如何使用Matlab进行三维重建？

Matlab实现三维重建的核心流程是：相机标定（获取相机参数）→ 图像特征匹配 → 三维点云生成（稀疏→稠密）→ 网格重建与可视化，以下是分步拆解的实操教程，包含可直接运行的代码和关键细节：

一、前期准备

硬件/图像要求 ：
- 拍摄10-20张同一物体/场景的多角度图像（重叠率≥60%），避免强光/逆光，保证纹理丰富；
- 准备棋盘格标定板（如9×6内角点，格子边长20mm），拍摄15-20张不同角度的标定板图像（用于相机标定）。
工具箱检查 ：确保Matlab安装Computer Vision Toolbox、Image Processing Toolbox、3D Computer Vision Toolbox，可通过ver命令验证。

二、步骤1：相机标定（核心前提）

相机标定用于消除镜头畸变，获取相机内参（焦距、主点）和外参（位姿），是三维重建的基础。

matlab 复制代码

% 1. 读取标定板图像（将路径替换为你的标定板图像文件夹）
calib_img_path = 'calibration_board_images/'; % 存放标定板照片的文件夹
calib_imgs = imageDatastore(calib_img_path);

% 2. 设置标定板参数（根据实际标定板修改）
boardSize = [9,6];    % 棋盘格内角点数量（行×列）
squareSize = 20;      % 棋盘格单个格子边长，单位mm

% 3. 执行相机标定
[cam_params, used_imgs, reproj_errors] = estimateCameraParameters(...
    calib_imgs, ...
    'CheckerboardSize', boardSize, ...
    'SquareSize', squareSize, ...
    'EstimateSkew', false, ...  % 一般无需估计倾斜参数
    'EstimateTangentialDistortion', true); % 估计切向畸变

% 4. 验证标定效果（重投影误差<0.5像素为合格）
figure; showReprojectionErrors(cam_params);
title('相机标定重投影误差');

关键说明：若重投影误差过大（>1像素），需重新拍摄标定板图像（增加角度、保证棋盘格完整）。

三、步骤2：特征提取与多视图匹配

对重建图像提取SIFT特征并完成跨图像匹配，为后续三维点云生成提供对应关系。

matlab 复制代码

% 1. 读取待重建的多角度图像（替换为你的图像路径）
recon_img_files = {'img1.jpg','img2.jpg','img3.jpg','img4.jpg','img5.jpg'};
recon_imgs = cellfun(@imread, recon_img_files, 'UniformOutput', false);

% 2. 提取所有图像的SIFT特征点和描述子
num_imgs = length(recon_imgs);
points = cell(1, num_imgs);   % 存储特征点
features = cell(1, num_imgs); % 存储特征描述子

for i = 1:num_imgs
    gray_img = rgb2gray(recon_imgs{i});
    % 检测SIFT特征点
    pts = detectSIFTFeatures(gray_img);
    % 提取特征描述子（筛选有效特征点）
    [feat, valid_pts] = extractFeatures(gray_img, pts);
    points{i} = valid_pts;
    features{i} = feat;
end

% 3. 多视图特征匹配（匹配相邻图像的特征）
matches = cell(num_imgs-1, 1);
for i = 1:num_imgs-1
    % 最近邻匹配，MaxRatio=0.7减少误匹配
    idx_pairs = matchFeatures(features{i}, features{i+1}, 'MaxRatio', 0.7);
    matches{i} = idx_pairs;
end

四、步骤3：三维点云生成（稀疏→稠密）

1. 稀疏点云（快速预览，仅含特征点）

matlab 复制代码

% 基于标定参数和匹配特征，三角化生成稀疏点云
[sparse_point3D, ~, ~] = triangulateMultiview(points, features, cam_params);

% 可视化稀疏点云
figure; pcshow(sparse_point3D);
xlabel('X (mm)'); ylabel('Y (mm)'); zlabel('Z (mm)');
title('稀疏三维点云');
grid on; axis equal;

2. 稠密点云（高精度，覆盖完整场景）

稀疏点云仅包含特征点，稠密点云需通过深度估计补全所有像素的三维信息：

matlab 复制代码

% 1. 以第一张图像为参考，生成深度图
ref_gray = rgb2gray(recon_imgs{1});
depth_map = depthEstimation(ref_gray, recon_imgs{2:end}, cam_params);

% 2. 从深度图生成稠密点云
dense_cloud = reconstructScene(depth_map, cam_params.CameraParameters{1});

% 3. 点云滤波（去除离群点，提升质量）
dense_cloud_filtered = pcdenoise(dense_cloud, 'NumNeighbors', 20);

% 4. 可视化稠密点云
figure; pcshow(dense_cloud_filtered);
title('滤波后稠密三维点云');
xlabel('X (mm)'); ylabel('Y (mm)'); zlabel('Z (mm)');
grid on; axis equal;

五、步骤4：网格重建与三维模型可视化

稠密点云可进一步重建为三角网格模型，便于3D打印、渲染等应用：

matlab 复制代码

% 1. 点云下采样（减少计算量，网格尺寸2mm）
downsampled_cloud = pcdownsample(dense_cloud_filtered, 'gridAverage', 2);

% 2. 重建三角网格（邻域搜索半径5mm，可根据场景调整）
[faces, vertices] = pc2mesh(downsampled_cloud, 5);

% 3. 可视化网格模型
figure; 
trisurf(faces, vertices(:,1), vertices(:,2), vertices(:,3), ...
    'FaceColor', 'cyan', 'EdgeColor', 'none');
axis equal; view(3);
xlabel('X (mm)'); ylabel('Y (mm)'); zlabel('Z (mm)');
title('最终三维网格模型');
grid on;