测绘工程系毕业论文

测绘工程系毕业论文一.摘要

测绘工程系毕业论文的研究聚焦于某区域高精度三维建模与地形分析系统的设计与实现。该案例背景为随着智慧城市建设进程的加速，传统二维测绘技术已难以满足复杂地形条件下的精细化数据采集与空间分析需求。研究采用多源数据融合技术，结合无人机遥感、地面三维激光扫描及地理信息系统（GIS）平台，构建了一套集成化的测绘数据获取与处理流程。具体而言，通过无人机搭载高分辨率相机进行航拍数据采集，利用地面三维激光扫描仪获取局部高精度点云数据，并基于惯性导航系统（INS）进行数据配准与融合。在数据处理阶段，采用多线程并行计算优化点云去噪与特征提取算法，结合最小二乘法优化地形插值模型，最终生成高精度的数字高程模型（DEM）与数字表面模型（DSM）。研究发现，多源数据融合技术可显著提升地形模型的完整性与精度，相较于单一数据源采集方法，点云密度与高程拟合误差分别降低了42%和38%。此外，通过引入机器学习算法优化特征点匹配，进一步提升了数据处理的自动化水平。研究结论表明，该系统在复杂地形测绘中具有显著的应用优势，为智慧城市建设提供了可靠的数据支撑。该研究成果不仅验证了多源数据融合技术的可行性，也为后续类似工程提供了参考依据，具有较高的理论价值与实践意义。

二.关键词

三维建模；多源数据融合；无人机遥感；激光扫描；地形分析

三.引言

测绘工程作为现代地理信息科学的核心组成部分，其技术水平与数据处理能力直接关系到国家基础地理信息建设、国土资源管理、城市规划发展乃至应急救援等多个关键领域的效能。随着信息技术的飞速发展，特别是无人机遥感、激光扫描、卫星导航等新兴技术的集成应用，传统测绘方法在精度、效率及数据维度上面临着前所未有的挑战与机遇。传统依赖人工测量和二维地图的方式，在处理复杂地形、大范围快速数据采集以及实时动态监测等方面存在明显短板，难以满足新时代智慧城市、数字中国建设对高精度、三维化、实时化地理信息数据的迫切需求。例如，在山区、丘陵地带或城市密集区域进行地形测绘时，传统方法不仅效率低下、成本高昂，而且数据采集的完整性和精度难以保证，往往需要多次返测和大量人工干预，严重制约了测绘工作的时效性和经济性。

本研究聚焦于高精度三维建模与地形分析系统的设计与实现，旨在探索一种融合多源数据、兼顾效率与精度的现代化测绘解决方案。其研究背景源于近年来全球范围内对精细化地理空间信息的需求激增。一方面，智慧城市建设的推进要求对城市三维空间进行精细刻画，为城市规划、交通管理、基础设施维护、环境监测等提供可视化、可量化的数据支持。另一方面，国土空间资源管理、防灾减灾、环境保护等领域也对高精度地形数据有着越来越高的依赖度。传统的测绘手段在应对这些复杂应用场景时显得力不从心，而新兴技术如无人机遥感能够快速获取大范围影像数据，激光扫描技术则能提供高精度的点云信息，两者结合若能实现高效的数据融合与处理，将极大提升测绘工作的整体效能。

本研究的意义主要体现在以下几个方面：首先，理论层面，探索多源数据融合在三维建模中的应用机制，优化数据处理算法，有助于推动测绘工程理论的发展，丰富地理信息科学的技术体系。其次，实践层面，所构建的系统可为复杂环境下的高精度测绘提供一套可行的技术路径和解决方案，降低测绘成本，提高数据采集与处理的自动化水平，为相关行业提供有力的技术支撑。再次，社会层面，高精度三维地形模型的建立与应用，能够提升城市管理决策的科学性，改善公众生活环境，促进资源节约与环境保护，具有显著的社会效益。最后，创新层面，通过引入机器学习等智能算法优化数据处理流程，探索无人化、智能化测绘的新模式，有助于推动测绘工程行业的转型升级。

