三维重建（四）PMVS算法 the patch-based MVS algorithm
通过前面的介绍，已经获得了相机的参数，我们可以利用这些参数使用基于面片的三维多视角立体视觉算法（PMVS）重建出稠密的点云。下面详细介绍一下PMVS算法。
一、基本概念介绍
1、面片（patch）
面片p是一个近似的正切与重建物体表面的一个小矩形，他的一边平行于参考相机的x轴。对于一个面片p，他的几何特征如下：
中心点：c§；
单位法向：n§，该向量指向相机的光心；
面片p对应一个参考图像R§，在R§中p是可见的。针对p有扩展矩形，p在R§中的投影是μ×μ大小的，在原论文中μ=5 or 7
2、灰度一致性函数（Photometric Discrepancy Function）在这里， V(p)−R(p)是指出去 R(p)的 V(p)的其他元素； h(p,I1,I2)是指 I和R(p)的灰度一致性函数，计算过程如下：](https://code84.com/wp-content/uploads/2022/10/20201216134405934.png)
二、面片的重构
基于面片的多视角三维立体视觉算法的目的就是保证在每个图像块Ci(x,y)上至少有一个面片的的投影。主要分为以下三步：
- 初始化特征匹配（initial feature matching）；
- 面片生成（patch expansion）；
- 面片筛选（patch filtering）；
初始化特征匹配的目的就是生成一系列稀疏的面片，面片的生成和筛选都要执行n次使得面片足够稠密，同时去除不好的面片。下面依次进行介绍。
1、初始化特征匹配
CMVS算法概述：
CMVS目的
任务是将SFM的稀疏点聚类到不同的影像集（image cluster），每个影像集分别进行MVS算法。
这样做的好处是根据SFM稀疏点的信息对浩大的影像分块成多个小块，分别进行MVS，分治思想，减少MVS算法的资源峰值。
CMVS影像聚类的特点
1.删除多余影像（质量极差的影像）
2.保证cluster的size（保证每个cluster内影像数量小于某一size）
3.保证完整性和质量
完整性由每个特征点都会被cluster覆盖来保证
4.cluster之间有重叠
目标方程
为实现保证质量的目的，给出目标方程：
目标方程中包含了：
1）最小化影像数量；
2）保证cluster大小；
3）保证收敛。
1、点收敛；
2、影像收敛；
衡量质量的标准（measurement）：
一个点P对应于一个影像集C
方法步骤
1.SFM滤波—融合SFM点
2.除去质量不好的影像
3.使用normalized cut初始分割
边权：在这里插入图片描述
4.贪心的向初始分割中添加影像