任超鋒， 蒲禹池， 張福強(qiáng)

(長(zhǎng)安大學(xué)地質(zhì)工程與測(cè)繪學(xué)院，西安 710054)

0 引言

無(wú)人機(jī)(unmanned aerial vehicle, UAV)低空攝影測(cè)量具有現(xiàn)勢(shì)性強(qiáng)、分辨率高、采集方式靈活、傳感器多樣化等優(yōu)點(diǎn)，近年來(lái)在應(yīng)急測(cè)繪[1]、城市三維重建[2]、滑坡地形重建[3]、文物三維重建[4]等領(lǐng)域得到了越來(lái)越廣泛的應(yīng)用。然而，由于低空UAV一般搭載非量測(cè)相機(jī)，且受平臺(tái)不穩(wěn)定性及傳感器多樣化等諸多因素影響，獲取的影像尺度不一致，且數(shù)據(jù)量龐大，為影像匹配帶來(lái)極大挑戰(zhàn)。此外，近年來(lái)新興的仿地飛行、環(huán)繞飛行、貼近飛行等數(shù)據(jù)獲取方式，更使傳統(tǒng)的影像匹配方法難以滿足需求。

影像匹配作為三維自動(dòng)重建的基礎(chǔ)環(huán)節(jié)，其效率與穩(wěn)健性對(duì)重建結(jié)果起著決定性作用。尤其針對(duì)復(fù)雜地形條件下的三維重建，能夠獲取的有效匹配像對(duì)越多，影像連接成功的概率也越高。總體上可將其分為2個(gè)環(huán)節(jié)： ①提取匹配像對(duì)，即從大數(shù)據(jù)量的遙感影像中按照一定方法提取具有重疊區(qū)的一對(duì)影像； ②按照影像匹配算法對(duì)提取的像對(duì)進(jìn)行雙像匹配提取匹配像對(duì)，獲取同名點(diǎn)列表。近年來(lái)，針對(duì)多角度、大傾角的無(wú)人機(jī)影像，文獻(xiàn)[5-7]在尺度不變特征變換(scale-invariant feature transform，SIFT)[8]和仿射尺度不變特征變換(affine-scale-invariant feature transform, ASIFT)[9]算法基礎(chǔ)上提出了相應(yīng)的匹配策略，同時(shí)借助圖形處理器(graphics processing unit, GPU)[10]并行運(yùn)算，這一類方法均可快速完成像對(duì)的同名點(diǎn)匹配。然而，如何從大量影像中提取匹配像對(duì)的研究還處于比較初級(jí)的研究階段。

在UAV影像匹配像對(duì)提取方面，文獻(xiàn)[11-12]采用窮舉遍歷策略，對(duì)影像集中任意兩兩影像進(jìn)行匹配。該類方法可靠性最高，但存在大量盲目的無(wú)效運(yùn)算，效率太低； 文獻(xiàn)[13]利用影像初始地理位置信息，計(jì)算當(dāng)前影像與其相鄰影像的空間距離，進(jìn)而采用固定閾值范圍內(nèi)的像對(duì)進(jìn)行匹配； 文獻(xiàn)[14]則通過(guò)動(dòng)態(tài)搜索的方法確定閾值，提高了匹配的可靠度，但當(dāng)測(cè)區(qū)內(nèi)存在多層次、不同分辨率的UAV影像時(shí)，其獲取的搜索閾值無(wú)法保證為全局最優(yōu)值； 文獻(xiàn)[7，15-16]則利用影像的定位定向系統(tǒng)(positioning and orientation system, POS)測(cè)量數(shù)據(jù)、傳感器結(jié)構(gòu)設(shè)計(jì)參數(shù)及內(nèi)方位元素、測(cè)區(qū)地形信息等先驗(yàn)知識(shí)，計(jì)算每張影像的腳印圖，進(jìn)而利用腳印圖的拓?fù)潢P(guān)系，判定像對(duì)是否具有重疊區(qū)。由于該類方法計(jì)算量小，且對(duì)常規(guī)數(shù)據(jù)獲取方式具有較好的適應(yīng)性，因此是目前低空UAV影像匹配像對(duì)提取的主要方法。然而，從原理可知，該類方法高度依賴先驗(yàn)知識(shí)的準(zhǔn)確性，因此，當(dāng)測(cè)區(qū)地形信息不確定(如滑坡、山谷、獨(dú)立地物等)、或者傳感器設(shè)計(jì)參數(shù)無(wú)法準(zhǔn)確得知時(shí)(如多鏡頭傾斜相機(jī)、組合傾擺相機(jī))，該類方法便無(wú)法準(zhǔn)確計(jì)算出像對(duì)的相關(guān)性。文獻(xiàn)[17]則從影像內(nèi)容信息出發(fā)，利用提取的特征信息構(gòu)建視覺(jué)詞袋(bag of visual words, BoW)模型，進(jìn)而利用影像檢索方式確定待匹配像對(duì)； 文獻(xiàn)[18]在生成BoW模型過(guò)程中，計(jì)算海明嵌(hamming embedding, HE)來(lái)提升影像檢索的準(zhǔn)確度; 文獻(xiàn)[19]則提出了一種霍夫投票算法加速影像檢索過(guò)程。由于這類方法一般面向的都是無(wú)序、無(wú)地理信息的網(wǎng)絡(luò)圖像數(shù)據(jù)，其檢索結(jié)果與影像是否具有重疊區(qū)沒(méi)有明確關(guān)系，且計(jì)算量過(guò)大，難以直接使用。

