No

主要環(huán)節(jié)

算法

計算特點

計算配置解析

1

初始處理/數(shù)據(jù)導(dǎo)入

數(shù)據(jù)驗證、元數(shù)據(jù)讀?。?span>EXIF、GPS）、圖像排序

主要使用單核 CPU 或輕度多核 CPU，用于文件 I/O 和基本檢查。計算量不大

-CPU/GPU：受 CPU 限制。

-核數(shù)（Core Count）：對高核心數(shù)的依賴較少。

-GPU：不需要

2

特征提取和匹配（運動結(jié)構(gòu) - SfM）

SIFT、SURF、ORB（用于特征檢測）、最近鄰匹配、RANSAC（用于異常值去除）。此階段識別并匹配多張重疊圖像中的公共點

高度可并行化?？沙浞掷枚嗪?span> CPU 和/或顯著受益于 GPU 加速。性能可通過更多核和高性能 GPU 實現(xiàn)良好擴展

CPU/GPU：可同時使用 CPU 和 GPU 加速。GPU 通?？梢燥@著加快特征匹配的速度。

核數(shù)：大量 CPU 核心可帶來巨大好處。

GPU：強烈推薦。許多軟件包需要支持 CUDA 的 GPU（NVIDIA）才能顯著加速。顯存需求取決于圖像分辨率和提取的特征數(shù)量，通常為幾 GB

3

空中三角測量（空三）/光束法平差

光束法平差。這是一個核心優(yōu)化過程，可同時優(yōu)化相機位置和方向（外部方向）以及連接點的三維坐標，從而最大限度地減少重投影誤差。通常結(jié)合地面控制點 (GCP) 進行精確的地理配準

計算密集型，涉及求解大型稀疏線性系統(tǒng)。可以并行化，但并行化程度因軟件實現(xiàn)而異。某些部分可能更依賴于 CPU，而其他部分可以利用 GPU

CPU/GPU：可以是 CPU 密集型，也可以同時使用 CPU 和 GPU。性能通常受 CPU 時鐘速度和多線程效率的影響。

核數(shù)：多核可帶來好處，但根據(jù)軟件的并行化程度，超過一定程度后收益就會遞減。

GPU：有利于加速優(yōu)化的某些部分，但可能不像密集匹配那樣普遍重要

4

密集點云生成（多視圖立體 - MVS）

MVS 算法（例如，PatchMatch Stereo、半全局匹配）。此階段通過在多幅圖像中找到對應(yīng)像素并對其 3D 位置進行三角測量來計算密集的 3D 點云

計算量極大，且高度可并行化。此階段通常是攝影測量工作流程的瓶頸，GPU 加速可帶來顯著優(yōu)勢。處理的數(shù)據(jù)量與圖像分辨率和所需的點密度直接相關(guān)

CPU/GPU：高度 GPU 加速。強大的 GPU 對于合理的處理時間至關(guān)重要。

核數(shù)：仍然需要 CPU 來管理進程并處理未卸載到 GPU 的任務(wù)，但核數(shù)的重要性不如 GPU 性能。

GPU：必備。需要具有高處理能力和大顯存的 GPU，尤其適用于處理大型數(shù)據(jù)集。專業(yè)工作通常需要 8GB 到 24GB 以上的顯存

5

網(wǎng)格生成和紋理

表面重建算法（例如泊松重建、Delaunay三角剖分）、網(wǎng)格簡化、紋理映射。此階段從密集點云創(chuàng)建3D網(wǎng)格模型，并將原始圖像作為紋理應(yīng)用

計算量較大，尤其對于大型點云數(shù)據(jù)。網(wǎng)格生成可并行化。紋理處理涉及基于3D模型的圖像數(shù)據(jù)采樣

CPU/GPU： CPU 和 GPU 均可使用。多核 CPU 可有效提升網(wǎng)格生成效率。紋理繪制也可并行化，并可使用 GPU。

核數(shù)：利用多個核心進行網(wǎng)格生成的優(yōu)勢。

GPU：有利于加速紋理和潛在的網(wǎng)格處理，但影響可能會有所不同

6

DSM/DTM 和正射影像生成

插值算法（用于 DEM/DSM）、正射校正、鑲嵌、色彩平衡。此階段創(chuàng)建柵格產(chǎn)品，例如數(shù)字表面模型 (DSM)、數(shù)字地形模型 (DTM) 以及地理參考、無畸變的圖像鑲嵌圖（正射鑲嵌圖）

