1.1 前言
隨著攝影測量技術演進，二維影像資料透過立體匹配(Stereo matching)可以有 效產製細緻且高精度之三維點雲(point cloud)。點雲是以密集的三維點位描述空間 中的物件(如圖 1-1)，現今測繪技術中，獲取物體高密度點雲的方法主要有 2 種，
影像密匹配(Dense matching)及光達(Light Detection And Ranging, LiDAR)技術。光 達可快速獲取大量的具空間資訊的點雲資料，但是作業成本高。近年來，由於計算 機軟硬體設備的快速發展及影像匹配演算法的改進，低成本光學影像亦可於短時 間內產製具有空間資訊及色彩的點雲，和光達資料相比，在視覺上更貼近真實物件 的樣貌，為了展示影像密匹配之可行性，分別對人造物及花卉進行影像拍攝，由 VisualSFM (Wu, 2011)解算方位，以 SURE (Rothermel et al., 2012)產製密點雲，影像 獲取及點雲成果如圖1-2 及圖 1-3 所示。
(a) 地面光達點雲(Chuang and Jaw, 2017)
(b) 空載光達點雲(Chuang and Jaw, 2017)
(c) 高密度隧道點雲(趙鍵哲，2016)
圖1-2、台大土木系館門口浮雕影像與點雲成果
圖1-3、蘭花影像與點雲成果
影像取得成本低且有空間及輻射資訊，因此以影像產製高密度點雲是當前趨 勢。丁皓偉(2014)以 Cross-based Matching+半全域式匹配法(Semi-Global Matching, SGM)，從航空影像產製高密度點雲(圖 1-4)。Wenzel et al. (2013a)使用數位單眼相 機Nikon D7000 環狀拍攝 35 cm 高的目標物”Testy”以獲取影像，使用 SURE 進 行影像密匹配產生點雲(圖 1-5)。Mayer (2015)整合多張 UAV 影像及地面影像，以 SGM 產製點雲(圖 1-6)。綜上所述，從航空影像到近景影像均可用立體匹配進行三 維重建。
圖1-4、航空影像點雲產製(丁皓偉，2014)
(a) 測試物“Testy” (b) 產製之點雲
圖1-5、近景影像點雲產製(Wenzel et al., 2013a)
圖1-6、整合 UAV 及地面影像進行三維重建(Mayer, 2015)
1.2 研究動機與目的
立體匹配雖然可以產製高密度三維點雲，但有其施作前提。Mattoccia (2012)列 舉執行立體匹配的挑戰，包括光學失真(photometric distortions and noise)、鏡面反射 (specular surfaces)、投影縮減(foreshortening)、透視畸變(perspective distortions)、重 複圖徵(repetitive/ambiguous patterns)、透明物件(transparent objects)、遮蔽與不連續 (occlusions and discontinuities)及單調或低紋理區(uniform/ambiguous regions)等。當 獲取的影像有前述現象時，容易造成匹配錯誤或是無法匹配，而大部分的挑戰已有 相應的解決方法，亦改善三維重建的成果。但是，對於低紋理區的三維重建，考量 場景或物件地域性、施作條件及硬體需求性，在人工紋理(artificial texture)輔助下，
仍有諸多限制及挑戰。
投射人工紋理於場景或物件以增加紋理變化及豐富度，是協助立體匹配於弱 紋理區的基本概念，實際操作時，根據場景幾何、大小、欲重建的完整度及使用設 備，會有不同的方法選擇及操作細節。本研究主要研究目的為設計合適的人工紋理，
並提出適當的影像拍攝配置，使弱紋理區能夠以立體匹配順利獲取三維點雲。現階 段所使用之投影器及相機之感測波段均為可見光，因此作業環境限於可投射清楚 紋理的光源環境，例如室內及夜間作業的室外場景。
1.3 研究方法與流程
1.4 論文架構
本論文依循下列幾個章節做詳細的論述，其中章節內容概要如下：
第一章 緒論
說明本研究之動機與目的、研究流程圖，並簡述論文架構。