CN115187865B - 基于地物光谱的无人机影像近红外波段模拟方法、介质 - Google Patents
基于地物光谱的无人机影像近红外波段模拟方法、介质 Download PDFInfo
- Publication number
- CN115187865B CN115187865B CN202210853181.7A CN202210853181A CN115187865B CN 115187865 B CN115187865 B CN 115187865B CN 202210853181 A CN202210853181 A CN 202210853181A CN 115187865 B CN115187865 B CN 115187865B
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- vehicle image
- representing
- substrate
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了基于地物光谱的无人机影像近红外波段模拟方法、介质,具体包括以下步骤:S1、预处理,计算获得样区的地表反射率;S2、样区分类;S3、构建基函数空间;S4、构建近红外波段分类模拟模型,通过基函数空间坐标与基函数空间分地类建立近红外波段模拟模型。本发明通过设计基于无人机影像与典型地物光谱曲线,设计并建立近红外波段模拟的基函数空间,通过多元线性回归求解近红外波段模拟的基函数,最后分类建立近红外波段模拟模型,解决了无人机影像普遍缺失近红外波段的问题,从而有效提高了无人机影像的可分析性,增加了河湖监管、植被调查、水土流失调查等领域无人机影像数据的用途。
Description
技术领域
本发明涉及遥感技术领域,具体为基于地物光谱的无人机影像近红外波段模拟方法、介质。
背景技术
随着社会经济的发展,无人机的应用变得越来越广泛了,其具有起降迅速、机动灵活等特点,能够有效弥补遥感监测受云雾条件影响较大的不足,大幅度扩展人员可达的区域范围,提高工作效率,满足适时适情开展监督管理的需求。可应用于河湖、岸线、堤防、河道采砂、植被调查等野外长距离监督巡查,具有便携性、易操作性和图像质量高等优势;
常见的无人机均只有红、绿、蓝三个通道,若需定制通道则会大大地增加成本,无人机影像近红外波段的模拟给人们通过红、绿、蓝三个通道无人机影像计算得到近红外波段创造了条件。
由于水、植被在近红外波段都有较好的表征,但目前未见有无人机近红外波段模拟的应用在水或植被领域的相关报道,而目前无人机影像近红外波段的缺失,制约了无人机影像数据的后续分析。
为此,提出基于地物光谱的无人机影像近红外波段模拟方法、介质,是很有必要的。
发明内容
本发明的目的在于提供基于地物光谱的无人机影像近红外波段模拟方法、介质,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:基于地物光谱的无人机影像近红外波段模拟方法,具体包括以下步骤:
S1、预处理:对无人机获取样区的多张遥感多光谱影像进行预处理,计算获得样区的地表反射率;
S2、样区分类:通过阈值法计算无人机获取样区的多光谱影像的分类阈值,并将无人机获取的样区影像分为植被、裸地、水体三大类,基于归一化植被指数(NDVI)依次获取分类样区的光谱曲线;
S3、构建基函数空间:分别采集被分类的植被、裸地、水体样区的区域样本并统计每一类在原始近红外波段与基底上的值,通过多元线性回归求解近红外波段模拟的基函数,基于多种分类样区分别设计并建立分类样区的近红外波段模拟的基函数空间;
S4、构建近红外波段分类模拟模型:采用最小二乘法求解所述基函数空间下的坐标系数,通过基函数空间坐标与基函数空间分地类建立近红外波段模拟模型;
所述坐标系数公式为:
bnirβ=bInir
式中:bnir为基底矩阵,β为基底坐标系数,bInir为目标矩阵。
对于最小二乘法来说,最终的矩阵表达式为:
min||bnirβ-bInir||2
bInir=β1*xm1+β2*xm2+β3*xm3
所述近红外波段模拟模型公式为:
bInir=(b1=veg)*(0.415*bVvegn+2.043*bVsoiln-3.384*bVwatern)+(b1=soil)*(0.938*bSvegn-0.333*bSsoiln+0.222*bSwatern)+(b1=water)*(0.320*bWvegn+0.331*bWsoiln-1.198*bWwatern)
式中:bInir是目标矩阵,b1为无人机影像分类结果图,veg为分类结果图中的植被大类,bVvegn为植被-植被等比基底,bVsoiln为植被-裸地等斜率基底,bVwatern为植被-水体和差基底,soil为分类结果图中的裸地大类,bSvegn为裸地-植被等比基底,bSsoiln为裸地-裸地等斜率基底,bSwatern为裸地-水体和差基底,water为分类结果图中的水体大类,bWvegn为水体-植被等比基底,bWsoiln为水体-裸地等斜率基底,bWwatern为水体-水体和差基底。
通过模拟近红外波段,基于分类结果图,逐类采用基底与多元线性回归出的基底坐标系数模拟出无人机影像的近红外波段。
通过模拟近红外波段,基于分类结果图,逐类采用基底与多元线性回归出的基底坐标系数模拟出无人机影像的近红外波段。
优选的,所述步骤S1中预处理,主要包括:
波段配准:将无人机拍摄的多张单通道影像配准为1张多通道的相片;
影像拼接:将配准后的多通道相片拼接为一张完整的正射影像图(DOM);