計算量較大，尤其對于大面積和高分辨率區(qū)域。正射校正涉及重采樣圖像數(shù)據(jù)。鑲嵌需要無縫融合圖像。這些過程可以并行執(zhí)行

CPU/GPU：可以利用多個 CPU 內(nèi)核并可能受益于 GPU 加速，特別是對于重采樣和圖像處理任務(wù)。

核數(shù)：多核的好處。

GPU：可以提供加速，但受益程度取決于軟件實現(xiàn)

No

主要環(huán)節(jié)

算法

計算特點

計算配置解析

1

連接點提取與匹配

類似于攝影測量的特征提?。?span>SIFT、SURF 等），但更側(cè)重于在覆蓋同一地面區(qū)域的多幅影像中尋找共軛點。包括自動和手動連接點的選擇與測量

自動提取計算密集且可并行化。手動測量由用戶驅(qū)動。

CPU/GPU：自動提取得益于多核 CPU，并且可以通過 GPU 加速。

核數(shù)：利用多個核進行自動連接點提取的優(yōu)勢。

GPU：有利于加速自動連接點匹配

2

捆綁調(diào)整

光束法平差（如攝影測量法中所述）。這是空中三角測量的核心，可同時優(yōu)化外部方向參數(shù)和三維點坐標。結(jié)合 GCP 和可能的 IMU/GNSS 數(shù)據(jù)

計算密集型，解決大型稀疏系統(tǒng)。并行化對于大塊圖像至關(guān)重要

CPU/GPU：根據(jù)軟件的不同，可能受限于 CPU 或利用 GPU。性能受 CPU 時鐘速度和多線程影響。

核數(shù)：得益于多核，性能擴展取決于實現(xiàn)方式。

GPU：可以加速某些部分的優(yōu)化

3

質(zhì)量控制和報告

殘差的統(tǒng)計分析、誤差傳播

與連接點匹配和光束法平差相比，計算強度較低

CPU/GPU：主要受 CPU 限制。

核數(shù)：較少依賴于高核心數(shù)。

GPU：通常不需要

No

主要環(huán)節(jié)

算法

計算特點

計算配置解析

1

數(shù)據(jù)導(dǎo)入和管理

數(shù)據(jù)格式轉(zhuǎn)換，數(shù)據(jù)庫管理

主要是I/O 限制和基于CPU

CPU/GPU：受 CPU 限制。

核數(shù)：較少依賴于高核心數(shù)。

GPU：通常不需要

2

坐標幾何 ( ???ng ??c - COGO) 和計算

導(dǎo)線平差、最小二乘平差、坐標變換、面積/距離計算。

可能涉及矩陣運算和迭代調(diào)整。部分算法可以并行化

CPU/GPU：主要受 CPU 限制。更快的 CPU 核心可帶來性能提升，某些調(diào)整可以利用多個核心。

核數(shù)：少數(shù)快速核心可帶來好處；更多核心可帶來中等好處，具體取決于算法和軟件。

GPU：通常不需要

3

空間分析

疊加分析、緩沖、網(wǎng)絡(luò)分析、地形分析（坡度、坡向、視域）

根據(jù)分析的復(fù)雜性和數(shù)據(jù)集的大小而有很大差異。某些分析可以并行執(zhí)行。大型柵格數(shù)據(jù)集的地形分析可能需要大量計算。

CPU/GPU：主要受 CPU 限制，但一些 GIS 操作開始利用 GPU 進行加速。

核數(shù)：多核有利于完成許多空間分析任務(wù)。

GPU：越來越多地用于加速某些軟件中特定的空間分析功能

4

地圖制作與可視化

渲染、符號化、標記、布局生成

很大程度上取決于地圖的復(fù)雜程度和顯示的數(shù)據(jù)量?？梢允?span> CPU 或 GPU 密集型的，具體取決于渲染引擎

CPU/GPU：CPU 和 GPU 都用于渲染和可視化。功能強大的 GPU 可以提高交互式性能。
o 核數(shù)：受益于用于地圖渲染和導(dǎo)出的多個內(nèi)核。
o GPU：具有足夠 VRAM 的專用 GPU 對于復(fù)雜地圖和 3D 場景的平滑導(dǎo)航和渲染非常重要

