要基于建筑圖片重建三維數字資產是一個復雜的計算機視覺任務，涉及圖像采集、特征提取、相機姿態估計、稠密重建和三維模型優化等多個步驟。下面我將提供一個基于Python的解決方案框架，使用開源庫實現從圖片到三維模型的基本流程。
首先需要安裝必要的庫：
pip install opencv-python numpy matplotlib pycolmap trimesh open3d
下面是實現的核心代碼，包含了從圖像加載、特征匹配到三維點云生成的完整流程：
import os
import cv2
import numpy as np
import matplotlib.pyplot as plt
import trimesh
import open3d as o3d
from pycolmap import Reconstruction, Image, Point3D# 1. 準備工作：設置路徑和參數
class BuildingReconstructor:def __init__(self, image_dir, output_dir):self.image_dir = image_dirself.output_dir = output_dirself.image_paths = [os.path.join(image_dir, f) for f in os.listdir(image_dir) if f.lower().endswith(('.png', '.jpg', '.jpeg'))]self.reconstruction = None# 創建輸出目錄os.makedirs(output_dir, exist_ok=True)os.makedirs(os.path.join(output_dir, 'sparse'), exist_ok=True)os.makedirs(os.path.join(output_dir, 'dense'), exist_ok=True)# 2. 圖像預處理def preprocess_images(self):"""對圖像進行預處理，包括 resize 和去畸變"""processed_dir = os.path.join(self.output_dir, 'processed_images')os.makedirs(processed_dir, exist_ok=True)processed_paths = []for img_path in self.image_paths:img = cv2.imread(img_path)# 調整圖像大小，保持比例h, w = img.shape[:2]max_dim = 1024if max(h, w) > max_dim:scale = max_dim / max(h, w)img = cv2.resize(img, (int(w*scale), int(h*scale)))# 保存處理后的圖像filename = os.path.basename(img_path)save_path = os.path.join(processed_dir, filename)cv2.imwrite(save_path, img)processed_paths.append(save_path)self.image_paths = processed_pathsprint(f"預處理完成，共 {len(processed_paths)} 張圖片")return processed_paths# 3. 特征提取與匹配（使用COLMAP進行稀疏重建）def run_sparse_reconstruction(self):"""使用COLMAP進行稀疏重建，獲取相機參數和稀疏點云"""print("開始稀疏重建...")# 調用COLMAP進行特征提取和匹配from pycolmap import feature_extractor, exhaustive_matcher, mapper# 特征提取feature_extractor(database_path=os.path.join(self.output_dir, 'database.db'),image_path=self.image_dir,image_list=self.image_paths,camera_mode=0 # 自動選擇相機模型)# 特征匹配exhaustive_matcher(database_path=os.path.join(self.output_dir, 'database.db'))# 三維重建self.reconstruction = mapper(database_path=os.path.join(self.output_dir, 'database.db'),image_path=self.image_dir,output_path=os.path.join(self.output_dir, 'sparse'),verbose=True)print(f"稀疏重建完成，生成 {len(self.reconstruction.points3D)} 個三維點")return self.reconstruction# 4. 稠密重建（生成密集點云）def run_dense_reconstruction(self):"""基于稀疏重建結果進行稠密重建"""if not self.reconstruction:raise ValueError("請先進行稀疏重建")print("開始稠密重建...")