权利要求书： 1.一种无人机非制冷型热像仪测温结果漂移去除方法，其特征在于，包括下列步骤：步骤1：提取无人机在飞行目标区域的热红外图像的采集图像序列；
步骤2：对采集图像序列进行初步校正处理：
根据指定的DN值阈值，获取采集图像序列中每幅图像的DN值频数分布直方图；查找DN值频数分布直方图中高度最高的条形图对应的区间，将该区间的所有像元的平均DN值作为各幅图像的“代表DN值”；
从提取的采集图像序列中选取一幅参考图像，对于采集图像序列的所有非参考图像，计算各图像与参考图像之间的“代表DN值”的差值，并作为各图像与参考图像之间的温度漂移值；即以DN值对图像与参考图像之间的温度漂移值进行量化；
对所有非参考图像，将各图像的DN值矩阵减去该温度漂移值得到各图像校正后的DN值矩阵，并将参考图像的DN值矩阵直接作为校正后的DN值矩阵；
提取采集图像序列的可交换的图像文件格式数据，并基于各图像校正后的DN值矩阵，得到初步校正处理后的图像序列；
步骤3：基于拼图软件对初步校正后的各幅图像进行拼接，并进行波段运算处理，将校正后的DN值转换为亮温值，得到无人机在飞行目标区域的完整热红外亮温图像；
步骤4：利用地面实测温度数据并将其模拟到无人机飞行高度后，对拼接后的完整热红外图像进行第二次校正处理，以去除参考图像的温度漂移值，从而获得充分去除温度漂移后的完整的飞行目标区域的热红外亮温图像。
2.如权利要求1所述的方法，其特征在于，步骤2中，所述DN值阈值为表征0.5°的DN值。
3.如权利要求1所述的方法，其特征在于，步骤2中，参考图像为包含目标任务对象最多的图像。
4.如权利要求1至3任一项所述的方法，其特征在于，步骤3中，波段运算处理为：Tb＝a·DN+b，其中，Tb表示图像的亮温矩阵，a和b表示热像仪厂商提供的DN值与亮温的转换系数，a表示转换的增益值，b表示转换的偏移量。
说明书： 一种无人机非制冷型热像仪测温结果漂移去除方法技术领域[0001] 本发明涉及无人机热红外遥感领域，具体涉及一种无人机非制冷型热像仪测温结果漂移去除方法。背景技术[0002] 无人机热红外遥感是获取高时间、高空间分辨率地表温度数据的一种重要技术手段。高精度的地表温度数据将为地表蒸散发、作物水分胁迫监测、作物估产等应用领域提供有力的数据支撑。[0003] 由于受到无人机载重能力、能耗、作业成本等条件的限制，目前广泛使用的各类无人机载热像仪基本都是非制冷型热像仪，即在飞行过程中，此类热像仪机身不能维持一个稳定的温度；但稳定的仪器温度对最终获取精确的地表温度是十分重要的。然而，在实际的野外作业任务中，无人机热像仪往往会受到飞行中的风、光照、环境温度等因素的影响，导致其机身温度发生改变；即使多数热像仪带有自动校正功能，但是这种校正能力有限，不能很好地消除由于外界条件变化所导致的测温结果漂移(视觉上会导致拼接后的温度图像出现异常的明暗变化)，这会使得获取的亮温数据产生很大误差，从而无法获取精确的地表温度，制约了数据的进一步应用。发明内容[0004] 本发明的发明目的在于：针对现有的广泛存在于无人机非制冷型热像仪测温结果漂移问题，提供一种漂移去除方法，从而获得可靠的亮温数据。[0005] 本发明提供一种无人机非制冷型热像仪测温结果漂移去除方法，包括下列步骤：[0006] 步骤1：提取无人机在飞行目标区域的热红外图像的采集图像序列；[0007] 步骤2：对采集图像序列进行初步校正处理：[0008] 根据指定的DN(digitalnumber)值(数字值，即像素值)阈值，获取采集图像序列中每幅图像的DN值频数分布直方图；查找DN值频数分布直方图中高度最高的条形图对应的区间，将该区间的所有像元(即该区间以内和该区间的区间端点所对应的像元)的平均DN值作为各幅图像的“代表DN值”；[0009] 从提取的采集图像序列中选取一幅参考图像，对于采集图像序列的所有非参考图像，计算各图像与参考图像之间的“代表DN值”的差值，并作为各图像与参考图像之间的温度漂移值；即以DN值对图像与参考图像之间的温度漂移值进行量化；[0010] 对所有非参考图像，将各图像的DN值矩阵减去该温度漂移值得到各图像校正后的DN值矩阵，并将参考图像的DN值矩阵直接作为校正后的DN值矩阵，从而将各图像的温度漂移水平归一化到参考图像的水平，以使得各图像与参考图像具有相同的温度漂移水平；[0011] 提取采集图像序列的EXIF(exchangeableimagefileformat)数据，并基于各图像校正后的DN值矩阵，得到初步校正处理后的图像序列，即得到初步校正后的热红外图像序列，其保留了原始拍摄装置的EXIF数据；[0012] 步骤3：基于拼图软件对初步校正后的各幅图像进行拼接，并进行波段运算处理，将校正后的DN值转换为亮温值，得到无人机在飞行目标区域飞行目标区域的完整热红外亮温图像；[0013] 步骤4：利用地面实测温度数据并将其模拟到无人机飞行高度后，对拼接后的完整热红外图像进行第二次校正处理，以去除参考图像的温度漂移值，从而获得充分去除温度漂移后的完整的飞行目标区域的热红外亮温图像。