CN111122447A - 一种无人机多光谱波段纠正方法 - Google Patents
一种无人机多光谱波段纠正方法 Download PDFInfo
- Publication number
- CN111122447A CN111122447A CN201911166080.7A CN201911166080A CN111122447A CN 111122447 A CN111122447 A CN 111122447A CN 201911166080 A CN201911166080 A CN 201911166080A CN 111122447 A CN111122447 A CN 111122447A
- Authority
- CN
- China
- Prior art keywords
- image data
- rows
- corrected
- multispectral
- unmanned aerial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/255—Details, e.g. use of specially adapted sources, lighting or optical systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种无人机多光谱波段纠正方法,属于无人机多光谱波段纠正技术领域。包括以下步骤:a.光谱排序;b.创建一个像素大小为301×301的二维数组Corr;c.获取所述影像数据b与影像数据a的相关系数矩阵;d.影像数据据b位置纠正;d.将纠正好的各所述影像数据保存到相应文件夹下。它具有简便、快捷,纠正精度高等特点。
Description
技术领域
本发明涉及无人机多光谱波段纠正技术领域。
背景技术
近年来,我国的科技得到了迅猛发展,其中低空无人机技术发展迅速,逐步进入大众的视野,且因其应用广泛、优势明显等特点而被国民所熟知。由于无人机在机动、灵活、时效性等方面拥有独特的优越性,越来越多的行业开始利用无人机开展相关工作,其中无人机在遥感领域已得到广泛应用。无人机遥感技术能够克服传统航空或者航天遥感技术因重访周期长、影像空间分辨率低、起飞条件要求高以及运营管理成本昂贵等因素制约。
随着无人机遥感技术与遥感数据的处理分析技术的不断发展,无人机多光谱遥感数据被广泛应用于各个领域。无人机多光谱图像能够将许多原本在卫星多光谱图像中无法体现的地物特征得以展示。无人机多光谱遥感图像因为具有大量的波段信息,这些信息对于地物判读、作物识别等工作不仅能够节约人力、物力,还能提高地物信息解译效率和精度,但无人机多光谱遥感图像也存在许多难题,例如当无人机以较低(50m以下)的高度拍摄影像时,多光谱数据在不同波段上存在较大偏差且该偏差随拍摄位置不同而变化,需要对无人机多光谱数据进行波段纠正,而波段间的完美纠正是开展多光谱数据应用与分析的前提。
为解决无人机多光谱波段纠正问题,加快推进无人机多光谱的应用。本发明提供了一种利用区域相关性分析算法的无人机多光谱纠正技术,从而可有效实现无人机多光谱数据高精度纠正,为无人机多光谱数据的应用与推广提供了必要基础技术支撑。
发明内容
本发明要解决的技术问题是提供一种无人机多光谱波段纠正方法,它具有简便、快捷,纠正精度高等特点。
为解决上述技术问题,本发明所采取的技术方案是:
一种无人机多光谱波段纠正方法,包括以下步骤:
a.光谱排序,将无人机所采集的多光谱影像数据按波长大小进行正序排列或逆序排列,多光谱影像数据正序排列的前后次序为:蓝波段影像数据、绿波段影像数据、红波段影像数据、近红外波段影像数据;多光谱影像数据逆序排列的前后次序为:近红外波段影像数据、红波段影像数据、绿波段影像数据、蓝波段影像数据;令多光谱影像数据正序排列和逆序排列中的第一个波段影像数据为影像数据a,第二个波段影像数据为影像数据b,第三个波段影像数据为影像数据c,第四个波段影像数据为影像数据d;
b.创建一个像素大小为301×301的二维数组Corr,用于记录区域相关分析结果—相关系数;
