Oblique Image Based Automatic Aerotriangulation and Its Application in 3D City Model Reconstruction
-
摘要: 在一种具有视点不变性的改进的倾斜影像自动匹配方法的基础上,针对多视倾斜影像光束法平差方法中未知参数多的问题(例如可能导致平差解算不稳定),提出了带有相对姿态参数的倾斜影像光束法平差模型,并给出了该模型的适用范围。对一套典型的数字倾斜摄影仪SWDC-5的倾斜影像数据进行实验,结果表明:当相机之间曝光延迟小,且相对姿态参数可以看作比较严格的刚体时,该方法的自动空中三角测量(简称空三)处理精度较高,单位权中误差为0.46像素,像点平均残差为0.27像素。将该空三成果应用到城市真三维模型重建中,计算机自动得到的三维表面模型纹理比较自然、真实,能够满足一定程度的视觉需求,为大规模城市真三维模型重建提供了参考。Abstract: In this paper, we proposed an automatic aerotriangulation method based on SWDC-5 oblique images. First of all, we designed an improved viewpoint-invariant matching method for oblique images based on the perspective transformation. Secondly, in order to reduce the amount of unknown adjustment parameters (overmuch unknown adjustment parameter may weaken the instability of adjustment solution), we offered a new bundle adjustment model for oblique images which took the relative attitude parameters of cameras into account, and also gave the application scope of the model. Experiments conducted on the typical SWDC-5 oblique images demonstrated that when the relative attitude of cameras (on same camera station) are stable and their cameras exposure are limited within a short time delay, the aero-triangulation accuracy of our method is high, the unit weight error is 0.46 pixels and the average residual of image points is 0.27 pixels. Thirdly, we applied the results of aero-triangulation to PMVS (patch-based multi-view stereo matching) algorithm to gain the dense point-cloud of the experimental city, used screened Poisson reconstruction algorithm to get its 3D mesh, and reconstruct its 3D surface with 3D texture algorithm. Experiments showed that the accuracy of the aero triangulation met the requirements of applications, and the obtained 3D city model had a natural, real texture, all this proved that the idea of automatic reconstruction of 3D city model is feasible and made a good reference for the large-scale 3D city model reconstruction.
-
长航时高精度自主导航是发展水下自主航行器亟待解决的技术难题。惯性导航系统(inertial navigation system，INS)作为水下航行器的核心导航设备之一，因其存在随时间变化产生的累积误差，无法满足水下航行器长航时自主导航的高精度要求。地磁导航技术可以为水下航行器提供高隐蔽性的外部校正信息，修正由INS产生的累积误差[1-3]。地磁辅助惯性导航系统涉及到背景磁场构建、地磁导航匹配算法和地磁适配性分析等多项关键技术。适配性是指地磁图对匹配的适应性，即地磁场特征在相关匹配中能够表征地理位置的能力。通过对地磁图适配性的分析，挑选地磁特征显著、信息量丰富、适应性强的区域作为地磁适配区，能够有效提高地磁导航精度[4-7]。
