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 documentation

https://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++-*

<code>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 documentation

https://colmap.github.io/cli.html有不知道的命令可以colmap -h查看参数形式

<code># 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

<code>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

<code>mkdir sparse

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

转换格式为txt：

<code>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

<code>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

<code>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！！！

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