Page 482 - 《软件学报》2025年第4期

1888 软件学报 2025 年第 36 卷第 4 期

测时, FGO 可以只更新受影响的部分因子而不改变其他因子 [45] , 具有较强的鲁棒性; PGO 和 BA 需要调整所有状
态量和观测量, 而 PGO 的状态量和观测量相比 BA 更少, 受影响的程度更低, 因此鲁棒性相对更强.

表 2 基于优化的方法对比

对比方面 光束平差法 (BA) 位姿图优化 (PGO) 因子图优化 (FGO)
同时考虑了路标因子、里程计因
计算量 优化相机帧位姿和路标点位置, 计算量较大 仅需优化相机帧位姿, 计算量小
子和先验因子的观测, 计算量大
可用于全局优化, 也可以作为局部优化方法 仅适用于路标点已经固定的全局 观测约束更加全面, 对不同优化需
适应性
为全局优化提供路标信息 位姿优化, 适应性弱 求的适应性强
需要调整所有相机帧位姿和路标点位置, 鲁 仅需要调整所有相机帧位姿, 鲁 只对受影响的部分因子进行更新
鲁棒性
棒性弱 棒性相对较强 而不改变其他因子, 鲁棒性强

2.1.2 点阵数据融合方法
点阵数据由可见光相机、LiDAR、红外相机、高光谱相机等成像传感器所产生. 不同点阵数据具有一定的互
补性, 对这些数据进行融合, 可以提供更加全面准确的信息支撑. 根据是否产生新的信息内容, 可以将点阵数据融
作为综合信息, 如图
合方法分为数据堆叠和数据混合方法.

2.1.2.1 数据堆叠方法
数据堆叠不产生新的信息, 而是将描述同一目标的不同信息进行拼接, 实现数据信息的扩展. 假设有 2 种数据
分别包含数值信息 a 和 b, 则数据堆叠将拼接得到融合数据 (a, b), 如图 7 所示.

数据
堆叠

图 7 数据堆叠方法示意

Sankey 等人 [55] 基于运动恢复结构技术生成多光谱点云计算植物高度, 将高度信息堆叠于多光谱数字正射影
像图 (digital orthophoto map, DOM) 构成 6 个波段; 通过 LiDAR 点云计算的高度信息被堆叠至高光谱 DOM, 形成
279 个波段; 然后使用分类回归树对堆叠图像进行像素级分类, 并利用算法分析各波段的重要性, 保留其中最具判
别能力的波段以增强分类性能. Elamin 等人 [56] 基于 LiDAR 点云生成反射强度图和数字高程模型, 将反射强度通
道或高程通道堆叠至可见光 DOM 和多光谱 DOM, 从而提升算法对堆叠图像的像素级分类效果. Gao 等人 [57] 为了
获取高精度的空间和纹理信息, 在获取可见光 DOM 与 LiDAR 点云后, 建立点云到图像的几何变换映射, 在此基
础上, 将图像点的红绿蓝 (red-green-blue, RGB) 灰度值堆叠至与之匹配的点云点, 增加三维点云的色彩信息.
Motayyeb 等人 [58] 将红外点云的辐射信息堆叠至可见光点云, 利用融合点云生成含有多种信息的 DOM, 以此提升
算法在 DOM 上的图像分割性能. 在上述研究中, 堆叠的通道数量有着关键影响, 多数研究是选择性地堆叠了不同
信息, 简单快速且无需其他计算过程, 但融合效果逊于堆叠后再利用算法筛选具有较强互补性信息的方式.

2.1.2.2 数据混合方法
数据混合对描述同一目标的不同信息基于一定规则相加, 产生新的综合信息. 假设有 2 种数据分别包含数值
信息 a 和 b, 数据混合可以是将平均值 (a+b)/2 8 所示.
Li 等人 [59] 在无人机端融合可见光和红外图像, 首先基于红外图像的像素灰度分布设计混合规则, 在保留可见
光图像背景的基础上, 通过混合规则将红外图像与可见光图像的像素灰度值进行加权求和, 使得红外高亮目标明
显突出于可见光背景上, 从而提升目标的可辨识性并减少无人机对地面站的数据传输量. Wang 等人 [60] 提出一种
基于 U 型对抗生成网络的数据混合方法, 将可见光图像和红外图像堆叠的 4 通道图像输入至生成器, 并在生成器
中引入卷积块注意力模块使网络更关注红外高亮目标, 将生成器输出的 3 通道混合图像输入判别器, 判别器判断