No

主要環(huán)節(jié)

算法

計算特點

計算配置解析

1

數(shù)據(jù)導(dǎo)入和預(yù)處理

數(shù)據(jù)格式轉(zhuǎn)換（LAS、LAZ、TXT 等）、合并、過濾（異常值、降噪 - 例如，統(tǒng)計異常值去除）、下采樣（例如，體素網(wǎng)格過濾）

可以是 I/O 綁定的并且是計算密集型的，特別是對于大型數(shù)據(jù)集。篩選和縮減采樣可以并行化

CPU/GPU：主要受 CPU 限制，但某些過濾作可以由 GPU 加速。
o 核數(shù)：受益于多核，可更快地處理大文件和并行過濾。
o GPU：可用于加速特定的過濾算法

2

注冊

ICP（迭代最近點）、NDT（正態(tài)分布變換）、基于特征的配準。這會將多個重疊的點云（例如，來自不同的掃描通道）對齊到一個一致的坐標系中

Iterative and computationally intensive.性能在很大程度上取決于初始對齊和點云的密度/重疊?？梢圆⑿谢?span>

CPU/GPU：可以是 CPU 密集型的，也可以同時使用 CPU 和 GPU 加速，具體取決于算法和軟件實現(xiàn)。
o 核數(shù)：受益于多個內(nèi)核。
o GPU：可以顯著加速 ICP 和其他配準算法，尤其是對于大型點云

3

分類

分割算法（例如，用于平面檢測的 RANSAC）、用于將點分類為類別（地面、建筑物、植被等）的機器學(xué)習(xí)算法（例如，PointNet、隨機森林）。基于規(guī)則的分類也很常見

可以是計算密集型的，特別是對于大型數(shù)據(jù)集上基于機器學(xué)習(xí)的方法?；谝?guī)則的方法也可能需要強大的處理能力。高度可并行化。
o

CPU/GPU：機器學(xué)習(xí)分類從 GPU 加速中受益匪淺。基于規(guī)則的分段和傳統(tǒng)分段可以有效地利用多核 CPU

GPU：非常有益，尤其是對于基于深度學(xué)習(xí)的分類。需要具有良好處理能力和足夠 VRAM 的 GPU 來處理大點鄰域或批量數(shù)據(jù)

4

地形建模（DTM/DSM 生成）

插值方法（例如 TIN、克里金法、IDW）、地面分類算法（例如，漸進形態(tài)學(xué)濾波器、布料模擬濾波器）。這包括將接地點與非接地點分開，然后創(chuàng)建裸露地表 （DTM） 或頂面 （DSM） 的連續(xù)表面模型

Ground classification 可以是計算密集型的。對大型點云進行插值需要大量處理?？梢圆⑿谢?span>

CPU/GPU：CPU 和 GPU 都可以使用。地面分類和插值受益于多核 CPU，并且可以在某些軟件中進行 GPU 加速。
o 核數(shù)：受益于多個內(nèi)核。
o GPU：可以為地面分類和插值提供加速

5

特征提取和建模

幾何形狀擬合、建筑物足跡提取、樹木分割、線條提?。ɡ纾娏€）。可能涉及基于規(guī)則的方法或機器學(xué)習(xí)

根據(jù)功能和所用算法的復(fù)雜程度而變化?？梢允怯嬎忝芗秃筒⑿谢?span>

CPU/GPU：可以根據(jù)特定的特征提取算法和軟件同時使用 CPU 和 GPU。機器學(xué)習(xí)方法受益于 GPU。
o 核數(shù)：受益于多個內(nèi)核。
o GPU：有利于加速特征提取，尤其是機器學(xué)習(xí)

6

可視化和分析

大型點云、空間查詢、橫截面、體積計算的渲染算法

大型點云的實時可視化取決于 GPU。分析任務(wù)的計算強度各不相同

CPU/GPU：可視化在很大程度上依賴于 GPU。分析任務(wù)主要受 CPU 限制，但有時可以利用 GPU。
o 核數(shù)：受益于分析任務(wù)的多個內(nèi)核。
o GPU：具有充足 VRAM 的強大 GPU 對于大點云的流暢和交互式可視化至關(guān)重要