# 這里簡化實現，實際項目中可以使用OpenMVS或COLMAP的稠密重建模塊# 導出稀疏點云points = []colors = []for p3d in self.reconstruction.points3D.values():points.append(p3d.xyz)colors.append(p3d.color / 255.0)# 轉換為Open3D點云pcd = o3d.geometry.PointCloud()pcd.points = o3d.utility.Vector3dVector(np.array(points))pcd.colors = o3d.utility.Vector3dVector(np.array(colors))# 點云下采樣和去噪pcd = pcd.voxel_down_sample(voxel_size=0.05)cl, ind = pcd.remove_statistical_outlier(nb_neighbors=20, std_ratio=2.0)pcd = pcd.select_by_index(ind)# 保存稠密點云dense_pcd_path = os.path.join(self.output_dir, 'dense', 'point_cloud.ply')o3d.io.write_point_cloud(dense_pcd_path, pcd)print(f"稠密點云保存至 {dense_pcd_path}，包含 {len(pcd.points)} 個點")return pcd# 5. 三維模型生成（從點云創建網格）def generate_mesh(self, pcd):"""從點云生成三維網格模型"""print("開始生成三維網格...")# 估計法向量pcd.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamHybrid(radius=0.1, max_nn=30))# 使用泊松表面重建生成網格with o3d.utility.VerbosityContextManager(o3d.utility.VerbosityLevel.Debug) as cm:mesh, densities = o3d.geometry.TriangleMesh.create_from_point_cloud_poisson(pcd, depth=9)# 裁剪低密度區域vertices_to_keep = densities > np.quantile(densities, 0.01)mesh = mesh.select_by_index(np.where(vertices_to_keep)[0])# 保存網格模型mesh_path = os.path.join(self.output_dir, 'building_mesh.ply')o3d.io.write_triangle_mesh(mesh_path, mesh)print(f"三維網格模型保存至 {mesh_path}")return mesh# 6. 可視化結果def visualize_results(self, pcd=None, mesh=None):"""可視化點云和網格模型"""if pcd:print("可視化點云...")o3d.visualization.draw_geometries([pcd], window_name="建筑點云")if mesh:print("可視化網格模型...")o3d.visualization.draw_geometries([mesh], window_name="建筑三維模型")# 執行完整流程def run_pipeline(self):"""執行完整的三維重建流程"""self.preprocess_images()self.run_sparse_reconstruction()pcd = self.run_dense_reconstruction()mesh = self.generate_mesh(pcd)self.visualize_results(pcd, mesh)return mesh# 主函數
def main():# 設置圖片目錄和輸出目錄image_dir = "building_images" # 存放從小紅書收集的建筑圖片output_dir = "reconstruction_results"# 確保圖片目錄存在if not os.path.exists(image_dir) or len(os.listdir(image_dir)) == 0:print(f"錯誤：圖片目錄 {image_dir} 不存在或為空")print("請先在該目錄下放置建筑的多角度圖片")return# 創建重建器并運行reconstructor = BuildingReconstructor(image_dir, output_dir)mesh = reconstructor.run_pipeline()print("三維重建流程完成！")if __name__ == "__main__":main()使用說明
這個代碼實現了從建筑圖片到三維模型的完整流程，主要分為以下幾個步驟：
-
數據準備：
- 在"building_images"文件夾中放入從小紅書收集的建筑圖片
- 建議收集15-30張不同角度、不同光照條件下的圖片，覆蓋建筑各個面
-
代碼運行：
- 運行腳本后，程序會自動進行圖像預處理
- 接著進行特征提取和匹配，構建稀疏點云
- 然后生成稠密點云并構建三維網格模型
- 最后可視化結果并保存模型文件
-
結果輸出：
- 處理后的圖片
- 稀疏點云和稠密點云數據
- 最終的三維網格模型（PLY格式），可導入Blender等軟件進一步編輯
注意事項
- 圖片質量對重建結果影響很大，建議使用清晰、光照均勻的圖片
- 拍攝時盡量圍繞建筑移動，保持重疊區域，避免劇烈視角變化
- 對于復雜建筑，可能需要更多圖片和后期手動優化
- 該代碼需要安裝COLMAP軟件，具體安裝方法請參考官方文檔
- 從網絡獲取圖片時請注意遵守版權規定和平臺條款
如果需要更高質量的重建結果，可以考慮使用專業的三維重建軟件如Agisoft Metashape，或在這個基礎上增加紋理映射、模型簡化等步驟。
)
