colmap-特征匹配、稠密重建

启动processing - Feature Matching功能块，并将所有参数设为默认值；接着执行Run操作以完成特征匹配。

完成此步骤后会自动产出场景图 以及匹配矩阵 （基于不同视图间同名特征的权重计算, 将每个视图作为图的节点构建关系网络）

从右侧的 Log中可以看到这两步的输出

1. Exhaustive——官方文档指出Exhaustive匹配耗时最长的原因在于每张图像都会与其他所有图像配对形成对比（即两两配对），但理论上其效果最为理想。然而，在实际操作中发现该方法往往效率低下且效果不佳（尤其是当场景高度相似时），例如在建筑四面都很相近的情况下（即四个面看起来极为相似），匹配结果可能导致只能重建出一面而其他三面无法生成。
2. Sequential——我曾用较长时间实现这种匹配方式的原因在于通常会按时间顺序采集图像（例如通过ffmpeg提取视频帧）并进行处理。相邻x张图像之间的匹配通常能取得较好的效果（如避免上述问题）。然而该方法也存在不足之处（尤其是在拍摄同一物体的不同阶段之间），由于累积误差可能导致重建出两个完全相同但略有偏差的结果。
3. Spatial——这种匹配方式利用了地理信息数据（例如GPS信息），即每张图像必须携带位置信息才能参与匹配过程。因此在使用这种方法之前必须事先确定场景的整体尺寸范围并设置好相关参数。
4. Custom——起初我认为这种方法不够智能因而从未使用过。但在尝试前几种方法后发现效果仍不理想时才恍然大悟——原来可以通过自定义选择哪些图像参与配对从而获得更好的结果！因此这种方法非常适合那些对数据来源非常了解并有一定先验知识的人群。
5. Hierachical——目前该功能仅限于命令行界面尚未集成图形化界面支持。该方法适用于大规模场景下大量图像的数据处理工作——通过将场景划分为多个区域分别计算后再拼接完成最终结果。不过试用后发现其整体性能仍需进一步优化且后续改进已在规划之中。

稠密重建
Reconstruction被转换为Dense reconstruction。接下来就是MVS的部分。这部分具有较大的计算量且耗时最长。在选择输出文件夹后，请按照以下顺序进行操作：首先校正每个图像以去除畸变；接着执行此步骤耗时较长的立体校准；随后进行三角测量以计算每个像素的深度；最后通过融合所有点云生成详细的三维点云数据。完成这些步骤后即完成了MVS的整体流程。