[论文解读] Quality Assessment of Image Matchers for DSM Generation - A Comparative Study Based on UAV Images

Rongjun Qin, Armin Gruen+1 more|arXiv (Cornell University)|Jan 1, 2014

3D Surveying and Cultural Heritage被引用 5

一句话总结

本研究评估了五款图像匹配软件包——APS、DLR-SGM、MICMAC、Pix4D 和 SURE——从 5 cm 地面采样间隔（GSD）的无人机（UAV）影像生成高分辨率数字表面模型（DSM）的表现。基于从移动激光雷达和人工立体测量获取的参考三维模型，通过最小二乘三维匹配（LS3D）对DSM进行共注册，结果显示 SURE 在仅建筑物场景中最为准确，其均方根误差（RMSE）和标准差（STD）最低，分别为 0.24 m。

ABSTRACT

Recently developed automatic dense image matching algorithms are now being implemented for DSM/DTM production, with their pixel-level surface generation capability offering the prospect of partially alleviating the need for manual and semi-automatic stereoscopic measurements. In this paper, five commercial/public software packages for 3D surface generation are evaluated, using 5cm GSD imagery recorded from a UAV. Generated surface models are assessed against point clouds generated from mobile LiDAR and manual stereoscopic measurements. The software packages considered are APS, MICMAC, SURE, Pix4UAV and an SGM implementation from DLR.

研究动机与目标

• 评估五款商业及开源密集图像匹配（DIM）软件包在高分辨率无人机影像上生成精确 DSM 的性能。
• 评估匹配器在真实城市环境中（包括复杂纹理、植被和人造结构）的准确性。
• 利用基于移动激光雷达和人工立体测量生成的高精度参考三维模型，量化 DSM 中的误差与错误。
• 为高分辨率无人机三维城市建模中的匹配器选择提供基准参考。

提出的方法

• 将五款 DIM 软件包——APS、DLR-SGM、MICMAC、Pix4D 和 SURE——应用于 354 m × 185 m 城市场景的 5 cm GSD 垂直无人机影像。
• 利用移动激光雷达点云和无人机影像的人工立体测量结果构建参考三维表面模型。
• 通过 LS3D 软件将各匹配器生成的 DSM 共注册至参考模型，该方法通过最小化匹配表面点之间欧氏距离的平方和来实现优化。
• 在三种场景下评估精度：完整 DSM、去除非树木区域的 DSM 和仅建筑物场景，指标包括 RMSE、标准差（STD）、平均误差以及错误检测（误差 >3×STD）。
• 通过直方图分析误差分布，并在正射影像上可视化以识别错误和空隙的空间分布模式。
• 将残差超过共注册过程标准差 3 倍的点定义为错误。

实验结果

研究问题

• RQ1 在复杂城市环境中，针对 5 cm GSD 无人机影像，哪款图像匹配器能生成最精确的 DSM？
• RQ2 匹配器性能指标（RMSE、STD、错误率）在不同地表类型（建筑物、道路、地形、植被）中的表现如何？
• RQ3 遮罩植被对匹配器准确性有何影响？在仅建筑物场景中性能表现有何差异？
• RQ4 不同匹配器在纹理丰富区域与均质区域中的误差分布与错误模式有何差异？
• RQ5 高分辨率无人机影像（5 cm GSD）在多大程度上对当前 DIM 算法构成挑战？其主要失效模式是什么？

主要发现

• SURE 在仅建筑物场景中实现了最低的 RMSE（0.24 m）和标准差（0.24 m），优于所有其他匹配器。
• 所有匹配器的整体 RMSE 范围为 0.24 m（SURE）至 0.51 m（APS），且 SURE 在所有测试案例中均表现出最小的标准差。
• 错误率差异显著：Pix4D 在完整 DSM 中错误率最高（2.77%），而 DLR-SGM 最低（2.19%），但绝对错误数量仍较高（如 DLR-SGM 有 97,903 个错误）。
• 所有匹配器在仅建筑物表面表现最佳，RMSE 从完整 DSM 的约 0.5 m 降低至仅建筑物场景的约 0.24 m，表明植被和复杂纹理会降低性能。
• 大错误（>0.8 m）主要集中在植被区域和建筑物边缘，尤其在均质纹理区域如平屋顶和游泳池周围。
• 尽管输入影像分辨率为 5 cm GSD，表现最佳的匹配器（SURE）在去除错误后仍保持 3–5 像素（15–25 cm）的精度水平，表明密集匹配仍面临持续挑战。