为了解决多指标对单一决策的综合影响，目前已有诸多研究提出了分析方法，文献[8]提出了多属性决策评价地磁适配性的方法，该方法综合考虑地磁标准差、地磁粗糙度、地磁相关系数、地磁信息熵4个特征参数得到综合评价值，与匹配概率有较高的一致性；文献[9]提出了分形维数的评价方法，该方法从原理上分析了分形维数与适配性的关系，发现分形维数在适配性分析上具有很好的性能；文献[10]提出了基于粗糙集理论的地磁特征参数的选取方法，该方法能为适配区评价选取重要特征参数；文献[11]针对人为提取的特征不能客观描述深层次结构性特征的问题，提出了基于深度卷积神经网络的适配性分析方法，可以有效避免地磁特征人工提取的主观性；通过对地磁共生矩阵反演出的角二阶矩、对比度等统计参数的分析，文献[12]提出了基于地磁共生矩阵的地磁适配区选择算法，从多方向反映地磁变化特征以及地磁邻近区域的相关性；文献[13]提出了层次分析方法，定义了地磁场特征参数可信度，分析了特征参数的隐含信息，发现可信度比单一特征参数适配性评价效果更好。从定量角度可以将上述方法归纳为基于决策选优的适配性分析方法，排序和选优的思想是此类方法最显著的特征。通过排序来明确各候选匹配区适配性能的优劣，选优即选取适配性能好的区域作为适配区，然而这类方法存在人为设置阈值和判定准则难提取两个缺点。因此，为了使提取的准则更为客观，本文将模糊决策理论应用到地磁图适配性分析中。
模糊决策理论是运用模糊数学方法处理多目标决策问题，在分析过程中，这些多目标变量属于模糊因素[14]。本文基于地磁图适配性分析中存在多指标性和模糊性的特点，提出了基于模糊决策理论的地磁图适配性分析方法，对特征参数的模糊度指标进行加权分析，构建综合评价值来评定候选区适配性。针对地磁异常的无迹卡尔曼滤波(unscented Kalman filtering，UKF)算法，选取中国南海部分海域的全球地磁异常格网数据(earth magnetic anomaly grid 2，EMAG2)作为地磁异常基准图进行仿真实验，验证了定量分析结果的可靠性和该方法的可行性。
1 地磁图特征参数定义
本文将地磁场数据以格网的形式存储于计算机中，用离散点的形式表示地磁场在空间中的变化规律。设某地磁场区域的经纬度跨度为M×N网格(M为纬度跨度，N为经度跨度)，f(i, j)为网格点坐标(i, j)处的地磁异常值。描述地磁图适配性的特征参数多达十几种，根据地磁图特征参数与匹配概率的关联程度，本文选取地磁标准差、粗糙度、相关系数、坡度标准差和地磁信息熵作为评价候选匹配区适配性能的度量。上述5个地磁图特征参数的定义及其计算方法如下[15]。
1) 地磁标准差σ
地磁标准差反映了该区域地磁场离散程度和地磁场总体起伏情况。地磁标准差数值越大，表示该候选匹配区的地磁特征越明显，越适合做地磁匹配。其定义如下：
$$\sigma = \sqrt {\frac{1}{{MN - 1}}\mathop \sum \limits_{i = 1}^M \mathop \sum \limits_{j = 1}^N {{\left( {f\left( {i, j} \right) - \bar f} \right)}^2}} $$ (1) 式中，$\bar f = \frac{1}{{MN}}\mathop \sum \limits_{i = 1}^M \mathop \sum \limits_{j = 1}^N f\left({i, j} \right)$，表示候选匹配区内地磁场的均值。
2) 地磁粗糙度r
地磁粗糙度反映了候选匹配区地磁场的平均光滑程度和地磁场局部起伏状态。地磁粗糙度越大，表示该候选匹配区的地磁信息量越丰富，越有利于进行地磁匹配。其定义如下：
$$r = \frac{{{r_x} + {r_y}}}{2} $$ (2) $${r_x} = \sqrt {\frac{1}{{M\left( {N - 1} \right)}}\mathop \sum \limits_{i = 1}^M \mathop \sum \limits_{j = 1}^{N - 1} {{[f\left( {i, j} \right) - f\left( {i, j + 1} \right)]}^2}} $$ (3) $${r_y} = \sqrt {\frac{1}{{\left( {M - 1} \right)N}}\mathop \sum \limits_{i = 1}^{M - 1} \mathop \sum \limits_{j = 1}^N {{[f\left( {i, j} \right) - f\left( {i + 1, j} \right)]}^2}} $$ (4) 式中，rx表示该区域x方向粗糙度；ry表示该区域y方向粗糙度。
3) 相关系数ρ
地磁相关系数反映了地磁数据之间的独立性。地磁相关系数越小，表明该区域地磁信息越丰富，越有利于地磁匹配定位。定义如下：
$$\rho = \frac{{{\rho _x} + {\rho _y}}}{2} $$ (5) $${\rho _x} = \frac{1}{{M\left( {N - 1} \right){\sigma ^2}}}\mathop \sum \limits_{i = 1}^M \mathop \sum \limits_{j = 1}^{N - 1} \left[ {f\left( {i, j} \right) - \bar f} \right] \cdot \left[ {f\left( {i, j + 1} \right) - \bar f} \right] $$ (6) $${\rho _y} = \frac{1}{{\left( {M - 1} \right)N{\sigma ^2}}}\mathop \sum \limits_{i = 1}^{M - 1} \mathop \sum \limits_{j = 1}^N \left[ {f\left( {i, j} \right) - \bar f} \right] \cdot \left[ {f\left( {i + 1, j} \right) - \bar f} \right] $$ (7) 式中，ρx表示该区域x方向的相关系数；ρy表示该区域y方向的相关系数。
4) 坡度标准差S
地磁坡度S(i, j)为地磁场曲面上一点处的法线方向和垂直方向的夹角，可由地磁场在纬度方向、经度方向的变化率Sx(i, j)、Sy(i, j)确定，其定义如下：
