括有元數據，內含影像分 辨率、影像投影坐標；
[0091] 2)在步驟1中的多視影像數據中的垂直影像上，按照城市三維建模精細化的實際 需求建立坐標格網，坐標格網中每個格網單元的大小不小于影像分辨率，所述影像分辨率 與步驟1的影像分辨率相同；
[0092] 3)將多視影像轉換為灰度圖像，并通過高斯濾波對灰度圖像進行平滑處理；
[0093] 4)在灰度圖像中，計算各目標像素點的灰度值與其鄰域像素點的灰度值，將各目 標像素點的灰度值與其鄰域像素點的灰度值進行比較形成差值，多個差值構成一個數值范 圍，在該數值范圍內確定閥值A的大小，然后判斷各目標像素點的灰度值與其鄰域像素點 的灰度值的差值是否大于閥值A，如果是，則將該目標像素點提取作為候選角點，否則，直接 舍去；
[0094] 5)計算步驟4中候選角點的角點響應函數（CRF)值，判斷該候選角點的角點響應 函數（CRF)值是否大于預先設定的閥值B，如果是，則將該候選角點提取作為特征點，否則， 直接舍去；
[0095] 關于閥值B的確定，利用Harris角點響應函數（CRF)確定灰度圖像中閾值B，具體 地說，目標像素點與其鄰域像素點灰度變化小，Harris角點響應函數（CRF)值為小數值的 正數，不是角點；目標像素點包含邊緣時Harris角點響應函數（CRF)值為大數值的負數，不 是角點；目標像素點沿任意方向移動窗口時灰度變化大，Harris角點響應函數（CRF)值為 大數值的正數，以上三種情況Harris角點響應函數（CRF)值的大小區分很明顯，其中閾值 B大于小數值的正數；
[0096] 6)匹配同名點，選擇參考影像和搜索影像，將參考影像上的特征點按核線幾何約 束條件在搜索影像上尋找同名點；
[0097] 7)生成種子點，利用步驟1中的數據進行初始匹配，獲取種子點；
[0098] 8)區域擴散，即種子點擴散，內插生成待定點的空間坐標和法向量，得到相對密集 的點云，使其均勻密集的分布在規則格網上；
[0099] 9)粗差剔除，通過多片前方交會嚴密解方式以及最小二乘思想，剔除點云粗差點； 并判斷格網單元是否計算完畢，如果是，則進入步驟10,否則，回到步驟8繼續進行區域擴 散；
[0100] 10)生成密集點云，構tin建立三維模型。（如圖9所示）
[0101] 首先在現有數據的基礎上，建立空間格網，使種子點擴散易于控制，然后利用 Harris改進算法提取作為特征點，對特征點匹配同名點，由每一對同名點得到物方種子點 后，進行區域擴散，采用最小二乘的思想對擴散后的誤差點進行粗差剔除，得到精度較高的 種子點后，重復區域擴散和粗差剔除，直到點云精度得到滿足，較為均勻的分布在空間格網 上；其中特征點的提取算法，提尚了傾斜航空密集點ZST提取過程中特征點提取的效率；在 種子點擴散后，對得到的密集點云采用最小二乘的思想進行迭代式粗差剔除，大大提高了 點云提取的精度和密度。
[0102] 更進一步地說，關于步驟2中建立坐標格網，格網的范圍包含所有參與匹配的影 像在物方的覆蓋范圍，格網單元的大小表示成果密集點云的最小單位，利用規則格網將平 面劃分為小的面元，使其在平面上沿平行于物方的X、Y軸方向規則分布；其中，面元的大 小根據匹配要達到的精度或者根據生成DSM的分辨率來確定，且其不小于對應影像的分辨 率；同時，每個面元中心的平面坐標是固定的，且初始化平面元不具備高程值屬性。建立的 格網要覆蓋整個影像，而影像又是以分辨率來劃分像素單元的，影像與格網建立對應關系， 更細的說，以格網單元和像元的對應為基礎的；在匹配的過程中，如圖2所示，可以抽象地 將規則格網單元劃分后的平面看作是柵格化的DSM，平面上每一個平面元都看做DSM的一 個象元。
