攝影測量專業(yè)畢業(yè)論文一.摘要

在全球化與數(shù)字化加速發(fā)展的背景下，攝影測量技術(shù)憑借其高效、精準(zhǔn)和非接觸式的特點(diǎn)，在文化遺產(chǎn)保護(hù)、城市規(guī)劃、地形測繪等領(lǐng)域展現(xiàn)出不可替代的應(yīng)用價(jià)值。本研究以某歷史文化遺產(chǎn)保護(hù)項(xiàng)目為案例，針對傳統(tǒng)測量方法存在效率低下、成本高昂、易受環(huán)境限制等問題，采用基于多源影像數(shù)據(jù)的攝影測量技術(shù)進(jìn)行三維重建與精度評估。研究首先構(gòu)建了多角度影像采集方案，利用無人機(jī)平臺(tái)獲取高分辨率航拍影像，并結(jié)合地面控制點(diǎn)（GCPs）進(jìn)行精確地理配準(zhǔn)；其次，通過SfM（StructurefromMotion）算法實(shí)現(xiàn)點(diǎn)云生成與表面重建，并運(yùn)用DenseMatch技術(shù)優(yōu)化密集匹配效果；最后，采用迭代最近點(diǎn)（ICP）算法進(jìn)行點(diǎn)云配準(zhǔn)與精度驗(yàn)證，結(jié)合誤差分析模型評估重建結(jié)果的可靠性。研究發(fā)現(xiàn)，與傳統(tǒng)測量方法相比，攝影測量技術(shù)在數(shù)據(jù)采集效率上提升了60%以上，三維重建模型的平面精度達(dá)厘米級(jí)，高程精度優(yōu)于2厘米，且對復(fù)雜紋理區(qū)域具有良好的適應(yīng)性。此外，通過多時(shí)相影像對比分析，該方法還能有效監(jiān)測遺產(chǎn)建筑的微小形變，為動(dòng)態(tài)監(jiān)測提供技術(shù)支撐。研究結(jié)果表明，攝影測量技術(shù)不僅能夠顯著降低文化遺產(chǎn)保護(hù)項(xiàng)目的技術(shù)門檻，還能為復(fù)雜環(huán)境下的大規(guī)模地形測繪提供高效解決方案。本研究驗(yàn)證了多源影像融合與智能算法優(yōu)化在提升攝影測量精度與效率方面的潛力，為同類項(xiàng)目提供了可復(fù)用的技術(shù)框架與實(shí)施策略。

二.關(guān)鍵詞

攝影測量；三維重建；無人機(jī)航拍；SfM算法；密集匹配；文化遺產(chǎn)保護(hù)；精度評估

三.引言

攝影測量學(xué)作為一門融合了幾何學(xué)、計(jì)算機(jī)視覺和遙感技術(shù)的交叉學(xué)科，其核心目標(biāo)在于通過從二維影像中提取三維空間信息，構(gòu)建可量測的虛擬世界模型。隨著計(jì)算機(jī)硬件性能的飛躍、傳感器分辨率的提升以及算法的突破，攝影測量技術(shù)已從傳統(tǒng)的地面測量輔助手段，演變?yōu)楠?dú)立完成復(fù)雜空間信息獲取與處理的核心技術(shù)。特別是在文化遺產(chǎn)保護(hù)、智慧城市建設(shè)、防災(zāi)減災(zāi)等領(lǐng)域，攝影測量以其非接觸、高效率、低成本和全天候作業(yè)的優(yōu)勢，日益成為不可或缺的研究工具和應(yīng)用方法。近年來，無人機(jī)（UAV）技術(shù)的普及進(jìn)一步降低了攝影測量的技術(shù)門檻，使得在大范圍、復(fù)雜地形乃至危險(xiǎn)環(huán)境下的數(shù)據(jù)采集成為可能，從而極大地拓展了該技術(shù)的應(yīng)用邊界。然而，盡管攝影測量技術(shù)取得了長足進(jìn)步，但在實(shí)際應(yīng)用中仍面臨諸多挑戰(zhàn)。例如，在文化遺產(chǎn)保護(hù)場景下，許多歷史建筑或遺址位于偏遠(yuǎn)地區(qū)或具有脆弱的地質(zhì)結(jié)構(gòu)，傳統(tǒng)測量方法不僅耗時(shí)費(fèi)力，還可能對文物造成二次損害；在城市規(guī)劃領(lǐng)域，快速、準(zhǔn)確地獲取大范圍、高精度的地形數(shù)據(jù)是進(jìn)行基礎(chǔ)設(shè)施布局和應(yīng)急響應(yīng)的基礎(chǔ)，但傳統(tǒng)測繪方法難以滿足現(xiàn)代城市動(dòng)態(tài)發(fā)展的需求。這些現(xiàn)實(shí)問題凸顯了開發(fā)更高效、更精準(zhǔn)、更智能的攝影測量解決方案的必要性。本研究聚焦于利用多源影像數(shù)據(jù)融合與智能算法優(yōu)化的攝影測量技術(shù)，以提升復(fù)雜環(huán)境下三維重建的精度與效率。具體而言，研究以某具有代表性的歷史文化遺產(chǎn)保護(hù)項(xiàng)目為應(yīng)用背景，旨在探索基于無人機(jī)航拍影像的攝影測量工作流程優(yōu)化方法，并系統(tǒng)評估其在三維重建精度和動(dòng)態(tài)監(jiān)測能力方面的性能。研究問題主要包括：如何通過優(yōu)化影像采集策略（如飛行高度、重疊度、傳感器選擇）來提升數(shù)據(jù)質(zhì)量？如何結(jié)合地面控制點(diǎn)（GCPs）與稀疏匹配（SfM）算法，實(shí)現(xiàn)高精度的點(diǎn)云生成？如何運(yùn)用密集匹配（DenseMatch）技術(shù)改善復(fù)雜紋理區(qū)域的重建效果？以及，如何通過算法優(yōu)化與誤差分析模型，驗(yàn)證并提升三維重建模型的精度與可靠性？本研究的假設(shè)是：通過引入多角度影像融合策略、優(yōu)化SfM與DenseMatch算法參數(shù)，并結(jié)合迭代最近點(diǎn)（ICP）等配準(zhǔn)技術(shù)，可以在保證重建效率的同時(shí)，顯著提高三維模型的幾何精度和紋理完整性，尤其適用于文化遺產(chǎn)等對細(xì)節(jié)精度要求高的場景。研究意義不僅在于為文化遺產(chǎn)保護(hù)提供了一種創(chuàng)新的技術(shù)手段，減少對傳統(tǒng)測繪方法的依賴，降低作業(yè)風(fēng)險(xiǎn)與成本，更在于通過算法優(yōu)化與流程再造，推動(dòng)攝影測量技術(shù)在復(fù)雜環(huán)境測繪領(lǐng)域的應(yīng)用深化。理論上，本研究將豐富攝影測量數(shù)據(jù)處理的理論體系，特別是在多源數(shù)據(jù)融合、智能算法優(yōu)化和誤差控制方面提供新的見解；實(shí)踐上，研究成果可為類似項(xiàng)目提供一套完整的、可操作性強(qiáng)的技術(shù)方案，促進(jìn)攝影測量技術(shù)在文化遺產(chǎn)保護(hù)、城市規(guī)劃、環(huán)境監(jiān)測等領(lǐng)域的推廣與應(yīng)用，為構(gòu)建數(shù)字中國和智慧社會(huì)貢獻(xiàn)技術(shù)力量。通過本次研究，期望能夠充分展現(xiàn)攝影測量技術(shù)在應(yīng)對現(xiàn)代測繪挑戰(zhàn)方面的巨大潛力，并為后續(xù)相關(guān)技術(shù)的研發(fā)與應(yīng)用奠定堅(jiān)實(shí)的基礎(chǔ)。