c.获取影像数据b与影像数据a的相关系数矩阵,设定影像数据a所处位置为相对标准位置的影像数据,从影像数据a中以影像数据a的中心位置为中心截取100×100像素作为标准样本,从影像数据b中以影像数据b的中心位置的左150列,上150行位置为中心截取100×100像素作为待纠正样本b1,计算标准样本与待纠正样本b1的相关性系数,将相关性系数计算结果存储在二维数组Corr中相关系数矩阵内左上起始(1,1)位置处;从影像数据b中以影像数据b的中心位置的左149列,上150行的位置为中心截取100×100像素作为待纠正样本b2,计算标准样本与待纠正样本b2的相关性系数,将相关性系数计算结果存储在二维数组Corr中相关系数矩阵内左上起始(1,2)位置处;以此类推,计算出标准样本与待纠正样本bn的相关性系数,待纠正样本b1~bn依次为影像数据b像素的左150列,上150行~右150列下150行位置,从而获得二维数组Corr中影像数据b与影像数据a的相关系数矩阵;
d.影像数据据b位置纠正,依据步骤c中所获取的影像数据b与影像数据a的相关系数矩阵,获取影像数据b与影像数据a的相关系数矩阵中的绝对值最大的下标位置x数值和y数值,将所获取的x数值减去150获得行纠正值x,当行纠正值x为正值时,将影像数据据b向上移动x行,当行纠正值x为负值时,则将影像数据据b向下移动-x行;将所获取的y数值减去150获得列纠正值y,当列纠正值y为正直时,将影像数据据b向左移动y列,当列纠正值y为负值时,则将影像数据据b向右移动-y列,以此对影像数据b位置进行纠正;
e.多光谱影像数据纠正,依据步骤c和步骤d中对影像数据b位置进行纠正过程类推,对影像数据c和影像数据d的位置进行纠正,各影像数据均以其前邻已纠正过的影像数据获取标准样本作为基准进行纠正;
d.将纠正好的各影像数据保存到相应文件夹下,即可完成无人机所采集的影像数据位置的纠正。
本发明进一步改进在于:
利用Matlab语言中的imwrite()函数将纠正好的各影像数据保存到相应文件夹下。
采用上述技术方案所产生的有益效果在于:
(1)本发明以地理相关性与光谱分析相关性为基础理论,具有较强的普适性,且方法简便、快速,实现了快速、自动无人机多光谱波段的纠正,可为无人机多光谱数据的推广与应用提供基础技术支撑。
(2)现有技术在针对无人机多光谱自动纠正技术较为匮乏,本发明能有效弥补无人机多光谱波段配准技术的不足,且本发明的检测精度、效率较高,该技术更符合实际应用,能满足无人机多光谱数据处理与分析的基本需求。
(3)目前,开展无人机多光谱波段自动纠正技术的研究,为无人机多光谱技术的应用与推广提供技术支撑,该技术有利于无人机遥感技术的发展,对加快无人机遥感的应用具有现实意义。
附图说明
图1是本发明方法的流程图;
图2是采用本方法将绿波段影像数据进行纠正后的效果图。
注:本申请中行与列为各影像数据中像素排列形成的行与列。
对于同一地物,其光谱数据内部的相关性与波段间隔成反比,即波段相邻越近其相关性越强,而不同物质间相邻光谱相关性较弱;因此,同一区域的多光谱影像数据,相邻波段的相关性最强,其相关系数据多高于0.95;如果多光谱影像数据的波段内部存在空间偏移,会导致内相邻光谱的相关性较差,且在一定范围内,相邻波段的相关性会随空间偏移量的增加而急剧降低。
具体实施方式
下面将结合附图和具体实施例对本发明进行进一步详细说明。
一种无人机多光谱波段纠正方法,包括以下步骤:
a.光谱排序,将无人机所采集的多光谱影像数据按波长大小进行正序排列或逆序排列,多光谱影像数据正序排列的前后次序为:蓝波段影像数据、绿波段影像数据、红波段影像数据、近红外波段影像数据;多光谱影像数据逆序排列的前后次序为:近红外波段影像数据、红波段影像数据、绿波段影像数据、蓝波段影像数据;令多光谱影像数据正序排列和逆序排列中的第一个波段影像数据为影像数据a,第二个波段影像数据为影像数据b,第三个波段影像数据为影像数据c,第四个波段影像数据为影像数据d;
b.创建一个像素大小为301×301的二维数组Corr,用于记录区域相关分析结果—相关系数;
c.获取影像数据b与影像数据a的相关系数矩阵,设定影像数据a所处位置为相对标准位置的影像数据,从影像数据a中以影像数据a的中心位置为中心截取100×100像素作为标准样本,从影像数据b中以影像数据b的中心位置的左150列,上150行位置为中心截取100×100像素作为待纠正样本b1,计算标准样本与待纠正样本b1的相关性系数,将相关性系数计算结果存储在二维数组Corr中相关系数矩阵内左上起始(1,1)位置处;从影像数据b中以影像数据b的中心位置的左149列,上150行的位置为中心截取100×100像素作为待纠正样本b2,计算标准样本与待纠正样本b2的相关性系数,将相关性系数计算结果存储在二维数组Corr中相关系数矩阵内左上起始(1,2)位置处;以此类推,计算出标准样本与待纠正样本bn的相关性系数,待纠正样本b1~bn依次为影像数据b像素的左150列,上150行~右150列下150行位置,从而获得二维数组Corr中影像数据b与影像数据a的相关系数矩阵;