針對(duì)上述問(wèn)題，本文提出一種顧及影像地理空間信息的BoW模型方法來(lái)確定待匹配像對(duì)，對(duì)地形條件、影像獲取方式、傳感器類型均無(wú)限制條件，進(jìn)而減少影像匹配過(guò)程中的冗余計(jì)算，以解決UAV影像匹配像對(duì)的高效、準(zhǔn)確提取問(wèn)題。

1 方法原理

本文提出的UAV影像匹配像對(duì)提取方法流程為： ①按照文獻(xiàn)[8]和[10]所述方法，依次完成測(cè)區(qū)所有影像的SIFT特征提取； ②為了提高影像檢索效率，對(duì)提取的SIFT特征進(jìn)行降維，降低生成視覺(jué)詞匯樹(shù)的運(yùn)算量； ③采用文獻(xiàn)[20]方法，利用降維后的特征向量構(gòu)建視覺(jué)詞匯樹(shù)； ④檢索所有影像，并計(jì)算詞匯樹(shù)內(nèi)單詞的檢索權(quán)重； ⑤在詞匯樹(shù)內(nèi)，查詢與當(dāng)前影像最相似的影像列表，并計(jì)算其與查詢列表內(nèi)影像的空間距離指數(shù)，綜合相似指數(shù)與空間距離指數(shù)對(duì)檢索列表進(jìn)行排序，最后利用綜合指數(shù)計(jì)算查詢深度閾值，將閾值之前的查詢影像與當(dāng)前影像組合形成匹配像對(duì)。具體方法流程如圖1所示。

圖1 顧及地理空間信息的UAV影像匹配像對(duì)提取方法流程

1.1 特征向量降維

SIFT算法以其尺度、旋轉(zhuǎn)不變性并能克服一定程度仿射變形和光照變化得以在影像匹配領(lǐng)域得到廣泛使用[7]，但原始的SIFT特征包含128維特征向量，若將其直接用于影像檢索，會(huì)產(chǎn)生大量的高維度運(yùn)算，造成影像檢索效率過(guò)低。因此，本文采用主成分分析(principal component analysis, PCA)方法對(duì)高維度的SIFT特征向量進(jìn)行降維。

將構(gòu)建視覺(jué)詞匯樹(shù)的m個(gè)SIFT特征組成矩陣Xm×128，按照PCA原理對(duì)其進(jìn)行奇異值分解 (singular value decomposition, SVD)，即

(1)

式中:U和V分別為m階和128階正交矩陣；Wm×128為r個(gè)降序排列的特征值σi(i=1,2,…,r)構(gòu)成的m×128矩形對(duì)角矩陣。

(2)

1.2 視覺(jué)單詞檢索

將降維后的SIFT特征進(jìn)行聚類，聚類的過(guò)程即為構(gòu)建視覺(jué)詞匯樹(shù)過(guò)程。聚類之后，每一個(gè)聚類中心表示為一個(gè)視覺(jué)單詞，一幅影像可以表示為多個(gè)視覺(jué)單詞的無(wú)序集合，此時(shí)，UAV影像之間的相似性判定即可轉(zhuǎn)變?yōu)橐曈X(jué)單詞之間的相似性判定。