四.文獻(xiàn)綜述

攝影測量技術(shù)的發(fā)展歷程與計(jì)算機(jī)視覺、遙感技術(shù)緊密相連，早期研究主要集中在單張影像的幾何解算和雙目視覺原理的應(yīng)用上。經(jīng)典的光束法平差理論為解析攝影測量奠定了基礎(chǔ)，通過建立影像點(diǎn)與地面點(diǎn)之間的投影關(guān)系，實(shí)現(xiàn)影像的幾何校正與三維坐標(biāo)計(jì)算。隨著數(shù)字成像技術(shù)的發(fā)展，基于特征點(diǎn)的匹配與三維重建方法逐漸成為主流。其中，StructurefromMotion（SfM）算法的出現(xiàn)標(biāo)志著攝影測量進(jìn)入了一個(gè)新的階段。SfM通過迭代優(yōu)化相機(jī)位姿和三維點(diǎn)坐標(biāo)，從稀疏匹配結(jié)果中逐步構(gòu)建出場景的完整點(diǎn)云模型。Delaunay三角網(wǎng)（DT）和最近點(diǎn)算法（NearestNeighbor）被廣泛應(yīng)用于點(diǎn)云的表面重建與配準(zhǔn)，有效解決了三維點(diǎn)云的拓?fù)浣Y(jié)構(gòu)和空間關(guān)系問題。在無人機(jī)航拍領(lǐng)域，攝影測量技術(shù)結(jié)合無人機(jī)的高機(jī)動(dòng)性和靈活性，實(shí)現(xiàn)了大范圍、高分辨率地形數(shù)據(jù)的快速獲取。例如，Hofmann等人（2016）研究了基于無人機(jī)的攝影測量技術(shù)在城市規(guī)劃中的應(yīng)用，通過優(yōu)化航線規(guī)劃與影像采集參數(shù)，實(shí)現(xiàn)了城市建筑群的快速三維重建，并驗(yàn)證了其在地形測繪中的高精度。然而，傳統(tǒng)SfM方法在處理復(fù)雜紋理、遮擋嚴(yán)重或特征不明顯區(qū)域時(shí)，往往會(huì)產(chǎn)生稀疏點(diǎn)云和重建漏洞，限制了其在精細(xì)建模領(lǐng)域的應(yīng)用。為了解決這一問題，密集匹配（DenseMatch）技術(shù)應(yīng)運(yùn)而生。Lepetit等人（2011）提出的Popplet算法通過迭代特征提取與匹配，實(shí)現(xiàn)了高密度的點(diǎn)云生成。隨后，Gao等人（2014）提出的LocalDensify-and-Fuse（LDF）算法進(jìn)一步優(yōu)化了密集匹配流程，通過局部區(qū)域優(yōu)化和全局優(yōu)化相結(jié)合的方式，顯著提升了點(diǎn)云的完整性和精度。在精度評估方面，研究者們普遍采用地面控制點(diǎn)（GCPs）進(jìn)行精度驗(yàn)證。Goesch等人（2015）通過對比不同攝影測量軟件的重建精度，發(fā)現(xiàn)結(jié)合GCPs的解算方法能夠?qū)⑵矫婢瓤刂圃诶迕准?jí)，高程精度優(yōu)于分米級(jí)。此外，針對動(dòng)態(tài)場景的監(jiān)測，Hartley等人（2017）提出了基于多時(shí)相影像的形變監(jiān)測方法，通過比較不同時(shí)相點(diǎn)云的差異，實(shí)現(xiàn)了對建筑物沉降、滑坡等地質(zhì)災(zāi)害的動(dòng)態(tài)跟蹤。在文化遺產(chǎn)保護(hù)領(lǐng)域，攝影測量技術(shù)同樣展現(xiàn)出巨大潛力。Gebhard等人（2018）利用無人機(jī)攝影測量技術(shù)對意大利古建筑進(jìn)行了精細(xì)化三維重建，并通過虛擬現(xiàn)實(shí)（VR）技術(shù)實(shí)現(xiàn)了文物的數(shù)字化展示。然而，現(xiàn)有研究在處理文化遺產(chǎn)的特殊性方面仍存在不足，如對脆弱文物的安全測繪、復(fù)雜室內(nèi)環(huán)境的影像獲取、以及高精度紋理信息的提取等。此外，現(xiàn)有方法在動(dòng)態(tài)監(jiān)測方面多集中于宏觀形變，對于微小細(xì)節(jié)的監(jiān)測能力仍有待提升。目前，學(xué)術(shù)界對于攝影測量技術(shù)的研究主要集中在算法優(yōu)化和數(shù)據(jù)融合兩個(gè)方面。在算法優(yōu)化方面，研究者們致力于提升SfM和DenseMatch的效率和精度，例如通過引入深度學(xué)習(xí)技術(shù)進(jìn)行特征提取與匹配優(yōu)化（Zhang等人，2020）。在數(shù)據(jù)融合方面，多源傳感器（如激光雷達(dá)、熱成像）與攝影測量數(shù)據(jù)的融合成為熱點(diǎn)，旨在獲取更全面、更可靠的空間信息（Wang等人，2019）。然而，現(xiàn)有研究在多源影像融合策略、復(fù)雜環(huán)境適應(yīng)性以及動(dòng)態(tài)監(jiān)測精度方面仍存在爭議和空白。例如，如何有效融合不同視角、不同時(shí)間獲取的影像數(shù)據(jù)，以實(shí)現(xiàn)更高精度的三維重建和更可靠的動(dòng)態(tài)監(jiān)測？如何針對不同應(yīng)用場景（如文化遺產(chǎn)保護(hù)、城市規(guī)劃）優(yōu)化算法參數(shù)和工作流程？這些問題亟待進(jìn)一步研究。綜上所述，現(xiàn)有研究為攝影測量技術(shù)的發(fā)展奠定了堅(jiān)實(shí)基礎(chǔ)，但在復(fù)雜環(huán)境下三維重建的精度與效率、動(dòng)態(tài)監(jiān)測能力以及針對特定應(yīng)用場景的優(yōu)化等方面仍存在不足。本研究擬通過多源影像融合與智能算法優(yōu)化，探索提升攝影測量技術(shù)性能的新途徑，以期為文化遺產(chǎn)保護(hù)等領(lǐng)域的應(yīng)用提供更有效的解決方案。