d.影像数据据b位置纠正,依据步骤c中所获取的影像数据b与影像数据a的相关系数矩阵,获取影像数据b与影像数据a的相关系数矩阵中的绝对值最大的下标位置x数值和y数值,将所获取的x数值减去150获得行纠正值x,当行纠正值x为正值时,将影像数据据b向上移动x行,当行纠正值x为负值时,则将影像数据据b向下移动-x行;将所获取的y数值减去150获得列纠正值y,当列纠正值y为正直时,将影像数据据b向左移动y列,当列纠正值y为负值时,则将影像数据据b向右移动-y列,以此对影像数据b位置进行纠正;
e.多光谱影像数据纠正,依据步骤c和步骤d中对影像数据b位置进行纠正过程类推,对影像数据c和影像数据d的位置进行纠正,各影像数据均以其前邻已纠正过的影像数据获取标准样本作为基准进行纠正;
d.将纠正好的各影像数据保存到相应文件夹下,即可完成无人机所采集的影像数据位置的纠正。
利用Matlab语言中的imwrite()函数将纠正好的各影像数据保存到相应文件夹下。
相关性分析:相关分析与回归分析在实际应用中有密切关系。然而在回归分析中,着重研究一个随机变量Y对另一个(或一组)随机变量X的依赖关系的函数形式。而在相关分析中,所讨论的变量的地位一样,分析侧重于随机变量之间的种种相关特征。相关系数是按积差方法计算,同样以两变量与各自平均值的离差为基础,通过两个离差相乘来反映两变量之间相关程度;着重研究线性的单相关系数。相关系数或线性相关系数,一般用字母R表示,用来度量两个变量间的线性关系:其计算方法如下所示:
其中,Cov(X,Y)为X与Y的协方差,Var[X]为X的方差,Var[Y]为Y的方差。本研究着重研究分析线性相关通过计算变量间的相关系数R进行分析两者间的相关性。
Claims (2)
1.一种无人机多光谱波段纠正方法,其特征在于:所述方法包括以下步骤:
a.光谱排序,将无人机所采集的多光谱影像数据按波长大小进行正序排列或逆序排列,所述多光谱影像数据正序排列的前后次序为:蓝波段影像数据、绿波段影像数据、红波段影像数据、近红外波段影像数据;所述多光谱影像数据逆序排列的前后次序为:近红外波段影像数据、红波段影像数据、绿波段影像数据、蓝波段影像数据;令所述多光谱影像数据正序排列和逆序排列中的第一个波段影像数据为影像数据a,第二个波段影像数据为影像数据b,第三个波段影像数据为影像数据c,第四个波段影像数据为影像数据d;
b.创建一个像素大小为301×301的二维数组Corr,用于记录区域相关分析结果—相关系数;
c.获取所述影像数据b与影像数据a的相关系数矩阵,设定所述影像数据a所处位置为相对标准位置的影像数据,从影像数据a中以所述影像数据a的中心位置为中心截取100×100像素作为标准样本,从影像数据b中以所述影像数据b的中心位置的左150列,上150行位置为中心截取100×100像素作为待纠正样本b1,计算所述标准样本与所述待纠正样本b1的相关性系数,将所述相关性系数计算结果存储在所述二维数组Corr中相关系数矩阵内左上起始(1,1)位置处;从影像数据b中以所述影像数据b的中心位置的左149列,上150行的位置为中心截取100×100像素作为待纠正样本b2,计算所述标准样本与所述待纠正样本b2的相关性系数,将所述相关性系数计算结果存储在所述二维数组Corr中相关系数矩阵内左上起始(1,2)位置处;以此类推,计算出所述标准样本与所述待纠正样本bn的相关性系数,所述待纠正样本b1~bn依次为所述影像数据b像素的左150列,上150行~右150列下150行位置,从而获得所述二维数组Corr中影像数据b与影像数据a的相关系数矩阵;
d.影像数据据b位置纠正,依据步骤c中所获取的影像数据b与影像数据a的相关系数矩阵,获取所述影像数据b与影像数据a的相关系数矩阵中的绝对值最大的下标位置x数值和y数值,将所获取的x数值减去150获得行纠正值x,当所述行纠正值x为正值时,将影像数据据b向上移动x行,当所述行纠正值x为负值时,则将影像数据据b向下移动-x行;将所获取的y数值减去150获得列纠正值y,当列纠正值y为正直时,将影像数据据b向左移动y列,当列纠正值y为负值时,则将影像数据据b向右移动-y列,以此对所述影像数据b位置进行纠正;
