企业官网建设流程全解析

简介：这份PDF文档围绕Agisoft Photoscan生成DEM与正射影像的完整作业流程展开，面向无人机航测、测绘遥感与GIS方向的初学者及一线技术人员，帮助打通从原始航拍照片到数字高程模型、正射影像产品之间的参数配置与操作路径。内容按参数预设、添加照片、装载相机POS文件、检查相机校准、对齐照片、布设像控点标记、优化照片对齐、设置边界框、建立密集点云等环节逐条梳理，并延伸至构建网格、编辑几何、构建纹理、Build DEM与Build Orthomosaic等步骤，对精度、配对预选、关键点数量、深度过滤等参数给出具体推荐值与设置依据，同时说明GCP精度设置与验证点评估思路，便于对照实操与排查问题。资源包共1个PDF文件，约512KB，篇幅紧凑，可作航测内业作业的操作参照与速查手册。目前已有1357人学习下载。

1. 从航拍到 DEM 和正射影像：Photoscan 这套流程解决什么问题

一个 2 平方公里的丘陵测区，无人机飞三个架次，拿回 800 多张带 POS 的照片，委托方要两份成果：一份能进 GIS 做坡度、汇流分析的高程栅格，一份能当底图量田埂、量房角的正射影像。Photoscan（新版更名 Metashape，菜单与参数基本沿用）从头到尾都能做出来。

它走的是 SfM 加 MVS 的路子：先从重叠区域找特征点，反算每张照片的拍摄位置和姿态，再把照片按像素匹配成稠密三维点云，最后把点云栅格化成高程模型、把照片按正射投影拼成影像。不需要摄影测量工作站，一台大内存机器加一块像样的显卡就能跑。

点云、DEM、正射影像这三样要分清：点云是带高程的离散点，DEM 是栅格化之后的高程面，正射影像是消除了相机倾斜和地形投影差、每个像素都对应真实平面位置的影像。做地形分析用 DEM，做底图用 DOM，做三维展示才用点云和 Mesh。

适合测绘、地信、水利、矿山的作业人员自己出成果而不是外包，也适合手里攥着一批照片要转栅格的研究人员。默认参数能出东西，但能不能过检查，全看旋钮怎么调。

2. 重叠度、GSD 与工程坐标系：DEM 精度在起飞前就定死了

2.1 航向旁向重叠度与 GSD 的换算：给出可套用的数字

先给结论：航向重叠不低于 75%，旁向重叠不低于 65%，这是航测出 DEM 的常规门槛。低于这个数，在草地、水面、裸岩这类弱纹理区域，特征点提取会成片失败，匹配断链，密集点云上留下空洞，后面 DEM 插值出来是一层平滑的假地形——看着正常，拿去做坡度分析全是错的。

地面分辨率（GSD）决定成果的物理极限，公式是：

GSD = 像元尺寸 × 相对航高 / 镜头焦距

三项单位统一到米。举例：1 英寸传感器像元 2.4 μm，镜头焦距 8.8 mm，航高 120 m：

GSD = 2.4e-6 m × 120 m / 8.8e-3 m ≈ 0.0327 m ≈ 3.3 cm

反过来要凑一个指定 GSD，航高按H = GSD × f / 像元尺寸推。很多新手先飞再算，飞完发现 GSD 只到 8 cm，出不了 1:500 的图，只能重飞。

2.2 GCP 布设与刺点精度：绝对精度的唯一来源

GCP 决定了成果的绝对坐标。没有 GCP，空三出来的模型形状再漂亮，位置也是飘的，平面能差几米，高程差几十厘米都属正常。

靶标用黑白十字或对顶三角，边长 40–60 cm，在 120 m 航高、3 cm GSD 下大约占 10–15 个像素，足够刺准。布点原则是包住测区而不是铺满测区：四角各一个，中心一个，测区跨度大就在长边中点补。RTK/PPK 无人机可以不布 GCP，但建议留 2–3 个当检查点，一旦发现系统性偏差，能立刻分清是空三的问题还是机载 GPS 高程的问题。