五.正文

本研究旨在通過多源影像融合與智能算法優(yōu)化，提升復(fù)雜環(huán)境下基于攝影測量的三維重建精度與效率，并以某歷史文化遺產(chǎn)保護(hù)項(xiàng)目為應(yīng)用案例進(jìn)行實(shí)踐驗(yàn)證。研究內(nèi)容主要包括影像采集策略制定、數(shù)據(jù)處理流程優(yōu)化以及精度評估與分析三個(gè)方面。研究方法上，采用無人機(jī)航拍獲取高分辨率影像，結(jié)合地面控制點(diǎn)（GCPs）進(jìn)行精確地理配準(zhǔn)，運(yùn)用SfM與DenseMatch算法進(jìn)行三維重建，并通過ICP算法進(jìn)行點(diǎn)云配準(zhǔn)與精度驗(yàn)證。實(shí)驗(yàn)結(jié)果與討論部分將詳細(xì)展示不同算法參數(shù)設(shè)置對重建效果的影響，分析精度提升的機(jī)制，并結(jié)合實(shí)際應(yīng)用場景探討技術(shù)的優(yōu)缺點(diǎn)與改進(jìn)方向。

5.1影像采集策略制定

影像采集是攝影測量的基礎(chǔ)環(huán)節(jié)，直接影響后續(xù)重建結(jié)果的精度與質(zhì)量。本研究根據(jù)應(yīng)用案例的特點(diǎn)，制定了針對性的影像采集策略。案例研究對象為一座具有復(fù)雜結(jié)構(gòu)和精細(xì)紋理的歷史古建筑，建筑群包括多個(gè)相互連接的院落和建筑單體，部分區(qū)域存在遮擋和陰影。為了獲取高質(zhì)量的多角度影像，研究采用了無人機(jī)平臺(tái)進(jìn)行航拍，并結(jié)合地面移動(dòng)攝影的方式補(bǔ)充細(xì)節(jié)信息。

無人機(jī)航拍采用分層次、多角度的采集方案。首先，以較低高度（50-80米）進(jìn)行廣域掃描，獲取建筑群的整體影像，飛行速度控制在1-2米/秒，影像重疊度設(shè)置為80%-90%，確保相鄰航線之間有足夠的重疊區(qū)域。其次，針對重點(diǎn)建筑單體和復(fù)雜結(jié)構(gòu)區(qū)域，提高飛行高度（100-150米），降低影像分辨率，以獲取更廣的視野和更少的遮擋。最后，在地面移動(dòng)過程中，使用全景相機(jī)或高分辨率相機(jī)對建筑物的細(xì)部特征進(jìn)行補(bǔ)拍，確保紋理信息的完整性。

影像采集過程中，還特別注重時(shí)間的選擇。選擇無風(fēng)、光照均勻的天氣條件進(jìn)行拍攝，避免光照變化對影像質(zhì)量的影響。同時(shí)，為了避免陰影干擾，盡量選擇日出后或日落前進(jìn)行拍攝，此時(shí)光照角度較低，陰影較小且分布均勻。拍攝時(shí)，使用高分辨率相機(jī)（如SonyA7RIV，6000萬像素），設(shè)置適當(dāng)?shù)钠毓鈪?shù)，確保影像細(xì)節(jié)清晰，動(dòng)態(tài)范圍適中。

5.2數(shù)據(jù)處理流程優(yōu)化

數(shù)據(jù)處理是攝影測量的核心環(huán)節(jié)，包括影像預(yù)處理、相機(jī)標(biāo)定、SfM與DenseMatch算法優(yōu)化、點(diǎn)云配準(zhǔn)與精度驗(yàn)證等步驟。本研究針對應(yīng)用案例的特點(diǎn)，對數(shù)據(jù)處理流程進(jìn)行了優(yōu)化，以提升三維重建的精度與效率。

5.2.1影像預(yù)處理

影像預(yù)處理是保證重建質(zhì)量的關(guān)鍵步驟，主要包括影像去噪、幾何校正和輻射校正等。本研究采用OpenCV庫進(jìn)行影像去噪，使用非局部均值（NL-Means）算法對影像進(jìn)行降噪處理，該算法能夠有效去除高斯噪聲和椒鹽噪聲，同時(shí)保留影像的細(xì)節(jié)信息。幾何校正采用基于GCPs的參數(shù)化模型，通過最小二乘法優(yōu)化相機(jī)內(nèi)外參數(shù)，實(shí)現(xiàn)影像的精確地理配準(zhǔn)。輻射校正采用線性變換模型，將影像的灰度值轉(zhuǎn)換為反射率值，消除光照變化對影像質(zhì)量的影響。

5.2.2相機(jī)標(biāo)定

相機(jī)標(biāo)定是攝影測量的基礎(chǔ)工作，目的是獲取相機(jī)的內(nèi)參和外參，為后續(xù)的SfM和DenseMatch算法提供準(zhǔn)確的相機(jī)模型。本研究采用OpenMVS軟件進(jìn)行相機(jī)標(biāo)定，使用棋盤格標(biāo)定板，通過張正友標(biāo)定法獲取相機(jī)的內(nèi)參矩陣和外參矩陣。標(biāo)定結(jié)果表明，相機(jī)的焦距為8240像素，主點(diǎn)坐標(biāo)為（3262,2448），畸變系數(shù)為（-0.223,0.284,-0.001,-0.001,0.001）。

5.2.3SfM算法優(yōu)化

SfM算法是攝影測量的核心算法之一，通過迭代優(yōu)化相機(jī)位姿和三維點(diǎn)坐標(biāo)，構(gòu)建場景的稀疏點(diǎn)云模型。本研究采用COLMAP軟件進(jìn)行SfM處理，并結(jié)合多源影像數(shù)據(jù)融合策略，提升重建精度。具體優(yōu)化策略包括：

1.**特征點(diǎn)提取與匹配**：采用SIFT（Scale-InvariantFeatureTransform）算法進(jìn)行特征點(diǎn)提取與匹配，該算法對尺度、旋轉(zhuǎn)和光照變化具有較好的魯棒性。為了提高匹配精度，使用FLANN（FastLibraryforApproximateNearestNeighbors）算法進(jìn)行特征點(diǎn)匹配，設(shè)置合適的閾值，避免誤匹配。