$$\begin{array}{*{20}{c}} {{S_x}\left( {i, j} \right) = [f\left( {i + 1, j + 1} \right) + f\left( {i, j + 1} \right) + }\\ {f\left( {i - 1, j + 1} \right) - f\left( {i + 1, j - 1} \right) - }\\ {f\left( {i, j - 1} \right) - f\left( {i - 1, j - 1} \right)]/6} \end{array} $$ (8) $$\begin{array}{*{20}{c}} {{S_y}\left( {i, j} \right) = [f\left( {i + 1, j + 1} \right) + f\left( {i + 1, j} \right) + }\\ {f\left( {i + 1, j - 1} \right) - f\left( {i - 1, j + 1} \right) - }\\ {f\left( {i - 1, j} \right) - f\left( {i - 1, j - 1} \right)]/6} \end{array} $$ (9) $$S\left( {i, j} \right) = \sqrt {\left[ {{S_x}\left( {i, j} \right){]^2} + } \right[{S_y}\left( {i, j} \right){]^2}} $$ (10) 地磁坡度S(i, j)是针对候选匹配区中每一个格网点而言的，为了能够反映整个候选匹配区的地磁坡度情况，引入坡度标准差Sσ，其定义如下：
$${S_\sigma } = \sqrt {\frac{1}{{\left( {M - 2} \right)\left( {N - 2} \right) - 1}}\mathop \sum \limits_{i = 2}^{M - 1} \mathop \sum \limits_{j = 2}^{N - 1} {{(S\left( {i, j} \right) - \bar S)}^2}} $$ (11) $$\bar S = \frac{1}{{\left( {M - 2} \right)\left( {N - 2} \right)}}\mathop \sum \limits_{i = 2}^{M - 1} \mathop \sum \limits_{j = 2}^{N - 1} S\left( {i, j} \right) $$ (12) 5) 地磁信息熵H
地磁信息熵越小，代表地磁场特征越独特，该区域越有利于进行地磁匹配定位。其定义如下：
$$H = - \mathop \sum \limits_{i = 1}^M \mathop \sum \limits_{j = 1}^N p\left( {i, j} \right) \cdot {\rm{lo}}{{\rm{g}}_2}\;p\left( {i, j} \right) $$ (13) $$p\left( {i, j} \right) = \frac{{f\left( {i, j} \right)}}{{\mathop \sum \limits_{i = 1}^M \mathop \sum \limits_{j = 1}^N f\left( {i, j} \right)}} $$ (14) 当对数的底数取2时，熵的单位为bit。
2 基于模糊决策理论的地磁图适配性分析
为了综合考虑地磁标准差、粗糙度、相关系数、坡度标准差及地磁信息熵等5个特征参数对适配性分析的影响，首先构建指标矩阵，然后构建隶属度矩阵对这5种不同类属的特征参数进行模糊控制，最后引入权重向量进一步提高综合评价矩阵的合理性[16-17]。
1) 构建指标矩阵X
设有m块待选区域，有n个评价指标来描述，则有m×n阶指标矩阵，其定义如下：
$$\mathit{\boldsymbol{X}} = \left[ {\begin{array}{*{20}{c}} {{x_{11}}}&{{x_{12}}}& \cdots &{{x_{1n}}}\\ {{x_{21}}}&{{x_{22}}}& \cdots &{{x_{2n}}}\\ \vdots & \vdots &{}& \vdots \\ {{x_{m1}}}&{{x_{m2}}}& \cdots &{{x_{mn}}} \end{array}} \right] = {({x_{ij}})_{m \times n}} $$ (15) 式中，xij表示第i个待分析对象的第j个评价因素的指标特征量，$i = 1, 2 \cdots m, j = 1, 2 \cdots n$。
2) 指标归一化
隶属度rij'的计算如下：
$$r_{i j}^{\prime}=\left\{\begin{array}{l} x_{i j} / x_{\mathrm{max}}, \text { 越大越优型 } \\ x_{\min } / x_{i j}, \text { 越小越优型 } \end{array}\right. $$ (16) 式中，xmax表示xij的最大值；xmin表示xij的最小值。
地磁标准差、地磁粗糙度、地磁坡度属于越大越优型，相关系数及地磁信息熵则属于越小越优型。由于各属性的量纲和取值范围相差较大，需要将不同属性的量纲进行标准化处理，使标准化转换后的评价值rij均值为0，方差为1。计算如下：