辐射定标:计算地表反射率数据即将DN值转换为地表反射率。
优选的,所述步骤S2中:归一化植被指数(NDVI)公式如下:
NDVI=(bnir-bred)/(bnir+bred)
式中:bnir代表遥感无人机影像中近红外波段反射率数据;bred代表无人机影像中红光波段反射率数据。
优选的,所述步骤S3中:植被样区的区域样本在原始近红外波段与基底上的值,具体包括植被等比基底、裸地等斜率基底、水体和差基底;
其中植被等比基底基于蓝、绿、近红外反射率成等比数列的假设:
式中:bVvegn代表植被大类-植被的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据;
裸地等斜率基底基于蓝、绿、红、近红外反射率斜率相等的假设:
式中:bVsoiln代表植被大类-裸地的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,Δn_r为近红外与红光波段中心波长之差,Δg_b为绿光波段与蓝光波段中心波长之差;
水体和差基底基于近红外波段反射率等于绿和红波段之和的一半减去蓝的假设:
式中:bVwatern代表植被大类-水体的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bred代表无人机影像中红光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据。
优选的,所述步骤S3中:裸地样区的区域样本在原始近红外波段与基底上的值,采用植被等比基底、裸地等斜率基底、水体和差基底;
其中植被等比基底基于蓝、绿、红、近红外反射率成等比数列的假设:
式中:bSvegn代表裸地大类-植被的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bred代表无人机影像中红光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据;
裸地等斜率基底基于蓝-绿一组、红-近红外一组,两组反射率斜率相等的假设:
式中:bSsoiln代表水体大类-裸地的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据,bred代表无人机影像中红光波段反射率数据,Δg_b为绿光波段与蓝光波段中心波长之差,Δn_r为近红外与红光波段中心波长之差;
水体和差基底基于近红外波段反射率等于绿和蓝波段之差的假设:
bSwatern=bgreen-bblue
式中:bSwatern代表水体大类-水体的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据。
优选的,所述步骤S3中:水体样区的区域样本在原始近红外波段与基底上的值,仍然采用植被等比基底、裸地等斜率基底、水体和差基底;
其中植被等比基底基于蓝、红、近红外反射率成等比数列的假设:
式中:bWvegn代表水体大类-植被的近红外基函数空间,bred代表无人机影像中红光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据;
水体大类的裸地等斜率基底与水体和差基底采用与植被大类相同的基底;
裸地等斜率基底基于蓝、绿、红、近红外反射率斜率相等的假设:
式中:bWsoiln代表水体大类-裸地的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,Δn_r为近红外与红光波段中心波长之差,Δg_b为绿光波段与蓝光波段中心波长之差;
水体和差基底基于近红外波段反射率等于绿和红波段之和的一半减去蓝的假设:
式中:bWwatern代表水体大类-水体的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bred代表无人机影像中红光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据。
基于地物光谱的无人机影像近红外波段模拟方法、介质,介质存储有计算机可执行指令,所述计算机可执行指令设置为如上述所述的基于地物光谱的无人机影像近红外波段模拟方法,计算机可执行指令在被计算机执行时,实现上述基于地物光谱的无人机影像近红外波段模拟方法。
与现有技术相比,本发明的有益效果是:
本发明通过设计基于无人机影像与典型地物光谱曲线,设计并建立近红外波段模拟的基函数空间,通过多元线性回归求解近红外波段模拟的基函数,最后分类建立近红外波段模拟模型,解决了无人机影像普遍缺失近红外波段的问题,从而有效提高了无人机影像的可分析性,增加了河湖监管、植被调查、水土流失调查等领域无人机影像数据的用途。
附图说明
图1为本发明的整体结构视图;
图2为本发明整体剖面图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
请参阅图1和图2,本发明提供基于地物光谱的无人机影像近红外波段模拟方法的技术方案:
基于地物光谱的无人机影像近红外波段模拟方法、介质,基于地物光谱的无人机影像近红外波段模拟方法,其特征在于,具体包括以下步骤:
S1、预处理:对无人机获取样区的多张遥感多光谱影像进行如下处理:
a波段配准:将无人机拍摄的多张单通道影像配准为1张多通道的相片;
b影像拼接:将配准后的多通道相片拼接为一张完整的正射影像图(DOM);
c辐射定标:计算地表反射率数据即将DN值转换为地表反射,计算获得样区的地表反射率。