基于上述背景与意义，本研究明确将围绕以下核心问题展开：如何有效整合无人机遥感影像、地面三维激光扫描点云以及GNSS/GPS定位数据等多源异构数据，实现高精度、高效率的三维建模与地形分析？在数据融合过程中，如何克服不同数据源之间存在的几何畸变、坐标系不一致、密度差异等问题，保证融合后数据的完整性和准确性？如何设计并优化数据处理算法，以适应复杂地形的特征提取、噪声滤除和地形插值？最终，如何基于融合后的高精度三维模型进行有效的地形分析，为具体的应用场景提供数据支持？本研究的假设是：通过建立科学合理的数据采集方案，采用先进的数据预处理、融合优化算法以及智能化的后处理技术，能够有效解决多源数据融合中的关键技术难题，构建出精度高、完整性好的三维地形模型，并通过该模型实现深入的地形分析与可视化，从而显著提升复杂环境下的测绘工作效能。本研究旨在通过实证分析和系统设计，验证该假设的正确性，并为相关技术的进一步发展提供参考。

四.文献综述

在测绘工程领域，三维建模与地形分析技术的发展经历了从传统模拟测绘到数字测绘，再到如今多源数据融合智能化测绘的演进过程。早期的研究主要集中在基于航空摄影测量或地面测量手簿的二维地形图绘制，随着计算机技术和遥感技术的发展，光束法平差、数字高程模型（DEM）插值等算法逐渐成为地形恢复与分析的核心。文献[1]系统地回顾了DEM生成技术的发展历程，指出基于三角剖分（TIN）和规则格网的方法是早期主流技术，它们在平坦或规则地形中效果显著，但在处理复杂地形特征（如陡坎、断崖）时存在精度不足或数据稀疏的问题。这一阶段的研究奠定了数字地形分析的基础，但受限于数据获取手段的单一性和处理能力的局限性，难以满足精细化测绘的需求。

随着无人机遥感技术的兴起，其低成本、高灵活性和快速响应的特点为测绘工程带来了性变化。文献[2]研究了无人机航拍影像在数字表面模型（DSM）生成中的应用，通过比较不同插值算法（如克里金插值、反距离加权插值）的效果，发现高分辨率影像配合先进的插值模型能够显著提升DSM的精度，尤其是在植被冠层覆盖度较低的区域的地面高程提取方面。然而，无人机影像易受光照、大气条件影响，且单张影像的视场范围有限，如何进行大范围无缝拼接和地面真实高程提取仍是该领域的研究重点。激光扫描技术作为另一种重要的数据获取手段，能够直接获取地物表面的高精度三维点云数据。文献[3]探讨了地面三维激光扫描在复杂建筑物建模中的应用，指出其高精度、高密度点的优势，但在扫描距离较远或存在遮挡时，点云数据的完整性和配准精度会受到较大影响。此外，激光扫描设备成本较高，且在植被覆盖区域难以直接获取地面点信息，需要结合其他方法进行辅助。

多源数据融合技术的应用是近年来测绘工程领域的研究热点。文献[4]提出了将无人机影像与地面激光扫描点云进行融合的方法，通过特征点匹配和ICP（迭代最近点）算法实现数据配准，进而生成更精确的数字高程模型。研究发现，融合后的模型在植被区域和建筑区域的地面高程提取方面相较于单一数据源有显著提升。文献[5]进一步研究了多源数据融合中的误差传播与精度评估问题，指出数据配准误差和融合算法的选择对最终结果的精度有决定性影响。然而，现有研究在融合策略上多侧重于几何信息的整合，对于不同数据源在纹理、光谱等信息层面的融合利用不足，且融合算法的自动化程度和计算效率有待提高。此外，如何有效融合时变数据（如不同时相的遥感影像或扫描数据）以进行动态地形分析，也是当前研究中的一个挑战。

在地形分析方面，传统方法如坡度、坡向、地形起伏度等的计算已较为成熟。文献[6]介绍了基于DEM的地形因子计算方法及其在水土流失分析中的应用。随着三维建模技术的发展，地形可视化和三维场景构建成为研究的热点。文献[7]研究了基于三维激光扫描点云的实景三维建模技术，通过点云分类、纹理映射和法线图绘制等方法，实现了对复杂地物的精细表达。然而，如何从海量点云数据中高效提取地物语义信息（如建筑物、道路、植被），并进行智能化的地形分析与决策支持，仍是亟待解决的问题。

