歐陽歡，范大昭，紀(jì) 松，雷 蓉

信息工程大學(xué)地理空間信息學(xué)院，河南 鄭州 450001

線特征是立體場景的重要組成之一，以線特征作為描述基元可簡化目標(biāo)結(jié)構(gòu)的三維表示且更符合人類視覺感知的特點(diǎn)。在傳統(tǒng)的三維重建過程中，由影像匹配所得的同名點(diǎn)基本不定位在邊緣，這使得重建結(jié)果缺失了場景的幾何和結(jié)構(gòu)信息。相比之下，線特征對于目標(biāo)輪廓的描述優(yōu)勢明顯，且具有豐富的語義信息。融入線特征匹配結(jié)果可彌補(bǔ)現(xiàn)有匹配方式的不足，在強(qiáng)化目標(biāo)結(jié)構(gòu)表達(dá)的同時(shí)拓展影像匹配的方法和模式。

如今，點(diǎn)特征匹配技術(shù)已相對成熟[1-5]，而線特征匹配技術(shù)仍面臨著線特征提取不完全、端點(diǎn)不固定、斷裂線阻礙匹配等諸多問題。對于直線匹配，經(jīng)典方法多利用直線的固有屬性進(jìn)行匹配，如直線的長度、夾角、鄰域信息、端點(diǎn)位置等[6-9]。文獻(xiàn)[10]提出利用顏色特征結(jié)合拓?fù)錇V波的方式進(jìn)行直線匹配，對于紋理匱乏場景中的匹配具有優(yōu)越性，但需迭代求解，因此消耗較大。文獻(xiàn)[11]引入不同高程的投影平面作為約束，通過聯(lián)合像方與物方的相似性共同確定同名直線，保證了匹配的可靠性。文獻(xiàn)[12]認(rèn)為相鄰線特征的共面概率高，并以此為先驗(yàn)利用相鄰直線構(gòu)造V字形連接點(diǎn)進(jìn)而實(shí)現(xiàn)直線匹配。文獻(xiàn)[13—14]利用直線與其鄰域內(nèi)同名點(diǎn)的幾何關(guān)系建立投影、仿射不變量作為描述子進(jìn)行直線匹配，此類方法對于誤匹配點(diǎn)及共面條件具有較強(qiáng)的容錯(cuò)性，匹配正確率較高。文獻(xiàn)[15]利用已知同名點(diǎn)生成虛擬直線，再通過虛擬直線與目標(biāo)直線的交點(diǎn)構(gòu)造交比不變量，有效實(shí)現(xiàn)了直線匹配及三維重建。文獻(xiàn)[16—17]通過一些直線共有特征進(jìn)行編組，依據(jù)組直線間的拓?fù)潢P(guān)系進(jìn)行整體匹配，此類方法抗噪性好，但也存在計(jì)算復(fù)雜度高，對圖像的視點(diǎn)變換及幾何變形適應(yīng)性不強(qiáng)等問題。

直線易于參數(shù)化描述，匹配可利用的約束條件也更多，而曲線則不具備這些優(yōu)勢，匹配難度相對較大。文獻(xiàn)[18]利用幾何互相關(guān)約束的方法對線上關(guān)鍵點(diǎn)進(jìn)行匹配，進(jìn)而實(shí)現(xiàn)了曲線的多視匹配及重建。文獻(xiàn)[19]對曲線的描述進(jìn)行了探索，提出了鏈碼描述、幾何性質(zhì)描述、線段分割序列描述等，但多是基于曲線形態(tài)的全局描述符，對曲線的完整性要求很高。文獻(xiàn)[20]利用曲線上的特征點(diǎn)構(gòu)造弦高比來描述曲線，此法對斷裂線特征匹配有一定的效果，但對曲線變形十分敏感。文獻(xiàn)[21]依據(jù)線支持區(qū)中的像素亮度關(guān)系進(jìn)行子區(qū)域劃分，設(shè)計(jì)了基于亮度序的均值標(biāo)準(zhǔn)差描述符以完成曲線匹配，此法受線支持區(qū)變化的影響較大，且不具有尺度不變性。

為解決線特征因遮擋、變形及提取算法限制等帶來的匹配問題，本文聯(lián)合點(diǎn)特征匹配的優(yōu)勢，通過對線特征進(jìn)行離散化描述并結(jié)合同名點(diǎn)約束進(jìn)而實(shí)現(xiàn)線特征匹配。算法具有應(yīng)對復(fù)雜匹配問題的能力，保證了匹配的可靠性。