本文采用文獻(xiàn)[20]的方法構(gòu)建層次詞匯樹(shù)，同時(shí)采用詞頻逆文檔頻率(term frequency-inverse document frequency, TF-IDF)評(píng)價(jià)某一個(gè)視覺(jué)單詞對(duì)于視覺(jué)詞匯樹(shù)中某一影像的重要程度，其定義為：

(3)

式中：ft為詞頻；fid為逆文檔頻率；nip為影像p中出現(xiàn)視覺(jué)單詞i的數(shù)量；np為影像p中出現(xiàn)的所有視覺(jué)單詞數(shù)量；N為影像總體數(shù)量;ni為包含視覺(jué)單詞i的影像數(shù)量。

詞頻ft表達(dá)了某個(gè)視覺(jué)單詞在影像中的出現(xiàn)頻率，而逆文檔頻率fid則表達(dá)了該視覺(jué)單詞在其他影像上的重復(fù)頻率，兩者組合之后可將視覺(jué)單詞的重要性隨著它在影像文件中出現(xiàn)的頻率呈正比增加，同時(shí)也會(huì)隨著它在視覺(jué)詞典中出現(xiàn)的頻率呈反比下降。

當(dāng)視覺(jué)詞匯樹(shù)創(chuàng)建完成后，依次檢索數(shù)據(jù)集中每一幅影像中視覺(jué)單詞的出現(xiàn)頻率。檢索完成之后，即可計(jì)算其TF-IDF因子。此時(shí)，每一幅影像均可表示為一組帶不同權(quán)重的視覺(jué)單詞組合。評(píng)價(jià)2幅影像是否相似，即可通過(guò)計(jì)算2幅影像的單詞向量點(diǎn)積完成，公式為：

(4)

1.3 影像查詢

相似因子只是評(píng)價(jià)2幅影像所含視覺(jué)單詞的相似性，在大部分情況下，具有相似內(nèi)容的影像一般也具有重疊區(qū)。然而，當(dāng)?shù)乇眍愋捅容^單一時(shí)(如大片田地、灌木、裸露山地)，相似的區(qū)域并非一定具有重疊區(qū)。此時(shí)，若將影像之間的空間距離作為影響因素參與評(píng)價(jià)，則可大大提高兩者之間的相關(guān)性。圖2為反距離權(quán)重因子示意圖。

圖2 反距離權(quán)重因子

如圖2所示，當(dāng)前影像Ii與查詢影像Ij之間空間距離越近，則其存在重疊區(qū)的可能性越高。因此，本文計(jì)算當(dāng)前影像與相似影像列表之間的反距離權(quán)重因子，用以評(píng)價(jià)兩者之間的空間相關(guān)性，公式為：

(5)

(6)

1.4 查詢深度閾值

查詢深度是指以綜合權(quán)重因子為依據(jù)，在影像集合中查詢出與當(dāng)前影像相似性最高的前Q張影像，組成待匹配像對(duì)，如圖3所示。

圖3 查詢深度閾值

圖3中，查詢影像Ii與查詢深度Q共組成Q對(duì)像對(duì)進(jìn)行匹配。實(shí)際處理過(guò)程中，Q值過(guò)小會(huì)造成漏檢，而Q值過(guò)大則會(huì)引入大量無(wú)效匹配像對(duì)，降低匹配效率。因此，本文采用查詢深度閾值的方式對(duì)查詢深度進(jìn)行分割，僅將閾值前的影像與查詢影像組成匹配像對(duì)進(jìn)入匹配環(huán)節(jié)。閾值計(jì)算公式為：

(7)

式(7)以類間方差最大為原則，將Q內(nèi)的影像分為前景與背景2部分。式中：N1為屬于閾值t之前的影像數(shù)量；w1和w2分別為前景和背景的影像頻率；μ1為閾值t之前影像的綜合因子平均值；μ2為閾值t之后的影像綜合因子平均值；g表示前景影像與背景影像之間的類間方差。在查詢深度內(nèi)，類間方差最大對(duì)應(yīng)的位置即為查詢閾值t*，公式為：

(8)

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)與配置參數(shù)

為驗(yàn)證本文方法在多采集方式、多傳感器類型、多地形條件下提取匹配像對(duì)的可行性、精度與效率，共收集了5組實(shí)驗(yàn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。數(shù)據(jù)集的詳細(xì)信息如表1所示。

