重建质量报告
概述
MipMapEngine SDK 在完成重建任务后会生成详细的质量报告，包含设备信息、重建效率、参数设置和成果质量等信息。报告以 JSON 格式存储在 report/report.json 文件中，同时提供可视化缩略图用于快速预览。
报告结构
1. 设备信息
记录执行重建任务的硬件配置：
| 字段 | 类型 | 说明 |
|---|---|---|
cpu_name | string | CPU 名称 |
gpu_name | string | GPU 名称 |
示例：
json
{
"cpu_name": "Intel(R) Core(TM) i9-10900K CPU @ 3.70GHz",
"gpu_name": "NVIDIA GeForce RTX 3080"
}2. 重建效率
记录各阶段的处理时间（单位：分钟）：
| 字段 | 类型 | 说明 |
|---|---|---|
feature_extraction_time | float | 特征提取时间 |
feature_match_time | float | 特征匹配时间 |
sfm_time | float | 光束法平差时间 |
at_time | float | 空三总时间 |
reconstruction_time | float | 重建总时间（不含空三） |
示例：
json
{
"feature_extraction_time": 12.5,
"feature_match_time": 8.3,
"sfm_time": 15.2,
"at_time": 36.0,
"reconstruction_time": 48.6
}3. 重建参数
记录任务的输入参数和配置：
相机参数
json
"initial_camera_parameters": [
{
"camera_name": "DJI_FC6310",
"width": 5472,
"height": 3648,
"id": 0,
"parameters": [3850.5, 2736, 1824, -0.02, 0.05, 0.001, -0.001, 0.01]
}
]参数数组顺序：[f, cx, cy, k1, k2, p1, p2, k3]
f: 焦距cx, cy: 主点坐标k1, k2, k3: 径向畸变系数p1, p2: 切向畸变系数
其他参数
| 字段 | 类型 | 说明 |
|---|---|---|
input_camera_count | int | 输入相机数量 |
input_image_count | int | 输入图像数量 |
reconstruction_level | int | 重建精度 (1=超高, 2=高, 3=中) |
production_type | string | 产品类型 |
max_ram | float | 最大内存使用 (GB) |
坐标系信息
json
"production_cs_3d": {
"epsg_code": 4326,
"origin_offset": [0, 0, 0],
"type": 2
}坐标系类型：
- 0: LocalENU（本地东北天）
- 1: Local（本地坐标系）
- 2: Geodetic（大地坐标系）
- 3: Projected（投影坐标系）
- 4: ECEF（地心地固坐标系）
4. 重建结果
空三后的相机参数 记录优化后的相机内参：
json
"AT_camera_parameters": [
{
"camera_name": "DJI_FC6310",
"width": 5472,
"height": 3648,
"id": 0,
"parameters": [3852.1, 2735.8, 1823.6, -0.019, 0.048, 0.0008, -0.0009, 0.009]
}
]图像位置差异 记录每张图像的位置优化量：
json
"image_pos_diff": [
{
"id": 0,
"pos_diff": 0.125
},
{
"id": 1,
"pos_diff": 0.087
}
]质量指标
| 字段 | 类型 | 说明 |
|---|---|---|
removed_image_count | int | 空三后移除的图像数 |
residual_rmse | float | 图像点残差均方根误差 |
tie_point_count | int | 连接点数量 |
scene_area | float | 场景面积 (平方米) |
scene_gsd | float | 地面采样距离 (米) |
flight_height | float | 飞行高度 (米) |
block_count | int | 重建分块数 |
5. 其他信息
| 字段 | 类型 | 说明 |
|---|---|---|
sdk_version | string | SDK 版本号 |
可视化缩略图
报告目录下的 thumbnail 文件夹包含以下可视化文件：
1. 相机残差图
camera_{id}_residual.png - 24位彩色图像
- 良好的标定结果：残差在各位置大小相近，方向随机
- 较差的标定结果：残差较大且有明显方向性
TIP
大残差不一定表示整体精度差，这仅反映相机内部精度。最终精度需综合考虑检查点坐标精度和模型质量。
2. 重叠度图
overlap_map.png - 8位灰度图像
- 像素值范围：0-255
- 可渲染为彩色图显示重叠度分布
- 用于评估航线设计和图像覆盖质量
3. 测区缩略图
rgb_thumbnail.jpg - 32位彩色图像
- 用于项目快速预览
- 显示测区范围和重建效果
报告解读示例
完整报告示例
json
{
"cpu_name": "Intel(R) Core(TM) i9-10900K CPU @ 3.70GHz",
"gpu_name": "NVIDIA GeForce RTX 3080",
"feature_extraction_time": 12.5,
"feature_match_time": 8.3,
"sfm_time": 15.2,
"at_time": 36.0,
"reconstruction_time": 48.6,
"initial_camera_parameters": [{
"camera_name": "DJI_FC6310",
"width": 5472,
"height": 3648,
"id": 0,
"parameters": [3850.5, 2736, 1824, -0.02, 0.05, 0.001, -0.001, 0.01]