刺点动作本身容易被轻视。在 Photoscan 的 Reference 面板里把影像放大到像素级，中心对着靶标中心点，刺偏一个像素就约等于 1 倍 GSD 的误差。3 cm 的 GSD，刺偏 3 个像素，高程上就是接近 10 cm 的来源，比很多误差项都大。

2.3 新建工程、导入照片与投影坐标系设置的最小脚本

Photoscan 支持用 Python 控制台跑流程，比纯手工点击更可复现。

import PhotoScan doc = PhotoScan.app.document chunk = doc.addChunk() # 照片列表，注意路径要用原始 JPG，别用已经被压缩过的缩略图 photo_list = [r"D:\flight\IMG_0001.JPG", r"D:\flight\IMG_0002.JPG"] chunk.addPhotos(photo_list) # 关键一步：设成投影坐标系，而不是 EPSG::4326 这种地理坐标系 # EPSG::32650 = WGS84 / UTM zone 50N，高程系统按项目需求挂 EGM96 crs = PhotoScan.CoordinateSystem("EPSG::32650") chunk.crs = crs doc.save(r"D:\proj\demo.psz")

逻辑说明：addPhotos会把 EXIF 里的 POS 读进 Reference 表，后续对齐时用作初值。chunk.crs必须设成投影坐标系，因为地理坐标系下 DEM 的像素单位是度，分辨率没法用米表达，面积和距离都带形变。挂高程基准时可以用复合坐标系，比如把 UTM 50N 和 EGM96 大地水准面组合，否则机载 GPS 给的椭球高和实测正常高之间会差一个大地水准面差距，丘陵区能到十几米。

注意：工程文件要及时另存版本。地面点分类、DEM 重建这些操作会覆盖中间结果，出问题时能回退到对齐完成那一步，比重新跑一遍密集点云省几个小时。

2.4 掩膜处理：把天空、水面和移动物体挡在特征匹配之外

掩膜不是可选项。天空背景、水面反光、路上的移动车辆，这三类是特征匹配的噪声源。水面反光会让软件在同一个物理点上匹配出不同深度的点，车辆会在地面上糊出一块凸起，天空区域则直接产生远处的错误点。

手工做法是在照片视图里用矩形或多边形工具刷掉。批量做法是在脚本里按规则生成：

# 对每张照片生成掩膜，参数为容差与矩形边界 chunk.generateMasks( method=PhotoScan.MaskMethod.Background, tolerance=10, camera=chunk.cameras[0] ) # 让对齐阶段使用掩膜 chunk.matchPhotos(filter_mask=True, mask_tiepoints=True)

tolerance控制背景判定的宽容度，纯色背景调到 8–15 之间，复杂的城市天空要手工补。mask_tiepoints=True会让掩膜区域内的连接点不参与运算，代价是要重建一次掩膜，收益是点云上的鬼影明显减少。测区里有大面积水域时，更稳的做法是拿到水面矢量或者在 GIS 里手工描出范围再回导，靠容差自动判水面反光经常失效。

3. 对齐照片到密集点云：Photoscan 重建阶段的参数逐项拆解

3.1 Align Photos 的 5 个参数与最小运行脚本

对齐这一步决定了后面所有成果的地基。参数不多，但每一个都有明确的代价和收益。

chunk.matchPhotos( accuracy=PhotoScan.Accuracy.HighAccuracy, generic_preselection=True, reference_preselection=True, filter_mask=True, mask_tiepoints=True, keypoint_limit=40000, tiepoint_limit=0 ) chunk.alignCameras()

accuracy不是越高越好。Highest 用原图匹配，时间可能是 High 的四倍，而在地形起伏平缓、纹理重复的农田区，多出来的特征点大多是噪声。测区跨十几个架次时，先用 Medium 跑一遍，看对齐率是否达到 95% 以上，再决定要不要提高。

reference_preselection依赖 POS 精度。无人机自带的单点 GPS 精度只有几米，参考预选可能选错候选集，导致局部匹配失败。这种情况下把它关掉，用 Generic preselection 更稳。