表1 試驗(yàn)無(wú)人機(jī)數(shù)據(jù)集

基于Windows10 64位操作系統(tǒng)，采用VC++2015開(kāi)發(fā)了海量UAV影像自動(dòng)空三處理軟件MRI，用于測(cè)試本文方法的適應(yīng)性。硬件平臺(tái)為Dell Precision 3630工作站，CPU i7-8700K 3.7 GHz，內(nèi)存64 G DDR4，硬盤512 G SSD，顯卡為英偉達(dá) Titan XP 12 G。

2.2 結(jié)果與分析

為了評(píng)價(jià)低維特征對(duì)影像檢索效率及精度造成的影響，對(duì)表1中5組影像提取的原始128維特征向量進(jìn)行降維，分別降至96維、64維、32維，并按照文獻(xiàn)[19]方法對(duì)影像進(jìn)行檢索。檢索過(guò)程中，生成詞匯樹(shù)的聚類中心數(shù)量統(tǒng)一設(shè)置為影像數(shù)量的200倍，檢索深度統(tǒng)一設(shè)置為100，構(gòu)建詞匯樹(shù)的影像從數(shù)據(jù)集中隨機(jī)提取，其數(shù)量設(shè)置為數(shù)據(jù)集影像數(shù)量的20%，且最大影像數(shù)量不超過(guò)500幅。評(píng)價(jià)檢索方法精度時(shí)，首先采用窮舉法完成5組影像匹配，然后以其匹配結(jié)果為基準(zhǔn)，評(píng)價(jià)其他檢索方法的查詢精度。

評(píng)價(jià)影像查詢精度通常采用查準(zhǔn)率和查全率(圖4)。查準(zhǔn)率通過(guò)計(jì)算查詢深度內(nèi)正確的查詢影像與查詢深度的比值構(gòu)成，它反映了查詢過(guò)程中正確像對(duì)的比例，查準(zhǔn)率越低，意味著匹配環(huán)節(jié)引入錯(cuò)誤匹配像對(duì)數(shù)量越高，相應(yīng)的匹配耗時(shí)也越高。查全率則通過(guò)計(jì)算查詢深度內(nèi)正確的查詢影像與窮舉法匹配中得到的所有正確影像數(shù)量比值構(gòu)成，它反映了當(dāng)前特征條件下，能提取到的匹配像對(duì)的完整度，查全率越低，意味著稀疏重建時(shí)的可靠性越低，容易丟片。因此，查準(zhǔn)率與查全率之間相互制約，在查全率相當(dāng)?shù)那疤嵯?，查?zhǔn)率越高，則算法的效率越高。除了計(jì)算128維、96維、64維、32維特征的檢索精度外，按照本文方法分別計(jì)算32維和64維的綜合檢索因子檢索精度，分別用32G和64G表述。從圖4(a)中可知，總體上，影像查詢的查準(zhǔn)率隨著特征維度降低而遞減，當(dāng)特征維度降到32維時(shí)，其影像查準(zhǔn)率明顯降低。反觀圖4(b)，此時(shí)的查全率卻最高。其原因主要是32維的影像特征丟失了過(guò)多的細(xì)節(jié)信息，使特征之間的可分性降低，在引入大量錯(cuò)誤匹配像對(duì)基礎(chǔ)上，也將大量弱連接的像對(duì)引入匹配環(huán)節(jié)。雖然提升了整體的查全率，但后續(xù)的匹配環(huán)節(jié)效率太低。因此，綜合考慮效率與精度，將特征降低至64維進(jìn)行影像檢索是合適的。

(a) 查準(zhǔn)率 (b) 查全率

表1中的5個(gè)測(cè)試數(shù)據(jù)集，數(shù)據(jù)A和B為正射類型，數(shù)據(jù)C，D，E可歸為傾斜類型。正射類型中，隨著特征維度降低，其查準(zhǔn)率和查全率均緩慢降低，而本文的綜合查詢因子方法在相同特征維度條件下，均獲得了最高的查準(zhǔn)率和查全率。為了分析綜合查詢因子的計(jì)算過(guò)程，從數(shù)據(jù)集B中提取一張影像在64維和64G模式下的查詢因子曲線進(jìn)行說(shuō)明，其結(jié)果如圖5所示。