1 航空影像線特征匹配

由于缺少嚴(yán)格的約束條件和穩(wěn)定的描述符，線特征匹配技術(shù)仍面臨著極大挑戰(zhàn)。在航空影像中，線特征經(jīng)常出現(xiàn)遮擋、斷裂及變形等情況，因而難以利用基于形態(tài)的全局描述符對其進(jìn)行描述和匹配。為此，本文首先采用“以點(diǎn)代線”的方式，將線看作離散點(diǎn)集，通過統(tǒng)計(jì)線上同名點(diǎn)的分布情況來確定線特征的初匹配結(jié)果；然后再根據(jù)已知同名點(diǎn)，利用點(diǎn)、線間的距離關(guān)系構(gòu)造仿射不變量對匹配結(jié)果進(jìn)行核驗(yàn)，從而增強(qiáng)匹配的可靠性。綜上，本文算法主要包括3部分內(nèi)容：①線特征提取與候選線特征確定；②線上離散點(diǎn)匹配及線特征初匹配；③基于點(diǎn)線距離關(guān)系的匹配結(jié)果核驗(yàn)。算法的整體流程如圖1所示。

圖1 線特征匹配算法流程Fig.1 Flow chart of line matching

1.1 線上離散點(diǎn)匹配

1.1.1 單應(yīng)性約束

單應(yīng)性為兩平面間的映射關(guān)系。由于航空影像攝影時(shí)的航高較高，對于存在地形起伏的區(qū)域，物方雖不能看作平面，但仍可利用單應(yīng)性矩陣進(jìn)行匹配區(qū)域限定，實(shí)現(xiàn)對應(yīng)線特征之間的位置約束。兩平面之間的對應(yīng)關(guān)系可表示為

(1)

式中，p與p′為兩幅影像中的對應(yīng)點(diǎn)；單應(yīng)性矩陣H為3階矩陣。根據(jù)式(1)，利用4對及以上同名點(diǎn)即可確定H。接著再通過H將目標(biāo)圖像中的邊緣點(diǎn)映射到待匹配圖像中，并將與映射點(diǎn)距離小于Td的區(qū)域設(shè)置為感興趣區(qū)域，以限制搜索范圍。

1.1.2 核線約束

(2)

p′TFp=0

(3)

圖2 線上離散點(diǎn)的匹配約束Fig.2 Matching constraints of the discrete points on the line

1.1.3 線上離散點(diǎn)匹配

線上離散點(diǎn)的匹配結(jié)果直接影響線特征匹配的正確率。當(dāng)視點(diǎn)變換時(shí)，線特征非共面一側(cè)的紋理可能發(fā)生變化。為使算法具有適應(yīng)復(fù)雜匹配條件的能力，本文采用如下方法來構(gòu)造描述符并匹配：

(1) 主方向確定。將線特征的方向作為離散點(diǎn)的主方向可使描述符具備旋轉(zhuǎn)不變性且不易受噪聲和區(qū)域變形等因素的影響。以直線為例，設(shè)直線方程為ax+by+c=0，則其方向V可定義為

(4)

式中，向量u為線上各點(diǎn)平均梯度方向；向量v=(b,-a)T。在確定目標(biāo)線特征的方向V后，待匹配線特征的方向可通過影像間的映射關(guān)系將目標(biāo)線特征的方向向量映射到待匹配影像中，并選擇與此向量夾角較小的待匹配線特征方向作為線上離散點(diǎn)的主方向。

(2) 尺度選擇。為使描述符具備尺度不變性，需確定影像間的尺度關(guān)系。由于尺度變換對鄰域梯度計(jì)算和形狀特征描述沒有太大影響，因此，本文將圖像尺度變換等價(jià)于比例變化。文獻(xiàn)[23]證明了圖像縮放對相等比例的局部鄰域內(nèi)對應(yīng)點(diǎn)的梯度具有不變性。由此，可以通過已知同名點(diǎn)間的單應(yīng)性關(guān)系來確定描述子間的相對尺度sr。設(shè)目標(biāo)點(diǎn)所在尺度為s′，則尺度s可確定為

(5)

