/*
	使用兩張圖片進行三維重建
	流程：
		1.求相機內(nèi)外參數(shù)
			a）:2D-2D：可通過提取特征點、計算基本（或本質(zhì)）矩陣、分解基本（或本質(zhì)）矩陣得到R、t（K已知）
			b）:也可通過相機標(biāo)定的方式，直接獲得R、t、K
		2.三維重建
			a）:可通過三角法進行重建
			b）:也可通過RGB-D相機獲得深度z，再求得xy進行重建
	注意事項：
		1.任意兩張圖片之間的K略有不同，不影響重建效果但要盡量選擇相鄰的圖片，否則匹配的特征點較少
		2.可由本質(zhì)矩陣E通過SVD分解可得到4個解，只有選擇正確的R、T才能完成重建否則歸一化的坐標(biāo)之后無法正常顯示；
			使用recoverPose則能直接得到正確的R、t
		3.在使用triangulatePoints三維重建時，有兩種歸一化方式
		4.由于E本身具有尺度等價性，它分解得到的t具有一個尺度，即在分解過程中，對t乘以任意非零常數(shù)，分解都是成立的。因此常把t進行歸一化，讓其長度等于1。
		對t長度的歸一化，導(dǎo)致重建的尺度不確定性。因此如何1：1三維重建？
*/
#ifndef?_CRT_SECURE_NO_WARNINGS
#define?_CRT_SECURE_NO_WARNINGS
#endif
#include?
#include?

#include??
#include?

#include?
#include?
#include?

using?namespace?std;
using?namespace?cv;
using?namespace?pcl;
using?namespace?cv::xfeatures2d;

//?ratio?&?symmetry?test
void?ratioTest（vector>?&matches?vector?&goodMatches）;
void?symmetryTest（const?vector&?matches1?const?vector&?matches2?vector&?symMatches）;

//?從匹配對中提取特征點
void?fillPoints（vector?goodMatches?vector?keypoints1?vector?keypoints2?vector&?points1?vector&?points2）;

//?三維重建
void?reconstruct（Mat&?K?Mat&?fundamentalMatrix?vector&?points1?vector&?points2?vector&?points3D）;

//?獲取關(guān)鍵點RGB
void?getPointColor（vector?points1?Mat?baseImageLeft?vector&?colors）;

int?main（int?argc?char*?argv[]）
{
	//?PCL可視化
	PointCloud::Ptr?cloud（new?PointCloud）;
	boost::shared_ptr?viewer（new?visualization::PCLVisualizer（“3D?viewer“））;?//?實例化PCLVisualizer對象，窗口命名為3D?viewer

	Mat?K;			//?內(nèi)參數(shù)矩陣
	Matx34d?P?P1;??//?兩圖片的相機坐標(biāo)

	//?1.讀入圖片
	Mat?baseImageLeft?=?imread（“.\\images\\003.png“?-1）;
	Mat?baseImageRight?=?imread（“.\\images\\004.png“?-1）;
	if?（baseImageLeft.empty（）?||?baseImageRight.empty（））
	{
		cout?<		return?-1;
	}
	cout?<	//?2.SIFT提取特征點
	Ptr?detector?=?xfeatures2d::SIFT::create（0?3?0.04?10）;

	vector?keypoints_1?keypoints_2;?//?關(guān)鍵點
	Mat?descriptors_1?descriptors_2;		???//?描述符

	detector->detectAndCompute（baseImageLeft?noArray（）?keypoints_1?descriptors_1）;
	detector->detectAndCompute（baseImageRight?noArray（）?keypoints_2?descriptors_2）;

	//?3.Flann匹配特征點
	vector>?matches1?matches2;
	vector?goodMatches1?goodMatches2?goodMatches?outMatches;

	FlannbasedMatcher?matcher;
	//?1個descriptors_1[i]對應(yīng)1個matches[i]，1個matches[i]對應(yīng)2個DMatch（2?nearest）
	matcher.knnMatch（descriptors_1?descriptors_2?matches1?2）;//?find?2?nearest?neighbours?match.size（）?=?query.rowsize（）
	matcher.knnMatch（descriptors_2?descriptors_1?matches2?2）;

	//?4.使用Ratio?Test和Symmetry?Test消除誤匹配點，提高重建精度
	ratioTest（

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????目錄???????????0??2019-03-08?22:59??.vs\
?????目錄???????????0??2019-03-08?22:59??.vs\SfM\
?????目錄???????????0??2019-03-08?22:59??.vs\SfM\v14\
?????文件???????60416??2019-03-08?21:30??.vs\SfM\v14\.suo
?????文件????????1291??2019-03-03?14:51??SfM.sln
?????文件??????????36??2019-03-08?21:28??SfM.VC.VC.opendb
?????目錄???????????0??2019-03-08?23:00??SfM\
?????文件???????10310??2019-03-08?22:14??SfM\3DReconstruction_Signle2Images.cpp
?????目錄???????????0??2019-03-08?22:59??SfM\images\
?????文件?????6047052??2018-04-22?08:33??SfM\images\000.png
?????文件?????6273917??2018-04-22?08:33??SfM\images\001.png
?????文件?????6382709??2018-04-22?08:33??SfM\images\002.png
?????文件?????6363282??2018-04-22?08:33??SfM\images\003.png
?????文件?????6340215??2018-04-22?08:33??SfM\images\004.png
?????文件?????6365922??2018-04-22?08:33??SfM\images\005.png
?????文件?????6262661??2018-04-22?08:33??SfM\images\006.png
?????文件?????6347685??2018-04-22?08:33??SfM\images\007.png
?????文件?????6481233??2018-04-22?08:33??SfM\images\008.png
?????文件?????6540372??2018-04-22?08:33??SfM\images\009.png
?????文件????????7461??2019-03-08?22:14??SfM\SfM.vcxproj
?????文件?????????971??2019-03-08?22:14??SfM\SfM.vcxproj.filters