$$r_{i j}=\frac{r_{i j}^{\prime}-m_{j}}{\sigma_{j}} $$ (17) $$m_{j}=\frac{1}{m} \sum\limits_{i=1}^{m} r_{i j}^{\prime} $$ (18) $$\sigma_{j}=\sqrt{\frac{1}{m-1} \sum\limits_{i=1}^{m}\left(r_{i j}^{\prime}-m_{j}\right)^{2}} $$ (19) 式中，mj为第j个属性的均值；σj表示第j个属性值的标准差。
3) 多目标模糊关联矩阵的构造
根据式(14)构建指标隶属度矩阵Rm×n，其定义如下：
$${\mathit{\boldsymbol{R}}_{m \times n}} = \left[ {\begin{array}{*{20}{c}} {{r_{11}}}&{{r_{12}}}& \cdots &{{r_{1n}}}\\ {{r_{21}}}&{{r_{22}}}& \cdots &{{r_{2n}}}\\ \vdots & \vdots &{}& \vdots \\ {{r_{m1}}}&{{r_{m2}}}& \cdots &{{r_{mn}}} \end{array}} \right] $$ (20) 式中，$i = 1, 2 \cdots m; j = 1, 2 \cdots n$。
4) 权重向量的确定
由于各指标对适配性的影响程度各不相同，为实现综合评价结果的合理性，必须对各指标进行加权处理，定义权向量w为：
$$\mathit{\boldsymbol{w}} = \left( {{w_1}, {w_2} \cdots {w_m}} \right) = \left( {\frac{{{s_1}}}{{\mathop \sum \limits_{i = 1}^m {s_i}}}, \frac{{{s_2}}}{{\mathop \sum \limits_{i = 1}^m {s_i}}} \cdots \frac{{{s_m}}}{{\mathop \sum \limits_{i = 1}^m {s_i}}}} \right){\rm{}} $$ (21) $${s_i} = {\rm{exp}}\left[ {\mu \mathop \sum \limits_{j = 1}^n \mathop \sum \limits_{k = 1}^n \left| {{r_{ij}} - {r_{ik}}} \right|/\left( {1 - \mu } \right) - 1} \right]{\rm{}} $$ (22) 式中，μ代表平衡系数(0 < μ < 1)。
5) 综合评判矩阵
将式(21)所得权重矩阵与式(20)所得隶属度矩阵组合构成综合评判矩阵V，其定义如下：
$$\mathit{\boldsymbol{V}} = \mathit{\boldsymbol{wR}} = \left( {{w_1}, {w_2} \cdots {w_m}} \right)\left[ {\begin{array}{*{20}{c}} {{r_{11}}}&{{r_{12}}}& \cdots &{{r_{1n}}}\\ {{r_{21}}}&{{r_{22}}}& \cdots &{{r_{2n}}}\\ \vdots & \vdots &{}& \vdots \\ {{r_{m1}}}&{{r_{m2}}}& \cdots &{r_{mn}^{}} \end{array}} \right] $$ (23) 3 数据计算及结果评定
本文选取分辨率为2″的全球地磁异常格网数据EMAG2，将范围为108°E~113°E、10°N~15°N的中国南海部分海域地磁异常格网数据作为实验的地磁异常基准图，如图 1所示，该地区的地磁图特征样式繁多，很难直观对各区域的适配性优劣作出直接判断。
将图 1所示区域等间隔划分为16个候选匹配区域，以便进行计算及结果分析，候选匹配区域1~16的地磁图特征参数统计量见表 1，表 1同时给出了相应地磁图特征参数的数值大小排序结果。
表 1 单一地磁图特征参数值及其排序Table 1. Rank Results of Single Geomagnetic Map Feature Parameter区域编号 标准差σ 粗糙度r 相关系数 坡度标准差S 信息熵H 数值/nT 排序 数值 排序 数值 排序 数值 排序 数值/bit 排序 1 4.144 9 9 0.933 9 12 0.992 1 5 1.342 2 10 10.112 7 5 2 3.520 3 11 1.530 7 3 0.977 2 14 1.856 7 6 10.014 2 13 3 4.374 3 8 1.771 3 2 0.994 7 3 2.304 1 2 9.823 9 16 4 3.708 0 10 1.131 8 8 0.991 6 6 1.432 7 8 10.113 7 4 5 4.409 5 7 0.960 3 10 0.987 8 8 1.094 6 13 10.180 2 1 6 2.698 5 14 0.866 9 13 0.987 3 9 1.274 9 11 10.024 0 12 7 6.987 7 2 1.049 4 9 0.996 0 1 1.481 2 7 10.000 0 14 8 4.459 7 5 0.845 5 14 0.994 4 4 0.969 7 14 10.150 5 2 9 2.649 9 15 2.067 4 1 0.960 9 15 2.829 0 1 10.041 4 10 10 2.865 5 12 1.286 5 5 0.984 2 11 1.861 3 4 10.059 7 8 11 2.753 5 13 0.392 0 16 0.985 5 10 0.602 6 16 10.092 6 6 12 4.416 4 6 1.247 4 6 0.978 6 13 1.857 8 5 10.031 4 11 13 2.552 3 16 0.935 5 11 0.958 7 16 1.242 5 12 9.943 1 15 14 7.359 4 1 1.339 9 4 0.995 2 2 1.908 8 3 10.062 0 7 15 4.815 8 4 0.742 0 15 0.990 8 7 0.896 8 15 10.041 8 9 16 5.330 5 3 1.158 5 7 0.983 6 12 1.414 7 9 10.117 2 3 由式(15)~(23)求解可得各适配区的综合评定结果，根据计算值大小对各区域适配性优劣进行排序，结果如表 2所示。