3.2 Optimize Cameras 与渐进式点过滤：把 GCP 残差压到 1 倍 GSD 以内

对齐完成后，连接点里混着大量误差偏大的点，直接建密集点云会把误差放大。标准动作是循环三步：过滤、重优化、再看残差。

# 第一轮：按重建不确定性过滤，阈值 10 f = PhotoScan.PointCloudFilter() f.init(chunk, PhotoScan.Criterion.ReconstructionUncertainty) f.selectPoints(10.0) f.removePoints() chunk.optimizeCameras(fit_f=True, fit_cx=True, fit_cy=True, fit_k1=True, fit_k2=True, fit_k3=True, fit_p1=True, fit_p2=True, adaptive_fitting=True) # 第二轮：按投影精度过滤，阈值 3 f.init(chunk, PhotoScan.Criterion.ProjectionAccuracy) f.selectPoints(3.0) f.removePoints() chunk.optimizeCameras(fit_f=True, fit_cx=True, fit_cy=True, fit_k1=True, fit_k2=True, fit_k3=True, fit_p1=True, fit_p2=True, adaptive_fitting=True) # 第三轮：按重投影误差过滤，阈值 0.3 f.init(chunk, PhotoScan.Criterion.ReprojectionError) f.selectPoints(0.3) f.removePoints() chunk.optimizeCameras(fit_f=True, fit_cx=True, fit_cy=True, fit_k1=True, fit_k2=True, fit_k3=True, fit_p1=True, fit_p2=True, adaptive_fitting=True)

每一步删完连接点都要重新优化一次，否则相机参数还是按旧的连接点算出来的，等于白删。三个阈值是经验值：重建不确定性针对的是游离在主体结构之外的点，投影精度针对的是匹配位置不准的点，重投影误差针对的是残差大的点。

当主点 cx、cy 和焦距 f 的初始值本来就不确定时，可以先勾上fit_f、fit_cx、fit_cy做一次粗优化，把参数拉到合理区间，再放开径向畸变 k1–k3 和切向畸变 p1、p2。一次全放开容易收敛到局部极小，残差反而变大。

优化结束后看 GCP 残差。chunk.markers里每个标记点的 error 都会更新，正常应该在 1 倍 GSD 以内。某个点突然比别的点大三五倍，先别急着删，把它单独勾掉再优化一次做对比，多数时候是刺点位置偏了，而不是那个点本身有问题。

3.3 Build Dense Cloud：Quality 与 Depth Filtering 对 DEM 的实际影响

密集点云是 DEM 的直接数据源，这里的参数直接决定成果的颗粒度。

chunk.buildDenseCloud( quality=PhotoScan.Quality.HighQuality, filter_mode=PhotoScan.FilterMode.AggressiveFiltering, keep_depth=True, reusable_depth=True )

quality对应图像降采样倍率，实际影响是点间距：

按 3 cm 的 GSD 算，High 出来的点间距约 6 cm，DEM 分辨率设在 0.05–0.1 m 是匹配的。选 Ultra High 而 DEM 只出 0.5 m，多花的时间全浪费。

filter_mode影响的是离群点处理强度。Aggressive 对地形测量最合适，会把建筑边缘、树冠外侧那些飘出去的点削掉；代价是薄结构（电线、护栏、细杆）也会一起消失。如果成果要包含这些细节，改用 Mild。keep_depth和reusable_depth打开后会保留深度图，后续重新生成点云时能直接复用，省一次完整计算，代价是工程文件膨胀，SSD 紧张就别开。

