本文的主要研究内容是基于SfM网络图像的场景重建,目前对于这一问题较流行的方法是增量式重建方法,该方法主要包含匹配和重建两个阶段。本文针对网络图像这一应用场景,在匹配阶段提出了一种去除冗余的匹配方法,在重建阶段考虑尺度的问题提出了一种从整体到局部的重建方法,现分别概述如下。在匹配阶段,本文基于GraphMatch提出一个改进的算法ThinMatch,它可以有效地提高大规模图像集匹配的效率。算法主要思想是:这种大规模的图像集通常来自网络,因此图像中必然包含较多的冗余信息。比如图像冗余:图像集中包含较多的无关图像;特征冗余:图像中包含无关的内容,如行人、动物和树木等;计算冗余:与目标相关但不匹配的图像对之间匹配尝试。ThinMatch针对这三类冗余,利用行人检测去除部分特征冗余,利用图像匹配率滤除无关图片,利用图像中大尺度特征的匹配情况来减少计算上的冗余。实验通过与暴力搜索法、最新水平的GraphMatch算法的比较,展示出ThinMatch在保证了一定匹配质量的情况下,有效地提升了匹配的速度。尤其在去除计算冗余阶段,与GraphMatch相比它保证了平均约94%的最终摄像头注册数,但将匹配速度大约提高到了原来的两倍。在重建阶段,本文提出了一种从整体到局部的重建方法(G2L),该方法有效地改善了重建过程中存在以下两个问题:一是没有考虑模型的尺度,有的图像的空间尺度较大,拍摄地点离模型较远或用的是广角镜头,图像涵盖了模型的整体结构,有的图像的空间尺度较小,拍摄地点离模型较近或用的是长焦距的镜头,图像包含的是模型的细节部分。而目前的增量式重建算法在往模型中增加图像时,并没有考虑图像的尺度,将多种不同尺度的图像放在一起优化,这可能会导致因模型局部的过度优化引起模型整体的偏移。二是对于大规模的场景重建,在重建的过程中,随着加入的图像越来越多,模型的参数也变得越来越多,这对需大量运行光束平差法的增量式重建的效率影响很大。本文首先根据特征尺度关系得到图像尺度关系并利用这个关系得到图像的尺度,然后根据图像尺度建立尺度金字塔并根据尺度金字塔得到配置金字塔,最后根据得到的配置金字塔逐层进行重建,在每层重建完成后,固定已有模型参数,避免整体受到局部的影响并且降低了光束平差法的参数数量,提高了重建的效率。实验表明,该方法有效地提升了重建的速度且改善了模型的整体偏移。