S2、样区分类:通过阈值法计算无人机获取样区的多光谱影像的分类阈值,并将无人机获取的样区影像分为植被、裸地、水体三大类,基于归一化植被指数(NDVI)依次获取分类样区的光谱曲线,所述基于归一化植被指数(NDVI)公式如下:
NDVI=(bnir-bred)/(bnir+bred)
式中:bnir代表遥感无人机影像中近红外波段反射率数据;bred代表无人机影像中红光波段反射率数据。
S3、构建基函数空间:分别采集被分类的植被、裸地、水体样区的区域样本并统计每一类在原始近红外波段与基底上的值:
d.其中植被样区的区域样本在原始近红外波段与基底上的值,具体包括植被等比基底、裸地等斜率基底、水体和差基底;
其中植被等比基底基于蓝、绿、近红外反射率成等比数列的假设:
式中:bVvegn代表植被大类-植被的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据;
裸地等斜率基底基于蓝、绿、红、近红外反射率斜率相等的假设:
式中:bVsoiln代表植被大类-裸地的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,Δn_r为近红外与红光波段中心波长之差,Δg_b为绿光波段与蓝光波段中心波长之差;
水体和差基底基于近红外波段反射率等于绿和红波段之和的一半减去蓝的假设:
式中:bVwatern代表植被大类-水体的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bred代表无人机影像中红光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据;
e.其中裸地样区的区域样本在原始近红外波段与基底上的值,采用植被等比基底、裸地等斜率基底、水体和差基底;
其中植被等比基底基于蓝、绿、红、近红外反射率成等比数列的假设:
式中:bSvegn代表裸地大类-植被的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bred代表无人机影像中红光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据;
裸地等斜率基底基于蓝-绿一组、红-近红外一组,两组反射率斜率相等的假设:
式中:bSsoiln代表水体大类-裸地的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据,bred代表无人机影像中红光波段反射率数据,Δg_b为绿光波段与蓝光波段中心波长之差,Δn_r为近红外与红光波段中心波长之差;
水体和差基底基于近红外波段反射率等于绿和蓝波段之差的假设:
bSwatern=bgreen-bblue
式中:bSwatern代表水体大类-水体的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据;
f.水体样区的区域样本在原始近红外波段与基底上的值,仍然采用植被等比基底、裸地等斜率基底、水体和差基底;
其中植被等比基底基于蓝、红、近红外反射率成等比数列的假设:
式中:bWvegn代表水体大类-植被的近红外基函数空间,bred代表无人机影像中红光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据;
水体大类的裸地等斜率基底与水体和差基底采用与植被大类相同的基底;
裸地等斜率基底基于蓝、绿、红、近红外反射率斜率相等的假设:
式中:bWsoiln代表水体大类-裸地的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,Δn_r为近红外与红光波段中心波长之差,Δg_b为绿光波段与蓝光波段中心波长之差;
水体和差基底基于近红外波段反射率等于绿和红波段之和的一半减去蓝的假设:
式中:bWwatern代表水体大类-水体的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bred代表无人机影像中红光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据;
通过多元线性回归求解近红外波段模拟的基函数,基于多种分类样区分别设计并建立分类样区的近红外波段模拟的基函数空间。
S4、构建近红外波段分类模拟模型:采用最小二乘法求解所述基函数空间下的坐标系数,通过基函数空间坐标与基函数空间分地类建立近红外波段模拟模型;
所述坐标系数公式为:
bnirβ=bInir
式中:bnir为基底矩阵,β为基底坐标系数,bInir为目标矩阵。
对于最小二乘法来说,最终的矩阵表达式为:
min||bnirβ-bInir||2
bInir=β1*xm1+β2*xm2+β3*xm3
所述近红外波段模拟模型公式为:
bInir=(b1=veg)*(0.415*bVvegn+2.043*bVsoiln-3.384*bVwatern)+(b1=soil)*(0.938*bSvegn-0.333*bSsoiln+0.222*bSwatern)+(b1=water)*(0.320*bWvegn+0.331*bWsoiln-1.198*bWwatern)