圖5 相似因子與綜合因子曲線

圖5中，相似因子曲線在前端具有明顯差異，后端則趨于平坦，不具有明顯的可分性。而且，在常規(guī)相似因子曲線中，查詢曲線后端還包含大量正確的檢索影像。而采用本文綜合因子的曲線，正確的檢索影像大部分集中在查詢曲線的前端。

圖6即為圖5的部分查詢影像，其中圖6(a)為當(dāng)前查詢影像，圖6(b)為采用64維傳統(tǒng)相似因子的查詢影像，在曲線中索引位置為21，按照傳統(tǒng)相似因子判定依據(jù)，圖6(a)和(b)將會(huì)組成待匹配像對(duì)進(jìn)入匹配環(huán)節(jié)。然而，從影像內(nèi)容分析，雖然兩者之間存在大量相似的林木區(qū)域，但卻不具有重疊區(qū)，因此，內(nèi)容相似的影像并非一定具有重疊區(qū)。通過(guò)計(jì)算綜合查詢因子，圖6(b)所代表的影像已不在綜合查詢曲線內(nèi)，而原本不在傳統(tǒng)查詢曲線內(nèi)的圖6(c)影像進(jìn)入了綜合查詢曲線。因此，綜合查詢因子不僅可以有效剔除錯(cuò)誤像對(duì)，還能將遺漏的部分影像納入影像匹配環(huán)節(jié)。此外，通過(guò)式(7)計(jì)算得到的查詢閾值，將大量錯(cuò)誤的影像剔除匹配環(huán)節(jié)，進(jìn)一步提高了查詢過(guò)程的查準(zhǔn)率。

(a) 當(dāng)前查詢影像(b) 采用64維傳統(tǒng)相似因子的查詢影像(c) 遺漏的待匹配影像

與正射類型數(shù)據(jù)不同，圖4中的傾斜影像數(shù)據(jù)C,D和E呈現(xiàn)超高的查準(zhǔn)率和超低的查全率，且查全率隨著特征維度降低不降反升。通過(guò)分析實(shí)驗(yàn)數(shù)據(jù)發(fā)現(xiàn)，其原因主要在于數(shù)據(jù)類型的差異。通常情況下，正射攝影方式獲取的UAV數(shù)據(jù)，其影像重疊度一般不超過(guò)50，即一個(gè)地物點(diǎn)可在50張影像上成像。而傾斜影像不同，其影像重疊度一般超過(guò)200。此時(shí)，將Q設(shè)置為100將使查詢出的大部分影像都為正確的匹配影像，即查詢結(jié)果表現(xiàn)為超高的查準(zhǔn)率。而大量的正確匹配像對(duì)由于查詢深度限制并未提取出來(lái)，從而造成了超低的查全率。

表2中依次設(shè)置Q為100，200和300時(shí)，對(duì)數(shù)據(jù)C,D,E的查詢精度進(jìn)行統(tǒng)計(jì)，隨著查詢深度的增加，傾斜類型數(shù)據(jù)的查準(zhǔn)率逐漸降低，而查全率得到大幅提升，并且本文方法均取得最高的查準(zhǔn)率和查全率。因此，針對(duì)傾斜類型的查詢深度設(shè)置應(yīng)不小于200。

表2 不同查詢深度的查準(zhǔn)率和查全率

查詢過(guò)程中會(huì)產(chǎn)生很多重復(fù)查詢像對(duì)，而最終進(jìn)入匹配環(huán)節(jié)的則是剔除重復(fù)像對(duì)之后的像對(duì)列表。因此，為了綜合評(píng)價(jià)本文方法效率，特將匹配像對(duì)提取耗時(shí)歸入影像匹配環(huán)節(jié)。此外，為便于比較分析，分別實(shí)現(xiàn)了基于腳印圖的影像檢索[7]、基于128維傳統(tǒng)影像檢索[17]以及本文顧及地理空間信息的64維特征影像檢索3種匹配像對(duì)提取方法，針對(duì)傾斜影像數(shù)據(jù)C,D,E，其查詢深度統(tǒng)一設(shè)置為200，稀疏重建采用增量式重建，統(tǒng)計(jì)結(jié)果如表3所示。采用本文方法進(jìn)行稀疏重建的結(jié)果如圖7所示。

