快速LZD匹配異源DEM空洞修復應用研究

李小虎，蘆 穎，田 壯

中國電子科技集團公司第十五研究所，北京 100080

地形數據信息處理技術是數字地形分析（digital terrain analyse，DTA）的基礎，一直以來作為測繪學、地貌學和計算機圖形學的研究熱點，被廣泛應用于道路規劃、精準農業、數字戰場、實景三維等眾多領域[1-2]。隨著全球信息化、數字化的快速發展，作為一種重要的地理信息資源，數字高程模型（digital elevation model，DEM）產品的數據采集方式更加多元，可根據用戶的個性化需求定制不同精度、形態復雜度、參考框架和覆蓋范圍的數據產品[3-4]。其中，機載激光雷達（airborne light detection and ranging，ALiDAR）憑借高密度、高精度的三維數據采集優勢已成為獲取高質量DEM的主要數據來源[5-7]。然而，受云霧遮擋、高程地形（陡峭的斜坡和深谷）和信號干擾等因素對立體成像的影響[8]，導致構建的ALiDAR航測點云在某些區域散布較多的數據空洞-像素高程值為零，從而嚴重影響了地表數字化模擬產品的可用性[9-10]。

如何有效填補上述DEM 數據空缺，是學者們進行技術性研究任務的關鍵難點。目前主流方法有兩種[11-13]：一是利用空缺區域鄰域信息的直接插值法；二是結合三維數據融合與空間插值的綜合法。改進的插值方法有：基于高斯權值-向量基（Gauss weight-vector base，GW-VB）的插值方法，在明確稀疏與稠密點云的劃定界限后，能夠有效提升離散點間的平滑處理效果[14]；等高線間隔重差值法（contour interval redifference，CIR），該方法能夠較好地捕捉到總體的地形趨勢，但是由于缺乏詳細的描述特征，常應用于水文區域的空缺填充[15]；高精度曲面模型（high accuracy surface modelling，HASM）插值法：只需借助空缺周圍數據進行填補，能夠快速填補位于簡單地形表面的小尺度的數據空洞[16]。改進后的自適應Kriging 插值法：能夠克服離散點分布不均勻條件下所引入的建模誤差，通過最優無偏估計提高插值精度[17]。

插值法在空洞范圍較小且平坦的數據修復中表現較為理想，對于山脊、山谷等大面積區域缺失的情況下，常采用三維數據融合與空間插值綜合法，以滿足高程產品的質量要求。其中，岳國棟等[18]提出了干系數與垂直基線高度加權融合的方法，利用一組主輔影像去除側視異常區域；李世明[19]提出了多源點云漸進配準和拉普拉斯融合算法，在面向城市三維空間精細建模中完善了局部復雜的結構表面；基于泊松融合[20]的無縫修復法，通過統計分析極大地增加了填充可用候選集，且具備復制紋理的效果；陳雪榮[21]探索出了優化后的徑向基神經網絡（radial basis function，RBF）方法，可有效去除大尺度噪聲，并用網絡預測值代替實測值有效解決非線性空洞修補；余婷婷等[22]提出的將隨機森林回歸算法（random forest regression，RFR）應用在DEM 空洞修補精度校正上，適用于處理各種地形異質程度的高程數據，泛化能力強。上述方法雖在去除大尺度數據空洞方面做了大量工作，但當數據分辨率較高且空洞覆蓋面積較大時，海量的訓練樣本導致模型不易收斂，從而影響了修復效率。

本文提出了一種基于異源輔助數據的快速最小高差三維匹配算法，配合統一計算架構（compute unified device architecture，CUDA）實現GPU 多核策略并行計算，提高LZD 空間匹配模型求解和“臺階”融合算法對空洞邊緣離散點平滑處理的效率和效果。修復后得到的DEM數據完整度高、過程可靠，利用該方法形成的軟件成果已在工程應用中取得了較好的實效，具有一定的推廣價值。

1 方法原理

1.1 LZD表面匹配原理

為了進行快速、高精度的空洞修復，首先需要統一輔助數據與待修補數據間的坐標基準，將兩個結構、位姿差異的三維空間進行表面匹配。目前廣泛使用的方式有最近點迭代算法（iterative closest point，ICP）和LZD 算法等[23]。鑒于待匹配兩數據規則格網的地形表述特點，選用LZD 算法進行待轉換空間映射模型的計算，如圖1所示。

