[发明专利]一种基于无人机机载多光谱仪的绿潮藻面积监测方法

权利要求书

1.一种基于无人机机载多光谱仪的绿潮藻面积监测方法，其特征在于：包括以下步骤：

步骤1，绿潮多光谱数据采集：利用无人机搭载多光谱仪到绿潮藻暴发区进行数据采集；

步骤2，多光谱数据预处理：对采集的多光谱数据进行辐射校正预处理；

步骤3，图像拼接：对辐射校正后的多光谱数据进行多光谱图像拼接处理；

步骤4，绿潮藻识别：利用植被指数的方法，识别多光谱图像中的绿潮藻；

步骤5，背景分割：利用阈值分割的方法，将植被指数识别后的多光谱图像分割成绿潮藻和其他背景两部分；

步骤6，绿潮面积计算：利用无人机的地面采样距离，得出单个像元所代表的实际面积，推导得到无人机飞行高度和航拍面积的对应关系公式，统计绿潮藻的像元数量，即可得出绿潮的真实面积；

步骤7，绿潮面积监测误差计算：提出“预设标准面积法”，提前在航拍区设置多个固定面积的绿潮藻样本，通过对比绿潮藻样本的实际面积和算法的监测面积，即可验证绿潮面积监测的误差。

2.根据权利要求1所述的一种基于无人机机载多光谱仪的绿潮藻面积监测方法，其特征在于：所述步骤1中，采用大疆精灵4多光谱版集成系统，规划好航拍区域，利用无人机搭载多光谱仪，设置拍照方式为等时间间隔拍照，设置飞行高度为50米，设置航拍俯仰角为垂直向下，设置航向和旁向重叠率，设置完飞行参数后，起飞进行多光谱数据采集；其中，采集到的每组多光谱数据包含一张可见光图像和五张单波段图像，各波段分别为：蓝B：450nm±16nm，绿G：560nm±16nm，红R：650nm±16nm，红边RE：730nm±16nm，近红外NIR：840nm±26nm，单个传感器的有效像素为208万。

3.根据权利要求1所述的一种基于无人机机载多光谱仪的绿潮藻面积监测方法，其特征在于：所述步骤2中快速辐射校正的方法为“替代传感器校正法”，具体实施方式为：按照波长依次导入各单波段数据，然后将五个单波段数据进行波段合成，合成一个包含五个波段的多光谱数据，利用快速大气校正算法，选择包含这五个波段的替代传感器进行辐射校正，校正后的绿潮藻光谱曲线符合植被光谱的光谱特征，说明校正结果正确。

4.根据权利要求1所述的一种基于无人机机载多光谱仪的绿潮藻面积监测方法，其特征在于：所述步骤3中，利用Pix4Dampper软件对辐射校正后的图像进行拼接：首先根据坐标位置将所有图像按照航拍位置排列，然后提取相邻图像中的特征点，采用特征点匹配的方法进行拼接，将多幅单张多光谱图像拼接成一幅包含整个航拍区域的大图像。

5.根据权利要求1所述的一种基于无人机机载多光谱仪的绿潮藻面积监测方法，其特征在于：所述步骤4中，植被指数是将不同波段的光谱反射率进行组合运算形成的参数，不同地物在各波段的反射率不相同，绿潮藻有红光波段的吸收能力强，近红外波段反射能力较强的“红边效应”，根据此原理来识别多光谱图像中的绿潮藻；植被指数为归一化绿波段差值植被指数GNDVI，其公式如下：

GNDVI＝(R_nir-R_green)/(R_nir+R_green) (1)，

其中R代表各波段的反射率；基于MATLAB环境，编写GNDVI植被指数的绿潮藻识别算法，对多光谱图像中的绿潮藻进行识别。

6.根据权利要求1所述的一种基于无人机机载多光谱仪的绿潮藻面积监测方法，其特征在于：所述步骤5中，利用最大类间方差阈值分割法对植被指数处理后的多光谱图像进行分割，最大类间方差法使用的是聚类的思想，把多光谱图像的灰度值分为两个部分，使得两部分之间的灰度值差异最大，每个部分内部之间的灰度值差异最小，通过方差的计算选取一个合适的灰度阈值来进行分割，通过阈值分割将多光谱图像分割为目标绿潮藻和背景其他地物两部分。