图2.27为DN-SfM、MCN-SfM、TCN-SfM算法和本研究算法SCN-SfM对实验1中数据三维重建的结果。结果表明：（1）本研究SCN-SfM算法的重建点云与DN-SfM和TCN-SfM算法的重建点云基本一致，保持了重建区域的完整性。（2）MCN-SfM算法的重建点云在研究区的中部有部分重建点云缺失，且缺失的部分沿航线方向成线性分布，其原因为MCN中删除了部分影像导致局部特征匹配不足，三维重建失败。本研究对实验2、3数据的重建结果如图2.28、图2.29所示。其结果表明，4种方法的重建点云基本一致，均重建出了实验区域的全部覆盖范围。表2.6和表2.7中分别列出了上述方法三维重建过程用到的影像数目和重建的稀疏点数，从定量的角度验证了上述结果。
图2.26 不同SfM算法的特征匹配结果
（a）DN-SfM；（b）MCN-SfM；（c）TCN-SfM；（d）SCN-SfM
图2.27 不同SfM算法对实验1数据的重建结果
（a）DN-SfM；（b）MCN-SfM；（c）TCN-SfM；（d）SCN-SfM
(www.xing528.com)
图2.29 不同SfM算法对实验3数据的重建结果
表2.6 不同SfM算法重建所用的影像数
表2.7 不同SfM算法重建稀疏点数
此外，本研究选取了包含947张低空影像的数据集测试SCN-SfM算法处理大数据影像集的能力。该实验区域同实验1，以徐州市中国矿业大学（南湖校区）为中心，覆盖周边范围约2.5 km2；地物类型与实验1相同，包含植被、道路和建筑群等。图2.30为利用SCN-SfM算法重建得到的该研究区三维点云模型，结果表明：共有745张影像参与了重建，其结果几乎覆盖了实验区的全部范围；地物细节较为明显的城区重建效果较好，而在实验区边缘及航线的拐点覆盖区域未重建出相应点云。分析原因为：（1）该区域影像中纹理信息变化小且地物类型单一，使得提取的SIFT特征点数目较少且相似度较大，导致匹配特征点数目较少，重建失败（实线标示区域）。（2）邻接影像的重叠度过低导致影像匹配点过少，重建失败（虚线标示区域）（许志华等，2015）。上述结果反映了SfM算法的局限性。Snavely（2008）对可能造成SfM算法重建失败的原因做了详细说明，其他可能原因还有初始重建影像对的基线过短或累积投影误差过大等。
图2.30 SCN-SfM算法对947张低空影像的重建结果
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
