====== Photogrammetry 3D scanning on Linux ======

===== Workflow =====

Postup vypadá zhruba takhle:

  * Nafocení dostatečnýho množství kvalitních fotek
  * Vytvoření sparse point cloudu (= množina záchytnejch bodů, který jsou vyfocený na 3 a víc fotkách)
  * Vytvoření dense point cloudu (= množina nezáchytnejch bodů, který jsou odvozený ze záchytnejch)
  * Vytvoření meshe (3d modelu) z dense point cloudu (tohle už umí i Meshlab)

Jak fotit:

  * Každej detail by měl bejt alespoň na 3 fotkách z různejch úhlů
  * Fotit ze stejné vzdálenosti s 30-60% překryvem
  * Vypnout automatický otáčení fotek (je lepší mít všechny fotky ve stejnym rozlišení)
  * Vypnout automatickou expozici, korekci bílý, atd...
  * Používat co nejmenší clonu (aby byla co největší hloubka ostrosti)
  * Fotit s co největším rozlišením a co nejostřeji
  * Ideálně fotit pod mrakem, když je světlo, ale nejsou žádný ostrý stíny
  * Lesklý a jednobarevný plochy je potřeba zmatnit a pokrejt vzorama (křídový sprej, gafa, barevný tečky, laserový tečky,...)
  * Vyhnout se odleskům
  * Pokud jsou na pozadí viditelný featury, tak se scanovanej objekt nesmí vůči pozadí hejbat
  * Zapnout ukládání GPS souřadnic do EXIFu (pokud to jde)
===== Software =====

  * MVE + Meshlab
  * Colmap + Meshlab (funguje i na Windows)
  * VisualSFM + Meshlab
  * OpenMVG?
  * bundler+pmvs2?
  * e-foto??
  * Agisoft PhotoScan (placeny SW, funguje na Linuxu)
  * 3df zephyr FREE (jen Windows)


===== Postupy =====

==== ImageMagick ====

  * ''mogrify -resize 500000@\> *.jpg'' omezit rozliseni fotek na 0.5 Mpx

==== Meshlab ====

Meshlab má spoustu zajímavejch funkcí. Tady jsou vypsaný jen ty úplně nejzákladnější potřebný k sestavení meshe z pointcloudu, rychlý očištění a export:

  * Filters -> Remeshing -> Screen Poisson Surface Reconstruction  (prej nema moc smysl depth >15, osobne sem pouzival cca 11-12)
  * Filters -> Smoothing, Fairing, Deformation -> Laplacian Smooth
  * Filters -> Remeshing -> Simplification: Quadratic Edge Collapse Decimation (100k faces = 5MB soubor, 200k = 10MB, atd...)
  * Filters -> Normals, Curvatures & Orientation -> Transform: Translate, Center, Set origin -> Set new origin: Trackball center
  * Filters->point set->estimate radius from density
    * Filters->selection->conditional vertex selection->(rad > 0.007)
    * Delete selected vertices

==== Online nastroje ====
  * https://www.formware.co/onlinestlrepair  Mesh repair

==== MVE ====
<code bash>
set -x
renice -n 10 $$
time (
makescene -i ./img ./scn #-m 500000
sfmrecon ./scn  #--video-matching=10
dmrecon -s2 ./scn
scene2pset -F2 ./scn ./scn/pset-L2.ply
#optional:
fssrecon ./scn/pset-L2.ply ./scn/surface-L2.ply
meshclean -t10 ./scn/surface-L2.ply ./scn/surface-L2-clean.ply
)
</code>

==== Colmap CLI bez NVIDIA + pmvs2 ====

<code bash>
mkdir img out
nice colmap automatic_reconstructor --image_path img/ --workspace_path out/  #--use_gpu 0
colmap image_undistorter --image_path img --input_path out/sparse/0 --output_path out/dense --output_type PMVS
pmvs2 out/dense/pmvs/ option-all
cd out/dense/pmvs/models
meshlab option-all.ply
</code>

==== OpenMVG ====

<code bash>
#Sequential pro po sobe jdouci fotky z videa, Global pro nenavazujici fotky
#SfM_SequentialPipeline.py ./img ./out
SfM_GlobalPipeline.py ./img ./out
</code>

==== OSM-Bundler ====

<code bash>
python2 ./RunBundler.py --photos=./img
python2 ./RunPMVS.py --bundlerOutputPath=./output
#python2 ./RunCMVS.py --bundlerOutputPath=./output --ClusterToCompute=10 #pro velky datasety
</code>

==== OpenDroneMap ====

<code bash>
docker run -it --rm -v $(pwd)/code/images:/code/images opendronemap/opendronemap --mesh-size 100000 --force-ccd 1  --help
</code>