e.多光谱影像数据纠正,依据所述步骤c和所述步骤d中对所述影像数据b位置进行纠正过程类推,对所述影像数据c和所述影像数据d的位置进行纠正,各所述影像数据均以其前邻已纠正过的影像数据获取标准样本作为基准进行纠正;
d.将纠正好的各所述影像数据保存到相应文件夹下,即可完成无人机所采集的影像数据位置的纠正。
2.根据权利要求1所述的一种无人机多光谱波段纠正方法,其特征在于:利用Matlab语言中的imwrite()函数将纠正好的各所述影像数据保存到相应文件夹下。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911166080.7A CN111122447B (zh) | 2019-11-25 | 2019-11-25 | 一种无人机多光谱波段纠正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911166080.7A CN111122447B (zh) | 2019-11-25 | 2019-11-25 | 一种无人机多光谱波段纠正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111122447A true CN111122447A (zh) | 2020-05-08 |
CN111122447B CN111122447B (zh) | 2022-03-25 |
Family
ID=70496611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911166080.7A Active CN111122447B (zh) | 2019-11-25 | 2019-11-25 | 一种无人机多光谱波段纠正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111122447B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090245590A1 (en) * | 2006-11-15 | 2009-10-01 | Norbert Holl | Method for identifying soiling and/or colour fading in the region of colour transitions on documents of value, and means for carrying out the method |
JP2010220076A (ja) * | 2009-03-18 | 2010-09-30 | Ricoh Co Ltd | 画像読み取り装置、画像形成装置、シェーディング補正方法、及びシェーディング補正制御プログラム |
CN105891147A (zh) * | 2016-03-30 | 2016-08-24 | 浙江中烟工业有限责任公司 | 一种基于典型相关系数的近红外光谱信息提取方法 |
CN106023130A (zh) * | 2016-06-07 | 2016-10-12 | 中山大学 | 基于梯度滤波和pca的无人机影像与多光谱影像融合方法 |
CN108985311A (zh) * | 2018-05-08 | 2018-12-11 | 中国电力科学研究院有限公司 | 一种高光谱遥感数据的降维方法及*** |
CN109118525A (zh) * | 2017-06-23 | 2019-01-01 | 北京遥感设备研究所 | 一种双波段红外图像空域配准方法 |
-
2019
- 2019-11-25 CN CN201911166080.7A patent/CN111122447B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090245590A1 (en) * | 2006-11-15 | 2009-10-01 | Norbert Holl | Method for identifying soiling and/or colour fading in the region of colour transitions on documents of value, and means for carrying out the method |
