Ubuntu终端跑colmap实验记录——生成sparse和poses_bounds.npy
目录
前言：
colmap生成sparse
1.打开工程进行自动重建（不需要）——just 避雷！
2.单步重建——生成sparse图像
2.1 提取特征点
2.2 特征点匹配
2.3 稀疏重建
3.使用LLFF生成poses_bounds.npy
前言：
我一直习惯使用autodl的服务器，在上面配置了nerfstudio的环境，详细可以看我的这篇博客：
Windows&&Linux跑通BAD-RFs实战__无数踩坑坑坑记录_python 安装 ns-train-CSDN博客
而我现在需要使用自己合成的数据集去运行Bad-NeRF，发现仅仅只是输入图象视角是不行的，还是需要使用colmap生成sparse和poses_bounds.npy形成视角数据。因为colmap需要使用GUI可视化界面，所以我尝试了用VNCViewer可视化autodl界面，但是始终显示“没有加密的界面”，一直黑屏，遂放弃。所以我尝试使用终端进行文件生成。这是一条记录贴，可以作为使用自己的数据集训练bad-nerf的参考。
colmap生成sparse
参考文献：
一文搞懂ubuntu下colmap的使用方法_ubuntu colmap-CSDN博客
这里面介绍的步骤很全面，但是对于bad-nerf而言有些不是很需要，比如生成dense文件夹。
1.打开工程进行自动重建（不需要）——just 避雷！
代码：
DATASET_PATH=/path/to/project #工程文件夹里必须包含一个叫做images的文件夹，里面放着重建所需要的图片colmap automatic_reconstructor \
--workspace_path $DATASET_PATH \
--image_path $DATASET_PATH/images这一步要跑很久，我从凌晨一点跑到早上七点还是没有跑出来，最后生成的图像位姿数据也是很少，试了几次每一次生成位姿的图像都只有三张或者四张。（生成位姿图像名称的步骤详见3节）
最后尝试删去这步之后100张图象生成了80张图像的位姿数据。
2.单步重建——生成sparse图像
2.1 提取特征点
代码：
DATASET_PATH=/path/to/dataset./colmap feature_extractor \
--database_path $DATASET_PATH/database.db \ # 输出：特征点保存至数据库database.db
--image_path $DATASET_PATH/images # 输入：多视图图像这一步顺利运行！
2.2 特征点匹配
./colmap exhaustive_matcher \
--database_path $DATASET_PATH/database.db # 输入输出：数据库文件database.db2.3 稀疏重建
mkdir $DATASET_PATH/sparse # 新建sparse文件夹
./colmap mapper \
--database_path $DATASET_PATH/database.db \ # 输入：数据库文件database.db
--image_path $DATASET_PATH/images \ # 输入：多视图图像
--output_path $DATASET_PATH/sparse # 输出：`sparse`文件夹最后在目标路径上生成了如下路径的文件：
└── sparse # 稀疏重建结果
└── 0
├── cameras.bin # 相机内参
├── images.bin # 相机位姿
├── points3D.bin # 稀疏3D点
└── project.ini3.使用LLFF生成poses_bounds.npy
用cd命令转到nerfstudio文件夹下，下载LLFF,命令如下：
# autodl上需要科学上网从Github上直接git下载,博主下载到nerf-pytorch下
git clone https://github.com/Fyusion/LLFF.git
# 激活虚拟环境
conda activate nerfstudio
# eg: conda activate nerf_mvs
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple scikit-image
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple imageio
然后进入LLFF文件夹下的imgs2poses.py文件，新增如下内容，default=‘里面是sparse所在目录的绝对路径’，并将参数’scenedir’修改为是’–scenedir’。
注意！这里新增的default内容的上一级目录下的image文件夹命名必须是images。
然后输入以下命令运行img2poses.py:
# 注意要在imgs2poses.py所在目录执行命令
python imgs2poses.py
# 或者附带imgs2poses.py的路径
python XXXX\imgs2poses.py
# eg: python LLFF\imgs2poses.py
最后出现了很多人经常出现的错误：
根据这位博主的解决方案，在LLFF/llff/poses/pose_utils.py下加入了这段代码：
#---------输出匹配到位姿的图片名---------
for i in np.argsort(names):
print(names[i],end=' ')
#---------输出匹配到位姿的图片名---------
最后显示出了计算出位姿的图像名称，把没有生成的图像删除，重新运行第二节的命令，但是还是出现了一样的错误。
根据这位博主的解决方案修改了LLFF/llff/pose_utils.py的内容，最后这种结果才算成功！
（我的结果忘记截图了，生成了Depth stats巴拉巴拉的算成功，并且对应文件夹下生成了poses_bounds.npy文件）
生成之后就可以用自己的数据集使用BAD-NeRF力！！！