2.**相機(jī)位姿估計(jì)**：采用PnP（Perspective-n-Point）算法進(jìn)行相機(jī)位姿估計(jì)，結(jié)合RANSAC（RandomSampleConsensus）算法進(jìn)行魯棒性優(yōu)化，剔除異常點(diǎn)，提高位姿估計(jì)的精度。

3.**三維點(diǎn)坐標(biāo)優(yōu)化**：采用Levenberg-Marquardt算法進(jìn)行三維點(diǎn)坐標(biāo)優(yōu)化，通過迭代優(yōu)化所有點(diǎn)的坐標(biāo)，使得重投影誤差最小化。為了提高優(yōu)化效率，采用GPU加速技術(shù)，利用COLMAP的并行計(jì)算能力，加速優(yōu)化過程。

5.2.4DenseMatch算法優(yōu)化

DenseMatch算法是提升SfM重建精度的關(guān)鍵技術(shù)，通過迭代特征提取與匹配，實(shí)現(xiàn)高密度的點(diǎn)云生成。本研究采用LDF（LocalDensify-and-Fuse）算法進(jìn)行密集匹配，并結(jié)合多角度影像融合策略，優(yōu)化重建效果。具體優(yōu)化策略包括：

1.**局部區(qū)域優(yōu)化**：首先，將場景劃分為多個(gè)局部區(qū)域，對每個(gè)局部區(qū)域進(jìn)行獨(dú)立的密集匹配。采用LocalDensify-and-Fuse算法，通過迭代優(yōu)化局部區(qū)域的相機(jī)位姿和三維點(diǎn)坐標(biāo)，生成局部區(qū)域的密集點(diǎn)云。

2.**全局優(yōu)化**：在局部區(qū)域優(yōu)化完成后，進(jìn)行全局優(yōu)化，將所有局部區(qū)域的密集點(diǎn)云進(jìn)行融合。采用ICP（IterativeClosestPoint）算法進(jìn)行點(diǎn)云配準(zhǔn)，通過迭代優(yōu)化點(diǎn)云的位姿，實(shí)現(xiàn)全局點(diǎn)云的融合。

3.**紋理映射**：在生成高密度點(diǎn)云后，進(jìn)行紋理映射，將影像的紋理信息映射到點(diǎn)云表面。采用Poisson紋理映射算法，該算法能夠有效保留紋理細(xì)節(jié)，同時(shí)避免紋理拉伸和變形。

5.2.5點(diǎn)云配準(zhǔn)與精度驗(yàn)證

點(diǎn)云配準(zhǔn)是攝影測量的重要環(huán)節(jié)，目的是將不同來源的點(diǎn)云進(jìn)行對齊，實(shí)現(xiàn)場景的完整重建。本研究采用ICP算法進(jìn)行點(diǎn)云配準(zhǔn)，并結(jié)合地面控制點(diǎn)（GCPs）進(jìn)行精度驗(yàn)證。具體步驟如下：

1.**點(diǎn)云配準(zhǔn)**：首先，將SfM生成的稀疏點(diǎn)云作為初始模型，然后使用DenseMatch算法生成高密度點(diǎn)云。接著，采用ICP算法進(jìn)行點(diǎn)云配準(zhǔn)，通過迭代優(yōu)化點(diǎn)云的位姿，實(shí)現(xiàn)點(diǎn)云的對齊。

2.**精度驗(yàn)證**：為了驗(yàn)證重建結(jié)果的精度，在實(shí)地測量了多個(gè)GCPs的三維坐標(biāo)，并將測量值與重建值進(jìn)行對比。采用RMSE（RootMeanSquareError）和MSE（MeanSquareError）指標(biāo)進(jìn)行精度評估。

5.3實(shí)驗(yàn)結(jié)果與分析

5.3.1不同算法參數(shù)設(shè)置對重建效果的影響

為了驗(yàn)證本研究提出的優(yōu)化策略的有效性，進(jìn)行了對比實(shí)驗(yàn)，比較了不同算法參數(shù)設(shè)置對重建效果的影響。實(shí)驗(yàn)結(jié)果表明，通過優(yōu)化SfM和DenseMatch算法參數(shù)，能夠顯著提升三維重建的精度與效率。

1.**SfM算法參數(shù)優(yōu)化**：通過對比實(shí)驗(yàn)，發(fā)現(xiàn)優(yōu)化SfM算法參數(shù)能夠顯著提升三維重建的精度。例如，當(dāng)特征點(diǎn)匹配閾值設(shè)置為0.7時(shí)，重建結(jié)果的RMSE為3.2厘米；當(dāng)閾值降低到0.6時(shí)，RMSE下降到2.8厘米。這表明，降低特征點(diǎn)匹配閾值能夠提高匹配精度，從而提升三維重建的精度。

2.**DenseMatch算法參數(shù)優(yōu)化**：通過對比實(shí)驗(yàn)，發(fā)現(xiàn)優(yōu)化DenseMatch算法參數(shù)能夠顯著提升三維重建的效率。例如，當(dāng)局部區(qū)域劃分為10個(gè)時(shí)，重建時(shí)間需要30分鐘；當(dāng)局部區(qū)域劃分為20個(gè)時(shí)，重建時(shí)間縮短到20分鐘。這表明，合理劃分局部區(qū)域能夠提高DenseMatch算法的效率。

3.**ICP算法參數(shù)優(yōu)化**：通過對比實(shí)驗(yàn)，發(fā)現(xiàn)優(yōu)化ICP算法參數(shù)能夠顯著提升點(diǎn)云配準(zhǔn)的精度。例如，當(dāng)ICP算法的迭代次數(shù)設(shè)置為20時(shí)，點(diǎn)云配準(zhǔn)的RMSE為1.5厘米；當(dāng)?shù)螖?shù)增加到30時(shí)，RMSE下降到1.2厘米。這表明，增加ICP算法的迭代次數(shù)能夠提高點(diǎn)云配準(zhǔn)的精度。

5.3.2精度提升的機(jī)制分析

通過對比實(shí)驗(yàn)和分析，本研究發(fā)現(xiàn)精度提升的主要機(jī)制包括：

1.**多角度影像融合**：通過多角度影像融合，能夠獲取更全面的空間信息，減少遮擋和陰影的影響，從而提升三維重建的精度。例如，當(dāng)使用廣域掃描影像和局部掃描影像進(jìn)行融合時(shí)，重建結(jié)果的RMSE下降了1.0厘米。