表 2 各候选匹配区综合评定值及其排序Table 2. Rank Results of Candidate Matching Regions区域编号 综合评定值 排序 1 2.033 5 10 2 2.774 0 6 3 3.431 6 2 4 2.165 1 8 5 1.680 1 13 6 1.927 8 11 7 2.291 1 7 8 1.499 8 14 9 4.170 7 1 10 2.775 5 4 11 0.954 0 16 12 2.775 1 5 13 1.869 3 12 14 2.872 6 3 15 1.394 1 15 16 2.144 4 9 由表 1可知，若分别以地磁粗糙度、地磁坡度作为评价依据，9号区域适配性最好；若以地磁信息熵作为评价依据，3号区域适配性最优。由此可知，利用单一特征参数作为评价依据所得结果并不一致。因此，单一地磁图特征参数作为候选匹配区适配性评价依据进行分析存在不合理性，而基于模糊决策理论能够综合主要特征参数进行加权分析，构建出综合评价值来评定候选匹配区的适配性。
为了验证基于模糊决策理论的地磁图适配性评估方法所得综合评定结果的正确性和可靠性，本文采用基于地磁异常的UKF滤波算法，选取16个候选匹配区当中的9号(排序1)、4号(排序8)和11号(排序16)3块区域进行仿真实验。在航迹仿真实验中，设置了航迹1和航迹2两条航迹进行验证分析。水下自主航行器(autonomous underwater vehicle，AUV)的运动状态如下：先进行匀加速运动，再匀速运动，然后转弯，最后变成匀速状态。惯导航迹仿真参数设置如表 3所示，区域9、4、11的仿真航迹结果分别如图 2、图 3、图 4所示。
表 3 仿真参数设置Table 3. Simulation Parameter Setting参数 参数值 惯性导航初始经度误差/n mile 2 惯性导航初始纬度误差/n mile 2 陀螺零偏/((°)·h-1) 0.01 加表零偏/(m·s-2) 1×10-5 AUV匀速运动速度/(n mile·h-1) 9.7 AUV偏航角/(°) 50 AUV航行时间/h 10.29 惯性导航初始状态方差/(°)2 0.001 地磁图噪声方差/(nT)2 10 地磁测量噪声方差/(nT)2 10 综合两条航迹，对9号、4号以及11号候选匹配区分别沿经度和纬度方向对基于UKF滤波方法的绝对匹配误差进行统计，结果如表 4所示。
表 4 绝对匹配误差统计值Table 4. Statistics of Absolute Matching Errors方向 编号 最大值/n mile 最小值/n mile 平均值/n mile 均方误差/n mile 纬向 9 1.869 6 0.003 1 0.935 7 0.332 0 4 4.493 2 0.003 2 2.332 3 2.186 0 11 18.897 5 0.028 6 10.584 4 6.002 7 经向 9 1.375 1 0.009 8 0.892 8 0.384 7 4 4.895 4 0.010 2 2.707 0 2.133 4 11 12.907 7 0.106 5 8.146 9 5.899 1 由图 2~4可知，9号区域较4号区域的匹配航迹更接近真实轨迹，11号区域则在匹配过程中出现误匹配现象。由表 4仿真实验结果可得，综合评价值更高的区域，纬向和经向绝对匹配误差也越小。实验结果表明，综合评价值高的区域其适配性能更好，可以选取相应区域作为适配区。
4 结语
本文提出了基于模糊决策理论的地磁图适配性分析方法，对图 1中的各个候选匹配区的适配性进行定量分析，得出综合评价值作为评价依据，并且进行航迹仿真实验验证了该方法的可靠性。实验结果表明，基于模糊决策的地磁图适配性分析结果与仿真实验结果具有较好的一致性，且综合评价值越高，匹配效果越好。且该方法解决了仅依据单一评价指标进行分析的不全面问题，得出综合评价值作为地磁图适配性优劣评判的定量分析依据，对航迹规划问题也具有一定指导意义。
-
![]()
图 5 参与空三的点云(约106个连接点)
Figure 5. Point-Cloud of Aerotriangulation (Around 1 Million Tie-Points)
![]()
图 6 平差方法1(蓝)与平差方法2(红)的人工刺点侧视与下视坐标差值
Figure 6. Coordinate Differences Between Side-view Image Forward Intersection and Bottom-view Image Forward Intersection for 25 Checkpoints (Blue: the Result of Bundle Adjustment Model 1,Red: the Result of Bundle Adjustment Model 2)
![]()
图 7 五镜头共15张影像的密集三维点云
Figure 7. 3D Dense Point-Cloud of the Test Area (from Fifteen Oblique Images)
表 1 实验影像数据关系
Table 1 Relationship Between Experimental Image and Its Bottom-View Image at the Same Camera Station