JP2010220076A (ja) * | 2009-03-18 | 2010-09-30 | Ricoh Co Ltd | 画像読み取り装置、画像形成装置、シェーディング補正方法、及びシェーディング補正制御プログラム |
CN105891147A (zh) * | 2016-03-30 | 2016-08-24 | 浙江中烟工业有限责任公司 | 一种基于典型相关系数的近红外光谱信息提取方法 |
CN106023130A (zh) * | 2016-06-07 | 2016-10-12 | 中山大学 | 基于梯度滤波和pca的无人机影像与多光谱影像融合方法 |
CN109118525A (zh) * | 2017-06-23 | 2019-01-01 | 北京遥感设备研究所 | 一种双波段红外图像空域配准方法 |
CN108985311A (zh) * | 2018-05-08 | 2018-12-11 | 中国电力科学研究院有限公司 | 一种高光谱遥感数据的降维方法及*** |
Non-Patent Citations (1)
Title |
---|
马世斌 等: ""SPOT6卫星图像处理关键技术研究"", 《国土资源遥感》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111122447B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN106503739A (zh) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及*** | |
CN110186822B (zh) | 一种气溶胶光学厚度遥感反演方法 | |
CN103942555B (zh) | 一种植物氮素含量丰缺图像检测方法 | |
CN112307901B (zh) | 一种面向滑坡检测的sar与光学影像融合方法及*** | |
CN109557030A (zh) | 一种基于无人机遥感的水质要素反演方法 | |
CN111062991A (zh) | 一种光伏场景的巡检目标定位方法、设备及可读存储介质 | |
CN112766155A (zh) | 一种基于深度学习的海水养殖区提取方法 | |
CN108133471B (zh) | 一种基于人工蜂群算法的机器人导航路径提取方法及装置 | |
CN102881007B (zh) | 化合物平面分离结果的图像处理方法及其*** | |
CN112557307B (zh) | 天空地一体化湖库水质监测融合数据方法 | |
CN113920376B (zh) | 一种基于轻量型卷积神经网络的小麦种子品种鉴别的方法 | |
CN110705449A (zh) | 一种土地利用变化遥感监测分析方法 | |
CN111008642A (zh) | 基于卷积神经网络的高分辨率遥感影像分类方法及*** | |
CN114332534B (zh) | 一种高光谱图像小样本分类方法 | |
CN115468917A (zh) | 基于高分辨率遥感提取农田地块作物信息的方法及*** | |
CN116152524A (zh) | 一种小麦种子分类方法 | |
CN111122447B (zh) | 一种无人机多光谱波段纠正方法 | |
CN112184785B (zh) | 基于mcd度量和vtm的多模态遥感图像配准方法 | |
CN110298347B (zh) | 一种基于GrayWorld与PCA-CNN的汽车尾气分析仪屏幕的识别方法 | |
CN117058522A (zh) | 一种融合光谱神经网络和叶面积指数的遥感地表生态变化检测方法 | |
CN113902759B (zh) | 一种空谱信息联合的星载高光谱影像分割与聚类方法 | |
CN116452872A (zh) | 一种基于改进的Deeplabv3+的森林场景树种分类方法 | |
CN116416532A (zh) | 一种病株诊断及缺株检测方法、***、设备及存储介质 | |
CN111914631B (zh) | 一种基于多源传感器数据的林地精细识别的多通道卷积网络方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |