农田信息低空遥感中图像采集与处理的关键技术研究

发布时间：2018-04-17 04:14

本文选题：POS + 地理标记　；参考：《浙江大学》2016年博士论文

【摘要】：应用无人机进行农田信息采集相比于星地遥感和有人航空遥感有着明显优势,如重访周期短、分辨率高、价格低廉等优点,相对于近地面信息采集则有采集速度快、覆盖范围大、不受场地限制等优点,未来采用无人机搭载遥感传感器进行农田信息采集将成为精细农业遥感信息获取的主要方式。无人机农田遥感目前尚处于起步阶段,相关技术和设备仍然缺乏,随着无人机在实际应用中取得越来越多的注意,在实际应用中的一些问题需要解决以促进无人机低空遥感的应用。本论文针对无人机低空遥感中存在几个问题进行解决,并提出了自己的解决方案。(1)将农田遥感数据转换成可供田间作业的数据,需要将遥感数据进行地理标记,将所得的遥感数据(图像、波谱、Lidar、SAR等)及基于遥感数据所得结果精确定位到地面地理位置点。随着无人机更多的被应用在农田信息采集中,开发相应的能够提供遥感影像数据直接地理标记的辅助信息的仪器较为缺乏。本研究开发了结合载波相位RTK-GNSS和MEMS惯导传感器的POS数据记录仪,在机载端采集快速的(200Hz)惯导数据和低速的(10Hz)的卫星导航数据,该POS记录仪体积小、重量轻、价格低廉、易于与其他相机结合的POS记录仪。为方便数据处理与未来实际应用,开发了相应的地理标记上位机软件,功能包括原始POS记录仪设置、POS数据预处理、POS数据计算、地理标记与结果展示。(2)为对所开发的POS记录仪效果进行验证,分别设计了静态单点测试与无人机机载动态测试。静态单点定位采用POS记录仪静止固定在一点,连续采集40分钟的数据进行分析。机载动态测试采用无人机搭载POS记录仪按照指定航线飞行采集惯导元件数据与GNSS定位数据。对所得数据进行松耦合拓展Kalman滤波处理,实现组合导航数据输出,分别生成位置定位数据和姿态数据以供地理标记用。结果表明,静态单点定位精度时,单一GNSS接收机的CEP为0.187m,而组合导航定位输出的定位精度到了0.081m,提高较为明显,而姿态精度解算结果显示,俯仰、横滚、偏航三个方向上的置信区间大小分别为0.0031°、0.0032°、0.0136°,稳定性好,准确性高。在动态测试中,组合导航输出结果明显优于单一GNSS定位源定位结果。(3)为适应越来越多的无人机实验需求,降低无人机实验风险,为机载实验提供环境可控、运行参数可控的实验条件,开发了一套无人机仿真平台。该平台拥有X、Z、pitch、roll、yaw五个自由度,直线运动方向采用直线导轨加伺服电机的结构,旋转轴向采用三轴云台。采用STM32F103作为云台自稳控制器云台角度控制器,采用组合导航算法+经典PID算法进行云台姿态控制；采用CAN总线实现主控端与远端通讯,以控制云台角度并返回当前角度信息；采用STM32F103作为主控制器控制X向和Z向直线运动的伺服电机；采用C++开发上位机软件以实现对该系统的控制与状态显示。该系统水平X向最大运行速度2.5m/s,垂直Z向最大运行速度0.25m/s,最大承载重量150kg,能满足线扫描类遥感传感器、新类型遥感传感器等传感器低空遥感作业的需要。为对无人机仿真平台系统进行功能进行验证,设计了包括系统运行精度测试及震动测试在内的基础功能测试。测试结果显示,水平方向在0.05m/s,0.10m/s,0.15m/s和0.20m/s测试中系统水平精度2mm,垂直方向速度在0.05m/s,0.10m/s,0.15m/s和0.20 m/s进行测试垂直精度1mm,满足系统设计需求。在0.05m/s,0.1m/s和0.15 m/s水平运动速度下,其加速度2g,满足目前已知遥感传感器的震动需求。(4)针对目前三维重建方法重建出的三维点云多包含植物的形态、颜色等特征,无法反应植物营养状况(如叶绿素含量)、病虫害胁迫等原因造成有机质空间三维分布改变,同时以往手段都需要专门仪器,携带和作业都受到很大限制。多光谱图像能够反应有机质含量等化学值的分布,在近地面遥感、农产品质量无损检测等发面取得了广泛的应用。该文通过采集31张4叶龄油菜的多光谱图像,使用运动恢复结构算法(structure from motion)方法对其进行空间三维重建,得到油菜的三维点云,并对点云中噪声点进行滤除。以控制点和控制长度对所得模型进行评价,得到长度最大偏差在0.1023cm,RMSE=0.052599,证明该方法重建所得模型具有较好的空间均匀性与准确性,最后计算NDVI指数空间分布。证明所得模型对将来研究植物营养与病虫害胁迫空间分布有着重要意义。(5)将多源数据融合分析可以降低单一图像造成的误判读,利用多源数据之间的冗余部分进行配准,利用互补信息完成融合,能够提高数据的信息量和可靠性。利用无人机遥感模拟平台分别获取油菜的多光谱图像和深度图像,将2种图像进行配准和融合。该文分别针对多光谱图像和光程差深度图像的成像特点,进行相机内外参计算与图像矫正。采用SIFT(Scale Invariant Feature Transform)算法计算2源图像上的SIFT点,并依据关键点描述子进行匹配,之后通过关键点位置计算仿射变换矩阵对图像进行缩放、平移和旋转,从而实现变换后图像的配准。分别对harr,Db2,Db4,Sym2,Sym4,Bior2.2,Bior2.4,Coif2,Coif等9种小波基融合后的结果计算其相应的交叉熵(Cross Entropy)、峰值信噪比和互信息量等5个参量进行评价,得出小波基harr和sym4融合效果较好,各项指标均衡性较好。用haar小波基对配准后图像在3、4、5、6层分解融合,通过观察得出在多光谱与深度图像融合中第3层小波分解和第4层分解的融合效果较好。
[Abstract]:......
【学位授予单位】：浙江大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：S127

【相似文献】