相机名 影像名 单视影像张数/张 对应同时刻曝光下视影像名 对应航带 A相机 07025AR0031~36；05020AR0031~40 16 07025ER0031~36；05020ER0031~40 25；20 B相机 07023BR0036~42；10022BR0035~42 15 07023ER0036~42；10022ER0035~42 23；22 C相机 07024CR0043~50；05021CR0031~38 16 07024ER0043~50；05021ER0031~38 24；21 D相机 07023DR0023~32；10022DR0027~32 13 07023ER0023~32；10022ER0027~32 23；22 E相机 07023ER0031~37；10022ER0032~37 13 07023ER0031~37；10022ER0032~37 23；22 总张数/张 73 65 
下载: 导出CSV
表 2 两种光束法平差模型的空三精度比较(像元大小为6 μm)
Table 2 Comparison of Aerotriangulation Accuracy for Two Bundle Adjustment Models (Pixel Size: 6 μm)
平差方法1 平差方法2 迭代次数/次 3 3 单位权中误差/μm 2.740 505 2.743 400 像点最大残差/μm 11.2 11.8 像点平均残差/μm 1.610 909 1.612 831 ΔX最大值/m 0.518 332 0.523 301 ΔX平均值/m 0.117 331 0.118 542 ΔY最大值/m 0.233 792 0.236 428 ΔY平均值/m 0.094 365 0.101 304 ΔZ最大值/m 0.500 458 0.506 545 ΔZ平均值/m 0.160 64 0.164 913
下载: 导出CSV
表 3 侧视(左/右、前/后)相机与下视相机之间的相对姿态参数平差前后对比
Table 3 Comparison of the Relative Attitude Parameters Between the Two Side- and Bottom- View Cameras Before and After Bundle Adjustment
相对姿态参数 A相机-E相机 C相机-E相机 D相机-E相机 B相机-E相机 初始值 差值 初始值 差值 初始值 差值 初始值 差值 X/m 0.146 -0.051 4 -0.111 0.058 5 -0.027 0.242 8 0.045 -0.236 9 Y/m -0.004 -0.003 9 -0.014 0.027 2 -0.121 0.268 2 0.149 0.186 3 Z/m 0.003 -0.022 9 0.037 -0.006 9 0.018 -0.293 8 0.026 -0.333 4 φ/(°) -44.800 2 0.000 0 44.913 33 0.000 0 -1.437 79 -0.004 3 0.230 507 -0.010 7 w/(°) -0.581 43 0.000 0 0.499 547 0.000 0 45.147 42 0.038 7 -44.607 8 -0.033 4 κ/(°) 90.153 45 0.000 0 -89.844 4 0.000 0 1.183 133 0.015 7 -179.615 0.004 9 注：差值=结算值-初始值。
下载: 导出CSV
表 4 两种平差模型的优点和适用范围
Table 4 Advantages and Adoption Scopes of the Two Bundle Adjustment Models
优点 适用范围 平差方法1 解算精度高，适用范围广 相对姿态变化，各视相机曝光延迟大 平差方法2 未知数少，解算更加稳定 相对姿态稳定，且各视相机曝光延迟小
下载: 导出CSV
-
[1] Zebedin L, Klaus A, Geymayer B G, et al. Towards 3D Map Generation from Digital Aerial Images[J]. Journal of Photogrammetry and Remote Sensing, 2006, 60(6):413-427
[2] Nguyen H M, Wunsche B, Delmas P, et al. High-Definition Texture Reconstruction for 3D Image-based Modeling[C]. The 21st International Conference in Central Europe on Computer Graphics, Visualization and Computer Vision, Plzen, 2013
[3] Fritsch D, Rothermel M. Oblique Image Data Processing:Potential, Experience, Recommendations[EB/OL]. http://www.ifp.uni-stuttgart.de/publications/phowo13/090Fritsch.pdf, 2015
[4] 肖雄武,郭丙轩,李德仁,等. 一种具有仿射不变性的倾斜影像快速匹配方法[J].测绘学报,2015,44(4):414-421 Xiao Xiongwu, Guo Bingxuan, Li Deren, et al. A Quick and Affine Invariance Matching Method for Oblique Images[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(4):414-421