(3) 描述符構(gòu)建。將坐標(biāo)軸旋轉(zhuǎn)至離散點(diǎn)的主方向，對兩幅圖像建立其在尺度s的圖像；以離散點(diǎn)為中心選取16×16的窗口并計(jì)算窗口內(nèi)每個(gè)像素的梯度，通過高斯窗口對其進(jìn)行加權(quán)運(yùn)算，再將窗口合并為4×4的子塊并統(tǒng)計(jì)每個(gè)子塊在8個(gè)方向的梯度累加值[1]；利用直線兩側(cè)的4×2子塊分別生成64維描述子，將向量歸一化即可去除光照影響，形成兩個(gè)離散點(diǎn)的描述符。

(4) 描述符匹配。以歐氏距離作為相似性測度對兩側(cè)描述符分別進(jìn)行匹配，選取相似性測度較大的一側(cè)作為離散點(diǎn)的匹配結(jié)果。

1.2 線特征匹配

1.2.1 線特征初匹配

對于目標(biāo)線特征上的點(diǎn)，通過1.1節(jié)所述匹配方法將相似性測度最大的點(diǎn)確定為同名點(diǎn)，進(jìn)而確定同名點(diǎn)所在的線特征。本文采用線上點(diǎn)逐像素匹配的方法，即離散點(diǎn)以整像素的形式逐一進(jìn)行匹配，并建立累計(jì)分布矩陣統(tǒng)計(jì)線上同名點(diǎn)的分布情況。由于各組線特征的重疊區(qū)域大小各不相同，選擇利用同名點(diǎn)數(shù)量在重疊區(qū)域中所占比重Tr來確定線特征初匹配結(jié)果。Tr越大即代表該組為同名線特征的概率越大。圖3為線特征匹配過程示意圖。圖3(a)中虛線連接的點(diǎn)為匹配所得的線上同名點(diǎn)，箭頭所指為該對同名點(diǎn)對累計(jì)分布矩陣(圖3(b))的相應(yīng)位置進(jìn)行投票；當(dāng)影像中所有的線上同名點(diǎn)投票完畢后，由其分布情況所確定的匹配結(jié)果如圖3(c)所示。可以看出，累計(jì)分布矩陣可以保留所有可能的匹配結(jié)果，有效實(shí)現(xiàn)了斷裂線特征的多對多匹配。

圖3 線特征匹配過程示意圖Fig.3 Schematic figure of line matching process

1.2.2 匹配結(jié)果核驗(yàn)

(6)

(7)

式中，D(X,X,l)即為仿射不變量，此不變量可用于匹配結(jié)果的核驗(yàn)。由于線支持區(qū)內(nèi)的多組同名點(diǎn)中可能存在誤匹配，這將導(dǎo)致不變量構(gòu)建失敗。為解決這一問題，首先選取一組同名點(diǎn)作為基礎(chǔ)點(diǎn)，利用剩余的同名點(diǎn)作為參考點(diǎn)依次與其組成不變量并計(jì)算相似性

(8)

通過式(8)，一對基礎(chǔ)點(diǎn)即可計(jì)算一組相似性判別結(jié)果。為減小誤匹配點(diǎn)帶來的影響，選擇這組相似性的中位數(shù)作為該基礎(chǔ)點(diǎn)對應(yīng)的計(jì)算結(jié)果。接著逐一替換基礎(chǔ)點(diǎn)，由此可得各基礎(chǔ)點(diǎn)所對應(yīng)的中位數(shù)，并將這組中位數(shù)的最大值作為同名點(diǎn)所在一側(cè)的相似性。由于無法預(yù)先確定共面一側(cè)，因此對線特征兩側(cè)分別計(jì)算相似性，選擇相似性大的一側(cè)作為最終結(jié)果以降低誤判概率。

在直線段兩側(cè)分別設(shè)定中垂線方向兩倍于直線段長度的矩形為線支持區(qū)。構(gòu)建不變量所需的同名點(diǎn)在支持區(qū)中很容易找到，此種方法在含有一定誤匹配點(diǎn)的情況下仍能得到正確的匹配結(jié)果。由于線的誤匹配問題大多存在于非一對一匹配中，因此本文僅對非一對一匹配結(jié)果進(jìn)行核驗(yàn)，若兩直線滿足上述仿射不變關(guān)系，即兩不變量的相似性大于閾值Tc，則確定為同名線特征，否則將視為誤匹配被剔除。

1.3 曲線匹配

圖4 虛擬直線構(gòu)造示意圖Fig.4 Virtual line selection

試驗(yàn)中，由于少量曲線過于卷曲，因而難以確定虛擬直線，而多條面與面的交線所組成的曲線也會(huì)導(dǎo)致所構(gòu)造的虛擬直線找不到共面同名點(diǎn)，最終產(chǎn)生誤判。為解決上述問題，選擇在一次匹配之后將長度較長的曲線在其高曲率點(diǎn)打斷后再進(jìn)行一次匹配。由于此類曲線的數(shù)量較少，因此一次迭代僅需較小的計(jì)算代價(jià)即可實(shí)現(xiàn)。

2 試驗(yàn)結(jié)果及分析

為驗(yàn)證所提線特征匹配算法的有效性，本文采用AMC580相機(jī)系統(tǒng)獲得的航空影像進(jìn)行匹配試驗(yàn)。試驗(yàn)環(huán)境為Core i5 2.5 GHz，內(nèi)存8 GB，Windows操作平臺(tái)，編程平臺(tái)為Visual Studio 2010，編程語言為C++。AMC580相機(jī)系統(tǒng)是由垂直和傾斜成像的5部相機(jī)組合而成；試驗(yàn)采用該系統(tǒng)于2016年在鄭州地區(qū)獲取的影像作為原始數(shù)據(jù)，成像區(qū)域均為包含建筑物的城市區(qū)域，攝影航高1000 m；6組試驗(yàn)影像如圖5所示，影像中分別存在亮度變換、旋轉(zhuǎn)變換、尺度變換、相似紋理、部分遮擋及視點(diǎn)變換等復(fù)雜匹配問題。

圖5 試驗(yàn)航空影像Fig.5 Aerial image sets

2.1 匹配參數(shù)設(shè)置

匹配過程中涉及一些參數(shù)。其中部分參數(shù)主要影響線特征提取數(shù)量，其波動(dòng)對匹配結(jié)果沒有太大影響，可依照實(shí)際需求進(jìn)行設(shè)置。此外，算法還需要初始同名點(diǎn)作為先驗(yàn)來計(jì)算單應(yīng)性矩陣、基礎(chǔ)矩陣及進(jìn)行匹配結(jié)果核驗(yàn)，所需同名點(diǎn)均為SIFT特征匹配所得，參數(shù)依照文獻(xiàn)[1]建議值設(shè)置。而對于線特征匹配，參數(shù)Td、Tr、Tc對算法的可用性有較大影響。本文針對試驗(yàn)影像，對上述參數(shù)的取值情況進(jìn)行分析。

(1) 閾值Td的設(shè)定。Td是限定單應(yīng)性約束范圍的閾值，用于精簡候選線特征數(shù)量。Td越大則候選線特征數(shù)量越多，匹配時(shí)間也隨之上升。但受地面起伏的影響，當(dāng)Td過小時(shí)則限定區(qū)域中可能未包含正確的匹配結(jié)果。結(jié)合試驗(yàn)影像的特點(diǎn)及城市區(qū)域的起伏狀況，最終設(shè)定Td為70像素，實(shí)際應(yīng)用中Td應(yīng)分塊確定為宜。

(2) 閾值Tr的設(shè)定。Tr用于衡量線上同名點(diǎn)數(shù)量占重疊區(qū)域的比重，主要影響初匹配結(jié)果。初匹配需保證一對一匹配的正確率。利用圖5(a)組影像進(jìn)行試驗(yàn)，通過統(tǒng)計(jì)Tr變化對匹配結(jié)果的影響以確定參數(shù)取值(采用2.2節(jié)所述方法進(jìn)行直線提取和匹配，下同)。為降低偶然因素的影響，只有當(dāng)線上同名點(diǎn)數(shù)量多于5個(gè)才認(rèn)為是候選線特征。Tr從0.3到0.85間隔0.05采樣，所得正確匹配數(shù)量，誤匹配數(shù)量及非一對一匹配數(shù)量隨參數(shù)變化情況如圖6(a)所示。觀察可知，當(dāng)Tr取值大于0.65時(shí)，一對一正確匹配數(shù)量下降明顯，而一對一錯(cuò)誤匹配和非一對一匹配的數(shù)量也不斷減少。為保證一對一匹配的數(shù)量和正確率，選擇將Tr設(shè)置為0.65。

