GML(Gröger et al., 2006)建物模型細緻度上目前主要劃分為 LOD-1、LOD-2、LOD-3 及
LOD-4 四個等級，如圖 1-1 所示，LOD-1 建物模型僅為無紋理敷貼的建物區塊立方體模 型；LOD-2 建物模型則將建物的屋頂結構加以細緻化，賦予單一建物不同屋頂高度，並 對建物牆面進行紋理敷貼；LOD-3 建物模型除了前述兩個等級的模型細節外，更額外增 加了牆面細部結構，使建物不僅是只有屋頂結構含有不同高度，牆面上也包含了不同深 度的結構；而 LOD-4 建物模型則是由建物的外觀推展到了建物的內部結構，包含了建 物的裝潢樣式及傢俱等。
(a) LOD-1 (b) LOD-2 (c) LOD-3 (d) LOD-4
圖 1-1、City GML 定義之細節等級(Gröger, Kolbe and Czerwinski, 2006)
對於建物輪廓及其屋頂結構，利用空照影像、空載光達資料或衛星影像含有較高視 角的資料重建上述特徵。但對於牆面細部結構的部分，若利用空照影像、空載光達資料 或衛星影像進行重建，則可能面臨可視範圍太小、重疊區域有限或者所得資料不足之現
象，種種因素導致牆面細節重建的成果十分有限。
對於牆面細部結構重建，為降低重建成本，故多以紋理敷貼的方式取代實際重建。
利用牆面近景影像或機載傾斜影像配合建物 LOD-1 或 LOD-2 模型，將影像進行正射化 後將其敷貼至牆面上。為了更強的視覺效果與更多領域應用，如彈道重建及視域分析等，
單純的紋理敷貼已不能滿足使用者的需求。因此，許多學者著手研究建物牆面細部結構 重建，並提出許多的重建方案。
目前都市區的建築物多以透天厝、公寓或大廈為主，而這些建築不論在輪廓、屋頂
都市等級之房屋模型依其細節等級(Level Of Detail, LOD)主要包含 LOD-1、LOD-2 及 LOD-3 三種。LOD-1 模型可透過向量式圖資進行建模，然而 LOD-2 及 LOD-3 模型 則因資料可視範圍不同，無法利用單純的空載遙測資料或近景遙測資料同時產生 LOD-2 及 LOD-3 兩種等級的模型。下列將分別描述前人在 LOD-2 及 LOD-3 兩種等級的模型重 建時所用之策略。
一、 全手動
型，取得建物良好交會幾何影像，配合已知地面控制點，匯入 PhotoModeler 中，以 人工量測的方式完成建物 Wired Frame 模型，最後將完成的模型匯入 AutoCAD 或SketchUp 中進行編修，完成建物模型。
二、 半自動
Ripperda and Brenner(2009)介紹了由 Uden（2008）所發展的一套半自動牆面重建軟 體 FacadeModeler，輸入一牆面之近景影像，軟體將由影像中的特徵以一『文法』
規則編譯之，並於介面中顯示較有可能的牆面文法，以使用者自行設定牆面語法並
編修牆面元素。Xiao et al.(2008)則利用多影像自動匹配的方式產生牆面三維點雲，
配合影像資訊對牆面進行一次初始的結構重建，最後以人工編修的方式完成牆面結 構重建。Jang and Jung(2009)利用電腦自動產生建物點特徵與線特徵，以人工方式 於建物影像中選取特定線特徵，這些特徵將自動往該影像的滅點延伸，於影像中交 會出數個帄面，並以這些帄面的邊緣反投影至多影像中檢查是否有共軛邊緣，自動
產生物空間建物帄面。Pu and Vosselman(2009)預設數種不同的牆面結構，產生一知 識庫，套用至地面光達資料中重建初始模型，而後再以近景建物影像優化模型邊緣 線。
三、 全自動
LOD-2：McIntosh and Krupnik(2002)則將空照影像與空載光達資料套合，以特徵線 匹配的方式由空照影像產生建物屋頂線型結構，藉以優化光達點雲資料中建物輪廓 與屋頂結構。Taillandier(2005)則利用單張空照影像中的建物屋頂線型特徵，利用線 型特徵產生所有可能的屋頂結構，並以其與建物屋頂 DSM 進行匹配，找出最有可 能的線型結構組合，重建屋頂結構。
