这几天我们一直在讨论有关无人机高光谱方面的介绍，今天，我们将一起探讨一下有关无人机高光谱数据处理与建模方法是怎样的知识点，小编希望可以帮助到大家~

1 、无人机高光谱数据处理与建模方法

成像光谱与空间构型数据在处理流程、建模方法和结果应用上均不相同, 前者以提取特征信息建立参数反演模型为目的, 后者则能够建立测区三维空间结构模型。成像光谱数据中的高光谱获取的是不限波段范围的窄间隔连续光谱数据, 因此数据量大, 波段提取和信息压缩是高光谱数据处理的首要任务。热红外获取的是2.5~14 μm波段的数据, 包括连续和非连续的数据。由于该波段与温度关系密切, 数据处理也以提取温度信息为主要目标。空间构型数据中, SfM方法基于可见光摄影测量, 解算后的数据是带有色彩信息的三维空间坐标, 基于激光直接测量获取的则仅有空间位置信息。

1.1成像光谱数据处理与建模

成像光谱技术中使用可见光成像和多光谱数据的通常直接选取特征波段或计算植被指数, 将主成分提取后的光谱特征信息与作物的各项生理生化指标建立反演模型。

高光谱因为波段密集, 数据量大, 需要先选择与农田信息密切相关的特征波段。信息量、投影、相似度计算及小波分解法均可作为特征波段选择的依据。基于信息量的波段选择, 可将高光谱影像灰度值(Digital Number, DN)的标准差, 可以看作最简单的信息量度量, 信息熵,波段熵值高则信息量丰富; 基于投影的选择包括主成分分析法、独立成分分析法等, 以压缩波段, 降低维数为目的; 相似度计算中波段的空间自相关程度高则包含的信息量大而相关程度高的波段间存在信息冗余; 小波分解法目前已有很多小波基可供选择(双正交样条、Harar、Daubechies、高斯、Symlet、Meyer、Colilet小波等), 选择某一小波基后, 即可对一维或二维信号进行离散或连续的小波变换。

提取出特征波段后的高光谱数据处理过程与可见光成像和多光谱类似, 可直接计算波段反射率, 或计算各项植被指数后, 采用一元回归和多元回归等方法建立其与作物生长参量间的线性、对数、二次、幂函数等模型;也可根据如植被光学辐射传输等模型, 通过全局敏感性分析法(Sobol法、二叉树遍历法、GLUE法、FAST法)评价非线性模型中作物目标生长参数对于光谱信息的影响及相应的敏感波段, 通过查找表法、数值优化法、人工神经网络法等方法反演作物生长信息; 或者基于机器学习(基于神经网络、高斯过程回归、核岭回归、随机森林等)对农田信息反演建模。

热红外波段反演地温的方法主要有单窗算法、劈窗算法、多通道和多角度算法。单窗算法利用一个热红外波段反演地表温度, 劈窗算法利用相邻两个热红外波段, 是目前最为成熟的反演算法。研究者对热温数据分析处理通常使用相对热温指数, 包括目标器官或组织之间的热温差或热温比值, 目标区域监测员手指之间的指温差指数和指温比指数增加不同热像中热温数据的可比性。如林业中常用的边心温比就是伐桩横截面的边材与心材热温比值。由于红外辐射的衍射效应较可见光强, 所以图像对比度较弱, 边缘模糊, 目标区域分割边缘提取是一项难点。目前图像边缘检测一般利用图像边缘的一阶和二阶导数信息, 例如:梯度法, 模板算子法等, 被广泛使用的模板算子有Sobel算子、Prewitt算子和Laplacain算子等。

1.2空间构型数据处理与建模

SfM方法首先要对原始图像进行无畸变处理, 校正由相机镜头引起的失真, 获取无畸变图像序列相对定向过程选择匹配特征点多且居于飞行区域中央的两张影像作为初始像对, 通过特征匹配、前后方交会解算初始像对两幅影像的相机参数及同名坐标点初始值, 再利用光束法平差优化结果; 添加新影像, 利用已求得的三维点坐标,及影像间的匹配特征点, 空间后方交会估算新添加影像的相机参数、对应特征点坐标, 再次平差优化直到完成所有影像的添加; 最终完成由农田航拍影像到三维点云的构建。此过程生成的点云是离散的, 利用点云内插方法得到数字高程模型(Digital Elevation Model,DEM)后能覆盖整个测区。

好了，那么以上就是有关无人机高光谱数据处理与建模方法是怎样的介绍，希望可以对大家有益哦~