件准备规范及命令行实战流程，帮助开发者在机器人导航、AR/VR等领域实现三维重建的显著加速，特别适用于对实时性要求高的场景。
Colmap三维重建详解与使用方法
11-23 2万+
在重建场景的稀疏表示和输入图像的相机姿势后，MVS现在可以恢复更密集的场景几何。：空间中的一点与两张图片相机的光心，三者围成一个极平面，极平面与两张图片相交形成两条极线，对极几何约束是指，空间点X在摄像机1的成像平面中的像素点x，与之相匹配的摄像机2的成像平面中的像素点 x' 一定落在极线上。是通过一系列有重叠的且不同视角的图片重建出物体的三维结构（稀疏点云），并且输出相机的内外参数，内参指的是将真实空间的三维点通过内参矩阵转换为相机图片上的二维点，外参包含相机在切换不同视角时的平移和旋转信息。
Colmap 实用教程 —— 整体介绍
健康工作每一天
11-23 1万+
Colmap 实用教程
【colmap】超详细，基于colmap的多视图三维重建实验
m0_62911750的博客
11-06 1万+
点击File->New project后，点击database行的“New”新建一个数据库文件，放在Project1文件夹下，后点击“select”->images文件夹->save即可。点击Processing—>Feature Extraction进行特征提取，默认参数即可，完成后直接关闭即可。Poisson-Rec的输入是带有法向量属性的点云数据（也可以有RGB信息），输出是三角网格模型。2）也会和泊松重建一样，提示你去meshlab看模型，在meshlab打开这个模型就可以看见啦。
colmap配置与使用
zhingzt的博客
11-21 1万+
colmap的配置和使用，作为传统算法的一个baseline，和深度学习算法进行对比。同时为MVSNet提供相机外参、内参等信息
使用COLMAP进行三维重构
jiankangyq的博客
12-09 1万+
根据运动视频或图像进行三维重构
使用Colmap及MeshLab进行传统三维重建
Ajaxm的博客
10-15 3867
基于图像的三维重建传统上首先使用**运动结构(Structure-from-Motion)恢复场景的稀疏表示和输入图像的姿态。这个输出然后作为多视图立体几何（）**的输入，以恢复场景的密集表示。SFM是通过一系列有重叠的且不同视角的图片重建出物体的三维结构（稀疏点云），并且输出相机的内外参数，内参指的是将真实空间的三维点通过内参矩阵转换为相机图片上的二维点，外参包含相机在切换不同视角时的平移和旋转信息。1 特征检测与提取2 特征匹配和几何验证3 结构与运动重建多视图立体几何(MVS)
colmap三维重建之点云重建平台建立
2302_80690236的博客
01-14 1006
（建议python使用3.10.6）出现询问以后输入y三、创建完成后进入新的虚拟环境至此准备工作结束。
实验笔记之——Linux实现COLMAP
gwpscut的博客
01-04 8869
学习笔记之——NeRF SLAM（基于神经辐射场的SLAM）-CSDN博客NeRF 所做的任务是 Novel View Synthesis（新视角合成），即在若干已知视角下对场景进行一系列的观测（相机内外参、图像、Pose 等），合成任意新视角下的图像。传统方法中，通常这一任务采用三维重建再渲染的方式实现，NeRF 希望不进行显式的三维重建过程，仅根据内外参直接得到新视角渲染的图像。之前博客跑instant-NGP的时候，除了用官方的数据集，用自己的数据则是通过手机采集，同时获得pose与image。
从Blender到NeRF：基于COLMAP的已知相机参数三维重建全流程解析
red88的博客
03-09 627
本文详细解析了利用已知Blender相机参数，通过COLMAP进行高效三维重建的全流程。重点阐述了坐标系转换、特征匹配与稀疏重建等关键步骤，并指导如何生成可用于NeRF训练的稠密三维模型。该方法避免了COLMAP重复估计参数，显著提升了重建精度与效率，是连接传统多视图几何与神经渲染的实用桥梁。
COLMAP三维重建：从照片到三维模型的完整解决方案
最新发布
gitblog_00970的博客
06-11 851
