近些年来,航空摄影测量技术以低成本、大范围的获取高精度的场景信息,已经成为新时代下“数字城市”建设中获取数据的重要手段之一。无人机平台搭载GPS、IMU和非量测相机,采集高精度位置、地面影像数据和姿态数据,可利用计算机视觉的运动恢复目标结构算法(StructureFormMotion,SFM)和多视图立体视觉重构算法(multiViewStereo,MVS),生成数字正射影像图、数字表面模型和密集点云数据等。在摄影测量方面,大多数的应用都是基于数字正射影像图、数字表面模型和实景三维模型进行,点云作为影像与基础地理信息产品的过度产物往往是被忽略的,以至于对影像密集点云的应用及研究相对较少。而LiDAR(LightDetectionandRanging)点云因为其准确的描述了空间目标地物的形态、大小和其他属性特征被广泛应用地形测图、林业检测,救灾减灾等领域。但是雷达设备成本高、对作业人员的门槛相对较高,加之获取的点云不包含物体光谱信息和无任何语义信息等原因,一定程度上限制了其大规模的普及应用。影像匹配点云除了在精度上弱于LiDAR点云外,其拥有丰富的纹理和光谱特征,容易引入植被指数等特征用于点云分类,加之是基于无人机进行数据采集,其成本相比于LiDAR大幅下降。并且随着计算机视觉和摄影测量技术的发展,在一些地形不复杂的区域,影像匹配点云在精度和密度上能够媲美LiDAR点云。鉴于影像匹配点云所具巨大优势,如何对影像匹配的点云进行应用与研究显得尤为重要。影像匹配的点云中包含了地面点、地表上的建筑物、植被等信息,并不能直接对其进行测图和提取森林结构参数等应用,需要对其滤波和分类,按需提取有用信息。现阶段针对影像匹配点云滤波与分类的方法较少,而LiDAR点云的相关研究与应用比较成熟,虽说影像匹配点云与LIDAR点云存在数据源差异和滤波算法能否兼容的问题。但总的来说两种方式获取的点云之间有共同点,所以本次研究主要是借鉴LiDAR点云的处理方法对影像匹配点云处理,利用影像匹配点云具有丰富的纹理和光谱信息等特点,进行自动分类和目视分类编辑。在点云数据中划分地面点与非地面点的过程称为点云滤波。目前各种经典的点云滤波算法都需要在算法中设置较为复杂的参数,需要专业人员对作业区域有深入的了解,才能达到一定的滤波效果。由于自然和人为等不可控因素的存在,影像匹配点云在数据采集和处理过程中不可避免的出现误差,故在点云滤波之前需采用合适的点云粗差剔除算法对点云中的噪声点去除。本次的研究内容如下:(1)从相机成像模型、二维相片到三维空间的坐标转换、相机的检校、特征点的提取与匹配、运动恢复结构、多视影像密集匹配六方面讲述无人机倾斜影像进行匹配获取三维点云的关键技术和原理,并整理无人机影像数据的获取与影像处理生成点云的具体方法。(2)滤波和分类作为点云应用的基础环节,为了能够对影像匹配点云进行高精度的滤波和分类,在滤波开始前,充分分析点云的特点,运用高程统计和基于密度的算法对点云进行误差的剔除;对于滤波,则深入研究了目前几种经典点云滤波算法,采用定性和定量评价的方法分析各滤波算法在不同地物地貌区域的滤波结果,找到适用于本次研究的最佳算法;分类则是先对点云进行特征统计,选择具有代表性特征运用机器学习的随机森林算法进行分类。(3)结合获取的数字正射影像图和滤波后地面点数据,进行数字线划图的制作。首先对密度较大的点云数据进行抽稀处理,生成数字高程模型和等高线数据;然后将生成的等高线数据和数字正射影像图中矢量化的部分地物结合,局部修改后制作数字线划图;最后选取视图立体视觉重构算法。