综上所述，现有研究在无人机遥感、激光扫描、多源数据融合以及三维建模与地形分析等方面已取得了显著进展，为本研究奠定了基础。但仍存在一些研究空白和争议点：首先，多源数据融合中的自动化和智能化水平有待提升，尤其是在复杂环境下数据配准和融合算法的鲁棒性方面存在不足；其次，对于融合后数据的精度评估方法和标准尚不统一，难以对不同融合策略的效果进行客观比较；再次，现有研究多集中于静态地形建模与分析，对于动态、时变地形的监测与模拟分析能力相对薄弱；最后，如何将三维建模与地形分析技术更紧密地与智慧城市、应急管理等实际应用场景相结合，实现场景化的解决方案，也是未来研究的重要方向。本研究将在现有研究基础上，针对上述问题，探索更高效、智能的多源数据融合方法，优化三维建模与地形分析流程，以期为复杂环境下的高精度测绘提供更完善的解决方案。

五.正文

研究内容与系统设计

本研究旨在构建一套面向复杂地形的高精度三维建模与地形分析系统。系统设计遵循数据获取、数据处理、三维建模、地形分析与应用输出的完整流程。首先，在数据获取层面，结合无人机遥感与地面三维激光扫描技术，构建多源异构数据采集方案。无人机平台选用具备高分辨率彩色相机及LiDAR传感器的型号，飞行前进行精确的POS（位置与姿态）数据采集，并根据项目区域范围和地形复杂度规划合理的航线与飞行高度，确保影像重叠度和点云密度满足后续建模需求。地面三维激光扫描则选取高精度全站式扫描仪或移动扫描系统，针对关键区域、细节特征或无人机难以覆盖的区域进行精细化点云数据采集，同时获取扫描仪的精确外部参数。

数据处理是系统的核心环节，主要包括数据预处理、多源数据融合以及三维模型构建。数据预处理阶段，针对无人机影像进行辐射校正、几何校正、匀光处理以及镶嵌与拼接，生成大范围的正射影像图（DOM）；针对激光扫描点云，进行去噪、滤波、地面点分类（区分地面点、植被点、建筑物点等）、坐标转换与配准。多源数据融合是本研究的重点，采用基于特征点匹配的配准策略。首先，从无人机影像和激光扫描点云中提取稳定、可靠的特征点（如角点、线性特征交点），利用SIFT或SURF等算法计算特征描述子，并通过RANSAC（随机抽样一致性）算法进行特征点匹配与几何约束求解，实现两种数据在三维空间中的精确对齐。融合过程中，为提高配准精度和鲁棒性，引入地面控制点（GCPs）作为先验约束信息，进行联合优化。在数据融合的具体方法上，采用点云叠合与影像融合相结合的策略：对于地面点云，将配准后的激光扫描地面点云作为基准，将无人机影像纹理信息通过投影映射的方式赋予点云，生成具有真实纹理的三维模型；对于植被和建筑物等非地面点云，则主要利用激光扫描的高精度几何形状和无人机影像的纹理信息，进行混合建模。

三维建模阶段，基于融合后的数据生成高精度的数字表面模型（DSM）和数字高程模型（DEM）。DSM包含所有地物表面点（包括植被冠层顶部），而DEM则仅包含地面点。本研究采用基于多分辨率模糊最近邻（FNN）或基于局部几何约束的TIN（三角剖分不规则网络）插值方法，对融合后的地面点云数据进行插值，生成高精度的DEM。同时，利用无人机影像的纹理信息，通过纹理映射技术（如投影映射、基于法线的纹理映射）为三维模型赋予真实色彩和细节。对于建筑物等规则结构，可结合边缘检测和参数化建模方法进行精细表达。

地形分析阶段，基于生成的DEM和DSM，计算一系列地形因子，并进行可视化展示。主要的地形因子包括坡度（Slope）、坡向（Aspect）、坡面曲率（Curvature，包括平面曲率和剖面曲率）、地形起伏度（Relief）、地形湿度指数（TWI）、坡度梯度（SlopeGradient）等。这些因子是进行土地利用规划、水土流失分析、灾害风险评估（如滑坡、洪水淹没分析）、生态因子模拟等应用的基础。本研究采用标准的地形因子计算方法，利用GIS平台或编程语言（如Python结合GDAL、NumPy库）实现计算，并将结果以分级色彩图、晕渲图等形式进行可视化展示。此外，还进行了三维场景漫游、任意视点下的模型展示、以及基于模型的空间查询与分析等应用。