(3) 閾值Tc的設(shè)定。Tc用于判別不變量的相似度。可見Tc值越大則誤匹配篩選越嚴(yán)格。為確定Tc的取值，選取圖5(f)組影像，統(tǒng)計(jì)Tc不同取值對匹配正確率的影響，設(shè)定Tc從0.86至1.0間隔0.1采樣。由圖6(b)可以看出，當(dāng)Tc在大于0.94時(shí)線特征的誤匹配較少。為在減少誤匹配的同時(shí)盡可能保留正確的匹配結(jié)果，本文將Tc設(shè)置為0.95。

圖6 匹配參數(shù)設(shè)置Fig.6 Parameters selection

2.2 直線匹配

LSD是一種直線段檢測器[24]，可得到子像素級的直線提取結(jié)果并具有較高的檢測準(zhǔn)確率。本文以LSD算法提取的直線段為基元進(jìn)行匹配試驗(yàn)。為了減少誤檢直線對匹配的影響，在此僅利用20像素以上的直線進(jìn)行匹配。試驗(yàn)影像的匹配結(jié)果如圖7所示。其中，線特征被隨機(jī)標(biāo)記為紅、綠、藍(lán)3種顏色，同名線特征的顏色相同。

可以看出，本文算法在應(yīng)對復(fù)雜匹配條件時(shí)表現(xiàn)出較好的穩(wěn)健性。算法繼承了點(diǎn)特征描述符的不變性，可避免因直線提取不完整造成支持區(qū)不一致的問題，且在直線存在部分遮擋時(shí)也表現(xiàn)出較好的適應(yīng)性。同時(shí)，通過引入點(diǎn)線距離關(guān)系作為約束對非一對一匹配結(jié)果進(jìn)行驗(yàn)證，對于非一對一匹配可得到滿足局部特征和點(diǎn)線距離關(guān)系雙重約束的匹配結(jié)果，降低了誤匹配概率。為評價(jià)本文算法的匹配效果，選取文獻(xiàn)[6，14]所提直線匹配算法進(jìn)行對比試驗(yàn)，3種算法針對試驗(yàn)圖像的匹配結(jié)果對比見表1。

表1 不同算法的直線匹配結(jié)果

文獻(xiàn)[6]算法利用線支持區(qū)來構(gòu)造整條線的描述符，并通過歸一化克服了直線長度變化對匹配的影響。該算法在應(yīng)對旋轉(zhuǎn)和亮度變換時(shí)具有一定的適用性，但在視點(diǎn)變換的情況下，線支持區(qū)非共面一側(cè)的紋理發(fā)生變化會(huì)使匹配受到一定影響。此外，該算法在影像尺度變換的情況下也會(huì)導(dǎo)致誤匹配。本文針對線特征鄰域特性設(shè)計(jì)局部不變描述符，降低了周圍紋理變化帶來的影響，也令匹配算法具有一定尺度不變性。再通過結(jié)合點(diǎn)線不變量對非一對一匹配進(jìn)行核驗(yàn)，降低了誤匹配概率，穩(wěn)定性明顯優(yōu)于文獻(xiàn)[6]算法。

文獻(xiàn)[14]算法利用直線鄰域內(nèi)的特征點(diǎn)到直線的距離比建立仿射不變描述子，再通過距離比的最大值和中位數(shù)判斷匹配結(jié)果。由于本文所用誤匹配剔除策略的核心與此相同，因此本文算法可以看作該算法的改進(jìn)。由表1可知，本文算法對于試驗(yàn)影像的平均匹配正確率略高于文獻(xiàn)[14]算法，在匹配數(shù)量上也多于該算法。這是因?yàn)楸疚乃惴ㄈ谌肓司€特征的鄰域相似性判別并將匹配結(jié)果區(qū)別開來進(jìn)行誤匹配剔除，使得算法的匹配準(zhǔn)確率更高，加之利用累計(jì)分布矩陣提取得到了所有可能的匹配結(jié)果，因此獲得的匹配結(jié)果數(shù)量更多。

