【亲测免费】 MicMac 开源摄影测量软件安装与使用指南
2026-01-23 04:51:37作者:裴锟轩Denise
项目目录结构及介绍
MicMac 是一个由法国国家地理和林业信息研究所(IGN)以及国家地理科学学院(ENSG)在LASTIG实验室合作开发的免费开源摄影测量软件工具。下面是基于其GitHub仓库的基本目录结构解析:
micmac/
├── applis # 应用程序代码
├── binaire-aux # 辅助二进制文件(通常不需要用户直接交互)
├── benchmarks # 性能基准测试相关
├── benchElise # Elise框架相关的测试
├── build_MSVS2010.bat # 针对Windows MSVS 2010的构建脚本
├── build_Unix.sh # 类Unix系统(如Linux, macOS)的构建脚本
├── CMakeLists.txt # CMake构建系统的主配置文件
├── CODEGENERE # 代码生成相关
├── CODEExterne # 外部代码库集成
├── Config # 配置相关文件夹
├── DATAs # 示例数据或者测试数据存放处
├── Doxyfile.in # Doxygen文档生成配置
├── fdsc # 某特定功能或组件的源码
├── include # 头文件目录
├── install # 安装脚本及相关配置
├── LICENCE.md # 许可证文件
├── LICSEZMOI.md # 项目快速入门说明(法语)
├── Makefile-XML2CPP # XML到C++转换规则的Makefile
├── Makefile # 可能是遗留的旧式构建Makefile
├── output_elise_files.cmake
├── pom.xml # Maven项目的POM文件(若存在,可能用于某些Java组件的管理)
├── precompiled_headers.cmake
├── README-GitHub-release.txt # GitHub特定版本发布说明
├── README.md # 主要的项目阅读文档
├── travis.yml # Travis CI的配置文件
└── [其他以.sh或.bat结尾的脚本] # 各种辅助脚本,如构建、测试等
注意: 具体文件或目录的功能可能会随项目更新而变化。
项目的启动文件介绍
MicMac作为一个命令行工具集合,并没有传统意义上的“启动文件”。用户通过命令行界面调用不同的脚本来执行摄影测量任务,比如malt_ppr_projet.sh用于处理图像序列,或是mmqbx_shoot.sh来运行某个具体的处理步骤。因此,“启动”指的是通过命令行指令激活这些脚本或程序的过程。
项目的配置文件介绍
配置主要是通过环境变量和CMake时设置的参数来完成的。虽然项目根目录下没有明确标记为“配置文件”的文件,但以下几点是配置关键:
- 环境变量: 用户可能需要设置
PATH来确保能够从任何位置运行MicMac的命令。 - CMakeLists.txt: 在编译阶段,通过修改或传递给CMake的参数(如-DWITH_QT5=1启用Qt支持),可以调整编译配置。
- 运行时参数: 很多MicMac的命令行工具允许用户通过命令行参数指定配置选项,例如输入输出路径、处理参数等。
为了具体应用中的配置,开发者和用户应该详细查看项目的文档和每个工具的帮助文档,了解如何通过参数设置达到特定的配置需求。在实际操作中,环境的配置(如依赖库路径)往往比单一的配置文件更为重要。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
项目优选
收起
暂无描述
Dockerfile
763
4.96 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
676
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
455
437
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
296
114
昇腾LLM分布式训练框架
Python
178
220