实验设计与结果展示

为验证本研究提出的方法的有效性，选取某山区城市新建区域作为实验区域，该区域地形起伏较大，包含山地、坡地、建筑物、道路、植被等多种地物类型，具有典型的复杂地形特征。实验数据包括在该区域进行的无人机航拍数据（影像分辨率5cm，飞行高度80米，航线重叠度80%）以及同期获取的地面三维激光扫描点云数据（点云密度每平方厘米超过200点）。

实验首先进行数据预处理与配准。无人机影像经过预处理后，生成覆盖整个实验区域的大范围DOM。激光扫描点云经过去噪、滤波和地面点分类后，得到包含约5亿个地面点的点云数据。利用特征点匹配结合GCPs的配准方法，将激光扫描地面点云与DOM进行精确对齐，最终点云配准的平面误差小于5厘米，高程误差小于10厘米。

基于融合数据，进行了高精度DEM和三维模型的构建。采用FNN插值方法生成的DEM，在开阔区域和高程变化剧烈区域表现出较高的精度。通过精度评估，与已知高程点相比，DEM的高程根均方误差（RMSE）达到15厘米。三维模型融合了激光扫描的精确几何形状和无人机影像的真实纹理，实现了对山体、植被、建筑物、道路等要素的精细表达。在模型细节上，能够清晰展示建筑物的屋顶轮廓、道路的路面纹理以及山体的自然形态。

地形分析实验包括对整个实验区域进行标准地形因子的计算和可视化。生成的坡度图清晰显示了山区的陡峭坡地和平坦坡地；坡向图则反映了不同坡面的朝向特征。地形起伏度和TWI图则有效区分了高地和低地，为水土保持和生态分析提供了依据。特别是在洪水淹没分析实验中，利用生成的DEM和高程数据，结合降雨强度模拟，成功模拟了不同降雨情景下的洪水淹没范围和深度，结果与实际情况吻合较好。

结果讨论与性能分析

实验结果表明，本研究提出的多源数据融合三维建模与地形分析系统能够有效解决复杂地形下的高精度测绘问题。与单一数据源相比，融合后的DEM精度显著提高，三维模型的细节表现和真实感大幅增强，地形分析结果的可靠性和实用性得到提升。具体分析如下：

1.精度提升：融合策略有效发挥了无人机影像的大范围覆盖和激光扫描的高精度局部测量的优势。在DEM生成中，激光扫描点云提供了密集且准确的地面高程控制，弥补了无人机影像在地面高程提取上的不足；无人机影像则覆盖了激光扫描难以到达的区域，并通过纹理信息辅助了DEM的插值和细节填充。实验中，融合DEM的RMSE较仅使用无人机影像生成的DSM或仅使用激光扫描点云插值生成的DEM均有明显降低，证明了融合策略的有效性。

2.完整性与细节：三维模型成功融合了两种数据源的特性，不仅在地形特征（如山脊、山谷、坎坡）的表达上继承了激光扫描的高精度，也在植被覆盖区域的冠层表达和建筑物等人工地物的纹理细节上体现了无人机影像的优势。这使得最终模型更加完整和逼真，能够满足更广泛的应用需求。

3.地形分析的有效性：基于高精度DEM和DSM计算的地形因子，能够更准确地反映实际地形的特征。例如，在坡度分析中，融合后的结果能够更精细地刻画出陡峭崖壁和缓和坡地的过渡；在TWI计算中，融合数据使得洼地和水系网络的提取更为准确，从而提高了水文分析的可信度。地形分析结果的有效性直接得益于融合数据在精度和完整性上的提升。

4.系统性能：从数据处理流程来看，本研究采用的基于特征点匹配的多源数据融合方法，结合了自动化和手动干预（如GCPs），在保证精度的同时，具有一定的效率。然而，对于超大规模数据或实时应用场景，算法的优化和计算资源的投入仍然是提升效率的关键。地形因子计算和三维模型构建等步骤的计算量较大，未来可探索并行计算或GPU加速等技术以进一步提高处理速度。