}],
"input_camera_count": 1,
"input_image_count": 156,
"reconstruction_level": 2,
"production_type": "all",
"production_cs_3d": {
"epsg_code": 4326,
"origin_offset": [0, 0, 0],
"type": 2
},
"production_cs_2d": {
"epsg_code": 3857,
"origin_offset": [0, 0, 0],
"type": 3
},
"max_ram": 28.5,
"AT_camera_parameters": [{
"camera_name": "DJI_FC6310",
"width": 5472,
"height": 3648,
"id": 0,
"parameters": [3852.1, 2735.8, 1823.6, -0.019, 0.048, 0.0008, -0.0009, 0.009]
}],
"removed_image_count": 2,
"residual_rmse": 0.68,
"tie_point_count": 125840,
"scene_area": 850000.0,
"scene_gsd": 0.025,
"flight_height": 120.5,
"block_count": 1,
"sdk_version": "3.0.1"
}质量评估指标
优秀质量标准
residual_rmse< 1.0 像素removed_image_count/input_image_count< 5%tie_point_count> 10000- 位置差异平均值 < 0.5米
需要注意的情况
residual_rmse> 2.0 像素：可能存在系统误差removed_image_count> 10%：图像质量或重叠度问题tie_point_count< 5000：特征点不足，影响精度
报告解析工具
Python 解析示例
python
import json
import numpy as np
def analyze_quality_report(report_path):
with open(report_path, 'r', encoding='utf-8') as f:
report = json.load(f)
# 计算效率指标
total_time = report['at_time'] + report['reconstruction_time']
images_per_minute = report['input_image_count'] / total_time
# 计算质量指标
removal_rate = report['removed_image_count'] / report['input_image_count']
avg_pos_diff = np.mean([item['pos_diff'] for item in report['image_pos_diff']])
# 生成分析报告
analysis = {
'efficiency': {
'total_time_minutes': total_time,
'images_per_minute': images_per_minute,
'area_per_hour': report['scene_area'] / (total_time / 60)
},
'quality': {
'residual_rmse': report['residual_rmse'],
'removal_rate_percent': removal_rate * 100,
'avg_position_diff_meters': avg_pos_diff,
'tie_points_per_image': report['tie_point_count'] / report['input_image_count']
},
'scale': {
'area_sqm': report['scene_area'],
'gsd_cm': report['scene_gsd'] * 100,
'flight_height_m': report['flight_height']
}
}
return analysis
# 使用示例
analysis = analyze_quality_report('report/report.json')
print(f"处理效率: {analysis['efficiency']['images_per_minute']:.1f} 张/分钟")
print(f"平均残差: {analysis['quality']['residual_rmse']:.2f} 像素")
print(f"地面分辨率: {analysis['scale']['gsd_cm']:.1f} 厘米")质量报告可视化
python
import matplotlib.pyplot as plt
from PIL import Image
def visualize_quality_report(report_dir):
# 读取报告数据
with open(f'{report_dir}/report.json', 'r') as f:
report = json.load(f)
# 创建图表
fig, axes = plt.subplots(2, 2, figsize=(12, 10))
# 1. 时间分布饼图
times = [
report['feature_extraction_time'],
report['feature_match_time'],
report['sfm_time'],
report['reconstruction_time']
]
labels = ['特征提取', '特征匹配', '光束法平差', '3D重建']
axes[0, 0].pie(times, labels=labels, autopct='%1.1f%%')
axes[0, 0].set_title('处理时间分布')
# 2. 位置差异直方图
pos_diffs = [item['pos_diff'] for item in report['image_pos_diff']]
axes[0, 1].hist(pos_diffs, bins=20, edgecolor='black')