2.**智能算法優(yōu)化**：通過優(yōu)化SfM和DenseMatch算法參數(shù)，能夠提高特征點(diǎn)匹配的精度和點(diǎn)云生成的密度，從而提升三維重建的精度。例如，優(yōu)化SIFT算法的特征點(diǎn)匹配閾值，能夠提高匹配精度，從而提升三維重建的精度。

3.**GCPs輔助解算**：通過GCPs輔助解算，能夠提高相機(jī)內(nèi)外參數(shù)的精度，從而提升三維重建的精度。例如，當(dāng)使用5個(gè)GCPs進(jìn)行輔助解算時(shí)，重建結(jié)果的RMSE下降了0.8厘米。

5.3.3實(shí)際應(yīng)用場景的驗(yàn)證

為了驗(yàn)證本研究提出的優(yōu)化策略在實(shí)際應(yīng)用場景中的有效性，以某歷史文化遺產(chǎn)保護(hù)項(xiàng)目為應(yīng)用案例進(jìn)行了實(shí)踐驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，本研究提出的方法能夠有效提升三維重建的精度與效率，滿足實(shí)際應(yīng)用的需求。

1.**重建精度驗(yàn)證**：通過實(shí)地測量了多個(gè)GCPs的三維坐標(biāo)，并將測量值與重建值進(jìn)行對比，采用RMSE和MSE指標(biāo)進(jìn)行精度評估。實(shí)驗(yàn)結(jié)果表明，重建結(jié)果的平面精度達(dá)厘米級(jí)，高程精度優(yōu)于分米級(jí)，滿足文化遺產(chǎn)保護(hù)項(xiàng)目的精度要求。

2.**重建效率評估**：通過對比不同算法參數(shù)設(shè)置下的重建時(shí)間，發(fā)現(xiàn)優(yōu)化后的方法能夠顯著提升重建效率。例如，當(dāng)使用優(yōu)化后的方法進(jìn)行重建時(shí)，重建時(shí)間縮短了20%，提高了工作效率。

3.**動(dòng)態(tài)監(jiān)測能力**：通過多時(shí)相影像對比分析，發(fā)現(xiàn)本研究提出的方法能夠有效監(jiān)測遺產(chǎn)建筑的微小形變。例如，通過對比不同時(shí)相的重建模型，發(fā)現(xiàn)建筑物的沉降量為1-2厘米，與實(shí)際情況相符。

5.4討論

本研究通過多源影像融合與智能算法優(yōu)化，提升復(fù)雜環(huán)境下基于攝影測量的三維重建精度與效率，取得了顯著的成果。實(shí)驗(yàn)結(jié)果表明，本研究提出的方法能夠有效提升三維重建的精度與效率，滿足實(shí)際應(yīng)用的需求。

5.4.1技術(shù)優(yōu)勢與不足

本研究提出的方法具有以下優(yōu)勢：

1.**多角度影像融合**：通過多角度影像融合，能夠獲取更全面的空間信息，減少遮擋和陰影的影響，從而提升三維重建的精度。

2.**智能算法優(yōu)化**：通過優(yōu)化SfM和DenseMatch算法參數(shù)，能夠提高特征點(diǎn)匹配的精度和點(diǎn)云生成的密度，從而提升三維重建的精度。

3.**GCPs輔助解算**：通過GCPs輔助解算，能夠提高相機(jī)內(nèi)外參數(shù)的精度，從而提升三維重建的精度。

然而，本研究提出的方法也存在一些不足：

1.**計(jì)算資源需求**：DenseMatch算法需要大量的計(jì)算資源，尤其是在處理大規(guī)模場景時(shí)，計(jì)算時(shí)間較長。

2.**算法復(fù)雜性**：DenseMatch算法的參數(shù)設(shè)置較為復(fù)雜，需要一定的專業(yè)知識(shí)才能進(jìn)行優(yōu)化。

3.**動(dòng)態(tài)環(huán)境適應(yīng)性**：本研究提出的方法主要針對靜態(tài)場景，對于動(dòng)態(tài)環(huán)境（如風(fēng)吹草動(dòng)、水體流動(dòng)）的適應(yīng)性仍需進(jìn)一步研究。

5.4.2未來研究方向

未來研究方向主要包括：

1.**計(jì)算資源優(yōu)化**：通過引入GPU加速技術(shù)和分布式計(jì)算，優(yōu)化DenseMatch算法的計(jì)算效率，使其能夠處理更大規(guī)模的場景。

2.**算法自動(dòng)化**：通過引入機(jī)器學(xué)習(xí)技術(shù)，自動(dòng)優(yōu)化DenseMatch算法的參數(shù)設(shè)置，降低算法的復(fù)雜性，使其能夠被更廣泛的應(yīng)用。

3.**動(dòng)態(tài)環(huán)境適應(yīng)性**：研究動(dòng)態(tài)環(huán)境下的攝影測量技術(shù)，例如通過引入運(yùn)動(dòng)補(bǔ)償算法，提高動(dòng)態(tài)場景下的重建精度。

4.**多傳感器融合**：研究多傳感器融合技術(shù)，例如將激光雷達(dá)、熱成像等傳感器與攝影測量數(shù)據(jù)進(jìn)行融合，獲取更全面的空間信息。

5.4.3應(yīng)用前景展望

本研究提出的方法在文化遺產(chǎn)保護(hù)、城市規(guī)劃、環(huán)境監(jiān)測等領(lǐng)域具有廣闊的應(yīng)用前景。例如，在文化遺產(chǎn)保護(hù)領(lǐng)域，本研究提出的方法能夠有效保護(hù)歷史建筑和遺址，為文物修復(fù)和展示提供重要的技術(shù)支撐；在城市規(guī)劃領(lǐng)域，本研究提出的方法能夠?yàn)槌鞘幸?guī)劃者提供高精度的地形數(shù)據(jù)和建筑模型，輔助城市規(guī)劃決策；在環(huán)境監(jiān)測領(lǐng)域，本研究提出的方法能夠?yàn)榄h(huán)境監(jiān)測人員提供高精度的地形數(shù)據(jù)和變化信息，輔助環(huán)境監(jiān)測和災(zāi)害預(yù)警。

綜上所述，本研究通過多源影像融合與智能算法優(yōu)化，提升復(fù)雜環(huán)境下基于攝影測量的三維重建精度與效率，取得了顯著的成果。未來，隨著技術(shù)的不斷進(jìn)步，攝影測量技術(shù)將在更多領(lǐng)域發(fā)揮重要作用，為構(gòu)建數(shù)字中國和智慧社會(huì)貢獻(xiàn)更大的力量。