[5] Hu H, Zhu Q, Du Z, et al. Reliable Spatial Relationship Constrained Feature Point Matching of Oblique Aerial Images[J]. Photogrammetric Engineering & Remote Sensing, 2015, 81(1):49-58
[6] Richard H, Andrew Z. Multiple View Geometry in Computer Vision[M]. 2nd ed. United Kingdom:Cambridge University Press, 2003:116-127, 153-158, 239-261, 325-343
[7] 肖雄武,李德仁,郭丙轩,等.一种具有视点不变性的倾斜影像快速匹配方法[J/OL].武汉大学学报·信息科学版,2015,DOI:10.13203/j.whugis20140405 Xiao Xiongwu, Li Deren, Guo Bingxuan, et al. A Robust and Rapid Viewpoint-Invariant Matching Method for Oblique Images[J/OL]. Geomatics and Information Science of Wuhan University, 2015, DOI:10.13203/j.whugis20140405
[8] 张剑清,潘励,王树根.摄影测量学[M].2版.武汉:武汉大学出版社,2009:54-64,87-116,173-178 Zhang Jianqing, Pan Li, Wang Shugen. Photogrammetry[M]. 2nd ed. Wuhan:Wuhan University Press, 2009:54-64, 87-116, 173-178
[9] 李德仁,袁修孝.误差处理与可靠性理论[M].2版.武汉:武汉大学出版社,2012:44-62 Li Deren, Yuan Xiuxiao. Error Processing and Reliability Theory[M]. 2nd ed. Wuhan:Wuhan University Press, 2012:44-62
[10] Hirschmuller H. Stereo Processing by Semi-global Matching and Mutual Information[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2008, 30(2):328-341
[11] Rothermel M, Wenzel K, Fritsch D, et al. SURE:Photogrammetric Surface Reconstruction from Imagery[OL]. The LC3D Workshop, http://www.ifp.uni-stuttgart.de/publications/2012/Rothermel_etal_lc3d.pdf, 2012
[12] Furukawa Y, Ponce J. Accurate, Dense, and Robust Multiview Stereopsis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(8):1362-1376
[13] Labatut P, Pons J P, Keriven R. Efficient Multi-view Reconstruction of Large-Scale Scenes Using Interest Points, Delaunay Triangulation and Graph Cuts[C]. IEEE International Conference on Computer Vision, Rio de Janeiro, 2007
[14] Labatut P, Pons J P, Keriven R. Robust and Efficient Surface Reconstruction from Range Data[J]. Computer Graphics Forum, 2009, 28(8):2275-2290
[15] Kazhdan M, Bolitho M, Hoppe H. Poisson Surface Reconstruction[C]. The 4th Eurographics Symposium on Geometry Processing, Switzerland, 2006
[16] Kazhdan M, Hoppe H. Screened Poisson Surface Reconstruction[J]. ACM Transactions on Graphics, 2013, 32(3):1-13
[17] Bornik A, Karner K, Bauer J, et al. High Quality Texture Reconstruction from Multiple Views[J]. The Journal of Visualization and Computer Animation, 2001, 12(5):263-276