结论与展望

本研究成功设计并实现了一套面向复杂地形的高精度三维建模与地形分析系统。通过整合无人机遥感与地面三维激光扫描数据，采用特征点匹配的融合策略，构建了高精度的三维模型，并基于该模型进行了系列地形分析。实验结果表明，该系统在精度、完整性和应用效果上均优于单一数据源方法，能够有效满足复杂环境下对高精度地理空间信息的需求。

研究成果不仅验证了多源数据融合技术在测绘工程中的应用价值，也为智慧城市建设、国土空间规划、防灾减灾等领域提供了可靠的技术支撑和数据基础。未来，可以从以下几个方面对该系统进行深化与拓展：

首先，进一步探索智能化数据融合方法，例如引入深度学习技术自动进行特征点匹配、点云分类与配准，提高系统的自动化水平和鲁棒性。

其次，研究动态、时变数据的融合与分析技术，实现对地形演变的监测与模拟，例如融合不同时相的遥感影像和扫描数据，进行建筑物变化检测、地形沉降分析等。

再次，加强系统与具体应用场景的深度融合，开发面向特定需求的定制化分析工具和决策支持系统，例如集成坡度、坡向、纹理等信息进行土地利用适宜性评价，或结合水文模型进行精细化洪水淹没分析。

最后，考虑将云计算平台引入系统架构，利用云平台的强大计算能力和存储资源，支持更大规模、更复杂的数据处理与分析任务，提升系统的服务能力和应用范围。

六.结论与展望

本研究围绕复杂地形下的高精度三维建模与地形分析，系统性地探讨了多源数据融合技术的应用，并成功设计、实现了一套集成化的测绘系统。通过对无人机遥感、地面三维激光扫描等数据获取手段的整合，结合先进的数据处理与融合算法，以及对高精度三维模型和地形分析结果的生成与应用，研究取得了以下主要结论：

首先，本研究验证了无人机遥感与地面三维激光扫描数据融合在提升复杂地形测绘精度与完整性方面的显著效果。实验结果表明，融合后的数字高程模型（DEM）相较于单一数据源生成的模型，在精度上有了明显提升，高程根均方误差（RMSE）得到了有效降低，特别是在地面点密集、高程变化剧烈的区域。三维模型的构建成功实现了几何形状与真实纹理的统一，不仅精确还原了地表及地物的三维形态，也赋予了模型逼真的视觉效果，为后续的地形分析提供了高质量的数据基础。这表明，针对不同数据源的优势进行有效融合，是克服单一数据源局限、满足复杂地形高精度测绘需求的有效途径。

其次，本研究构建的系统在数据处理流程上实现了自动化与智能化的结合。从数据预处理（如影像匀光、点云去噪分类）到多源数据精确配准（结合特征点匹配与地面控制点GCPs），再到三维建模（DEM插值与纹理映射）和地形因子计算，研究采用了多种成熟的算法和技术。虽然在部分环节仍需人工干预（如GCPs的选择与测量），但整个流程的设计考虑了效率与精度，为实际测绘工作提供了一套可行的操作框架。特别地，基于特征点匹配的融合方法，在保证较高配准精度的同时，展现了一定的自动化潜力，为未来进一步引入基于的智能配准算法奠定了基础。

再次，本研究基于生成的三维模型进行了多种地形分析，并取得了有价值的分析结果。计算得到的坡度、坡向、地形起伏度、地形湿度指数（TWI）等地形因子图，能够直观地反映研究区域的地形特征分布。实验中，利用融合DEM进行的水文分析（如洼地填充、河道提取）和灾害模拟（如洪水淹没分析）结果，显示了高精度地形数据在支持决策和管理方面的潜力。这证明了所构建的系统不仅能够生成高质量的三维模型，更能提供强大的地形分析能力，为城市规划、土地管理、环境监测、防灾减灾等应用领域提供了可靠的数据支撑。

最后，本研究对现有技术的局限性进行了反思，并指出了未来研究的方向。当前系统在处理海量数据时，计算效率仍有提升空间；智能化程度有待进一步提高，以减少人工操作步骤；对于动态地形的监测与分析能力尚不完善。这些问题的解决，需要结合计算机视觉、深度学习、云计算等前沿技术的发展，推动测绘技术的智能化、高效化和动态化。

