无人机遥感图像的去噪、辐射校正和图像裁剪

参考论文：

论文1.基于无人机高光谱的稻田杂草识别和空间分布研究

https://www.researching.cn/ArticlePdf/m00016/2024/33/4/6.pdf

论文2.基于无人机遥感的智能墒情预测模型与灌溉决策系统.ashx

一、文献总结

论文1：

为了提升作物与杂草区分的准确性，多光谱与高光谱成像技术已被应用于植物学领域［4］。利用植物在不同波长下的反射光谱差异，结合机器学习算法，实现对植物的精确识别和分类。Fletcher等［5］使用随机森林（random forest，RF）分类器结合多光谱反射数据区分3种大 豆和2种杂草，大豆和杂草的分类准确率在93.8% 到100.0%之间，Kappa系数值在0.93到0.97之间。Zhang等［6］采集了总共287个水稻、野生稻和稗草 样本的高光谱数据，使用了连续投影算法（succes sive projections algorithm，SPA）的6个光谱特征（415、 561、687、705、735、1 007 nm）分析发现，水稻、稗草 和野生稻的识别总体准确率为0.97。

1.2.2　高光谱数据预处理

无人机高光谱成像系统采集到的数据由高光谱影像和RGB图像组成。数据导出后使用Pix4d软件中的运动结构恢复算法，将RGB图像拼接成完整的正射影像，用作后续高光谱图像拼接的底图［11］。 随后采用横滚角的方式对高光谱条带在飞行过程 中由于风力造成的扭曲进行校正，并在Arcgis Pro上进行控制点的配准；基于遥感图像处理平台（the environment for visualizing images，ENVI）无缝镶嵌方法获得完整的高光谱影像，最后进行辐射校正，将像元亮度值转化为反射率。

由于稻田环境下的水稻与稗草交织丛生，基于感兴趣区域（图像裁剪）（region of interest，ROI）的样本选择方式不可避免会取到混合样本。为了提升每类样本的多样性，本研究利用随机采样的方法获取样本。将高光谱图像导入Arcgismap10.8版本中，以间隔30 cm 的方式在图上随机采样1 000个点。结合实地考察和人工解译，扣除掉难以辨别的204个样本，共获796个样本（表1），其中包含水稻、稗草、成熟稗草和背景。如图3所示，所有类型的样本均散开在试验区域中，保证了样本间的差异，有利于模型泛化能力的提升。

2.1　光谱处理

无人机高光谱数据有上百个波段，在获取过程 中，由于环境和设备等原因，波段间存在噪声，表现为锯齿状，难以反映地物的实际反射率，因此，高光谱数据的平滑和滤波尤为重要。SG（Savitzky-Go lay）滤波方法是一种基于时间域局部多项式最小二 乘拟合的信号处理技术［12］,其主要目的是对信号进行平滑处理，以消除噪声的影响。

论文1总结