通过运动平均进行大规模数字表面模型配准

生成广域数字表面模型（DSM）需要配准大量部分重叠的单个DSM。这对典型的配准算法来说是一个具有挑战性的问题，因为当考虑来自这些多个DSM的大量观测值时，很容易导致内存溢出。顺序配准算法虽然可以显著减少计算量，但对于重叠较小的配对尤其脆弱，导致较大的误差累积。在这项工作中，我们提出了一种新颖的解决方案，将DSM配准任务构建为运动平均问题：成对DSM被配准以构建场景图，其中边表示DSM之间的相对位姿。具体来说，基于大DSM的网格结构，使用一种新颖的最近邻搜索方法执行成对配准。我们证明，场景图可以通过一个具有O(N)复杂度（N指图像数量）的极快运动平均算法进行优化。对高分辨率卫星衍生DSM的评估表明，在计算和精度方面有显著改进。