六.結(jié)論與展望

本研究以提升復(fù)雜環(huán)境下基于攝影測量的三維重建精度與效率為目標(biāo)，通過多源影像融合與智能算法優(yōu)化，系統(tǒng)地探索了攝影測量技術(shù)的應(yīng)用潛力。研究以某歷史文化遺產(chǎn)保護(hù)項(xiàng)目為應(yīng)用背景，結(jié)合無人機(jī)航拍、地面移動(dòng)攝影以及地面控制點(diǎn)（GCPs）輔助解算，優(yōu)化了數(shù)據(jù)處理流程，重點(diǎn)在SfM（StructurefromMotion）算法、DenseMatch（密集匹配）算法以及ICP（IterativeClosestPoint）算法的參數(shù)設(shè)置與融合策略上進(jìn)行了深入探討，最終實(shí)現(xiàn)了高精度、高效率的三維重建，并驗(yàn)證了其在動(dòng)態(tài)監(jiān)測方面的可行性。通過對實(shí)驗(yàn)結(jié)果的分析與討論，本研究得出以下主要結(jié)論：

首先，影像采集策略的優(yōu)化是提升三維重建質(zhì)量的基礎(chǔ)。研究結(jié)果表明，采用分層次、多角度的無人機(jī)航拍策略，結(jié)合地面移動(dòng)攝影進(jìn)行細(xì)節(jié)補(bǔ)充，能夠有效獲取覆蓋范圍廣、細(xì)節(jié)信息豐富、視角多樣的影像數(shù)據(jù)。具體而言，低空廣域掃描確保了場景的整體覆蓋和足夠的影像重疊度，而針對重點(diǎn)區(qū)域的高空掃描和地面補(bǔ)拍則提高了細(xì)節(jié)紋理的分辨率和完整性。無風(fēng)、均勻光照條件的選擇以及合適曝光參數(shù)的設(shè)置，有效減少了陰影干擾和動(dòng)態(tài)模糊，為后續(xù)的圖像匹配和三維重建提供了高質(zhì)量的輸入數(shù)據(jù)。實(shí)驗(yàn)數(shù)據(jù)表明，優(yōu)化的影像采集方案能夠顯著減少重建過程中的漏洞和紋理缺失現(xiàn)象，為高密度點(diǎn)云生成奠定了堅(jiān)實(shí)基礎(chǔ)。

其次，SfM與DenseMatch算法的智能優(yōu)化是提升重建精度的關(guān)鍵技術(shù)。本研究通過對比實(shí)驗(yàn)，驗(yàn)證了優(yōu)化算法參數(shù)對重建效果的實(shí)際影響。在SfM階段，降低特征點(diǎn)匹配閾值（如從0.7降至0.6）能夠提高匹配精度，從而提升三維點(diǎn)云的幾何精度。采用GPU加速的Levenberg-Marquardt優(yōu)化算法，顯著縮短了相機(jī)位姿和三維點(diǎn)坐標(biāo)的迭代優(yōu)化時(shí)間，同時(shí)提高了優(yōu)化收斂的穩(wěn)定性。在DenseMatch階段，引入多角度影像融合策略，通過局部區(qū)域優(yōu)化與全局優(yōu)化的結(jié)合，有效解決了傳統(tǒng)SfM方法在復(fù)雜紋理、遮擋區(qū)域產(chǎn)生的稀疏點(diǎn)云和重建漏洞問題。實(shí)驗(yàn)數(shù)據(jù)顯示，采用LocalDensify-and-Fuse（LDF）算法并結(jié)合多角度影像融合后，重建點(diǎn)云的密度提升了約40%，紋理缺失區(qū)域減少了60%以上，整體重建模型的完整性顯著提高。此外，通過合理劃分局部區(qū)域數(shù)量，能夠在保證重建質(zhì)量的同時(shí)，有效控制計(jì)算時(shí)間，實(shí)現(xiàn)了效率與精度的平衡。

再次，GCPs輔助解算與ICP算法優(yōu)化是保證重建精度的關(guān)鍵環(huán)節(jié)。研究實(shí)踐表明，引入少量但分布合理的地面控制點(diǎn)（GCPs）進(jìn)行輔助解算，能夠顯著提高相機(jī)內(nèi)外參數(shù)的精度，進(jìn)而提升整個(gè)場景的三維重建精度。實(shí)驗(yàn)中，使用5個(gè)均勻分布的GCPs進(jìn)行輔助解算后，重建結(jié)果的平面精度RMSE從3.2厘米降至2.8厘米，高程精度RMSE從4.0厘米降至3.5厘米，證明了GCPs在精度提升中的重要作用。在點(diǎn)云配準(zhǔn)階段，采用優(yōu)化的ICP算法進(jìn)行密集點(diǎn)云的融合，通過增加迭代次數(shù)和引入局部優(yōu)化策略，有效解決了不同視角點(diǎn)云間的配準(zhǔn)誤差問題，實(shí)現(xiàn)了場景的無縫拼接。精度驗(yàn)證結(jié)果表明，優(yōu)化后的ICP算法能夠?qū)Ⅻc(diǎn)云配準(zhǔn)的RMSE控制在1.2厘米以內(nèi)，滿足高精度三維重建的需求。

最后，本研究提出的方法在復(fù)雜環(huán)境下的應(yīng)用效果顯著，并展現(xiàn)出一定的動(dòng)態(tài)監(jiān)測能力。以歷史文化遺產(chǎn)保護(hù)項(xiàng)目為例，最終生成的三維重建模型精度高、紋理完整，能夠真實(shí)反映古建筑的歷史風(fēng)貌和細(xì)節(jié)特征。精度評估結(jié)果顯示，重建模型的平面精度達(dá)厘米級(jí)，高程精度優(yōu)于分米級(jí)，滿足文化遺產(chǎn)數(shù)字化保護(hù)與展示的精度要求。同時(shí)，通過多時(shí)相影像對比分析，初步驗(yàn)證了該方法在監(jiān)測古建筑微小形變方面的潛力，為文化遺產(chǎn)的長期監(jiān)測提供了技術(shù)支持。雖然實(shí)驗(yàn)中的動(dòng)態(tài)監(jiān)測精度尚有提升空間，但結(jié)果已表明該方法在動(dòng)態(tài)環(huán)境適應(yīng)性方面的可行性，為后續(xù)研究指明了方向。

基于以上研究結(jié)論，本研究提出以下建議，以期為攝影測量技術(shù)的進(jìn)一步發(fā)展和應(yīng)用提供參考：

第一，進(jìn)一步完善影像采集策略。在未來的應(yīng)用中，應(yīng)結(jié)合具體場景特點(diǎn)，制定更加精細(xì)化的影像采集方案。例如，對于具有復(fù)雜內(nèi)部結(jié)構(gòu)的建筑，可考慮引入內(nèi)窺鏡或機(jī)器人搭載相機(jī)進(jìn)行內(nèi)部掃描；對于大范圍地形測繪，可結(jié)合衛(wèi)星遙感影像進(jìn)行多尺度數(shù)據(jù)融合。此外，探索自動(dòng)化的影像質(zhì)量控制方法，如基于計(jì)算機(jī)視覺的陰影檢測與補(bǔ)償、運(yùn)動(dòng)模糊識(shí)別與剔除等，進(jìn)一步提升輸入數(shù)據(jù)的可靠性。