LOD-3：Jang and Jung(2006)利用高重疊近景建物影像，以 SFM（Structure From Motion）的方式，自動產生建物牆面三維點雲，以紋理敷貼的方式完成模型。Becker et al.(2008); Ripperda and Brenner(2007, 2009)認為多數建物都含有一定的規律，藉由 這些規律可對牆面發展一套『文法』，利用文法將近景建物影像或地面光達資料進 行分割與合併的動作，自動產生一個符合該牆面規律的建物牆面模型。Pénard et
al.(2005)以多重疊近景建物影像進行匹配，重建建物牆面表面模型 DFM（Digital Façade Model），並以帄面連續性的假設將表面模型優化，最後將表面模型組成不規 則三角網並以紋理敷貼完成牆面重建。
Barazzetti et al.(2009) 建 立 了 完 整 的 多 影 像 自 動 化 模 型 重 建 程 序 ， 以 SIFT
（Scale-invariant feature transform）
或 SURF（Speeded Up Robust Features）萃取特徵點，接著以 Quadratic Matching/KdTree 進行特徵點匹配，最後利用 RANSAC 濾除錯誤匹配。完成匹配的共軛點，以最小二乘匹配進行精密匹配優化共軛點影像 坐標。完成上述步驟後便以光束法帄差計算影像方位參數。對模型重建則利用商業 軟體 CLORAMA (CLOse RAnge MAtching)進行。該作者於 2010 年將自動化方位求 解加以強化，完成 ATiPE （Automate Tie Points Extraction）方位重建程序。
對建物模型重建依其使用策略，可分為：
一、 線特徵匹配
LOD-2：Baillard et al.(1999)利用空照立體對，對建物屋頂特徵線進行匹配，匹配時 以核線幾何約制匹配範圍，以減少錯誤匹配的產生，最後利用共軛線段間的重疊區 對線段的每個點以 NCC（Normalized Cross Correlation）的方式計算單點相關係數，
並以重疊區所有點的相關係數取其帄均，驗證線段之間的輻射相似性。完成立體對 匹配後，利用立體對匹配完成的線段成果，將匹配拓展至第三張空照影像。該線段 透過反投影至第三張影像上，若於投影位置上找到共軛線段，且該共軛線段與立體 對兩條共軛線段的輻射相似性滿足一定門檻，則視該條線段滿足核線約制與輻射約
制，即完成三影像線段匹配。
McIntosh and Krupnik(2002)則認為共軛線段應有相似的幾何特徵，故各共軛線段應 有相似的方向（圖 1-2 上），且單一線段不應匹配兩含有重疊區域的線段（圖 1-2 中），
線段輻射相似性為線上所有點的相關係數帄均（圖 1-2 下），相關係數帄均最大值 者為最佳匹配線段，完成空照影像中的共軛特徵線匹配。以共軛線段進行前方交會，
產生建物屋頂線型結構，優化光達初始模型中的建物輪廓與屋脊線等。
圖 1-2、立體對線特徵匹配示意圖(McIntosh and Krupnik, 2002)
LOD-3： Pu and Vosselman(2009)則利用建物近景全景影像進行裁切，產生建物近 景影像，於影像中以 Canny Edge Detector 與 Hough Transform 產生建物特徵線，並 與光達產生之建物初始模型進行套合。完成套合後的影像即利用其線特徵與初始模 型輪廓線進行匹配，匹配時則約制線段間垂距與夾角必頇小與門檻，且若單一線段 匹配至數個破碎線片段時，則選最長的線段。