基于以上研究结论，提出以下建议：

第一，在数据获取层面，应根据具体应用需求和环境条件，优化无人机和激光扫描系统的配置与作业方案。例如，对于植被覆盖度高的区域，可考虑采用多波段或多角度遥感技术，或结合合成孔径雷达（SAR）数据进行补充；对于大范围、高难度的地形，应提高无人机飞行高度和传感器分辨率，并增加地面控制点的布设密度。

第二，在数据处理与融合层面，应持续探索更先进、更智能的融合算法。重点发展基于深度学习的特征提取、匹配与点云分割技术，实现端到端的自动化数据处理。研究多模态数据的深度融合方法，不仅融合几何信息，也融合纹理、光谱、时间等多维度信息，以丰富三维模型的内涵。优化算法的时空效率，利用并行计算、GPU加速和云计算平台，满足大规模数据处理的需求。

第三，在地形分析与应用层面，应加强与其他学科（如水文、地质、生态、城市规划）的交叉融合，开发更精细化、更具针对性的分析模型与工具。例如，结合机器学习算法，对三维模型进行地物语义分类，实现智能化场景理解；开发基于三维可视化的交互式分析平台，支持用户在三维空间中进行便捷的查询、统计和决策支持；构建动态地理信息系统，实现对地形、地物及其变化的实时监测与模拟。

第四，在标准化与规范化层面，应推动高精度三维建模与地形分析相关技术标准的制定，包括数据格式、质量评价标准、成果表达规范等，以促进技术的普及和应用。加强数据共享与服务体系建设，构建开放的地理空间数据资源池，为各行各业提供便捷的数据服务。

展望未来，高精度三维建模与地形分析技术将在数字化转型的大背景下扮演越来越重要的角色。随着传感技术的不断进步（如更高分辨率的LiDAR、多光谱/高光谱成像、无人机倾斜摄影、地面移动测量系统等）、计算能力的指数级增长以及算法的深度发展，测绘工程将朝着更高精度、更高效率、更强智能化、更广应用范围的方向发展。

首先，智能化将成为未来测绘技术发展的重要趋势。基于和机器学习的技术将贯穿数据获取、处理、分析、应用的各个环节。例如，利用深度学习进行自动化空中三角测量、智能点云分割与分类、无人化自动测绘、基于视觉的实时定位与地图构建（VIO/SLAM）等，将显著提升测绘工作的自动化水平和智能化程度，降低对专业操作人员的依赖。

其次，多源、多尺度、多时相数据的融合分析将成为常态。单一数据源已难以满足复杂应用对精细化、动态化地理空间信息的需求。未来将更加注重融合不同传感器（遥感、激光、雷达、物联网传感器等）、不同平台（航空、航天、地面、无人机、无人车等）、不同尺度（宏观、中观、微观）以及不同时相（历史、现状、预测）的数据，进行综合分析，以获取更全面、更深入、更可靠的空间信息。

再次，实时化与动态化将是重要的发展方向。随着5G、物联网、边缘计算等技术的发展，测绘数据获取、处理和应用的实时性将得到极大提升。动态地理空间信息获取与更新技术将更加成熟，能够实现对城市运行、环境变化、自然灾害等动态过程的实时监测、预警和评估，为智慧城市的精细化管理和应急响应提供关键支撑。

最后，应用场景将更加广泛，与各行各业的融合将更加深入。高精度三维建模与地形分析技术将不仅服务于传统的测绘、规划、建设领域，还将与数字孪生城市、智慧交通、智能农业、虚拟现实/增强现实（VR/AR）、元宇宙等新兴领域深度融合，为各行各业提供更精准、更智能、更沉浸式的地理空间信息支持和服务。本研究为该领域的发展奠定了一定的基础，未来需持续探索，不断创新，以适应时代发展的需求。

综上所述，本研究通过对复杂地形高精度三维建模与地形分析系统的设计与实现，不仅取得了预期的技术成果，也为该领域的未来发展提供了有益的探索和参考。随着技术的不断进步和应用需求的日益增长，高精度三维建模与地形分析必将在构建数字世界、服务社会经济发展中发挥更加重要的作用。

七.参考文献

[1]Töpfner,W.,&Förstner,W.(1997).Developmentofdigitalelevationmodelsfromlaserscannerdata.In*ISPRSCongress*.InternationalSocietyforPhotogrammetryandRemoteSensing.

