1.如何使用本篇博客

1.1 patchmatchnet网络环境配置

        我的电脑是R9000K2022 3080ti 16G显存版，在阅读本篇博客前，请一定确保已经安装配置好了深度学习环境，我的深度学习环境的cuda版本是cuda11.3，cudnn8.2.1。

        我们可以通过nvcc -V命令来查看我们的cuda环境是否配置成功。

        这里的patchmatchnet源码是基于pytorch的，请确保成功安装了pytorch1.8.0版本及以上版本的pytorch。

image_dir = os.path.join(args.folder, 'images')
model_dir = os.path.join(args.folder, 'sparse')

        我们下载好patchmatchnet后，下载dtu数据集，将下载好的dtu数据集放入/home根目录文件夹中。

        然后我们修改eval.py中的程序形参：
parser.add_argument('--dataset', default='dtu_yao_eval', help='select dataset')
parser.add_argument('--testpath',default='/home/dtu/', help='testing data path')
第一个参数改成dtu_yao.py的路径，第二个改称dtu数据集的路径。
parser.add_argument('--testlist', default='/home/xxxx/Desktop/slam/PatchmatchNet-main/lists/dtu/test.txt', help='testing scan list')
这个文件里面的内容是对于哪一个数据集进行三维重建，本文的后面我们也会介绍如何利用自己的数据集进行三维重建。（我们对于scan118进行重建）
parser.add_argument('--loadckpt', default='./checkpoints/model_000007.ckpt', help='load a specific checkpoint')
这个里面存储的预训练模型，这个模型我给大家，：
parser.add_argument('--outdir', default='./outputs', help='output dir')
         这里面存储的是我们的算法（patchmatchnet输出的）深度图和置信度图，以及我们三维重建的点云图像。

        我们设置完这些后，执行eval.py，我们看看执行过程。        正在进行三维重建ing：        完成后就是这个样子的：

        我们在根目录的output里面可以看到我们的点云图像和深度图以及置信度图。

         效果是十分的好：

1.2 colmap环境配置

在乌班图下就用一行命令就可以安装了：
sudo apt install colmap
我们直接在命令行收入colmap gui就能使用它的图形化界面了！赞鲁阿

2.如何利用colmap制作自己的三维重建数据集

2.1 采集数据

这里用相机拍摄即可：我们拍摄了一些树木的图片。/home/liuhongwei/Desktop/102.png

2.2 使用colmap计算位姿

        也可以用slam计算。我们建立新项目：建立数据库和图像文件的路径的选择，如下图：

         然后进行特征提取：在Processing下的Feature extraction选项卡里面：我们选择针孔相机模型进行特征提取。

        提取完成后如下图：

        随后我们进行特征匹配，在Processing下的Feature matching选项卡里面：

        匹配运行完之后我们点击Reconstruction选项卡下面的Start Reconstruction进行图片位姿重建。（好像有点奇怪，不过不影响）/home/liuhongwei/Desktop/100.png

        我们导出位姿，在File选项卡下面的Export Model as text。保存在目录sparse下：

2.3 转换位姿到MVS读取的格式

这里需要用到脚本文件，我放入了我的csdn资源里面：colmap_input.py文件https://download.csdn.net/download/qq_41694024/87766201 我们来看这个脚本的参数：

    parser.add_argument('--folder', default='./data',type=str, help='Project dir.')
    parser.add_argument('--theta0', type=float, default=5)
    parser.add_argument('--sigma1', type=float, default=1)
    parser.add_argument('--sigma2', type=float, default=10)

我们需要用我们的路径代替data路径。

    image_dir = os.path.join(args.folder, 'images')
    model_dir = os.path.join(args.folder, 'sparse')

我们在这个data文件夹下需要有一个images的文件夹存储图像序列，sparse存储我们保存的位姿文件。如下图：

if __name__ == '__main__':
    parser = argparse.ArgumentParser(description='Convert colmap results into input for PatchmatchNet')

    parser.add_argument('--folder', default='/home/xxxxx/Desktop/树木3D',type=str, help='Project dir.')
    parser.add_argument('--theta0', type=float, default=5)
    parser.add_argument('--sigma1', type=float, default=1)
    parser.add_argument('--sigma2', type=float, default=10)

    parser.add_argument('--test', action='store_true', default=False, help='If set, do not write to file.')
    parser.add_argument('--convert_format', action='store_true', default=False, help='If set, convert image to jpg format.')

    args = parser.parse_args()

    image_dir = os.path.join(args.folder, 'image')
    model_dir = os.path.join(args.folder, 'sparse')

我们执行这个脚本，执行如下图即成功！

2.4 剔除离群图片

        在colmap计算位姿时，可能有些图片的位姿无法计算，这可能是你照片照的角度问题，我们需要剔除这些图片后，将图片重新命名成如下格式存储在image文件夹里面。如图：

        这里我给大家提供一个脚本可以批量处理图像文件：

        脚本1：将拍摄图片命名规则化：
import os

folder_path = '/home/liuhongwei/Desktop/new' # 替换为你的文件夹路径

i = 1

for filename in os.listdir(folder_path):
    if filename.endswith('.jpg') or filename.endswith('.png') or filename.endswith('.jpeg') or filename.endswith('.JPG'):
        basename = os.path.splitext(filename)[0] # 获取文件名（不含扩展名）
        extension = os.path.splitext(filename)[1] # 获取扩展名
        new_filename = '{:08d}{}'.format(i, extension)
        os.rename(os.path.join(folder_path, filename), os.path.join(folder_path, new_filename))
        i += 1
脚本2：将拍摄图片的JPG结尾的文件转换成patchmatchnet认出的jpg文件结尾的形式。
import os

folder_path = "/home/liuhongwei/Desktop/slam/PatchmatchNet-main/data/image" # 替换为您要更改文件扩展名的文件夹路径

# 循环遍历该文件夹下的所有文件
for filename in os.listdir(folder_path):
    # 检查文件是否是 JPG 格式
    if filename.endswith(".JPG"):
        # 构建新文件名
        new_filename = os.path.splitext(filename)[0] + ".jpg"
        # 重命名文件
        os.rename(os.path.join(folder_path, filename), os.path.join(folder_path, new_filename))
        现在我们已经完成了数据集的构建。

        执行完脚本后我们得到了如下文件结构：

        pair.txt存储着图片之间的匹配关系，cams_1存储着相机的内外参数。