式中:bInir是目标矩阵,b1为无人机影像分类结果图,veg为分类结果图中的植被大类,bVvegn为植被-植被等比基底,bVsoiln为植被-裸地等斜率基底,bVwatern为植被-水体和差基底,soil为分类结果图中的裸地大类,bSvegn为裸地-植被等比基底,bSsoiln为裸地-裸地等斜率基底,bSwatern为裸地-水体和差基底,water为分类结果图中的水体大类,bWvegn为水体-植被等比基底,bWsoiln为水体-裸地等斜率基底,bWwatern为水体-水体和差基底;
通过模拟近红外波段,基于分类结果图,逐类采用基底与多元线性回归出的基底坐标系数模拟出无人机影像的近红外波段。
根据上述技术方案,基于地物光谱的无人机影像近红外波段模拟方法、介质,介质存储有计算机可执行指令,计算机可执行指令设置为如上述的基于地物光谱的无人机影像近红外波段模拟方法,其中计算机可执行指令在执行时,实现上述的基于地物光谱的无人机影像近红外波段模拟方法。
实施例2:
以无人机多光谱影像为影像数据,以我国南方某区域为实验区,实现步骤如下:
1、拍摄研究区原始多光谱相片,并进行预处理,包括波段配准、影像拼接、辐射定标,最后得到实验区地表反射率数据影像,其中无人机光谱影像波段参,详见下表;
波段 | 波长(nm) | 对应通道 |
B1 | 410 | 紫光(P) |
B2 | 450 | 蓝光(B) |
B3 | 555 | 绿光(G) |
B4 | 660 | 红光(R) |
B5 | 750 | 红边2(RE2) |
B6 | 840 | 近红外(NIR) |
2、计算出实验区的归一化植被指数(NDVI),并基于ENVI通过阈值法将影像分为植被、裸地、水体三大类。
3、基于地物实测光谱曲线建立近红外波段分类模拟的基函数空间,
3.1:其中首先,对于植被大类采用植被等比基底、裸地等斜率基底、水体和差基底;
具体包括植被等比基底、裸地等斜率基底、水体和差基底;
其中植被等比基底基于蓝、绿、近红外反射率成等比数列的假设:
式中:代表植被大类-植被的近红外基函数空间,代表无人机影像中绿光波段反射率数据,代表无人机影像中蓝光波段反射率数据;
裸地等斜率基底基于蓝、绿、红、近红外反射率斜率相等的假设:
式中:bVsoiln代表植被大类-裸地的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,Δn_r为近红外与红光波段中心波长之差,Δg_b为绿光波段与蓝光波段中心波长之差;
水体和差基底基于近红外波段反射率等于绿和红波段之和的一半减去蓝的假设:
式中:bVwatern代表植被大类-水体的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bred代表无人机影像中红光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据。
3.2:其次,对于裸地大类也采用植被等比基底、裸地等斜率基底、水体和差基底;
其中植被等比基底基于蓝、绿、红、近红外反射率成等比数列的假设:
式中:bSvegn代表裸地大类-植被的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bred代表无人机影像中红光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据;
裸地等斜率基底基于蓝-绿一组、红-近红外一组,两组反射率斜率相等的假设:
式中:bSsoiln代表水体大类-裸地的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据,bred代表无人机影像中红光波段反射率数据,Δg_b为绿光波段与蓝光波段中心波长之差,Δn_r为近红外与红光波段中心波长之差;
水体和差基底基于近红外波段反射率等于绿和蓝波段之差的假设:
bSwatern=bgreen-bblue
式中:bSwatern代表水体大类-水体的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据。
3.3:然后,对于水体大类仍然采用植被等比基底、裸地等斜率基底、水体和差基底;
对于水体大类仍然采用植被等比基底、裸地等斜率基底、水体和差基底;
其中植被等比基底基于蓝、红、近红外反射率成等比数列的假设:
式中:bWvegn代表水体大类-植被的近红外基函数空间,bred代表无人机影像中红光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据;
水体大类的裸地等斜率基底与水体和差基底采用与植被大类相同的基底;
裸地等斜率基底基于蓝、绿、红、近红外反射率斜率相等的假设:
式中:bWsoiln代表水体大类-裸地的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,Δn_r为近红外与红光波段中心波长之差,Δg_b为绿光波段与蓝光波段中心波长之差;
水体和差基底基于近红外波段反射率等于绿和红波段之和的一半减去蓝的假设:
式中:bWwatern代表水体大类-水体的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bred代表无人机影像中红光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据。
4、构建近红外波段分类模拟模型
基于上述植被、裸地、水体3种地物大类采用的基函数空间分别构建植被、裸地及水体三类无人机影像近红外波段模拟模型。设多维基函数空间为{xm1,xm2,……,xmn},基函数空间下的坐标系数(β1,β2,……,βn),其中m为遥感影像的像元数,n为基函数的个数;