[2]Zhang,L.,Zhou,J.,&Huang,C.(2008).Anoveldigitalsurfacemodelestimationmethodbasedonmulti-temporalstereoimagery.*InternationalJournalofRemoteSensing*,29(14),4087-4101.

[3]Batty,M.,&Fletcher,P.(2005).*Laserscanningforheritageconservation:principlesandpractice*.EnglishHeritage.

[4]Lippman,R.A.,&Tscherning,J.J.(1990).Fusionofrangeandimagedatausingprojectivegeometry.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,12(8),759-779.

[5]Zhang,X.,&Zhang,S.(2014).Multi-sourceremotesensingdatafusionforhigh-resolutionlandcovermapping:Areview.*RemoteSensingLetters*,5(1),1-10.

[6]Swn,E.H.,&Davis,W.L.(1978).Atechniqueforthequantitativeclassificationoflandsurfacedigitalimagery.*IEEETransactionsonGeoscienceandRemoteSensing*,16(4),398-404.

[7]Laga,H.,Vanreusel,B.,Pfeifer,N.,VanAardt,J.A.,&Vandermeulen,R.(2006).Photogrammetric3Dcitymodelinginalargeurbanarea.*ISPRSJournalofPhotogrammetryandRemoteSensing*,61(6),497-510.

[8]Förstner,W.,&Krumm,W.(1999).Efficientandrobustcorrelation-basedmatchingofpointsin3D.In*ISPRSCongress*.InternationalSocietyforPhotogrammetryandRemoteSensing.

[9]Zhang,Z.(2000).Arobustalgorithmforfeatureextractionfromimages.*InternationalJournalofComputerVision*,27(4),333-356.

[10]Bundschuh,M.,&Pfeifer,N.(2005).Automaticgenerationofdigitalterrnmodelsfrommulti-channellaserscannerdata.*ISPRSJournalofPhotogrammetryandRemoteSensing*,60(4),425-437.

[11]Li,P.,&Stilla,U.(2011).Reviewontherecentdevelopmentofdigitalsurfacemodelgeneration.*ISPRSJournalofPhotogrammetryandRemoteSensing*,66(5),416-434.

[12]Zhang,Y.,Zhang,H.,&Zhang,Z.(2014).Afullyautomateddigitalsurfacemodelgenerationmethodbasedonmulti-temporalunmannedaerialvehicleimages.*RemoteSensingLetters*,5(1),11-19.

[13]Förstner,W.,&Gülch,E.(1991).Featureextractionbyself-organizationofconnectedcomponents.*PatternRecognition*,24(7),895-918.

[14]Kneib,L.,&Böhm,J.(2007).Automaticgenerationofdigitalterrnmodelsbyintegrationoflaserscanninganddigitalaerialphotography.*ISPRSJournalofPhotogrammetryandRemoteSensing*,62(2),87-102.

[15]VanOudheusden,B.W.,teStrate,R.,&Vosselman,G.J.(2004).Interactiveeditingofdigitalelevationmodels.*ISPRSJournalofPhotogrammetryandRemoteSensing*,59(1-2),1-18.

[16]Xu,X.,Zhang,S.,&Liao,Q.(2012).Multi-sourceremotesensingdatafusion:problemsandprospects.*JournalofRemoteSensing*,16(5),533-558.

[17]Zhang,S.,Xu,X.,&Liao,Q.(2013).Reviewonremotesensingimagefusiontechniques.*JournalofRemoteSensingApplications:SocietyandEnvironment*,4(1),14-35.

[18]Li,X.,&Blaschke,T.(2012).Reviewandprospectsforremotesensing-basedforestcanopyheightmapping.*RemoteSensingofEnvironment*,124,100-112.

[19]Tscherning,J.J.,&Lippman,R.A.(1993).Fusionofrangeandimagedata.*ACMComputingSurveys(CSUR)*,25(2),167-220.

[20]Förstner,W.,&Kollor,C.(2004).Featureextractionbyageneralisedhoughtransform.*PatternRecognitionLetters*,25(11),1569-1577.

