一种支持多型号多光谱相机数据全自动处理的方法和系统技术方案

本发明专利技术提出一种支持多型号多光谱相机数据全自动处理的方法，包括：S1，对无人机飞行信息进行提取，以及对无人机拍摄的研究区的多光谱图像进行消除暗角效应和配准；S2，对S1中配准后的多光谱图像拼接和几何校正；S3，对覆盖研究区的多光谱图像进行裁切及辐射定标。本发明专利技术还对应提出一种系统。本发明专利技术的方法适用于多款多光谱相机，能够极大地提升搭载在无人机上的多光谱相机的数据处理能力，简化操作流程。简化操作流程。简化操作流程。

【技术实现步骤摘要】
一种支持多型号多光谱相机数据全自动处理的方法和系统


[0001]本专利技术涉及相机数据处理技术，更具体地，涉及一种支持多型号多光谱相机数据全自动处理的方法和系统。

技术介绍

[0002]随着无人机技术和多光谱成像相机的发展，搭载多光谱成像相机的无人机在农业监测中的应用日益增加。处理多光谱相机采集的图像涉及到多个步骤，包括：消除图像的暗角效应、同一拍照对象多波段图像之间的配准、影像间的拼接、几何校正、生成三维点云、辐射校正、生成各波段的正射影像以及根据研究区边界在原始图像上裁切出研究区的多角度图像等。目前已有多款商业软件可以进行以上操作，如Pix4D、Agisoft Metashape和大疆智图等。然而，目前的科研人员或者产业领域应用人员处理无人机多光谱影像时仍然面临着诸多问题：
[0003]1)很多操作需要人为手动完成，例如几何校正的环节，需要人工目视方式在拼接后的图像中寻找到地面控制点，输入实测的经纬度信息。一般一次飞行会放置3
‑
5个地面控制点，则需要输入相应次数的经度、纬度和海拔高度数据。当待处理的无人机飞行较多、数据量较大时，该环节会耗费大量的人工和时间成本。
[0004]2)一些软件系统并不支持多波段图像之间的配准，而另一些软件系统是在生成正射影像之后进行各波段之间的配准，在一定程度上会影响正射影像的精度。
[0005]3)在目前的很多研究中，每个研究区的影像获取是直接从正射影像中裁切，其精度、分辨率直接受到正射影像的影响，同时由于正射影像是软件生成的观测角度垂直向下的图像，丢失了原始无人机飞行时每张图片的多角度信息，不利于后期的农作物参数提取与应用。
[0006]4)目前市场上有多款商业多光谱成像相机，而并无一套完全自动化的处理方法，可以兼容不同品牌的相机。

