三维重建的步骤-1（采集的是环绕物体均匀旋转一圈的视频）-北京尧图网络

拿到手里的是环绕物体均匀旋转一圈的视频这里使用Agisoft Metashape Professional进行处理。一、抽帧1、当下载的版本支持导入视频处理的话就可以直接导入视频这里的帧步骤计算可以参考下面这个方法第1步查视频帧率右键点击你的视频文件 → 属性 → 详细信息 → 找到 “帧速率”单位是 fps 常见值24、25、30、50、60 记下这个数字比如 30 第2步算总帧数总帧数视频总秒数 × 帧率视频总秒数怎么算比如 2分33秒 2×60 33 153秒举例 153秒 × 30fps 4590帧总帧数第3步算帧步骤帧步骤总帧数 ÷ 你想要的张数举例 4590帧 ÷ 37张 124 → 在软件“帧步骤”里填 124然后点击ok软件就会自动进行抽帧。2、当下载的版本或电脑本身不支持导入视频处理使用代码将视频均分进行抽帧别人建议的是抽37帧但是我试过之后感觉效果不是很行所以我这里抽了60帧看着效果不好当然也可以自己调整按角度或按时间保证覆盖 360°。参考代码如下按照实际情况自行调整自己不会调整可以问问ai有什么好建议import cv2 import os import sys from pathlib import Path def extract_frames(video_path, output_folder, num_frames60): 从视频中抽取指定数量的帧 # 检查视频文件是否存在 if not os.path.exists(video_path): print(f错误: 视频文件 {video_path} 不存在) return # 创建输出文件夹 os.makedirs(output_folder, exist_okTrue) # 获取视频文件名不含扩展名 video_name Path(video_path).stem # 打开视频 cap cv2.VideoCapture(video_path) if not cap.isOpened(): print(f错误: 无法打开视频文件 {video_path}) return # 获取视频总帧数 total_frames int(cap.get(cv2.CAP_PROP_FRAME_COUNT)) if total_frames 0: print(f错误: 视频 {video_name} 没有帧) cap.release() return print(f视频 {video_name} 总帧数: {total_frames}) # 计算采样间隔 if total_frames num_frames: frame_indices list(range(total_frames)) else: step total_frames / num_frames frame_indices [int(i * step) for i in range(num_frames)] extracted_count 0 for idx, frame_num in enumerate(frame_indices): cap.set(cv2.CAP_PROP_POS_FRAMES, frame_num) ret, frame cap.read() if not ret: print(f警告: 无法读取第 {frame_num} 帧) continue frame_filename f{video_name}_{extracted_count 1:06d}.jpg frame_path os.path.join(output_folder, frame_filename) cv2.imwrite(frame_path, frame) extracted_count 1 print(f已提取: {extracted_count}/{num_frames} 帧, end\r) cap.release() print(f\n完成! 从 {video_name} 提取了 {extracted_count} 帧到 {output_folder}) return extracted_count def process_folder(input_folder, output_base_folder, num_frames60): 处理指定文件夹中的所有MP4视频 # 检查输入路径是文件还是文件夹 if os.path.isfile(input_folder): # 如果是单个文件直接处理 if input_folder.lower().endswith(.mp4): output_folder os.path.join(output_base_folder, Path(input_folder).stem) print(f处理视频: {Path(input_folder).stem}) extract_frames(input_folder, output_folder, num_frames) else: print(f错误: {input_folder} 不是MP4文件) return # 以下是文件夹处理逻辑 if not os.path.exists(input_folder): print(f错误: 输入文件夹 {input_folder} 不存在) return video_files [] for file in os.listdir(input_folder): if file.lower().endswith(.mp4): video_files.append(os.path.join(input_folder, file)) if not video_files: print(f在 {input_folder} 中没有找到MP4文件) return print(f找到 {len(video_files)} 个MP4视频文件) os.makedirs(output_base_folder, exist_okTrue) for video_path in video_files: video_name Path(video_path).stem output_folder os.path.join(output_base_folder, video_name) print(f\n处理视频: {video_name}) extract_frames(video_path, output_folder, num_frames) def main(): # 配置参数 input_path rE:\cotton2026\test\VID_20260703_142950.mp4 # 修改为你的视频文件夹路径也可以指定单个文件 output_folder rE:\cotton2026\pic # 修改为输出文件夹路径 frames_to_extract 60 # 要抽取的帧数 # 如果提供了命令行参数 if len(sys.argv) 1: input_path sys.argv[1] if len(sys.argv) 2: output_folder sys.argv[2] if len(sys.argv) 3: try: frames_to_extract int(sys.argv[3]) except ValueError: print(帧数必须是整数使用默认值60) print(f输入路径: {input_path}) print(f输出文件夹: {output_folder}) print(f每视频抽帧数: {frames_to_extract}) process_folder(input_path, output_folder, frames_to_extract) if __name__ __main__: main()二、对齐照片工作流程-对齐照片对齐之后就会看到下面这样的样子首先需要确保一圈都有一帧这样才没有缺失但是也不能保证它能重建完全还需后续的调整。生成这种小点之后可以删除掉不需要的点出现上面的这种帧也圈红了的情况就不行这个应该是需要留着的。删完之后点击“工作流程-生成模型”三、生成点云“工作流程-生成点云”看着能生成密集点云就可以。至少生成的点云保证能看到茎和叶。这个结果可以在下面这个里面找上面的这个是我还没删除完全生成的点云效果也不是很好只是作为一个使用软件的举例但是最好是试试其他的帧数还能不能更全面。最后导出.ply文件。ok,这个就先这样。

三维重建的步骤-1（采集的是环绕物体均匀旋转一圈的视频）

相关推荐

以太网高可用方案：网络架构、IP规划与Keepalived VIP漂移实录

Claude Code插件市场搭建指南：从JSON目录到Git分发实践

lingbot-map实战：机器人导航地图的格式统一与坐标对齐

更多资讯

sentry_drift鸿蒙化适配：Flutter数据库级性能追踪

VS Code 高效开发实战：从安装配置到插件调试完整指南

AI调度官真的能管好团队？从拆目标到团建的三周实测拆解

智能体技能体系设计：从提示词到可复用能力单元

GPT-4o API接入实战：认证、流式输出与工程优化全攻略

CactiEZ实战：华为、H3C、中兴交换机SNMP监控模板导入与排错

今日更新

微信云开发旅游小程序实战：LBS打卡+UGC社交全栈方案

金融AI代理平台核心拆解：从多代理协作到财报分析实战

基于大数据的智慧旅游推荐与可视化平台架构实践

本周精选

金融AI落地指南：从调研报告到技术选型与工程实践

大模型上下文成本与注意力优化技术深度解析——为何O(n²)平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测

基于GMM的语音识别系统原理与MATLAB实现详解

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？