采用最小二乘法求解基函数空间下的坐标系数,见下表
地类 | 植被系数 | 裸地系数 | 水体系数 | R2 |
裸地 | 0.938 | -0.333 | 0.222 | 0.876 |
植被 | 0.938 | 2.043 | -3.384 | 0.782 |
水体 | 0.320 | 0.331 | -1.198 | 0.998 |
近红外波段分类模拟模型:
bInir=(b1=veg)*(0.415*bVvegn+2.043*bVsoiln-3.384*bVwatern)+(b1=soil)*(0.938*bSvegn-0.333*bSsoiln+0.222*bSwatern)+(b1=water)*(0.320*bWvegn+0.331*bWsoiln-1.198*bWwatern)
式中:bInir是目标矩阵,b1为无人机影像分类结果图,veg为分类结果图中的植被大类,bVvegn为植被-植被等比基底,bVsoiln为植被-裸地等斜率基底,bVwatern为植被-水体和差基底,soil为分类结果图中的裸地大类,bSvegn为裸地-植被等比基底,bSsoiln为裸地-裸地等斜率基底,bSwatern为裸地-水体和差基底,water为分类结果图中的水体大类,bWvegn为水体-植被等比基底,bWsoiln为水体-裸地等斜率基底,bWwatern为水体-水体和差基底。
根据上述公式分地类模拟无人机影像的近红外波段,具体见下表
综上所述:本发明公开了一种基于地物光谱的无人机影像近红外波段模拟方法、介质,首先基于归一化植被指数(NDVI),通过阈值法将无人机多光谱影像分为植被、水体、裸地3大类,其次基于茂密植被、干燥裸地以及干净水体3类典型地物的光谱曲线,对3种地类分别设计并建立近红外波段模拟的基函数空间,包括植被、裸地以及水体基函数空间;
之后采集3类典型地物的感兴趣区域样本并统计每一类地物在原始近红外波段与基底上的值,通过多元线性回归求解近红外波段模拟的基函数,最后通过基函数空间坐标与基函数空间分地类建立近红外波段模拟模型,并模拟近红外波段,可有效提高了无人机影像的可分析性,增加了河湖监管、植被调查、水土流失调查等领域无人机影像数据的用途,解决了无人机影像普遍缺失近红外波段的问题。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.基于地物光谱的无人机影像近红外波段模拟方法,其特征在于,具体包括以下步骤:
S1、预处理:对无人机获取样区的多张遥感多光谱影像进行预处理,计算获得样区的地表反射率;
S2、样区分类:通过阈值法计算无人机获取样区的多光谱影像的分类阈值,并将无人机获取的样区影像分为植被、裸地、水体三大类,基于归一化植被指数NDVI依次获取分类样区的光谱曲线;
S3、构建基函数空间:分别采集被分类的植被、裸地、水体样区的区域样本并统计每一类在原始近红外波段与基底上的值,通过多元线性回归求解近红外波段模拟的基函数,基于多种分类样区分别设计并建立分类样区的近红外波段模拟的基函数空间;
S4、构建近红外波段分类模拟模型:采用最小二乘法求解所述基函数空间下的坐标系数,通过基函数空间坐标与基函数空间分地类建立近红外波段模拟模型;
所述坐标系数公式为:
bnirβ=bInir
式中:bnir为基底矩阵,β为基底坐标系数,bInir为目标矩阵;
对于最小二乘法来说,最终的矩阵表达式为:
min||bnirβ-bInir||2
bInir=β1*xm1+β2*xm2+β3*xm3
所述近红外波段模拟模型公式为:
bInir=(b1=veg)*(0.415*bVvegn+2.043*bVsoiln-3.384*bVwatern)+(b1=soil)*(0.938*bSvegn-0.333*bSsoiln+0.222*bSwatern)+(b1=water)*(0.320*bWvegn+0.331*bWsoiln-1.198*bWwatern)
式中:bInir是目标矩阵,b1为无人机影像分类结果图,veg为分类结果图中的植被大类,bVvegn为植被-植被等比基底,bVsoiln为植被-裸地等斜率基底,bVwatern为植被-水体和差基底,soil为分类结果图中的裸地大类,bSvegn为裸地-植被等比基底,bSsoiln为裸地-裸地等斜率基底,bSwatern为裸地-水体和差基底,water为分类结果图中的水体大类,bWvegn为水体-植被等比基底,bWsoiln为水体-裸地等斜率基底,bWwatern为水体-水体和差基底;
通过模拟近红外波段,基于分类结果图,逐类采用基底与多元线性回归出的基底坐标系数模拟出无人机影像的近红外波段。
2.根据权利要求1所述的基于地物光谱的无人机影像近红外波段模拟方法,其特征在于:所述步骤S1中预处理,主要包括:
波段配准:将无人机拍摄的多张单通道影像配准为1张多通道的相片;
影像拼接:将配准后的多通道相片拼接为一张完整的正射影像图(DOM);
辐射定标:计算地表反射率数据即将DN值转换为地表反射率。
3.根据权利要求2所述的基于地物光谱的无人机影像近红外波段模拟方法,其特征在于:所述步骤S2中:归一化植被指数NDVI公式如下:
NDVI=(bnir-bred)/(bnir+bred)
式中:bnir代表遥感无人机影像中近红外波段反射率数据;bred代表无人机影像中红光波段反射率数据。
4.根据权利要求1所述的基于地物光谱的无人机影像近红外波段模拟方法,其特征在于:所述步骤S3中:植被样区的区域样本在原始近红外波段与基底上的值,具体包括植被等比基底、裸地等斜率基底、水体和差基底;
