品質評估

針對六個測試區域的匹配成果，利用 2.6.2 節 說明的方法進行評估。

(1) 視差圖異常值像元個數

利用左右一致性檢測分別偵測六個測試區域 之 SGM 及 Cross-based Matching 視差成果(表 11) 中異常值像元的個數，並計算其所占的比率。由圖 16 的量化成果顯示出後者的異常值像元所占比率，

降低的幅度至少 2%；而由表 11 的視差成果可看出 相較於 SGM 的成果，Cross-based Matching + SGM 的視差成果較為平滑，雜訊點明顯減少。因此，由 視差圖的初步品質評估顯示出成果品質確實有所

提升。

(2) 人工量測成果與自動化匹配成果進行比較 針對六個測試區域的特徵物(表 12)，比較人工 量測成果與自動化匹配成果之差異。針對點特徵及 線特徵，量化的成果(圖 17)顯示出兩者的差異最多 在 1 個像元；而對於平面特徵的評估，藉由計算範 圍內的點雲與擬和平面的距離以量化誤差，由圖 18 平 面 特 徵 的 誤 差 趨 勢 圖 證 實 Cross-based Matching + SGM 的點雲成果確實是位在同一平面 上，誤差均值趨近於 0.00(m)；而 SGM 的誤差均 值約為 0.22(m)，顯示出 SGM 的點雲成果並非完 全位於同一平面上。由以上三種特徵的量化成果突 顯出本研究產製的高密度點雲具有高精度。

173

表 10 實際航照影像產製高密度點雲成果

ID 原始影像 SGM Cross-based Matching + SGM

測試區域1

測試區域2

測試區域3

測試區域4

測試區域5

測試區域6

表 11 視差成果比較

ID 測試區域1 測試區域2 測試區域3

SGM

Cross-based Matching + SGM

ID 測試區域4 測試區域5 測試區域6

SGM

Cross-based Matching + SGM

圖 16 視差圖精度量化成果

175

表 12 人工量測之特徵物示意圖

ID 點特徵 線特徵 平面特徵

測試區域1

測試區域6

測試區域2

測試區域3

測試區域4

測試區域5

圖 17 點特徵及線特徵精度量化成果

(a) SGM 平面特徵誤差均值：0.22(m) (b) Cross-based Matching + SGM 平面特徵誤差均 值：0.00(m)

(c) SGM 平面特徵誤差均值：0.22(m) (d) Cross-based Matching + SGM 平面特徵誤差均 值：0.00(m)

圖 18 測試區域 1 及 6 之平面特徵精度量化成果圖

(3) 以視覺比對點雲成果之完整性及幾何性 針對不同的地物表徵(表 13)，以視覺比對高密 度點雲在三維場景表達的完整性及正確性，比對的 成果顯示出 SGM 的成果雜訊點較多，點雲的浮動 情形明顯較劇烈；而 Cross-based Matching + SGM

的成果在表達不同地物表徵之幾何性及完整性都 有較理想的成果，證實本研究提出的作業優化策略 及擬定的參數值設定方式確實能提升高密度點雲 的成果品質。

177

表 13 以視覺比對不同區域之完整性及正確性

ID 建物 植被 裸露地(均調區) 屋脊(視差不連續處)

原始影像

點雲(SGM)

點雲 (Cross-based

Matching + SGM)

ID 建物 裸露地 道路(均調區) 屋脊(視差不連續處)

原始影像

點雲(SGM)

點雲 (Cross-based

Matching + SGM)