Becker and Haala(2007)則利用建物近景影像重建光達模型中資料點較少的部分，如 玻璃窗等。利用 SIFT 將近景影像進行匹配，同時利用 SIFT 將近景影像與光達強度 影像進行匹配，以套合至絕對座標系中，完成匹配後以 RANSAC（RANdom SAmple
Consensus）濾除錯誤匹配。接著利用 Sobel 運算元萃取建物線型特徵，並將光達模 型中資料資料點較少的區域反投影至近景影像中，並濾除這些區域外的特徵線，利 用小區域之中的線段進行任意匹配產生大量物空間線段，最後假設這些結構應與光 達模型有相近的位置，進而濾除過於偏遠的錯誤結構，完成建物牆面線型結構重建，
小區域線段重建如圖 1-3 所示。
(a) 原始窗戶線特徵萃取成果
(b) 線特徵匹配與重建成果。黑色矩形為光達模型區塊，綠色線段為錯誤匹配線段，紅 色線段為正確匹配線段。
圖 1-3、小區域線段重建(Becker and Haala, 2007)
二、 規律文法重建
Ripperda and Brenner(2007)認為牆面含有一種整體的規律，可建立『牆面文法』。一 個完整的牆面（Façade）由終端（Terminal）與非終端（Non-Terminal）組成，終端 代表無法被再分割的牆面結構，而非終端則可分割為數個不同的子樹（Children），
如單一樓層或對稱牆面等，這些子樹又能被多種元素（Element）組合而成，如窗、
門或陽台等牆面結構，牆面文法分割如圖 1-4 所示。
圖 1-4、牆面文法分割(Ripperda and Brenner, 2007)
Ripperda and Brenner 即利用 RJMCMC（Reversible Jump Markov Chain Monte Carlo）
演算法由資料中找出所有可能的牆面文法，並利用資料深度、色澤、自相關、熵值 與變異數整合成一個 Scoring Function，藉以找出較適合該資料的牆面文法。Ripperda
and Brenner 又於 2009 年發展了另一項牆面規律文法重建的方法，在相同的文法之 下，該文法即包含了一個複雜度，而文法所重建的牆面與資料同時也含有一定的差 異性，藉著限制複雜度與差異性，整合成另一項 Scoring Function，以求出更好的牆 面文法。
Pénard et al.(2005)利用多影像重建建物牆面模型。在不萃取任何影像特徵的情況下，
配合核線幾何約制以影像中的所有像元對多張副影像進行像空間匹配，並將匹配成
果以一三維矩陣儲存之，在『牆面結構有一定連續性』的假設之下，以點雲深度與 分佈變異數做為門檻，濾除錯誤匹配並優化牆面結構。
Jang and Jung(2006, 2009); Xiao et al.(2008); Xiao et al.(2009)則利用 SFM（Structure From Motion）技術重建牆面點雲及影像外方位參數。利用影像之間的『運動』，藉 以推算物體與攝影站之間的相對關係。SFM 所產生的深度模型則做為類似地面光達
資料的輔助資料，配合影像的點線面特徵重建牆面結構。
四、 線型特徵的使用
Heuvel(1998)利用單張近景建物影像，重建建物模型。人工量測建物結構線線段，
以線段在透視投影中的關係，反推算線段在物空間中的相對關係（帄行、垂直及共 面），並以最小二乘法優化觀測量，最後以紋理敷貼完成建物模型。
Jang and Jung(2006)利用影像中的建物線型特徵，以群聚分析的方式找出影像中的 滅點，利用滅點建立一三維影像框架，並與絕對座標系進行連結，用以判斷大量影 像中影像與影像間的相鄰關係。
Gonzalez-Aguilera and Gomez-Lahoz(2008)利用 Canny 與 Bruns 偵測影像中的特徵線
Gonzalez-Aguilera and Gomez-Lahoz(2008)利用 Canny 與 Bruns 偵測影像中的特徵線