其中植被等比基底基于蓝、绿、近红外反射率成等比数列的假设:
式中:bVegn代表植被大类-植被的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据;
裸地等斜率基底基于蓝、绿、红、近红外反射率斜率相等的假设:
式中:bVsoiln代表植被大类-裸地的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,Δn_r为近红外与红光波段中心波长之差,Δg_b为绿光波段与蓝光波段中心波长之差;
水体和差基底基于近红外波段反射率等于绿和红波段之和的一半减去蓝的假设:
式中:bVwatern代表植被大类-水体的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bred代表无人机影像中红光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据。
5.根据权利要求1所述的基于地物光谱的无人机影像近红外波段模拟方法,其特征在于:所述步骤S3中:裸地样区的区域样本在原始近红外波段与基底上的值,采用植被等比基底、裸地等斜率基底、水体和差基底;
其中植被等比基底基于蓝、绿、红、近红外反射率成等比数列的假设:
式中:bSvegn代表裸地大类-植被的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bred代表无人机影像中红光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据;
裸地等斜率基底基于蓝-绿一组、红-近红外一组,两组反射率斜率相等的假设:
式中:bSsoiln代表水体大类-裸地的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据,bred代表无人机影像中红光波段反射率数据,Δg_b为绿光波段与蓝光波段中心波长之差,Δn_r为近红外与红光波段中心波长之差;
水体和差基底基于近红外波段反射率等于绿和蓝波段之差的假设:
bSwatern=bgreen-bblue
式中:bSwatern代表水体大类-水体的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据。
6.根据权利要求1所述的基于地物光谱的无人机影像近红外波段模拟方法,其特征在于:所述步骤S3中:水体样区的区域样本在原始近红外波段与基底上的值,仍然采用植被等比基底、裸地等斜率基底、水体和差基底;
其中植被等比基底基于蓝、红、近红外反射率成等比数列的假设:
式中:bWvegn代表水体大类-植被的近红外基函数空间,bred代表无人机影像中红光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据;
水体大类的裸地等斜率基底与水体和差基底采用与植被大类相同的基底;
裸地等斜率基底基于蓝、绿、红、近红外反射率斜率相等的假设:
式中:bWsoiln代表水体大类-裸地的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,Δn_r为近红外与红光波段中心波长之差,Δg_b为绿光波段与蓝光波段中心波长之差;
水体和差基底基于近红外波段反射率等于绿和红波段之和的一半减去蓝的假设:
式中:bWwatern代表水体大类-水体的近红外基函数空间,bgreen代表无人机影像中绿光波段反射率数据,bred代表无人机影像中红光波段反射率数据,bblue代表无人机影像中蓝光波段反射率数据。
7.一种存储介质,其上存储有计算机可执行指令,所述计算机可执行指令在被计算机执行时,实现如权利要求1-6中任一项所述的基于地物光谱的无人机影像近红外波段模拟方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210853181.7A CN115187865B (zh) | 2022-07-20 | 2022-07-20 | 基于地物光谱的无人机影像近红外波段模拟方法、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210853181.7A CN115187865B (zh) | 2022-07-20 | 2022-07-20 | 基于地物光谱的无人机影像近红外波段模拟方法、介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115187865A CN115187865A (zh) | 2022-10-14 |
CN115187865B true CN115187865B (zh) | 2023-07-21 |
Family
ID=83520092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210853181.7A Active CN115187865B (zh) | 2022-07-20 | 2022-07-20 | 基于地物光谱的无人机影像近红外波段模拟方法、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115187865B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116935222B (zh) * | 2023-07-25 | 2024-02-13 | 珠江水利委员会珠江水利科学研究院 | 一种遥感影像蓝波段模拟方法、系统及可读存储介质 |
