這幾天我們一直在討論有關無人機高光譜方面的介紹，今天，我們將一起探討一下有關無人機高光譜數據處理與建模方法是怎樣的知識點，小編希望可以幫助到大家~
1 、無人機高光譜數據處理與建模方法
成像光譜與空間構型數據在處理流程、建模方法和結果應用上均不相同, 前者以提取特征信息建立參數反演模型為目的, 后者則能夠建立測區三維空間結構模型。成像光譜數據中的高光譜獲取的是不限波段范圍的窄間隔連續光譜數據, 因此數據量大, 波段提取和信息壓縮是高光譜數據處理的首要任務。熱紅外獲取的是2.5~14 μm波段的數據, 包括連續和非連續的數據。由于該波段與溫度關系密切, 數據處理也以提取溫度信息為主要目標。空間構型數據中, SfM方法基于可見光攝影測量, 解算后的數據是帶有色彩信息的三維空間坐標, 基于激光直接測量獲取的則僅有空間位置信息。
1.1成像光譜數據處理與建模
成像光譜技術中使用可見光成像和多光譜數據的通常直接選取特征波段或計算植被指數, 將主成分提取后的光譜特征信息與作物的各項生理生化指標建立反演模型。
高光譜因為波段密集, 數據量大, 需要先選擇與農田信息密切相關的特征波段。信息量、投影、相似度計算及小波分解法均可作為特征波段選擇的依據。基于信息量的波段選擇, 可將高光譜影像灰度值(Digital Number, DN)的標準差, 可以看作的信息量度量, 信息熵,波段熵值高則信息量豐富; 基于投影的選擇包括主成分分析法、獨立成分分析法等, 以壓縮波段, 降低維數為目的; 相似度計算中波段的空間自相關程度高則包含的信息量大而相關程度高的波段間存在信息冗余; 小波分解法目前已有很多小波基可供選擇(雙正交樣條、Harar、Daubechies、高斯、Symlet、Meyer、Colilet小波等), 選擇某一小波基后, 即可對一維或二維信號進行離散或連續的小波變換。
提取出特征波段后的高光譜數據處理過程與可見光成像和多光譜類似, 可直接計算波段反射率, 或計算各項植被指數后, 采用一元回歸和多元回歸等方法建立其與作物生長參量間的線性、對數、二次、冪函數等模型;也可根據如植被光學輻射傳輸等模型, 通過全局敏感性分析法(Sobol法、二叉樹遍歷法、GLUE法、FAST法)評價非線性模型中作物目標生長參數對于光譜信息的影響及相應的敏感波段, 通過查找表法、數值優化法、人工神經網絡法等方法反演作物生長信息; 或者基于機器學習(基于神經網絡、高斯過程回歸、核嶺回歸、隨機森林等)對農田信息反演建模。
熱紅外波段反演地溫的方法主要有單窗算法、劈窗算法、多通道和多角度算法。單窗算法利用一個熱紅外波段反演地表溫度, 劈窗算法利用相鄰兩個熱紅外波段, 是目前成熟的反演算法。研究者對熱溫數據分析處理通常使用相對熱溫指數, 包括目標器官或組織之間的熱溫差或熱溫比值, 目標區域監測員手指之間的指溫差指數和指溫比指數增加不同熱像中熱溫數據的可比性。如林業中常用的邊心溫比就是伐樁橫截面的邊材與心材熱溫比值。由于紅外輻射的衍射效應較可見光強, 所以圖像對比度較弱, 邊緣模糊, 目標區域分割邊緣提取是一項難點。目前圖像邊緣檢測一般利用圖像邊緣的一階和二階導數信息, 例如:梯度法, 模板算子法等, 被廣泛使用的模板算子有Sobel算子、Prewitt算子和Laplacain算子等。
1.2空間構型數據處理與建模
SfM方法首先要對原始圖像進行無畸變處理, 校正由相機鏡頭引起的失真, 獲取無畸變圖像序列相對定向過程選擇匹配特征點多且居于飛行區域的兩張影像作為初始像對, 通過特征匹配、前后方交會解算初始像對兩幅影像的相機參數及同名坐標點初始值, 再利用光束法平差優化結果; 添加新影像, 利用已求得的三維點坐標,及影像間的匹配特征點, 空間后方交會估算新添加影像的相機參數、對應特征點坐標, 再次平差優化直到完成所有影像的添加; 最終完成由農田航拍影像到三維點云的構建。此過程生成的點云是離散的, 利用點云內插方法得到數字高程模型(Digital Elevation Model,DEM)后能覆蓋整個測區。
好了，那么以上就是有關無人機高光譜數據處理與建模方法是怎樣的介紹，希望可以對大家有益哦~