4. Build DEM 与 Build Orthomosaic：两套成果的生成参数表

4.1 高程源选密集点云还是 Mesh，分辨率设到多少

Photoscan 允许从三种数据源生成高程栅格：稀疏连接点、密集点云、Mesh。连接点只用来看粗略形态，正式成果不用它。剩两个选择：

密集点云细节最全，保留了所有可见面，包括植被冠层、车顶、屋顶，出来的本质是 DSM。Mesh 是点云三角化后的结果，表面连续、没有空洞，适合做正射影像的投影面，因为它不会在影像上留下因点云空洞产生的破洞。做法上是先出 DSM 用于正射影像，再对点云做地面点分类，用 Ground 类点重新生成 DEM。

分辨率设置有个反直觉的点：把 DEM 分辨率设得比 GSD 还细，比如 GSD 3 cm 却设成 0.01 m，不会提高精度，只会把文件撑大好几倍，地图上看到的还是插值出来的平滑曲面。合理区间是 GSD 的 1–3 倍。

4.2 Build DEM 的关键参数与无数据区域填充

chunk.buildDem( source_data=PhotoScan.DataSource.DenseCloudData, interpolation=PhotoScan.Interpolation.EnabledInterpolation, projection=chunk.crs, region=chunk.region, classes=PhotoScan.PointClass.All )

source_data三个取值：TiePointsData只做预览，DenseCloudData是常规选择，MeshData在点云空洞多时更稳。projection一定要显式指定成和 chunk 一致的投影坐标系，跨带测区先决定用哪个带，不要中途改。

interpolation是重灾区，三个取值的差别很大：

Disabled不填充，点云没覆盖到的地方留 NoData。做地形分析时这是最诚实的做法，让人一眼看出数据缺失在哪里。EnabledInterpolation只填内部空洞，边界外不延伸，适合大多数交付场景。Extrapolated连边界外都外推，大范围使用会在测区边缘造出一圈根本不存在的地形，水文分析时这些假高程会直接污染汇流结果。

classes决定用哪一类点。默认的 All 出的是 DSM，建筑和树的高度都在里面；改成PhotoScan.PointClass.Ground得到的是真正意义上的 DEM，前提是点云已经做过地面点分类。

注意：DEM 里 NoData 的取值不要用 0。0 在多数高程基准下是合法值，海平面附近或者低洼地区会被当成真实地形参与计算。

4.3 Build Orthomosaic 的混合模式、颜色校正与接缝线

正射影像的生成参数里，混合模式对观感的影响最大。

chunk.buildOrthomosaic( surface_data=PhotoScan.DataSource.ElevationData, blending_mode=PhotoScan.BlendingMode.MosaicBlending, color_correction=True, enable_holes=True, fill_holes=True, ghosting_filter=True, resolution_x=0.03, resolution_y=0.03 )

color_correction处理的是不同架次、不同光照下的色调跳变。白天光照变化快的时段飞行，不开就会出现明显色块。反过来说，如果成果要拿去做植被指数、辐射反演这类定量分析，必须关掉，因为它直接改动像素亮度值，破坏了辐射一致性。

ghosting_filter专治移动物体，路上跑的车会在多张照片里出现在不同位置，开启后能挑一张作为主影像。接缝线在建筑边缘、陡坎和大高差处最容易拉花，Photoscan 支持手工编辑接缝线，把缝挪到人眼不敏感的地面区域。

4.4 导出 GeoTIFF 并用 gdalinfo 校验坐标系

# 导出 DEM chunk.exportRaster( path=r"D:\out\dem.tif", image_format=PhotoScan.ImageFormat.ImageFormatTIFF, source_data=PhotoScan.DataSource.ElevationData, nodata_value=-9999, tiled=True, bigtiff=True ) # 导出正射影像 chunk.exportRaster( path=r"D:\out\dom.tif", image_format=PhotoScan.ImageFormat.ImageFormatTIFF, source_data=PhotoScan.DataSource.OrthomosaicData, tiled=True, bigtiff=True, compression=PhotoScan.CompressionType.LZW )

bigtiff=True在成果超过 4 GB 时必开，不开会在写到一半时报错。tiled=True让 GIS 软件按块读取，浏览大图时不卡。nodata_value统一设成 -9999 或 -32767，全流程保持一致，不然拼接时会出现 NoData 被当成有效值的低级错误。