圖1 空間坐標關系示意圖Fig.1 Spatial coordinate relationship diagram

依據兩組DEM 數據組織形式，設待匹配模型為Zc=f(Xc,Yc)，其中Xc、Yc是待修復表面投影至二維平面的坐標值；同理，標準模型為Zs=f(Xs,Ys)。待修復表面上一點Pc=[Xc,Yc,Zc]T與基準數據上對應點Ps=[Xs,Ys,Zs]T間的幾何關系可進行如下表示：

其中，T=[tx ty tz]T為Pc相對Ps的空間三個維度平移矩陣，s為比例縮放系數，R是含有參數θ、?、ψ的表示旋轉偏移的單位正交矩陣。由于DEM格網地理坐標作為一種相對坐標，不存在偏扭、彎曲等復雜情況，根據布爾莎[24]仿射變換模型得到其簡化表達式如下：

式中，θ、?、ψ分別為繞O-Zs、O-Ys、O-Xs軸的滾轉角、偏航角和俯仰角。將式（2）帶入式（1）中可建立待匹配坐標系O-XcYcZc向基準坐標系O-XsYsZs進行空間轉換的矩陣模型：

其中，樣本個數i=m×n，m、n分別為待匹配柵格的橫、縱坐標像素量。依據最小二乘（ordinary least squares，OLS）迭代估計方法，取Z方向高差平方和最小值建立目標方程。則最小高差極值的計算公式為：

存在平面同名點時，格網值的權重因子wsi=1，否則wsi=0。當基準與待匹配數據分辨率不一致時，利用雙線性插值法（bilinear interpolation，BI）進行重采樣，構造j個離散的虛擬像素pfj(xj,yj,zj)，其中zj=0。

將局部虛擬空間近似為連續二次線性曲面：

通過4 個臨近參考點確定橫縱兩個維度的曲線參數a0、a1、b0、b1，將pfj帶入式（5）計算等距插值zj=hfj(xj,yj)，將數據修改為相同尺寸。

利用最小二乘迭代求解（4）中E接近限差時的7個約束方程參數，從而構建三維匹配的空間坐標轉換模型。

1.2 臺階融合

受不同時相、傳感幾何輻射差異等因素的影響，空洞銜接邊緣會產生不可避免的高程值突變[25]，針對存在的“臺階”式拼接縫，利用圖像融合技術對其進行平滑處理。

經臺階融合算法處理得到的高程坐標Zfusion，是根據其自身每個格網處的高程值Zdem與同名點高程值Zref按如下規則加權平均得到：

式中，pdem表示待處理DEM 數據點的權重，與其對應的同名參考點權值之和為1。結合離散圖像相鄰區域像素值變化小于區域內部的特點，可利用柵格距離衰減規律對每個格網處的pdem進行計算。

若取窗口大小為n×n，中心點權重p(xc,yc)=0.5，其余8個方向n2-1 個點的權重和之為0.5，則待修復數據鄰域內各點的高程梯度倒數絕對值為：

式中，像素偏移量i、j∈[0,n-1]，且i、j不同時為0，若Zdem(xc+i,yc+j)=Zdem(xc,yc)，則gdem(xc,yc,i,j)=0。

以待修復點作為掩模中心進行加權鄰域求梯度平均，可得到待處理高程權值系數：

將pdem帶入式（6），經臺階融合輸出空洞填充邊緣的高程坐標信息，使格網像素能夠自然、平滑地銜接在一起。

實現過程如下：

（1）設定每個格網點初始化的權值p0如下：

i、j分別為DEM數據的行號和列號，有效初值為215，為確定待修復點的高程權值分布，需要對圖像順序、逆序兩次進行計算。

（2）定義一個偏移量offset：取（各方向）權值重新計算的格子數默認為20。

（3）以柵格平面的左上角點作為原點，行號、列號依次遞增，遍歷尋找空洞邊緣點，取該像元鄰域內左、左上、上、右上方向上各offset∈[1,(n-1)/2]個點并根據梯度計算依次設置權重。

（4）更改原點為像平面右下角，行號、列號依次遞減，在左下、下、右下、右方向上逆序重復上述操作，更新上一步重新計算的像元的權重pdem=min{p(xc,yc),pdem} 。

