colmap三维重建（更新中）——Ubuntu版本（colmap的编译）_colmap ubuntu

一、colmap的编译（含报错处理）

1.1编译

一般使用官网的方法：

Installation — COLMAP 3.9-dev documentationhttps://colmap.github.io/install.html需要先注意这些：不过有的电脑不用管这些也能编译出来，应该是已经装好或者设置好了，所以这里视自己电脑实际环境的情况而定

上面在 Ubuntu 22.04 下这些命令是安装并添加环境变量，可以先查看自己系统里面有没有gcc和g++，一般都是有的，如果电脑有这些，可以查看自己带的版本，然后修改上面的gcc-*和g++-*

wheris gcc
whereis g++

然后，进入编译过程：

sudo apt-get install \
    git \
    cmake \
    ninja-build \
    build-essential \
    libboost-program-options-dev \
    libboost-filesystem-dev \
    libboost-graph-dev \
    libboost-system-dev \
    libeigen3-dev \
    libflann-dev \
    libfreeimage-dev \
    libmetis-dev \
    libgoogle-glog-dev \
    libgtest-dev \
    libsqlite3-dev \
    libglew-dev \
    qtbase5-dev \
    libqt5opengl5-dev \
    libcgal-dev \
    libceres-dev

git clone https://github.com/colmap/colmap.git
cd colmap
mkdir build
cd build
cmake .. -GNinja
ninja
sudo ninja install

1.2碰到的bug

（1）nvcc fatal:Unsupported gpu architectur "compute_native"

解决：github上有大神解决了，先检查显卡的计算能力，然后重新cmake，绿色框所示

nvcc fatal : Unsupported gpu architecture 'compute_native' · Issue #2464 · colmap/colmap · GitHubDescribe the bug The following commands succeed. git clone https://github.com/colmap/colmap.git cd colmap mkdir build cd build cmake .. -GNinja It fails at cmake .. -GNinja. The full printed infomation: [36/211] Building CUDA object src/...https://github.com/colmap/colmap/issues/2464#top

（2）大片报错libfreeimage.so: undefined reference to TIFFFieldName@LIBTIFF_4.0。。。

解决：因为与anaconda3下面的QT5冲突了，修改cmakelist.txt，删除build，重新执行cmake即可

colmap安装 libfreeimage.so: undefined reference to TIFFFieldName@LIBTIFF_4.0_libfreeimage.so.3: undefined symbol: tifffielddata-CSDN博客https://blog.csdn.net/u012796629/article/details/106230156?spm=1001.2014.3001.5506可以看到我的cmake文件执行时，确实用了anaconda3下面的QT5，并且有warning：

安装上面的链接修改cmakelist.txt，删除build，重新执行cmake，ninja，install，没有报错。

（3）小bug，vim冲突打不开

和这一篇完全相同：

Linux Vim提示：E325: ATTENTION 解决方案_linux e325-CSDN博客https://blog.csdn.net/weixin_62892290/article/details/131660528?spm=1001.2014.3001.5506（4）collect2: fatal error: ld terminated with signal 9 [Killed]

解决：这是在虚拟机或者wsl中的Linux系统内编译colmap时报的错，主要是因为虚拟机的内存不够了，所以被kill，增大内存即可，参考

collect2: fatal error: ld terminated with signal 9 [Killed]-CSDN博客https://blog.csdn.net/m0_47696151/article/details/132011222?spm=1001.2014.3001.5506

二、使用colmap在终端中进行三维重建

有点小遗憾，Ubuntu系统里用的数据集比较大，只跑出了稀疏重建的结果，稠密重建太吃算力了，才330张图，计算深度被kill了好几次，死机好几次，最后fuse的时候数据都加载不完就被kill，显卡是4080+16GB显存，计算开销实在是夸张！后面会具体提到这个问题

总体命令可以参考官网的example：

Command-line Interface — COLMAP 3.9-dev documentationhttps://colmap.github.io/cli.html有不知道的命令可以colmap -h查看参数形式

# The project folder must contain a folder "images" with all the images.
$ DATASET_PATH=/path/to/dataset
 
$ colmap feature_extractor \
   --database_path $DATASET_PATH/database.db \
   --image_path $DATASET_PATH/images
 
$ colmap exhaustive_matcher \
   --database_path $DATASET_PATH/database.db
 
$ mkdir $DATASET_PATH/sparse
 
$ colmap mapper \
    --database_path $DATASET_PATH/database.db \
    --image_path $DATASET_PATH/images \
    --output_path $DATASET_PATH/sparse
 
$ mkdir $DATASET_PATH/dense
 
$ colmap image_undistorter \
    --image_path $DATASET_PATH/images \
    --input_path $DATASET_PATH/sparse/0 \
    --output_path $DATASET_PATH/dense \
    --output_type COLMAP \
    --max_image_size 2000
 
$ colmap patch_match_stereo \
    --workspace_path $DATASET_PATH/dense \
    --workspace_format COLMAP \
    --PatchMatchStereo.geom_consistency true
 
$ colmap stereo_fusion \
    --workspace_path $DATASET_PATH/dense \
    --workspace_format COLMAP \
    --input_type geometric \
    --output_path $DATASET_PATH/dense/fused.ply
 
$ colmap poisson_mesher \
    --input_path $DATASET_PATH/dense/fused.ply \
    --output_path $DATASET_PATH/dense/meshed-poisson.ply
 
$ colmap delaunay_mesher \
    --input_path $DATASET_PATH/dense \
    --output_path $DATASET_PATH/dense/meshed-delaunay.ply

下面开始具体实例

2.1特征提取

colmap feature_extractor --image_path input --database_path database.db --ImageReader.camera_model OPENCV --ImageReader.single_camera 0

可以看到这些参数，以及我自己的设定，主要是路径和相机模型那些东西

2.2特征匹配

colmap exhaustive_matcher --database_path database.db

2.3稀疏重建

首先要先创建一个文件夹，一般命名为sparse，重建好会生成一个子文件夹0，在0下面是重建好的模型，包括三个文件：image.bin，camera.bin，point3D.bin

mkdir sparse
colmap mapper --database_path database.db --image_path input --output_path sparse

转换格式为txt：

colmap model_converter --input_path sparse/0 --output_path sparse/0 --output_type TXT

看看稀疏重建的效果：

2.4去畸变（开始稠密重建）

也要先创建一个文件夹，一般命名为dense

mkdir dense
colmap image_undistorter --image_path input --input_path sparse/0 --output_path dense

2.5计算深度图

colmap patch_match_stereo --workspace_path dense --PatchMatchStereo.write_consistency_graph true

这里问题来了，因为内存或者显存等原因被kill：

查看了官网的FAQ，有一些设置可以避免计算深度的时候被kill：

就是说设置降低一下图片的分辨率，图像原本是5800*3958，我这里设置最大尺寸3600，才勉强跑完深度计算。下图为计算好的深度图

colmap patch_match_stereo --workspace_path dense --PatchMatchStereo.write_consistency_graph true --PatchMatchStereo.max_image_size 3600

2.6fuse

又又又爆了，稠密重建太吃内存了！但是到了这一步稠密重建算是ok了，命令是没有问题的，问题在于机器本身。这里仅仅放上shell命令。事实上，稠密重建并不推荐传统的这些方法，深度学习已经做的很好了，刚好这里引入一下，后面即将更新3D Gaussian Splatting！！！

colmap stereo_fusion --workspace_path dense --output_path dense/fused.ply --StereoFusion.max_image_size=3600