[18] 张春森,张卫龙,郭丙轩,等.倾斜影像的三维纹理快速重建[J].测绘学报,2015,44(7):782-790 Zhang Chunsen, Zhang Weilong, Guo Bingxuan, et al. Rapidly 3D Texture Reconstruction Based on Oblique Photography[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(7):782-790
[19] David G L. Distinctive Image Features from Scale-Invariant Keypoints[J]. International Journal of Computer Vision, 2004, 60(2):91-110
[20] 肖雄武.基于特征不变的倾斜影像匹配算法研究与应用[D].西安:西安科技大学,2014 Xiao Xiongwu. The Research and Application of Oblique Images Matching Methods Based on Invariant Features[D]. Xi'an:Xi'an University of Science and Technology, 2014
[21] 时月茹.SWDC-5倾斜影像光束法平差研究与实现[D].武汉:武汉大学,2014 Shi Yueru. Research and Achievement of SWDC-5 Oblique Image Bundle Adjustment[D]. Wuhan:Wuhan University, 2014
[22] Fraser C S. Digital Camera Self-Calibration[J]. Journal of Photogrammetry and Remote Sensing, 1997, 52:149-159
[23] Harris C, Stephens M. A Combined Corner and Edge Detector[C]. The 4th Alvey Vision Conference, Manchester, 1988
[24] 肖雄武,郭丙轩,潘飞,等.利用泰勒展开的点特征子像素定位方法[J].武汉大学学报·信息科学版, 2014,39(10):1231-1235 Xiao Xiongwu, Guo Bingxuan, Pan Fei, et al. Sub-pixel Location of Feature Point Based on Taylor Expansion and Its Application[J]. Geomatics and Information Science of Wuhan University, 2014, 39(10):1231-1235
[25] Zhang Z. Flexible Camera Calibration by Viewing a Plane from Unknown Orientations[C]. IEEE International Conference on Computer Vision, Kerkyra, 1999
[26] Klippenstein J, Zhang H. Quantitative Evaluation of Feature Extractors for Visual SLAM[C]. The 4th Canadian Conference on Computer and Robot Vision, IEEE Computer Society, Ontario, 2007
[27] Xiao X, Guo B, Li D, et al. Multi-View Stereo Matching Based on Self-Adaptive Patch and Image Grouping for Multiple Unmanned Aerial Vehicle Imagery[J]. Remote Sensing, 2016, 8(2):89
[28] Lorensen W E, Cline H E. Marching Cubes:A High Resolution 3D Surface Construction Algorithm[J]. Computers and Graphics, 1987, 21(4):163-169
[29] 李德仁,刘立坤,邵振峰.集成倾斜航空摄影测量和地面移动测量技术的城市环境监测[J].武汉大学学报·信息科学版,2015,40(4):427-435 Li Deren, Liu Likun, Shao Zhenfeng. An Integration of Aerial Oblique Photogrammetry and Mobile Mapping System for Urban Geographical Conditions Monitoring[J]. Geomatics and Information Science of Wuhan University, 2015, 40(4):427-435
[30] 龚健雅,崔婷婷,单杰,等.利用车载移动测量数据的建筑物立面建模方法[J]. 武汉大学学报·信息科学版,2015,40(9):1137-1143 Gong Jianya, Cui Tingting, Shan Jie, et al. A Survey on Facade Modeling Using LiDAR Point Clouds and Image Sequences Collected by Mobile Mapping Systems[J]. Geomatics and Information Science of Wuhan University, 2015, 40(9):1137-1143
计量
- 文章访问数: 4151
- HTML全文浏览量: 273
- PDF下载量: 1122