（5）取滿足pdem(x,y)＜1 的所有點，利用加權平均的方法重新計算高程值，以消除待修復數據存在的臺階問題。

2 快速DEM空洞修復方案

考慮到大尺度數據空洞修復時存在的實時性問題，首先，基于LZD 原則將表面匹配中三個維度的殘差分析簡化為取Z 方向極小值，進而利用GPU 并行處理機制，將同名點搜索和格網點像元值的填補過程分解至多個線程塊同步進行，以縮短處理過程的總體運算周期。

2.1 匹配模型參數獲取

為了得到最優的表面匹配結果，通過最小二乘迭代逐步優化模型數值，確定各參數近限差的增量矩陣dX。對變換陣Trans的7 參選取初始值X0=[R0,t0,s0]T，其中令Rψ0、R?0、Rθ0、tx0、ty0、tz0=0，s0=1 表示空間兩坐標系重合，無相對旋轉、平移，默認等比例縮放。

遍歷待匹配樣本中的每個高程點Pci=[Xci,Yci,Zci]T，帶入式（3）進行Trans變換后，在標準DEM中尋找格網坐標滿足xci=xsi、yci=ysi的同名點Psi。

當同名點不存在時，本算法中使用了雙線性插值構造虛擬同名點的高程坐標，數據量小時也可考慮反距離加權平方（inverse distance weight，IDW）算法。

給定一個足夠小的步長delta，當前點在X、Y方向的一階導數計算公式如下：

式中，待匹配所有點滿足Zc=f(Xc,Yc)。對誤差函數e(x,y)進行一階泰勒展開，得到線性化誤差函數：

每次迭代各點誤差函數的過程就是求最優增量參數矩陣dX*的過程：

經系數反推，可建立增量方程組B=AdX，設計觀測系數矩陣Ai=[dzxdzy-1]T，得到Bi：

將Ai*Bi的結果存儲到A矩陣的第i行，Zci-Zsi的值存儲到B矩陣的第i行。

遍歷結束后，使用奇異值分解（singular value decomposition，SVD）方法解超定方程以計算dX增量：

并將dX*累加到變換矩陣中X=X+dX*，如果dX小于迭代限差Vx或達到最大迭代次數Va時，跳出迭代過程完成參數計算。

在匹配過程中，迭代終止條件由各參數相鄰迭代值之差來判定，即七個轉換參數的增量，七個轉換參數的限差值和設定的最大迭代次數由各個觀測值的精度決定。

匹配模型參數獲取的具體流程如圖2所示。

圖2 算法流程圖Fig.2 Algorithm flow chart

2.2 空洞修復任務的GPU并行方案設計

引入最小高差算法雖然避免了三個維度最小距離計算造成的冗余問題，但在進行同名點搜索、鄰域加權時，窮舉式的距離查找過程和大規模的DEM 數據量依然影響了空間匹配的算法效率。

因此，加入GPU并行處理技術，通過PCIe總線協助CPU 進行運算控制操作，充分發揮CPU 的復雜邏輯控制能力和GPU在處理圖像高密集計算和超長流水線任務的結構優勢，形成的CPU-GPU異構模型如圖3所示。

圖3 CPU-GPU異構模型Fig.3 CPU-GPU heterogeneous model

NVIDA 推出的標準運算平臺CUDA，代碼層面更易編寫，在性能、成本維護方面表現突出。本文利用其并行計算特性，提出一種多核多線程并發的DEM 匹配修復方案。其中，并行化編程最需考慮的線程同步和數據歸并問題，利用CUDA平臺線程調度和內存的訪問管理原則，將空洞修復計算過程以核-格網-線程快-線程（KERNAL-GRID-BLOCK-THREAD，KGBT）的三級組織架構進行調度配置。

構造順序的處理邏輯步驟如下：

（1）獲取所有待匹配格網像元同名點坐標值；

（2）迭代計算殘差極值并求解空間映射模型的特征向量；

（3）利用加權融合算法重新計算空洞邊緣高程坐標。

獲取同名點坐標和加權融合過程需要進行大量重復計算，因此分別映射至knl_search、knl_restore 兩個核函數中，并采用單指令多數據流（single instruction multiple data，SIMD）以異步的形式執行相同的算法指令：

