稠密点云重建
一、先验知识
1. 图像的获取方式：室内环境、室外环境、网络图片
室外环境：
要求：光线均匀（防止过爆、失爆）阴天多云是最好的。
2. 相机位姿的获取方式
二、三维建模
1. 三维建模的基本流程
2. 立体视觉：两视图三维建模
人判断远近：物体在水平方向的位移。位移大，离得近。
极几何：两视图的极几何约束
极线矫正：
单应变换的几种形式（很重要）：空间平面投影单应、通过空间平面诱导的单应、相机纯旋转单应
视差：
极线矫正后，左右图像的一对匹配点在x轴上坐标的差异称为视差（Disparity）视差的大小与点距离相机距离的远近成反比
视差图：
立体视觉的目的就是通过左右图像计算（稠密）视差图视差图是一幅灰度图像，像素点的值表示这一点的视差大小，灰度值越高表示视差越大（距离越近）通过视差图可以得到单视点下的三维模型（稠密点云）
视差与深度：
深度Z =(B * f) / (xl - xr) =(基线 * 焦距) / 视差
3. 三维建模的基本流程（续）
4. 立体匹配：单点匹配法、窗口匹配法、自适应窗口匹配法、自适应权值窗口匹配法
但对于左图像上点p，右图极线上有很多颜色类似的点。仅靠单点颜色比较容易出现错误（噪声太多）
所以考虑平滑性约束
所以形成了窗口匹配法。
影响窗口匹配结果的因素：
弱纹理：弱纹理区域窗口内像素值类似，相邻区域的相似度函数值差异不显著孔径问题：窗口包含的纹理区域太小，区分度不足重复纹理：重复纹理区域窗口内像素值类似，容易产生匹配误差前景放大：由于立体匹配中容易存在遮挡问题，所以在边缘（有视差跳变，同时有前景和背景）处背景容易被错分为前景，造成前景放大。前景放大效应造成视差图中前景物体比实际大。
自适应窗口匹配法：融合大窗口和小窗口的各自优势，可有效改进边缘区域的视差
自适应权值窗口匹配法：
三、立体匹配 — PatchMatch Stereo
四、MVS（Multiple View Stereo）多视图立体视觉
1. MVS基本思路：寻找空间中具有图像一致性的点
2. MVS算法的分类：深度图融合、体素、点云扩散、CNN
深度图融合：
基于体素的MVS：
基于特征点扩散的MVS：
基于CNN端到端的MVS：
