基于python怎么实现单目三维重建

def camera_calibration(ImagePath):    # 循环中断    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)    # 棋盘格尺寸（棋盘格的交叉点的个数）    row = 11    column = 8        objpoint = np.zeros((row * column, 3), np.float32)    objpoint[:, :2] = np.mgrid[0:row, 0:column].T.reshape(-1, 2)    objpoints = []  # 3d point in real world space    imgpoints = []  # 2d points in image plane.    batch_images = glob.glob(ImagePath + '/*.jpg')    for i, fname in enumerate(batch_images):        img = cv2.imread(batch_images[i])        imgGray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)        # find chess board corners        ret, corners = cv2.findChessboardCorners(imgGray, (row, column), None)        # if found, add object points, image points (after refining them)        if ret:            objpoints.append(objpoint)            corners2 = cv2.cornerSubPix(imgGray, corners, (11, 11), (-1, -1), criteria)            imgpoints.append(corners2)            # Draw and display the corners            img = cv2.drawChessboardCorners(img, (row, column), corners2, ret)            cv2.imwrite('Checkerboard_Image/Temp_JPG/Temp_' + str(i) + '.jpg', img)    print("成功提取:", len(batch_images), "张图片角点！")    ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, imgGray.shape[::-1], None, None)

def epipolar_geometric(Images_Path, K):    IMG = glob.glob(Images_Path)    img1, img2 = cv2.imread(IMG[0]), cv2.imread(IMG[1])    img1_gray = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)    img2_gray = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)    # Initiate SURF detector    SURF = cv2.xfeatures2d_SURF.create()    # compute keypoint & descriptions    keypoint1, descriptor1 = SURF.detectAndCompute(img1_gray, None)    keypoint2, descriptor2 = SURF.detectAndCompute(img2_gray, None)    print("角点数量：", len(keypoint1), len(keypoint2))    # Find point matches    bf = cv2.BFMatcher(cv2.NORM_L2, crossCheck=True)    matches = bf.match(descriptor1, descriptor2)    print("匹配点数量：", len(matches))    src_pts = np.asarray([keypoint1[m.queryIdx].pt for m in matches])    dst_pts = np.asarray([keypoint2[m.trainIdx].pt for m in matches])    # plot    knn_image = cv2.drawMatches(img1_gray, keypoint1, img2_gray, keypoint2, matches[:-1], None, flags=2)    image_ = Image.fromarray(np.uint8(knn_image))    image_.save("MatchesImage.jpg")    # Constrain matches to fit homography    retval, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 100.0)    # We select only inlier points    points1 = src_pts[mask.ravel() == 1]    points2 = dst_pts[mask.ravel() == 1]

points1 = cart2hom(points1.T)points2 = cart2hom(points2.T)# plotfig, ax = plt.subplots(1, 2)ax[0].autoscale_view('tight')ax[0].imshow(cv2.cvtColor(img1, cv2.COLOR_BGR2RGB))ax[0].plot(points1[0], points1[1], 'r.')ax[1].autoscale_view('tight')ax[1].imshow(cv2.cvtColor(img2, cv2.COLOR_BGR2RGB))ax[1].plot(points2[0], points2[1], 'r.')plt.savefig('MatchesPoints.jpg')fig.show()# points1n = np.dot(np.linalg.inv(K), points1)points2n = np.dot(np.linalg.inv(K), points2)E = compute_essential_normalized(points1n, points2n)print('Computed essential matrix:', (-E / E[0][1]))P1 = np.array([[1, 0, 0, 0], [0, 1, 0, 0], [0, 0, 1, 0]])P2s = compute_P_from_essential(E)ind = -1for i, P2 in enumerate(P2s):    # Find the correct camera parameters    d1 = reconstruct_one_point(points1n[:, 0], points2n[:, 0], P1, P2)    # Convert P2 from camera view to world view    P2_homogenous = np.linalg.inv(np.vstack([P2, [0, 0, 0, 1]]))    d2 = np.dot(P2_homogenous[:3, :4], d1)    if d1[2] > 0 and d2[2] > 0:        ind = iP2 = np.linalg.inv(np.vstack([P2s[ind], [0, 0, 0, 1]]))[:3, :4]Points3D = linear_triangulation(points1n, points2n, P1, P2)fig = plt.figure()fig.suptitle('3D reconstructed', fontsize=16)ax = fig.gca(projection='3d')ax.plot(Points3D[0], Points3D[1], Points3D[2], 'b.')ax.set_xlabel('x axis')ax.set_ylabel('y axis')ax.set_zlabel('z axis')ax.view_init(elev=135, azim=90)plt.savefig('Reconstruction.jpg')plt.show()

import cv2import jsonimport numpy as npimport globfrom PIL import Imageimport matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = ['SimHei']plt.rcParams['axes.unicode_minus'] = Falsedef cart2hom(arr):    """ Convert catesian to homogenous points by appending a row of 1s    :param arr: array of shape (num_dimension x num_points)    :returns: array of shape ((num_dimension+1) x num_points)     """    if arr.ndim == 1:        return np.hstack([arr, 1])    return np.asarray(np.vstack([arr, np.ones(arr.shape[1])]))def compute_P_from_essential(E):    """ Compute the second camera matrix (assuming P1 = [I 0])        from an essential matrix. E = [t]R    :returns: list of 4 possible camera matrices.    """    U, S, V = np.linalg.svd(E)    # Ensure rotation matrix are right-handed with positive determinant    if np.linalg.det(np.dot(U, V))  0 and d2[2] > 0:            ind = i    P2 = np.linalg.inv(np.vstack([P2s[ind], [0, 0, 0, 1]]))[:3, :4]    Points3D = linear_triangulation(points1n, points2n, P1, P2)    return Points3Ddef main():    CameraParam_Path = 'CameraParam.txt'    CheckerboardImage_Path = 'Checkerboard_Image'    Images_Path = 'SubstitutionCalibration_Image/*.jpg'    # 计算相机参数    camera_calibration(CameraParam_Path, CheckerboardImage_Path)    # 读取相机参数    config = readfromfile(CameraParam_Path)    K = np.array(config['mtx'])    # 计算3D点    Points3D = epipolar_geometric(Images_Path, K)    # 重建3D点    fig = plt.figure()    fig.suptitle('3D reconstructed', fontsize=16)    ax = fig.gca(projection='3d')    ax.plot(Points3D[0], Points3D[1], Points3D[2], 'b.')    ax.set_xlabel('x axis')    ax.set_ylabel('y axis')    ax.set_zlabel('z axis')    ax.view_init(elev=135, azim=90)    plt.savefig('Reconstruction.jpg')    plt.show()if __name__ == '__main__':    main()