COLMAP（Structure-from-Motion and Multi-View Stereo）是当今计算机视觉领域最强大的开源三维重建工具之一，能够将普通二维照片自动转化为精确的三维模型。无论你是文化遗产保护者、游戏开发者还是机器人工程师，COLMAP都能为你提供从稀疏点云到稠密网格的完整重建能力，让三维重建变得前所未有的简单和高效。 ## 1. 项目价值定位：为什么三维重建需要COLM
COLMAP 安装与三维点云重建全流程详解：从安装配置到模型查看
热门推荐
qq_22841387的博客
12-29 2万+
COLMAP 是一个功能强大的开源三维重建工具，它支持自动化的多视角几何重建，包括特征提取、相机位姿估计、稀疏点云重建、稠密点云生成等核心功能。无论是学术研究还是工程应用，COLMAP 都是不可或缺的三维重建利器。在本篇博客中，我们将详细介绍如何下载并安装 COLMAP，并将其配置到系统环境中，确保其可以正常运行。同时我们还会展示如何准备数据目录结构，为后续使用 COLMAP 进行三维点云重建做准备。为了方便在命令行中直接调用 COLMAP，我们需要将其。，选择稀疏重建的模型文件夹。
三维重建-colmap基本原理
qq_43448134的博客
02-28 4957
colmap入门
colmap
weixin_42764932的博客
07-12 1万+
colmap三维重建流程稀疏重建colmap GUI使用输入处理1.特征提取2.特征匹配3. 增量式重建输出colmap 命令行特征提取特征匹配建稀疏图 colmap是用于三维重建的经典软件 三维重建流程 基于MVS的三维重建技术流程包括以下步骤：数据采集，稀疏重建，深度图估计和稠密重建； 稀疏重建 稀疏重建的基本流程如下图所示，最终得到场景中的相机姿态和表示场景结构的稀疏点云； 我们主要利用SfM进行稀疏重建 SfM，(Structure From Motion，从运动中恢复结构)，是一种从一组不同
Colmap 的安装与使用
m0_51976564的博客
02-15 5854
一. COLMAP 安装 报错记录 qt.qpa.xcb: could not connect to display. nvcc fatal : Unsupported gpu architecture 'compute_native' 二. 数据准备 三. COLMAP 使用
如何利用COLMAP三维重建进行点云生成（含软件下载与环境配置）
2402_86270956的博客
11-30 5369
此文将介绍如何利用COLMAP进行点云生成，将从Anaconda部署、FFmpeg部署、COLMAP部署、FFmpeg抽帧、点云生成进行讲解。
15分钟从建筑实景到BIM模型：COLMAP三维重建全流程指南
gitblog_00441的博客
09-27 1257
你是否还在为建筑数字化建模耗费数周时间？是否因激光扫描设备成本高昂而却步？本文将展示如何使用COLMAP（Structure-from-Motion和Multi-View Stereo开源工具），通过普通相机拍摄的照片快速生成可用于建筑信息模型(BIM)的三维点云和网格模型。读完本文你将掌握： - 建筑场景照片采集的最佳实践 - COLMAP自动重建流程的参数设置 - 从稀疏点云到 dense ...
COLMAP实战：从稀疏特征到毫米级精度的三维重建革命性突破
gitblog_01013的博客
06-06 822
在三维重建领域，COLMAP（Structure-from-Motion and Multi-View Stereo）已成为开源社区中最为强大的工具之一，其革命性的多视图立体视觉（MVS）技术能够将普通数码照片转化为工业级精度的三维模型。本文将深入解析COLMAP如何通过创新的算法架构和工程优化，突破传统重建技术的瓶颈，实现从稀疏特征匹配到稠密三维建模的完整技术链条。 ## 🔍 传统三维重建的
评论 12
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

doubleZ0108

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值