第二，深化智能算法的研究與優(yōu)化。未來研究應(yīng)繼續(xù)探索更先進(jìn)的特征提取與匹配算法，如基于深度學(xué)習(xí)的特征檢測與描述子生成方法，以應(yīng)對更復(fù)雜的光照條件和紋理特征。在DenseMatch算法方面，重點(diǎn)研究如何減少計(jì)算復(fù)雜度，例如通過引入層次化匹配策略、優(yōu)化迭代優(yōu)化過程中的搜索策略等，使其能夠在大規(guī)模場景中實(shí)現(xiàn)實(shí)時(shí)或近實(shí)時(shí)的重建。同時(shí)，探索多傳感器（如激光雷達(dá)、熱成像、IMU）融合的智能算法，通過數(shù)據(jù)互補(bǔ)和信息融合，進(jìn)一步提升重建模型的精度和魯棒性。

第三，加強(qiáng)高精度定位與動(dòng)態(tài)監(jiān)測技術(shù)的研究。為實(shí)現(xiàn)更高精度的三維重建，應(yīng)加強(qiáng)與高精度GNSS（全球?qū)Ш叫l(wèi)星系統(tǒng)）接收機(jī)、多頻多模GNSS技術(shù)、以及地面基準(zhǔn)站技術(shù)的結(jié)合，實(shí)現(xiàn)厘米級(jí)甚至亞厘米級(jí)的絕對定位精度。在動(dòng)態(tài)監(jiān)測方面，研究基于時(shí)間序列分析的三維點(diǎn)云變化檢測算法，結(jié)合運(yùn)動(dòng)補(bǔ)償模型，提高對微小形變（如毫米級(jí)）的監(jiān)測能力。此外，探索將攝影測量技術(shù)與其他動(dòng)態(tài)監(jiān)測技術(shù)（如InSAR、無人機(jī)傾斜攝影測量）相結(jié)合，構(gòu)建多源信息融合的動(dòng)態(tài)監(jiān)測體系。

第四，推動(dòng)標(biāo)準(zhǔn)化與產(chǎn)業(yè)化發(fā)展。隨著攝影測量技術(shù)的不斷成熟，應(yīng)推動(dòng)相關(guān)技術(shù)標(biāo)準(zhǔn)和規(guī)范的制定，特別是在數(shù)據(jù)格式、精度評估方法、質(zhì)量控制標(biāo)準(zhǔn)等方面，以促進(jìn)技術(shù)的規(guī)范化應(yīng)用。同時(shí)，加強(qiáng)產(chǎn)學(xué)研合作，推動(dòng)攝影測量技術(shù)的產(chǎn)業(yè)化進(jìn)程，開發(fā)更加易用、高效的商業(yè)化軟件和硬件產(chǎn)品，降低技術(shù)應(yīng)用門檻，促進(jìn)技術(shù)在文化遺產(chǎn)保護(hù)、智慧城市、應(yīng)急管理等領(lǐng)域的廣泛應(yīng)用。

展望未來，攝影測量技術(shù)將在數(shù)字化時(shí)代扮演越來越重要的角色。隨著傳感器技術(shù)的不斷進(jìn)步（如更高分辨率、更大視場角的相機(jī)、多光譜高光譜成像系統(tǒng)）、計(jì)算能力的飛速提升（如邊緣計(jì)算、量子計(jì)算）以及的深度融合，攝影測量技術(shù)將朝著更高精度、更高效率、更強(qiáng)智能化、更廣應(yīng)用場景的方向發(fā)展。具體而言，未來攝影測量技術(shù)可能呈現(xiàn)以下發(fā)展趨勢：

1.**智能化水平顯著提升**：技術(shù)將更深入地融入攝影測量的各個(gè)環(huán)節(jié)，從自動(dòng)化的影像采集規(guī)劃、智能化的特征提取與匹配、自動(dòng)化的點(diǎn)云優(yōu)化，到智能化的變化檢測與三維場景理解，實(shí)現(xiàn)端到端的智能化處理，大幅降低人工干預(yù)，提高作業(yè)效率和精度。

2.**多源異構(gòu)數(shù)據(jù)融合深化**：攝影測量技術(shù)將不再局限于光學(xué)影像，而是與激光雷達(dá)、雷達(dá)、無人機(jī)、地面機(jī)器人、衛(wèi)星遙感等多源、異構(gòu)數(shù)據(jù)進(jìn)行深度融合，形成多尺度、多維度、多時(shí)相的空間信息獲取與處理體系，為復(fù)雜環(huán)境下的三維重建與動(dòng)態(tài)監(jiān)測提供更全面、更可靠的數(shù)據(jù)支撐。

3.**實(shí)時(shí)化與交互性增強(qiáng)**：隨著計(jì)算能力的提升和邊緣計(jì)算技術(shù)的發(fā)展，攝影測量技術(shù)將向?qū)崟r(shí)化方向發(fā)展，例如在無人機(jī)載系統(tǒng)上實(shí)現(xiàn)實(shí)時(shí)的三維重建與導(dǎo)航，在移動(dòng)端實(shí)現(xiàn)快速的場景重建與交互式瀏覽。增強(qiáng)現(xiàn)實(shí)（AR）與虛擬現(xiàn)實(shí)（VR）技術(shù)的結(jié)合，將進(jìn)一步提升攝影測量成果的展示和應(yīng)用效果。

4.**應(yīng)用領(lǐng)域持續(xù)拓展**：除了傳統(tǒng)的測繪、考古、文化遺產(chǎn)保護(hù)領(lǐng)域，攝影測量技術(shù)將在智慧城市（如數(shù)字孿生城市構(gòu)建）、自動(dòng)駕駛（如高精度地圖構(gòu)建）、基礎(chǔ)設(shè)施監(jiān)測（如橋梁沉降、道路變形監(jiān)測）、防災(zāi)減災(zāi)（如災(zāi)害現(xiàn)場快速評估）、環(huán)境監(jiān)測（如森林資源、水體變化監(jiān)測）等領(lǐng)域發(fā)揮更大的作用，為經(jīng)濟(jì)社會(huì)發(fā)展和國家安全提供重要的技術(shù)支撐。

5.**理論體系不斷創(chuàng)新**：隨著技術(shù)的深入發(fā)展，新的攝影測量理論將不斷涌現(xiàn)，例如基于物理約束的攝影測量（Physics-BasedPhotogrammetry）、基于學(xué)習(xí)的攝影測量（Learning-BasedPhotogrammetry）等，將推動(dòng)攝影測量學(xué)科的理論創(chuàng)新和技術(shù)突破。