技术实现思路

[0007]针对
技术介绍
中的问题，本专利技术提出一种可以兼容多型号多光谱成像相机采集的无人机数据自动处理的方法，生成一套多光谱图像的预处理、拼接、辐射定标和研究区裁切的自动化流程。
[0008]本专利技术的一种支持多型号多光谱相机数据全自动处理的方法包括：S1，对无人机飞行信息进行提取，以及对无人机拍摄的研究区的多光谱图像进行消除暗角效应和配准；S2，对S1中配准后的多光谱图像拼接和几何校正；S3，对覆盖研究区的多光谱图像进行裁切及辐射定标。
[0009]本专利技术还抵触一种支持多型号多光谱相机数据全自动处理的系统，其包括处理器，所述处理器能够实现所述方法。
[0010]本专利技术的有益效果包括：本专利技术可以自动进行多光谱图像的配准、自动搜索到地
面控制点位置并赋予真实地理坐标、自动搜索到辐射定标板并提取相关实测数据实现辐射定标、自动裁切出包含研究区的图像并计算多角度反射率，且该方法适用于多款多光谱相机，能够极大地提升搭载在无人机上的多光谱相机的数据处理能力，简化操作流程，使非图像处理或遥感专业人员也能很好地进行飞行图像处理。
附图说明
[0011]为了更容易理解本专利技术，将通过参照附图中示出的具体实施方式更详细地描述本专利技术。这些附图只描绘了本专利技术的典型实施方式，不应认为对本专利技术保护范围的限制。
[0012]图1为本专利技术方法的一个实施方式的流程图。
[0013]图2为本专利技术方法的另一个实施方式的流程图。
[0014]图3为多光谱相机采集的一张图像的暗角效应校正系数样例。
[0015]图4显示了多种包含地面控制点的图像。
具体实施方式
[0016]下面参照附图描述本专利技术的实施方式，以便于本领域的技术人员可以更好的理解本专利技术并能予以实施，但所列举的实施例不作为本专利技术的限定，在不冲突的情况下，下述的实施例及实施例中的技术特征可以相互组合，其中相同的部件用相同的附图标记表示。
[0017]如图1
‑
图2所示，本专利技术的方法包括S1
‑
S3。
[0018]S1，对无人机飞行信息进行提取，以及对无人机拍摄的多光谱图像进行预处理：消除暗角效应和配准。在一个实施例中，步骤S1包括S11
‑
S14。
[0019]S11，从原始的无人机飞行中，获取以下飞行信息：连续飞行次数、波段数量、暗角效应校正系数、图像采集的GPS信息(经度、纬度、高度和时间)、地面辐射定标板的辐射参考值、地面控制点信息(每个控制点的经度、纬度和海拔高度)。
[0020]具体来说，逐一获取如下信息。是否是针对同一块地的多次连续飞行。多光谱相机的品牌，对应的波段数量。获得的图像中是否有XMP文件信息，XMP文件中是否包含了暗角效应校正系数。XMP文件信息是否有EXIF头文件信息，EXIF信息中是否包含了图像采集的GPS信息(经度、纬度、高度和时间)。是否有地面辐射定标板的辐射参考值，即每个波段的反射率数据。如果是非RTK无人机采集的数据，还需要判断是否有地面控制点文件，地面控制点文件是否包含了完整的信息(每个控制点的经度、纬度和海拔高度)。若以上信息完整，则继续下一步，若信息有缺失，则在代码运行日志中输出缺失的信息，并提示操作者。
[0021]S12，针对同一块地的多次连续飞行获得的多光谱图像，将多次飞行的数据按照飞行次数以及波段进行合并。
[0022]在一个实施方式中，可以合并到同一个文件夹中，具体操作步骤如下：第一次飞行有N张图像，图像命名为1_XXnm.tif，直到N_XXnm.tif，其中XX代表波段，第二次飞行有M张图像，则第一个图像命名修改为1+N_XXnm.tif，第M张修改M+N_XXnm.tif,依次类推，直到同一块地的多次飞行合并到同一文件中。将多次飞行的图像按次序放在同一文件夹中，避免了图像名称重复、覆盖。
[0023]S13，消除所有图像的暗角效应。
[0024]读取图像XMP文件信息中的暗角效应校正系数，并将暗角效应校正系数应用到原
始的多光谱图像中进行校正。
[0025]如图3所示为大疆Phantom4多光谱相机采集的一张图像的暗角效应校正系数Vignetting Polynomial和暗角效应校正中心Vignetting Center。如图2所示，可以使用常见的多项式方程进行校正，校正前图像中每个像元的数值为DN，校正后为DN1：
[0026]DN1＝DN
×
(k6×
r6+k5×
r5+k4×
r4+k3×
r3+k2×
r2+k
×
r)
[0027]其中，k～k6分别为Vignetting Polynomial中的6个系数，r为图像的每个像素到校正中心Vignetting Center的几何距离。
[0028]S14，对不同波段间的图像进行批量配准，得到配准后的多光谱图像。
[0029]对同一个目标的多波段图像，使用某个波段图像为参考，优先选择绿波段，根据不同波段间图像的相似性，将其他波段图像进行移动，使之与该参考本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种支持多型号多光谱相机数据全自动处理的方法，其特征在于，包括：S1，对无人机飞行信息进行提取，以及对无人机拍摄的研究区的多光谱图像进行消除暗角效应和配准；S2，对S1中配准后的多光谱图像拼接和几何校正；S3，对覆盖研究区的多光谱图像进行裁切及辐射定标。2.根据权利要求1所述的方法，其特征在于，步骤S1包括：S11，从原始的无人机飞行中，获取以下飞行信息：连续飞行次数、波段数量、暗角效应校正系数、图像采集的GPS信息、地面辐射定标板的辐射参考值和地面控制点信息；S12，针对同一块地的多次连续飞行获得的图像，将多次飞行的数据按照飞行次数以及波段进行合并；S13，消除所有图像的暗角效应；S14，对不同波段间的图像进行批量配准，得到配准后的多光谱图像。3.根据权利要求2所述的方法，其特征在于，步骤S2包括：S21，对图像进行拼接生成三维点云；S22，建立地面控制点图案深度学习模型；S23，针对具有完整地面控制点图案的图像，应用S22生成的模型；S24，对S21生成的三维点云进行优化，得到几何校正后的三维点云；S25，对所有图像进行几何校正，生成整体飞行的正射影像。4.根据权利要求3所述的方法，其特征在于，步骤S3包括：S31，根据S11获得的研究区的边界范围，根据S24优化后的三维点云以及每张图像的经纬度信息，选择包含有研究区的图像，根据研究区的边界范围进行裁切，获得包含研究区的所有多光谱图像；S32，建立辐射定标板深度学习模型；S33，将辐射定标板深度学习模型应用到S31得到的所有多光谱图像中，选择出其中包含...

【专利技术属性】
技术研发人员：李文娟，吴文斌，余强毅，
申请(专利权)人：中国农业科学院农业资源与农业区划研究所，
类型：发明
国别省市：