[0103] 關于選取候選角點和特征點，如圖3所示，設定閥值A作為點S(i，j)目標像素點 和鄰域像素點差值的參數，通過對灰度圖像進行掃描，若被掃描的目標像素點與其鄰域像 素點之差在（-s，s)之間，則該目標像素點為灰度相似點，即指目標像素點與鄰域像素點的 灰度值之差小于閥值A的目標像素點，根據八鄰域內灰度相似點的個數判斷該點是否為候 選角點，并記錄所有的候選角點S(i，j)，利用Harris角點相應函數（CRF)確定影像中合適 的閥值B，通過對候選角點S(i，j)進行掃描，如果角點相應函數（CRF)值高于閥值B，則確 定為該候選角點為特征點，保存S(i，j)。
[0104] -般高斯窗口越大角點越少，為了更好地理解，以9*9矩形窗口為例，對harris算 法及其改進后的算法進行時間復雜度的分析。
[0105] 原Harris算法計算了除邊界外的每一個像素點的角點響應函數，Harris算法采 用9*9的矩形高斯窗口計算量如下：自相關矩陣M過程中乘法次數：（9*9+1) *3 = 246次， 加法次數為：（9*9-1) *3 = 240次，計算點（i，j)的角點響應函數乘法2次，加法依次，總共 乘法248次、加法241次、自相關矩陣行列式det(t) 1次，對角和一次trace(M) -次。
[0106] 對于分辨率為Height*Width的影像，不考慮邊界的影響，算法的時間復雜度為24 8* (Height-boundary) * (Width-boundary)次乘法 +241* (Height-boundary) * (Width-boun dary)次加法 +1* (Height-boundary) * (Width-boundary)+det(M) -次+trace(M) -次，由 于一次乘法的時間要遠多于一次加法，Harris算法涉及的乘法運算量打，速度就顯的慢了。
[0107] 本申請提出的優化算法主要在計算角點響應函數之前做了一個候選角點選擇，主 要做的是加法運算，運算量為8X(Height-boundary)*(Width_boundary)次。這里由于增 加的不是乘法運算，雖然增加了運算量，但為后續的Harris算法排除了大部分非角點的像 素點，一般可以排除像素點比例占50%以上，使得后續算法中不需要計算每一個像素點的 CRF值，在保證原有的方法的優點上，提高了角點檢測的效率，節省了時間。
[0108] 在步驟6中，參考影像采用垂直影像，搜索影像采用同航線、同名相機上的影像， 若無法獲取同航線、同名相機上的影像則搜索影像采用同姿態影像。
[0109] 對一張影像上的任意一個特征點，在另一張影像上的獲取其可能的同名點（指實 際地理坐標相同的位置在另一張影像上所成像的點，以下稱之搜索影像和候選點）的過 程，這個過程就是同名點匹配過程，通常利用一些已知的條件縮小點的匹配范圍，如核線幾 何約束。如圖4所示，根據同名光線對對相交的原理，假設Sl和S2分別為影像Il和12的 拍攝位置，Pl為影像Il上的某一特征點，其在12上的同名點為p2,則同名光線Slpl，S2p2 相交于空間點P，顯然Slpl，S2p2和S1S2三條光線是共面的，而pi的同名點p2必然落在 這個平面與影像12的交線上，這條交線稱為點pi在影像12上的核線，利用這條核線可以 約束候選點的搜索范圍，這就是核線幾何約束。由于核線的幾何關系確定了同名點必然位 于同名核線上的特性，這樣就能將自動化中沿x、y方向搜索同名點的二維相關問題變成了 沿同名核線搜索同名點的一維相關問題，從而減少了工作量。
[0110] 關于步驟7,如圖5、6所示，在搜索影像上得到參考影像的同名點后，利用空三加 密的結果，確定同名點的內外方位信息，由兩個同名點根據幾何交匯得到物方點，然后將每 一個物方點根據其空間坐標映射到相應的網格內，用不同的顏色代表不同的高程信息，所 映射到網格內的物方點作為密集匹配的初始種子點，且每一個格網不只是含有一個種子 點。
[0111] 關于步驟8的區域擴散，如圖7所示，通過空間內插來實現種子點的擴散，利用回 歸分析、最小二乘法對種子點進行擬合，對窗口內的待