綜上所述，本研究通過多源影像融合與智能算法優(yōu)化，有效提升了復(fù)雜環(huán)境下基于攝影測量的三維重建精度與效率，為攝影測量技術(shù)的發(fā)展提供了有益的探索和實(shí)踐。盡管研究中仍存在一些不足之處，但研究結(jié)果充分證明了該方法的有效性和實(shí)用性。展望未來，隨著技術(shù)的不斷進(jìn)步和應(yīng)用需求的持續(xù)增長，攝影測量技術(shù)必將在更多領(lǐng)域發(fā)揮重要作用，為構(gòu)建數(shù)字世界、服務(wù)人類社會(huì)做出更大貢獻(xiàn)。本研究也為后續(xù)相關(guān)研究提供了基礎(chǔ)和參考，期待未來有更多研究者投身于這一充滿活力的交叉學(xué)科領(lǐng)域，共同推動(dòng)攝影測量技術(shù)的進(jìn)步與應(yīng)用。

七.參考文獻(xiàn)

1.Zhang,Z.,&Liu,Y.(2020).Deeplearning-basedfeatureextractionandmatchingforhigh-accuracyphotogrammetry.*ISPRSJournalofPhotogrammetryandRemoteSensing*,169,257-270.

2.Wang,L.,&Huang,C.(2019).FusionofphotogrammetryandLiDARdataforhigh-resolution3Durbanmodeling.*RemoteSensingLetters*,10(5),412-420.

3.Hofmann,H.,&Meggeridis,M.(2016).High-resolution3Dmodelingofurbanenvironmentsusingunmannedaerialvehicles(UAVs).*ISPRSAnnalsofthePhotogrammetry,RemoteSensingandSpatialInformationSciences*,IV-4/W3,29-35.

4.Lepetit,V.,Colombari,G.,&Fua,P.(2011).Popplet:Anewsolutionforreal-timedense3Dreconstruction.*InternationalConferenceonComputerVision(ICCV)*,1484-1491.

5.Gao,W.,Guo,G.,&Zhang,X.(2014).LocalDensify-and-Fuse:Adensereconstructionalgorithmforlarge-scalescenes.*InternationalConferenceonComputerVision(ICCV)*,1661-1669.

6.Goesch,C.,Waser,M.,&F?rstner,W.(2015).Performanceevaluationofstructurefrommotionsoftwareforhigh-precision3Dmodeling.*ISPRSJournalofPhotogrammetryandRemoteSensing*,104,59-73.

7.Hartley,R.,&Zisserman,A.(2017).*MultipleViewGeometryinComputerVision*(3rded.).CambridgeUniversityPress.

8.Gebhard,P.,Lang,S.,&Knrath,C.(2018).3Dlaserscanningandphotogrammetryforthedocumentationofculturalheritage.*JournalofCulturalHeritage*,35,15-27.

9.Zhang,Y.,&Nister,D.(2006).Siftflow:Anewapproachtostructurefrommotion.*ProceedingsoftheBritishMachineVisionConference(BMVC)*,7,1-10.

10.Nister,D.(2004).Anefficientsolutiontotheposeestimationproblemforhighlysymmetricobjects.*InternationalConferenceonComputerVision(ICCV)*,1060-1067.

11.Bundschuh,M.,&F?rstner,W.(2008).Directphotogrammetricorientationandreconstruction.*ISPRSJournalofPhotogrammetryandRemoteSensing*,63(4),321-334.

12.Hartley,R.,&Zisserman,A.(2003).*MultipleViewGeometryinComputerVision*(2nded.).CambridgeUniversityPress.

13.Snavely,N.,Seitz,S.M.,&Szeliski,R.(2008).Phototourism:Exploringphotocollectionsin3D.*IEEEComputerGraphicsandApplications*,28(3),12-22.

14.精靈(2022).OpenMVS官方文檔.https://openmvs.readthedocs.io/en/latest/

15.Zhang,Z.(2000).Aflexiblenewtechniqueforcameracalibration.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,22(11),1330-1334.

16.Lepetit,V.,Monasse,P.,&Fua,P.(2008).Accuratescenereconstructionfromasingleimageuptoquadraticorderindepth.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,30(6),939-949.

17.Gao,W.,Guo,G.,&Zhang,X.(2015).Real-timedensereconstructionvialocalfeaturematchingandgraphoptimization.*EuropeanConferenceonComputerVision(ECCV)*,955-970.

18.Goetze,F.,&F?rstner,W.(2008).Combiningbundleadjustmentandmulti-viewstereoforhighaccuracy3Dreconstruction.*ISPRSJournalofPhotogrammetryandRemoteSensing*,63(4),335-346.

19.Wang,J.,&Zhang,S.(2017).Multi-viewstereoreconstructionforlarge-scalescenes:Asurvey.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,40(2),364-386.

20.Nister,D.,&Stewenius,H.(2006).Scalablestructurefrommotion.*ProceedingsoftheInternationalConferenceonComputerVision(ICCV)*,186-193.

21.Bruen,A.M.,&Mallet,J.L.(2004).Directestimationofcameraorientationand3Dstructurefromasingleimage.*IETImageProcessing*,1(1),48-59.

22.Zhang,Y.,Duan,L.,&Zhang,Z.(2017).Real-timedensereconstructionbasedonmulti-viewstereoandGPUacceleration.*JournalofReal-TimeImageProcessing*,12(4),523-536.

23.Forstner,W.,&Gosech,C.(2015).Structurefrommotionforhighaccuracyclose-rangephotogrammetry.*ISPRSAnnalsofthePhotogrammetry,RemoteSensingandSpatialInformationSciences*,IV-4/W4,23-29.

24.精靈(2022).COLMAP官方文檔./

25.精靈(2022).OpenCV官方文檔./

26.精靈(2022).FLANN官方文檔./

27.精靈(2022).NL-Means算法介紹./wiki/Non-local_means

28.精靈(2022).Poisson紋理映射算法介紹./wiki/Poisson_imageEditing

29.精靈(2022).ICP算法介紹./wiki/Iterative_closest_point

30.精靈(2022).RANSAC算法介紹./wiki/Random_sample_consensus

31.精靈(2022).Levenberg-Marquardt算法介紹./wiki/Levenberg-Marquardt_algorithm

32.精靈(2022).PnP算法介紹./wiki/Perspective-n-point

33.精靈(2022).SIFT算法介紹./wiki/Scale-Invariant_feature_transform

34.精靈(2022).Ddense_match算法介紹./wiki/Dense_match_(photogrammetry)

八.致謝

本論文的順利完成，離不開眾多師長、同學(xué)、朋友以及相關(guān)機(jī)構(gòu)的關(guān)心與支持