axes[0, 1].set_xlabel('位置差异 (米)')
axes[0, 1].set_ylabel('图像数量')
axes[0, 1].set_title('图像位置优化量分布')
# 3. 重叠度图
overlap_img = Image.open(f'{report_dir}/thumbnail/overlap_map.png')
axes[1, 0].imshow(overlap_img, cmap='jet')
axes[1, 0].set_title('图像重叠度分布')
axes[1, 0].axis('off')
# 4. 关键指标文本
metrics_text = f"""
输入图像: {report['input_image_count']}
移除图像: {report['removed_image_count']}
残差RMSE: {report['residual_rmse']:.2f} px
连接点数: {report['tie_point_count']:,}
场景面积: {report['scene_area']/10000:.1f} 公顷
地面分辨率: {report['scene_gsd']*100:.1f} cm
"""
axes[1, 1].text(0.1, 0.5, metrics_text, fontsize=12,
verticalalignment='center', family='monospace')
axes[1, 1].set_title('关键质量指标')
axes[1, 1].axis('off')
plt.tight_layout()
plt.savefig('quality_report_summary.png', dpi=150)
plt.show()自动化质量检查
质量阈值配置
python
QUALITY_THRESHOLDS = {
'excellent': {
'residual_rmse': 0.5,
'removal_rate': 0.02,
'tie_points_per_image': 1000,
'pos_diff_avg': 0.1
},
'good': {
'residual_rmse': 1.0,
'removal_rate': 0.05,
'tie_points_per_image': 500,
'pos_diff_avg': 0.5
},
'acceptable': {
'residual_rmse': 2.0,
'removal_rate': 0.10,
'tie_points_per_image': 200,
'pos_diff_avg': 1.0
}
}
def assess_quality(report):
"""自动评估重建质量等级"""
# 计算指标
removal_rate = report['removed_image_count'] / report['input_image_count']
tie_points_per_image = report['tie_point_count'] / report['input_image_count']
pos_diff_avg = np.mean([item['pos_diff'] for item in report['image_pos_diff']])
# 评估等级
for level, thresholds in QUALITY_THRESHOLDS.items():
if (report['residual_rmse'] <= thresholds['residual_rmse'] and
removal_rate <= thresholds['removal_rate'] and
tie_points_per_image >= thresholds['tie_points_per_image'] and
pos_diff_avg <= thresholds['pos_diff_avg']):
return level
return 'poor'报告集成应用
批处理质量监控
python
def batch_quality_monitor(project_dirs):
"""批量项目质量监控"""
results = []
for project_dir in project_dirs:
report_path = os.path.join(project_dir, 'report/report.json')
if os.path.exists(report_path):
with open(report_path, 'r') as f:
report = json.load(f)
quality_level = assess_quality(report)
results.append({
'project': project_dir,
'images': report['input_image_count'],
'area': report['scene_area'],
'gsd': report['scene_gsd'],
'rmse': report['residual_rmse'],
'quality': quality_level,
'time': report['at_time'] + report['reconstruction_time']
})
# 生成汇总报告
df = pd.DataFrame(results)
df.to_csv('batch_quality_report.csv', index=False)
# 统计信息
print(f"Total projects: {len(results)}")
print(f"Excellent: {len(df[df['quality'] == 'excellent'])}")
print(f"Good: {len(df[df['quality'] == 'good'])}")
print(f"Acceptable: {len(df[df['quality'] == 'acceptable'])}")
print(f"Poor: {len(df[df['quality'] == 'poor'])}")
return df最佳实践
- 定期检查报告：每次重建完成后查看质量指标
- 建立基准：记录典型项目的质量指标作为参考
- 异常预警：设置自动化脚本检测异常指标
- 趋势分析：长期跟踪质量指标变化趋势
- 优化建议：根据报告指标调整拍摄和处理参数
提示
质量报告是评估和优化重建流程的重要工具，建议将其集成到自动化工作流程中。