科研
大规模三维重建

An Efficient and Robust Hybrid SfM Method for Large-Scale Scenes

# 图像聚类算法

构建图，计算图中的边权值，使用归一化隔来完成图像划分。

把整个图 $G = {V, E}$ 划分为 ${G_{k} ∣ G_{k} = {V_{k}, E_{k}}}$ 。

现有方法的边的权重

w_{p_{i j}} = \frac{p_{num}}{min ({feat}_{i}, {feat}_{j})}

其中 $f e a t_{i}$ , $f e a t_{j}$ 是每个图像对 $i$ , $j$ 的特征点数， $p_{n u m}$ 是与图像对同源点的点数。一般认为 $w_{p_{i j}}$ 越大，图像对之间的相关性越强。如果仅使用具有同源点的点数来计算边缘权重，则空间距离较远的弱连接图像对可能被划分为同一子簇，而空间距离较短但点数相对较少的图像对具有同源点可能被划分到不同的子簇中，导致子簇内图像的空间分布松散甚至碎片化。

改进

引入图像对的重叠区域、场景相关度信息、具有同源点的点数构造新的权重函数w(Eij)。

图像对的重叠区域是图像空间中两个图像捕获的相同地面区域的表示。如果一个图像对的重叠面积很小，则认为该图像对更可能是弱连通的。
图像的公共邻域数表示图像对中两幅图像的邻域集中具有相同ID的图像的数量。共同邻居的数量越多，图像对就越有可能是强连接的。
图像对中具有同源点的点数表示两幅图像中匹配特征点的数量，具有同源点的点越多，两幅图像之间的相关性越强。

# 子簇扩展算法

# 子簇的稀疏重建

# 子簇合并

← theiaSfM代码 A Simple and Efficient Merge of Two Sparse 3D Models with Overlapped Images→