导出之后不要直接交付，用 GDAL 验一遍：

# 查看坐标系、像素大小、NoData 值和统计范围 gdalinfo -stats dem.tif # 只看高程极值，超出测区合理范围的多半是噪声点 gdalinfo -mm dem.tif | grep "Computed Min/Max"

-stats会算一遍统计量，如果最大值出现在测区边界且比周围高出几十米，基本是外推或者边缘噪声造成的，回去在点云里把边界外的点裁掉再重生成。-mm只看极值，速度更快，适合批量检查。

5. 地面点分类与成果校验：把 DSM 修成能进 GIS 的 DEM

5.1 用 Classify Ground Points 从密集点云里抠出地面

不做分类，出来的 DEM 其实是 DSM，屋顶、树冠的高度全在里面。坡度分析会报出荒诞的结果——一栋 30 米的楼在 5 米的间距上算出几百度的坡。

chunk.dense_cloud.classifyGroundPoints( max_angle=15.0, # 地面最大坡度角（度） max_distance=1.0, # 点到地面拟合面的最大距离（米） cell_size=2.0 # 分析窗口大小（米） )

max_angle是判断坡面连续性的上限，丘陵区用 15–20，密集城区调到 10–12，否则屋顶斜坡会被误判成地面。max_distance控制点被接受为地面点的容差，点云噪声大时适当放宽到 1.5–2.0，但放太宽会把低矮灌木一起收进来。cell_size是窗口尺寸，经验值是 GSD 的 50–100 倍，3 cm 的 GSD 对应 1.5–3 m。

分类完先看比例：裸地测区地面点应占 60%–70%，城市建成区 20%–40% 属正常，低于 15% 说明参数过严，地面被削得残缺不全。然后回到 4.2 节，把classes改成PhotoScan.PointClass.Ground重新生成一次 DEM，这才是能用来做地形分析的高程数据。

5.2 独立检查点与 RMSE：DEM 精度怎么算出来

精度不是靠看图看出来的，要靠不参与平差的检查点算出来。在 Reference 面板里把用作检查的标记点取消勾选，它们就不会参与优化，只在平差后显示残差。

chunk.exportReference( path=r"D:\out\check_points.csv", format=PhotoScan.ReferenceFormatCSV, columns="nxyzXYZ", delimiter="," )

导出的 CSV 里同时有实测坐标和模型坐标，用中误差公式统一算：

RMSE_z = sqrt( Σ(z_i − ẑ_i)² / n )

平面和高程分开算。判据用 GSD 的倍数比较直观：

单点突变和整体偏大是两类问题。整体偏大查 POS 高程和坐标系统设置，单点突变查刺点。把检查点结果留档，后面换算法或改参数重跑，能直接对比是否真的变好了。

5.3 GIS 中的 DEM 分割与水文预处理

DEM 交付后最常见的两个后续动作是切块和水文分析。切块用 GDAL 比在 GIS 里手工裁剪更可控：

# 按像素窗口切出一块，坐标系不变 gdal_translate -srcwin 0 0 2000 2000 dem.tif tile_00.tif # 按地理范围裁剪，顺便重采样到 5 米 gdalwarp -te 500000 4000000 505000 4005000 -tr 5 5 dem.tif dem_clip.tif

-srcwin用像素行列号定位，适合规整分幅；-te用左上右下地理坐标定位，适合按行政区或流域范围裁剪。切出来的瓦片保留 1–2 个像素的重叠边，拼接时用 VRT 或合并工具而不是简单镶嵌，能避免接缝处出现坡度突变。

水文分析前要先处理 DEM 本身的问题。桥、涵洞会让水流在地表模型上断开，低洼处的凹陷会让流向计算陷入死循环，这就是水文预处理环节报错的高频来源。通行做法是先填洼再按道路矢量抬升，同时把 NoData 区域显式标注出来，不要让软件把 -9999 当成一个深坑去参与汇流计算。

本文还有配套的精品资源，点击获取