表3 稀疏重建的效率、完整性及精度

(a) 數(shù)據(jù)A(b) 數(shù)據(jù)B

(c) 數(shù)據(jù)C(d) 數(shù)據(jù)D

(e) 數(shù)據(jù)E

為了綜合評(píng)價(jià)不同方法之間的匹配效率，本文將構(gòu)建詞匯樹(shù)、構(gòu)建索引、影像檢索及雙像匹配耗時(shí)相加，統(tǒng)稱為匹配時(shí)間。從表3中可知，針對(duì)正射影像數(shù)據(jù)A和B而言，傳統(tǒng)的腳印圖法匹配效率最高。而128維特征檢索方法效率最低，且穩(wěn)定性也不足。比如數(shù)據(jù)A中，相較于其他2種方式，128維特征的稀疏重建結(jié)果丟失了10幅影像，而丟失的影像基本都處于影像紋理匱乏的測(cè)區(qū)邊緣區(qū)域，說(shuō)明單純依靠紋理特征的相似性判定像對(duì)是否具有重疊區(qū)并不嚴(yán)密。而針對(duì)傾斜類型的數(shù)據(jù)C，D，E而言，本文方法的效率、穩(wěn)定性最高。如圖7(c)所示，數(shù)據(jù)C由于地形條件限制，其航線設(shè)計(jì)比較混亂，且包含了正射、貼近2種攝影方式。傳統(tǒng)的腳印圖方法沒(méi)法準(zhǔn)確估算貼近攝影方式的腳印圖，所以最終獲取的稀疏重建結(jié)果丟片比較嚴(yán)重，且主要集中在測(cè)區(qū)右上角，即貼近方式獲取的影像區(qū)域，而128維、64G檢索方法則成功將大部分貼近方式獲取的影像連接成功。此外，本文的64G模式獲得了最完整的稀疏重建結(jié)果。當(dāng)數(shù)據(jù)量增多時(shí)，本文方法的匹配效率優(yōu)勢(shì)更加明顯。與腳印圖方法相比，數(shù)據(jù)C，D，E的匹配效率分別提升了15.16%，23.27%，45.25%，而與傳統(tǒng)128維檢索方法相比，其匹配效率分別提升了39.66%，61.00%，51.73%。

綜上所述，本文方法的優(yōu)勢(shì)可歸納為以下3點(diǎn)： 第一，適應(yīng)性最高。不需要傳感器的先驗(yàn)知識(shí)，對(duì)場(chǎng)地類型及數(shù)據(jù)獲取方式也無(wú)限制。第二，通過(guò)綜合查詢因子，提高了匹配效率及精度，尤其適合海量UAV數(shù)據(jù)的匹配像對(duì)提取。第三，檢索深度與影像類型相關(guān)。正射類型的影像數(shù)據(jù)，查詢深度設(shè)置為100即可，傾斜類型的數(shù)據(jù)，查詢深度應(yīng)不小于200。結(jié)合處理效率、重建結(jié)果的完整性、算法的適應(yīng)性等結(jié)果對(duì)比，本文提出的顧及地理空間信息的UAV影像匹配像對(duì)提取方法更具優(yōu)勢(shì)。

3 結(jié)論

本文針對(duì)UAV影像匹配像對(duì)的提取問(wèn)題，將高維度的特征降維至低維特征，同時(shí)引入影像之間的空間信息構(gòu)建綜合查詢因子，并通過(guò)計(jì)算檢索閾值，舍棄檢索深度內(nèi)的無(wú)效匹配像對(duì)，獲得了較高的效率及全面的重建結(jié)果。

利用5種不同類型的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)與分析，結(jié)果表明，與前人已提出的腳印圖法相比，前2種常規(guī)類型的單相機(jī)正射影像數(shù)據(jù)匹配效率并未提高，而后3種多相機(jī)傾斜影像數(shù)據(jù)匹配效率分別提升了15.16%,23.27%和45.25%。與傳統(tǒng)128維檢索方法相比，5種數(shù)據(jù)的效率分別提升了46.29%，38.66%，39.66%,61.00%和51.73%。此外，本文方法僅需影像的空間位置信息，更適合數(shù)據(jù)量較大的傾斜影像，具有更好的適應(yīng)性。

本文方法還需改進(jìn)的地方在于，遺漏了少量正確的待匹配像對(duì)，其對(duì)三維重建結(jié)果的影響還需進(jìn)一步評(píng)定。