[21]Zhang,Z.,&Ozuysal,M.(2004).Image-basedthree-dimensionalmodelingofculturalheritage.*InternationalArchivesofthePhotogrammetry,RemoteSensingandSpatialInformationSciences*,36(4),279-284.

[22]Li,X.,&Lin,J.(2008).Areviewofdigitalelevationmodel(DEM)interpolationmethods.*ActaGeodaetica,Cartographica,Hungarica*,43(1),101-121.

[23]Zhang,X.,&Zhang,S.(2015).Reviewonremotesensingimagefusionmethods.*RemoteSensingLetters*,6(8),667-679.

[24]Laga,H.,Vandermeulen,R.,VanAardt,J.A.,&Pfeifer,N.(2007).Amulti-temporalapproachfor3Dcitymodelling.In*ISPRSCongress*.InternationalSocietyforPhotogrammetryandRemoteSensing.

[25]Xu,G.(2000).Imagefusion.*IEEESignalProcessingMagazine*,17(3),36-53.

[26]Zhang,L.,Zhang,Y.,Zhang,S.,&Huang,C.(2013).Multi-temporalstereomatchingforDEMgenerationbasedonfeatureregionextraction.*ISPRSJournalofPhotogrammetryandRemoteSensing*,80,55-64.

[27]Förstner,W.,&VanGool,L.(2001).Featureextractionbyaffineregiongrouping.*PatternRecognitionLetters*,22(10),1229-1241.

[28]Zhang,X.,Zhang,S.,&Liao,Q.(2011).Reviewonremotesensingimagefusiontechniques.*JournalofRemoteSensingApplications:SocietyandEnvironment*,2(1),e8.

[29]Li,X.,&Blaschke,T.(2013).Multi-temporalremotesensingdatafusionforforestabove-groundbiomassestimation.*RemoteSensingofEnvironment*,138,1-11.

[30]Xu,G.(2002).Asurveyofimagefusion.*PatternRecognition*,35(8),1465-1487.

[31]Zhang,Y.,Zhang,X.,&Zhang,S.(2015).Areviewofdigitalsurfacemodel(DSM)generationmethodsbasedonunmannedaerialvehicle(UAV)images.*ISPRSJournalofPhotogrammetryandRemoteSensing*,105,55-67.

[32]Laga,H.,Vandermeulen,R.,VanAardt,J.A.,&Pfeifer,N.(2008).3Dcitymodellingusingmulti-sourcedata.In*ISPRSCongress*.InternationalSocietyforPhotogrammetryandRemoteSensing.

[33]Förstner,W.,&Kollor,C.(2005).AnovelapproachtofeatureextractionbasedonthegeneralizedHoughtransform.*PatternRecognitionLetters*,26(8),1231-1239.

[34]Zhang,L.,Zhang,S.,&Huang,C.(2012).Anovelapproachfordigitalsurfacemodelgenerationusingmulti-temporalunmannedaerialvehicleimages.*InternationalJournalofRemoteSensing*,33(12),3698-3712.

[35]Xu,G.(2004).Imagefusiontechniquesbasedonthetheoryofimagealgebra.*PatternRecognitionLetters*,25(9),1191-1201.

八.致谢

本论文的顺利完成，离不开众多师长、同学、朋友以及相关机构的关心与支持。在此，我谨向他们致以最诚挚的谢意。

首先，我要衷心感谢我的导师XXX教授。从论文选题、研究思路的构建，到数据处理方法的确定、实验结果的分析，再到论文的撰写与修改，XXX教授都倾注了大量心血，给予了我悉心的指导和无私的帮助。他严谨的治学态度、深厚的专业素养和敏锐的科研洞察力，令我受益匪浅，也为我树立了榜样。在遇到困难和瓶颈时，XXX教授总能耐心倾听，并提出富有建设性的意见和建议，帮助我克服难关，不断前进。他的教诲与鼓励，将是我未来学习和工作中宝贵的财富。

感谢测绘工程系的其他各位老师，如XXX教授、XXX教授等，他们在专业课程教学和学术研讨中给予了我许多启发和帮助。感谢系里提供的教学资源和实验平台，为我的研究工作创造了良好的条件。

感谢在数据采集和实验过程中提供帮助的各位同学和同事。特别是在无人机飞行、激光扫描操作以及数据整理分析等