【光谱数据分析】Pix4Dmapper（一）

Posted 2023-05-12

参考技术A

因为我们的无人机主要搭载的是多光谱相机（我们是大疆300+多光谱/高光谱），所以我们的学习主要集中在多光谱的数据分析上。当然也可以搭载近红外，高光谱，叶绿素荧光成像等。

====== 多光谱无人机传感器 =======

多光谱无人机传感器可捕获电磁波谱可见光和近红外部分的高分辨率影像，从而可以计算植被指数。

 

电磁波谱是波长范围很广的，每个波长都携带信息。其中只有一小部分是人眼可见的。当我们观察任何东西时，我们可以看到的是红色，绿色和蓝色（RGB）的反射色谱，我们将其解释为基于波长的彩虹颜色的任意组合。普通的RGB相机过滤波长，以获得我们可以看到的信息。多光谱相机配备了镜头和滤光片，可以拾取超出可见光谱的波长 - 在红外波长的方向上。

 

为什么这对分析作物和土壤很重要？因为植物和土壤根据其内容物吸收和反射来自阳光的波长。例如，当植物健康并进行光合作用时，它会吸收大量的红光和蓝光，并反射绿色和更多的红外光。

当你观察富含叶绿素（绿色）的植物时，你会看到植物反射的光的波长，而不是它吸收的波长（蓝色和红色）。叶子中叶绿素的产生导致大量的红外光反射率，但我们看不到这一点。多光谱传感器可以记录这一点。这是有用的，因为减少的红外反射率信号在我们用肉眼看到叶绿素之前就降低了叶绿素的产生，所以我们可以通过多光谱无人机传感器主动跟踪植物的健康状况，这也使得利用无人机来获取和检测植物一些重要的表型指数提供了可能。

例如：植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是植被遥感监测的物理基础。通过这两个波段测值组合得到的NDVI指数，对土壤背景变化敏感，能较好地识别植被和水体。在植被处于中、低覆盖度时，该指数随覆盖度的增加而迅速增大，当达到一定覆盖度后增长缓慢，所以适用于植被早、中期生长阶段的动态监测。

 

NDVI = （ρNIR-ρR）/（ρNIR+ρR）式中：ρNIR是近红外波段的反射率，ρR是红光波段的反射率。可见光红光波段（0.58-0.68μm）位于叶绿素吸收带，近红外波段（0.75-1.10μm）位于绿色植物光谱高反射区。

 

NDVI取值范围：-1～1，NDVI值近似为0表示无植被的裸土区；NDVI正值表示有植被覆盖，且随覆盖度增大而增大，大于0.7表明该区域植被密度较高；而地面覆盖水雪区域NDVI是负值。NDVI是植物空间密度和植物生长状态的zui好指示因子，与植被覆盖的分布密度呈线性相关关系，一般应用于检测植被生长状态、植被覆盖等领域。

下图是一个小麦试验田，拼接获得的RGB合成正射影像图，以及各个波段的反射地图和指数图。

 

根据不同需要可以将波段进行组合计算得到植被指数，这边计算的是NDVI指数图。结合图表可以看出：红色区域表示有水区域，接近0值部分是道路和裸土，左边绿色较密集区域植被覆盖较好，右边部分由于冬小麦正处于出苗期，叶面积小，NDVI值较小呈现土黄色。

=== 无人机多光谱影像拼接 ====

无人机的图像拼接主要包含：图像的几何校正、图像预处理、图像配准、图像融合。

图像的几何校正：就是要校正成像过程中所造成的各种畸变,产生一幅符合某种地图投影或图形表达要求的新图像。图像预处理就是将变形的图像纠正并且统一到建立的坐标系中, 以便可测量地物的坐标信息。

图像的配准：是指对图像间的匹配信息进行提取,在提取出的信息中寻找最佳的匹配，完成图像间的对齐。图像拼接的成功与否主要是看图像的配准。

图像的融合：是指在配准以后对图像进行缝合并平滑边界，让图像过渡自然。

图像的拼接主要主要集中在频率域和空间域。频率域一般是利用Fourier变换的相位相关性。优点是使用了快速傅里叶变换 (Fast Fourier Transform, FFT) , 但是对于尺寸缩放比较敏感。空间域分为基于灰度的配准算法和基于特征的配准算法。空间域的优点是对图像变形具有较好的鲁棒性, 但是在图像之间寻找匹配的特征区域运算量比较大。

获取图像之后，就是图像的分割和特征的获取了。

分割是从预处理的图像中提取目标信息重要步骤，它通过分离一组像素（图像中感兴趣）来实现作物特定对应的区域的自动识别和量化。分割方法选择没有确定的标准，图像特点，复杂度以及分割效果等选择分割方法的依据。

而特征提取是建立一组非冗余的、能充分表示图像信息的步骤。由于基于图谱信息分析植物很大程度上取决于所提取特征的质量，例如常见的植被指数（光谱指数）、颜色特征等。然后利用这些特征指数，我们可以对作物状态进行定性分析，如发育阶段、病虫害诊断等; 对作物定量分析，如氮含量、水含量、产量等反演。根据解译所采用的特征：基于光谱的解译方法、基于图像信息的解译以及基于混合特征（图谱融合）的解译。通俗的说就是把特征指数翻译成为可以理解的表型特征。

因为我们不是研究图像这个领域的，所以就不深入去研究其中的算法了，主要采取成熟的软件和算法进行无人机影像的拼接。当然， 可处理和选择的软件很多，目前作物领域比较常用的有ENVI和Pix4Dmapper等。 我们这里主要用Pix4Dmapper。

Pix4Dmapper是专业的摄影测量软件，可将从无人机航摄影像处理得到二维地图、三维和点云模型。Pix4Dmapper支持RGB、多光谱、热红外等数据，采用全自动工作流，操作直观、简单，学习成本极低。整个操作流程如下：

第一步：新建一个项目

第二步：填写项目名称和路径。注：好像名称不能有中文。

第三步：导入无人机影像数据。

第四步：选择数据类型和相应的指数参数设置，有航线地图的载入航线地图。

第五步：点击开始和等待。

第六步：最后获得拼接的图像。例如，下面就是获得的2个不同田块的拼接图像。然后点击指数计算器，可以计算相应的指数信息。

如果一块田种了的是很多不同的品种材料，在规划的时候，我们应该进行明显的划分，这样就可以分割图像，计算相应区域的参数，然后与基因型进行关联分析了。例如下面的测试例子，我们可以依据模型预测每个田块的发病等级。

Python遥感图像处理应用篇(十四)：GDAL 读取多光谱数据为二维数组并存入csv文件

1.使用数据

之前写过一遍文章是采用Arcgis读取多光谱数据为csv文件的，相对来说有一些麻烦，本文有个更简单一点的方法，使用python直接读取。

本文使用Landsat05数据，采用GEE下载的多光谱数据，该数据下载下来包含19个波段。这些波段信息可以查看数据该数据详细说明。1-7是其对应的多光谱波段，第六波段是地表温度数据（ST),其他的是(SR) 地表反射率产品数据。数据显示如下（321波段）:

2.gdal读取数据

2.1 使用的库

from osgeo import gdal
import pandas as pd

gdal库的安装可以参考：python中如何导入gdal包？_空中旋转篮球的博客-CSDN博客_gdal包

2.2 读取影像数据

gdal.UseExceptions()
inputPathFile=\'O:/GLAS_GLH01_2003-2009/Shenlongjia/shenlongjia_landsat5_20030328.tif\'
ds = gdal.Open(inputPathFile)
band1