CN117292267B (zh) * | 2023-11-27 | 2024-02-02 | 武汉大学 | 一种基于物候信息的水稻地上生物量分段估算方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868533B (zh) * | 2016-03-23 | 2018-12-14 | 四川理工学院 | 基于物联网和3s技术江河流域水环境集成感知与应用方法 |
US10154624B2 (en) * | 2016-08-08 | 2018-12-18 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
CN107389036B (zh) * | 2017-08-02 | 2019-07-12 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
KR102315319B1 (ko) * | 2019-12-18 | 2021-10-19 | 동아대학교 산학협력단 | 항공초분광영상을 이용한 생태교란종 모니터링 방법 |
CN112364681B (zh) * | 2020-09-21 | 2022-10-04 | 生态环境部卫星环境应用中心 | 基于二维表的植被覆盖度估算方法及装置 |
-
2022
- 2022-07-20 CN CN202210853181.7A patent/CN115187865B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115187865A (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115187865B (zh) | 基于地物光谱的无人机影像近红外波段模拟方法、介质 | |
CN108009542B (zh) | 油菜大田环境下杂草图像分割方法 | |
CN108020511B (zh) | 一种浅水草型湖泊水质参数遥感监测方法与装置 | |
CN112213287B (zh) | 基于遥感卫星影像的沿海滩涂盐度反演的方法 | |
Lu et al. | Residential population estimation using a remote sensing derived impervious surface approach | |
Khan et al. | Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators | |
CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
CN111582194B (zh) | 基于多特征lstm网络的多时相高分辨率遥感影像的建筑物提取方法 | |
CN103914678B (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
CN111024618A (zh) | 基于遥感影像的水质健康监测方法、装置及存储介质 | |
CN102829739A (zh) | 一种面向对象的作物叶面积指数遥感反演方法 | |
CN107688777B (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
CN112613338B (zh) | 基于rgb图像融合特征的小麦叶层氮含量估测方法 | |
Zhai | Inversion of organic matter content in wetland soil based on Landsat 8 remote sensing image | |
CN111178149A (zh) | 一种基于残差金字塔网络的遥感影像水体自动提取方法 | |
CN110705449A (zh) | 一种土地利用变化遥感监测分析方法 | |
Liang et al. | Maximum likelihood classification of soil remote sensing image based on deep learning | |
CN102222238A (zh) | 一种高空间分辨率遥感影像自然色产品自动模拟方法 | |
CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
CN108256557B (zh) | 结合深度学习和邻域集成的高光谱图像分类方法 | |
CN113436153A (zh) | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 | |
CN114199800A (zh) | 一种水稻纹枯病识别方法、系统、设备及介质 | |
CN115880586A (zh) | 基于混合特征网络的卫星遥感影像云雪检测方法 | |
Roncoroni et al. | Centimeter-scale mapping of phototrophic biofilms in glacial forefields using visible band ratios and UAV imagery |
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 |