[发明专利]无人机近地遥感成熟作物密度高通量测量方法

权利要求书

1.一种基于无人机近地遥感的成熟作物密度高通量测量方法，其特征在于，包括如下步骤：

步骤(1)利用无人机近地遥感系统，使用倾斜摄影的方式获取作物二维图像，由倾斜影像自动空三解算，建模得到作物的三维模型；

步骤(2)基于步骤(1)所获得的三维模型，逐像素密集匹配得到数字表面模型(DSM，DigitalSurfaceModel)，对二维图像进行拼接镶嵌、影像纠正处理得到作物数字正射影像图(DOM,DigitalOrthophotoMap)；

步骤(3)基于数字表面模型(DSM)获取作物高度，基于作物数字正射影像图(DOM)获取作物密度。

2.如权利要求1所述的基于无人机近地遥感的大面积成熟作物收获信息快速获取方法，其特征在于，所述无人机近地遥感系统至少包括高清数码相机、全球导航卫星系统和惯性测量装置(IMU)，所述高清数码相机用于获取图像，全球导航卫星系统用于获取相机曝光瞬间的三个线元素(x，y，z)，惯性测量装置记录相机曝光瞬间的姿态，即三个角元素

3.如权利要求1所述的基于无人机近地遥感的大面积成熟作物收获信息快速获取方法，其特征在于，所述作物高度通过作物高度模型CHM计算得到：

其中CRHM为作物相对高度模型，为地面相对高度平均值，λ为高度修正系数，λ＝1.05～1.2。

4.如权利要求3所述的基于无人机近地遥感的大面积成熟作物收获信息快速获取方法，其特征在于，所述作物相对高度模型CRHM的构建过程为：寻找DSM图像里作物区域特征点，特征点在WGS84坐标系下的三维坐标为(X，Y，Z)，统计特征点高程值Z，形成一组作物的表面高程数据Z＝{Z₁,Z₂,Z₃,…,Z_n}，Z＝f(X，Y)为作物相对高度模型CRHM，其中n为正整数，表示所述作物区域特征点的个数。

5.如权利要求3所述的基于无人机近地遥感的大面积成熟作物收获信息快速获取方法，其特征在于，所述数字高程模型GRHM的构建过程为：寻找DSM图像里地表区域特征点，特征点在WGS84坐标系下的三维坐标为(x，y，z)统计该区域特征点高程值z，形成一组地面的表面高程数据z＝{z₁,z₂,z₃,…,z_j}，z＝f(x，y)为地面相对高度模型GRHM，其中j为正整数，表示所述地表区域特征点的个数。

6.如权利要求1所述的基于无人机近地遥感的大面积成熟作物收获信息快速获取方法，其特征在于，基于作物数字正射影像图(DOM)获取作物密度的过程为：先将作物数字正射影像图(DOM)转为灰度图像，再使用一阶统计量方法提取DOM图像作物纹理特征，将一阶统计量与作物穗头密度进行回归拟合，获得作物密度预测模型。

7.如权利要求6所述的基于无人机近地遥感的大面积成熟作物收获信息快速获取方法，其特征在于，所述一阶统计量为平均值、标准差、平滑度、三阶矩、一致性、熵中的一种。

8.如权利要求7所述的基于无人机近地遥感的大面积成熟作物收获信息快速获取方法，其特征在于，当所述一阶统计量为灰度平均值，

平均值

拟合获得的密度预测模型为：ρ＝-0.0492m+192.59；

当所述一阶统计量为标准差，

标准差：

拟合获得的密度预测模型为：ρ＝0.0288σ+18.392；

当所述一阶统计量为平滑度，

平滑度：

拟合获得的密度预测模型为：ρ＝0.00002R+0.0044；

当所述一阶统计量为三阶矩，

三阶矩：

拟合获得的密度预测模型为：ρ＝-0.0008μ₃-0.0051；

当所述一阶统计量为一致性，

一致性：

拟合获得的密度预测模型为：ρ＝-0.00001U+0.0153；

当所述一阶统计量为熵，

熵：

拟合获得的密度预测模型为：ρ＝0.0015e+6.2641；

式中，z_i为第i个灰度级的任意灰度值，p(z_i)灰度值为z_i的像素点的个数,L表示所区分的灰度级数目。