圖7 直線匹配結(jié)果Fig.7 Results of line matching

圖8為3種匹配算法的單位運(yùn)行時(shí)間(線特征匹配時(shí)間與匹配總數(shù)之比)對比柱狀圖。由于本文算法僅對非一對一匹配結(jié)果進(jìn)行誤匹配檢驗(yàn)，而文獻(xiàn)[14]算法則需不斷地循環(huán)計(jì)算描述符并計(jì)算相似性，因此本文算法在匹配效率上優(yōu)于文獻(xiàn)[14]算法。相比文獻(xiàn)[6]算法，本文算法所需的單位運(yùn)行時(shí)間略高。本文算法所用的匹配約束條件有效精簡了候選線特征數(shù)量，加快了匹配速度，但誤匹配剔除相對耗時(shí)。相對而言，文獻(xiàn)[6]算法的匹配穩(wěn)定性難以適應(yīng)復(fù)雜的匹配條件，而本文算法的可用性強(qiáng)，在保證匹配可靠性的同時(shí)實(shí)現(xiàn)了線特征的快速匹配。

圖8 直線匹配的單位運(yùn)行時(shí)間對比Fig.8 Unit running time comparison of line matching

2.3 曲線匹配

本文利用Canny算子[25]提取影像中的曲線并匹配。為消除提取結(jié)果中的交叉線，首先遍歷所有邊緣點(diǎn)，判斷每個(gè)點(diǎn)的八鄰域內(nèi)是否存在互不相鄰的不少于3個(gè)方向的延伸線，若存在則認(rèn)為該點(diǎn)為交叉線連接點(diǎn)，并將其所連接的線特征由此斷開。另外，對閉合環(huán)采取在高曲率點(diǎn)打斷的方式再進(jìn)行整理?？紤]到長度較短或較為卷曲的線特征在重建過程中的作用不大，故僅利用最小外接矩邊長最大值大于18像素的曲線進(jìn)行匹配。匹配結(jié)果中，若高曲率點(diǎn)打斷曲線的其中一部分匹配成功，則整條曲線均視為匹配成功。

對于曲線匹配，針對圖5中6組試驗(yàn)影像的匹配正確率與所提直線匹配算法相當(dāng)，較好地實(shí)現(xiàn)了曲線匹配。在實(shí)際應(yīng)用中，由于一些人工地物的邊緣不能用直線完全表示，因此，曲線匹配是更具普適性的方法。圖9展示了一組城市區(qū)域影像利用本文所述的直線與曲線匹配算法所得的結(jié)果對比，圖中同色矩形框標(biāo)記的即為直線與曲線匹配的不同之處?？梢钥闯?，直線可以覆蓋大部分人工地物的邊緣，但無法描述和匹配部分不規(guī)則地物的輪廓。相比之下，曲線匹配技術(shù)則對匹配基元的形態(tài)沒有要求，算法的適用性更廣。

線特征匹配的目的是為了重建目標(biāo)地物的邊緣結(jié)構(gòu)，而曲線從邊緣表達(dá)完整性和普適性的角度講都是較優(yōu)的匹配基元，曲線匹配的研究更具實(shí)際意義。本文所述算法僅是對曲線匹配的一種探索，在應(yīng)對卷曲曲線的匹配問題時(shí)仍存在不足，且匹配結(jié)果也較為稀疏。隨著線特征提取與匹配技術(shù)的發(fā)展，曲線對地物邊緣結(jié)構(gòu)表達(dá)的優(yōu)勢會(huì)進(jìn)一步顯現(xiàn)。

圖9 直線匹配與曲線匹配Fig.9 Comparison of lines matching with curve matching

3 結(jié) 語

本文提出一種結(jié)合離散化描述與同名點(diǎn)約束的線特征匹配方法，通過統(tǒng)計(jì)線上同名點(diǎn)的分布情況判定線特征初匹配結(jié)果，并利用點(diǎn)線之間的距離關(guān)系對匹配結(jié)果進(jìn)行核驗(yàn)，減少了因線特征斷裂、變形帶來的匹配問題。試驗(yàn)結(jié)果表明，本文方法在應(yīng)對多種復(fù)雜匹配條件時(shí)表現(xiàn)均衡，穩(wěn)健性強(qiáng)。相應(yīng)的，算法也存在一定的局限性，如匹配可靠性仍受到點(diǎn)特征匹配的影響，在難以獲得初始同名點(diǎn)的區(qū)域，算法的適用性不強(qiáng)；對于紋理匱乏地區(qū)的線特征匹配問題仍有待于進(jìn)一步的探索。單一特征(點(diǎn)或線)的重建模型均有著各自的優(yōu)勢，而本文僅對線特征匹配技術(shù)進(jìn)行了探索，因此，多特征相結(jié)合的高精度DSM生成技術(shù)將是下一步的研究方向。