首先，以程序初始化和影像數據GeoTiff（tiff），Erdas Imagine Images（img），ASCII DEM（dem）等格式的解析作為起始模塊。利用GDAL（geospatial data abstraction library）庫讀取元數據和高程信息數組取至主機端內存。

針對基準模型大小遠大于待匹配區域的現象，利用OpenCv庫對存儲DEM的數據模型文件進行裁剪處理，調用RasterIO 將大圖分割為512×512 大小的塊后，將柵格數組與元數據一同拷貝至全局顯存（gloabl memory，GM），完成程序的初始化。

設置臨近點計算的輻射距離為0.2 m，采用CUDA編程模型并調用核函數knl_search，以線程id 作為檢索項，將遍歷像點的任務映射成若干并發執行的子任務。在某一線程網格（Grid）的多個線程塊（Block）中對區域分割后的子圖進行同名點搜索，利用異步流迭代方法將同名點對應的坐標集合存儲至當前Block（32×32）的共享存儲器中，供塊內線程共用，減少訪問延遲以提高讀寫效率。在knl_search計算模型中，對于每個線程，分別搜索當前待匹配格網距離相近的所有點，最近距離小于等于閾值時確定為同名點對。同名點不存在時，設置橫縱縮放比例和幾何中心利用BI 插值函數構造虛擬點，resize調整數據至相同尺寸。待所有樣本完成查詢操作后，輸出參數控制所有點對信息進行坐標反算。

迭代求解映射參數向量的過程，是采用奇異值分解（singular value decomposition，SVD）對稠密矩陣進行降維，其計算代價大，但由于運算先后關聯性較強，內部邏輯耦合度高，不適合進行并行化改造，因此該矩陣運算仍在CPU串行域中進行。

待模型數據解析完備，針對圖中多個待修復區域進行的8鄰域權值計算，并將多個空洞分配給多個線程塊block同步進行“臺階”融合。正、逆遍歷所有待融合點，計算中心點p(xc,yc,zc)與鄰域各點高程權重關系。對拼接邊緣像素進行平滑處理，以函數返回值形式合并修復后數據至CPU內存，將結果模型寫入輸出的DEM文件中，完成空洞修復運算。

任務基本設置：

（1）分配2個順序進行的核函數（kernel），進行同名點插值計算和臺階像素融合。將knl_search函數設置為逐點搜索，n個點對應n個線程。等待圖像所有點遍歷結束，通知主線程迭代求解單應性矩陣；對于knl_restore函數，若相鄰Z坐標缺失個數＞1，即判定為待修復空洞，采用流水線作業實行多個空洞邊緣并發修復。

（2）knl_search 的m個子圖分別對應m個格網，將格網劃分為多個pixel 的線程塊（block），每個線程塊分別對應256個CUDA線程。

（3）子圖中第k個空洞映射至knl_restore 的第k個線程塊中。

采用程序并行化關鍵解決的幾點問題：

（1）在大樣本點集查詢任務中，采用K近鄰法（Knearest neighbor，KNN）查詢單元格間的拓撲關系，通過兩步法確定法向最小距離點。KNN算法的搜索過程可有以下三種常用方式：窮舉法、kd樹（k-dimensional-tree）和球樹（ball-tree），根據預測平均時間隨樣本數量變化曲線知[26]，窮舉的方式更適用于容量較大的DEM數據。

（2）設Q為大小為u的n維參考點集，R為大小為v的查詢點集，通過線性掃描對k個最近鄰域點進行表決。表面匹配算法只關心距離最小點的坐標值，在此基礎上，對v個長度為k點集的分別進行插入排序。這種暴力實現的方式非常耗費運算資源，而結果集合的搜索與有序表的生成在匹配點之間不存在任何依賴關系，因此，可充分利用GPU 編程將遍歷格網數據進行同名點查尋詢的任務映射成若干并發執行的子任務，提高算法效率。

（3）融合算法是根據所有點鄰域加權取均值，進行Z坐標平滑。這一過程在程序中，遍歷待修復DEM 所有點獲取權重是獨立且高重復性的，因此將任務分配至GPU運算單元重疊執行，在并行層面分別對所有待處理點高程進行重算，將循環遍歷的過程原子化，顯著降低了內存占用和運算時間。

CPU并行架構下，設3維參考點集Q的樣本數為待匹配柵格大小i×j，查詢點集為v，由于核心較少導致能夠同時開啟的線程數目有限，可得鄰域搜索的時間復雜度為O(ijuv)。結合圖形處理單元加速運行該算法，每個樣本單獨開啟一個核函數同步處理，在相同數據量的情況下，時間復雜度減少至O(uv)。然后，對于搜索到的臨近點集，進行v個長度為k的插入排序，該操作的時間復雜度為O(vk2)，使用GPU 并開啟v個線程并行執行可將時間復雜度降低為O(k2)。在邊緣平滑算法的優化中，逐點高程值重算被簡化為同步進行的窗口(n×n)卷積，計算時間縮短樣本個數倍，時間復雜度為O(n2)。從算法理論角度分析該策略具備明顯的優化性能，而系統實際運行的總時長，不僅需要對算法執行指令的條數進行評估，還涉及到了線程工作量后的步驟復雜度。

圖4 為GPU 多核架構與多線程作業下的具體實現流程。

圖4 GPU多核多線程空洞修復程序流程Fig.4 GPU multi-core multi-thread hole repair program

3 實驗內容

3.1 實驗數據及平臺

本文選取的基準數據來源于奮進號航天飛機的雷達地形測繪（shuttle radar topography mission，SRTM）數據，全圖數據包含1 200×1 200個采樣點高程值，水平和垂直精度分別為±20 m和±16 m，格網間距90 m（3″），投影基準采用WGS84 坐標系統，經緯范圍（102.4 E～104 E，29 N～30.3 N）。待修復數據均為中國境域采集的SRTM-DEM 30數據，格網間距30 m（1″）。

分別對待修復數據中海拔較高的青藏高原（區域1）和地勢相對平緩的長江三角洲沖積平原（區域2）的山脊數據缺失和條狀云層遮擋進行算法驗證，其中區域1空洞占比4.5%，連通空洞個數為8；區域二占比2.2%，空洞個數為4。

實驗環境：軟件平臺采用Visual Studio2010和C/C++語言進行軟件設計與編譯，通過觀測模型的收斂速度、修復總耗時、加速比等，在搭建的三個異構混合平臺上依次進行對照組實驗，以驗證本文方法可用性和實現效率。工作站所用處理器（CPU）及顯卡（GPU）型號說明和預先設置匹配模型收斂條件分別如表1、表2所示。

表1 CPU/GPU參數Table 1 CPU/GPU parameters

表2 空間映射模型7參增量限差Table 2 Seven parameters for spatial mapping model

根據兩個DEM（或DSM 等）的元數據信息，設定Geotiff格式數據點平面的坐標。以標準DEM的左上角點作為原點Os(0,0)，Xs（行）方向每行間隔為經度方向分辨率×111 000 m，Ys（列）方向間隔為緯度方向的分辨率×111 000 m。待匹配DEM 數據設定為Os(0,0)-XcYc原理同標準數據。

在修復前進行數據準備：

（1）將待匹配DEM數據用GDAL庫讀入內存，包括元數據信息和高程數組；

（2）將標準DEM中對應待匹配DEM區域（略大）提取為算法中的標準DEM；

（3）根據精度需求進行異源數據等間隔采樣；

（4）切分地形區域為若干（m）子圖；

3.2 實驗結果與分析

LZD 算法的模型解算精度取決于各參數限差和迭代次數，鑒于兩組地區地理面積相近，此處均采用最大迭代次數300，采樣大小500×500 pixel。當所有參數增量滿足迭代限差時，算法終止，并確定模型參數向量。

分別取待匹配DEM 中青藏高原山區、長江三角洲沖積平原兩組典型的數據模型作為對照組進行格網數據空洞修復，以驗證該方法在不考慮實現策略時，不同地勢條件下算法的可行性。其中，青藏高原地區地勢變化較大，受傳感范圍限制，在數據的采集和重構過程中易丟失高海拔山脊處的三維信息；長江三角洲平原位于長江入海口，該地區平均坡度較小，但由于厚云遮擋導致內含兩條狹長的數據空缺。兩組待修復數據大小均為26 MB，全國基準DEM 大小為5 GB，經模型求解和高程坐標估值計算后，得到修復后的結果如圖5所示。

圖5 漏洞修補對比圖Fig.5 Comparative diagram of vulnerability patching

由圖5可知，對于兩地區分布的不規則空洞的修復效果表現為：均能夠較好地恢復局部紋理特征、幾何性質穩定，在源數據的基礎上保持現有分辨率，并擴大了數據的空間覆蓋，實現了影像質量的有效提升。

在盡可能保證精度的前提下，取區域1的數據進行計算性能測試。分別采用CPU多線程和CUDA多線程調度策略，設置大小相同的數據區域（區域1）和采集密度（500×500 pixel），依次記錄模型的匹配耗時與空洞修復總耗時。配備的三組硬件實驗環境為，平臺1：CPU為Xeon CPU E3-1230V6，顯卡采用NVIDA GeFouce GTX 980；平臺2：CPU 為Xeon CPU E3-1230V6，顯卡采用NVIDA GeFouce GTX 1080 Ti；平臺3：CPU 為Intel Core i7-7700，顯卡采用NVIDA GeFouce GTX 1080 Ti。在多種主機設備組合配置下，對照并行算法的執行效果。

實驗結果表明，部分任務調用CPU-GPU 異構的CUDA 編程模型進行實現后，修復總時長＜0.86 s，具體運行效率如表3所示。

表3 不同策略下區域1修復耗時與加速比Table 3 Time-consuming and speed-up ratio of Region 1 repair under different strategies

采用GPU 技術協助CPU 處理重復計算，縮短了點對最優距離計算和排序時間，然而隨像素尺寸增加數據在CPU-GPU 間拷貝的開銷增大，擴容后的多線程CPU策略（平臺2）較平臺1 總耗時明顯縮減，且匹配耗時占比由20.4%增加至26.1%，串行優勢在充足內存容量條件下更為顯著，同時，并行計算效率也提升了3.6倍。平臺1與平臺2采用相同CPU和相異的圖形處理器，利用并行異構策略，使總執行加速比分別提升至4.0 和4.5，優化后的匹配、融合耗時較CPU 多線程最多可減少71.082%和76.006%。在平臺3上運行異構程序，算法總體修復的執行效率相較于單線程CPU 能夠達到9.7 倍以上的加速比，具有較好的修復性能。

為了檢驗本文算法在不同地形場景下的匹配精度，分別將待修復數據中的區域1和區域2與全國基準數據進行LZD 三維匹配。其中，青藏山區和沖積平原數據大小為各取50 個點作為測試樣本，與基準數據對照計算Z坐標估值殘差，得到的最小參數增量、誤差矩陣和Z方向精度均方誤差（單位：m）如表4所示。

表4 迭代最終參數增量與誤差Table 4 Iterate over final parameter increment and error

以區域1的山脊為例，可看到模型計算的高程值在空洞邊緣存在“臺階”形斷層，為完善修復效果，對該空洞區域進行了加權融合。取空洞邊緣點Z坐標值得加權平均，進行DEM高程值重算，再次賦值后達到奇異點去除和邊緣平滑的效果，空洞平滑修補前后對比如圖6所示。

圖6 空洞平滑修補前后對比圖Fig.6 Comparative diagram of cavity before and after smooth repair

如圖6（a）所示，融合前的高海拔數據缺失面，邊沿分布著非連續的像素條帶，在數據準確度和視覺效果層面都存在明顯缺陷。經加權融合糾正后的該區域見圖6（b），保留了主要地形特征，未見明顯修復痕跡，達到趨近于基準數據的完善要求。

4 結束語

機載雷達（airborne radar，AR）在高海拔、崎嶇地勢和極端氣候時出現的測繪盲區，導致衍生出的數字高程數據（DEM）存在數據空洞等的問題，現有的空間插值和表面匹配算法為該空缺修復研究提供了有力支撐。為了進一步滿足準確、高效的應用需求，本文提出了一種改進的快速LZD三維匹配算法結合“臺階”融合的修復方法。借助異源輔助數據，在搭建的不同平臺下，分別對2 組差異明顯的非結構化地形樣本進行了方法驗證。實驗結果表明本文采用的方法，修復后的圖像信息豐富、空洞邊緣平滑，誤差控制在±37.725 m，符合地形數據的處理需求。在模型精度滿足固定限差的條件下匹配效率成倍提升，較CPU 多線程架構運行耗時可減少76%，加速比最優可達9.7倍，在大尺度數字高程模型修復領域具有明顯優勢。