[0014] 进一步的，步骤3中，波段运算处理为：Tb＝a·DN+b，其中，Tb表示图像的亮温矩阵，a和b表示热像仪厂商提供的DN值与亮温的转换系数，a表示增益值(gain)，b表示偏移量(offset)。[0015] 本发明提供的技术方案至少带来如下有益效果：[0016] 本发明可去除无人机非制冷型热像仪测温结果漂移造成的亮温异常以及图像明暗变化不自然的问题，从而为无人机热红外数据的进一步应用提供保障。附图说明[0017] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。[0018] 图1为本发明实施例提供的一种面向无人机非制冷型热像仪测温结果漂移去除方法的流程示意图；[0019] 图2为本发明实施例提供的部分相邻热红外图像经过SIFT(Scale?InvariantFeatureTransform)特征匹配寻找对应特征点并经过连续线性拟合校正结果示意图，(a)?(d)表示不同时刻获取的相邻图像对；[0020] 图3为本发明实施例提供的部分相邻图像对SIFT特征点匹配连线结果，(a)?(b)表示不同时刻获取的相邻图像对；[0021] 图4为本发明实施例提供的2020年7月13日大满站飞行目标区域某条航带的热红外数据进行连续线性相对归一化后的比较结果，其中，(a)为未经过处理的热红外图像的拼接结果图；(b)为经过连续线性相对归一化处理后的拼接结果图；[0022] 图5为本发明实施例提供的部分相邻热红外图像经过SIFT特征匹配寻找对应特征点并进行线性拟合的结果示意图，(a)?(d)表示不同时刻获取的相邻图像对；[0023] 图6为本发明实施例提供的一条航带中相邻图像对经过SIFT特征匹配寻找对应特征点并进行线性拟合得到的一次项系数的散点折线图；[0024] 图7为本发明实施例提供的2020年7月13日大满站飞行目标区域某条航带的热红外数据进行连续去加性噪声相对归一化后的比较结果，其中，(a)为未经过处理的热红外图像的拼接结果图；(b)为经过连续去加性噪声相对归一化处理后的拼接结果图；[0025] 图8为本发明实施例提供的部分热红外图像的DN值频数分布直方图，其中，(a)?(d)表示不同时刻获取的热红外图像；[0026] 图9为本发明实施例提供的部分热红外图像“代表DN值”的示意图，其中，(a)?(d)表示不同时刻获取的热红外图像；[0027] 图10为本发明实施例提供的2020年7月13日大满站完整飞行目标区域热红外数据温度漂移去除的效果对比图，其中，(a)为未经过处理的热红外图像的拼接结果图；(b)为去除温度漂移后的拼接结果图；[0028] 图11为本发明实施例提供的2020年7月14日花寨子站完整飞行目标区域热红外数据温度漂移去除的效果对比图，其中，(a)为未经过处理的热红外图像的拼接结果图；(b)为去除温度漂移后的拼接结果图；[0029] 图12为本发明实施例提供的2020年7月14日湿地站完整飞行目标区域热红外数据温度漂移去除的效果对比图，其中，(a)为未经过处理的热红外图像的拼接结果图；(b)为去除温度漂移后的拼接结果图。具体实施方式[0030] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。[0031] 参见图1所示，本发明实施例提供的无人机非制冷型热像仪观测数据温度漂移去除方法，包括七个部分：冗余图像剔除，参考图像选取，DN值频数分布直方图计算，“代表DN值”计算，生成新的热红外图像，图像拼接与波段运算，去除参考图像温度漂移值。[0032] 当前，无人机非制冷型热像仪观测数据的温度漂移通常使得不同时刻获取的热红外图像表现出异常的明暗变化；本发明实施例通过分析两两相邻热红外图像之间的同名点来确定温度漂移的变化模式，如公式(1)所示。本实施例中，为了简化处理，在选取参考图像时，直接将第1幅图像作为选定的参考图像，当然也可以是其它图像。由图2(图2中，“y＝x”所对应的斜线位于“拟合函数线”的上方；)所示的结果可发现相邻热红外图像的同名点对应的DN值之间存在显著的线性关系，故公式(1)可具体表达为公式(2)。[0033][0034] 式中，i表示图像编号， 表示第i幅热红外图像经温度漂移校正后的DN值矩阵；fi()表示第i幅热红外图像与第i?1幅热红外图像之间的校正函数； 表示第i?1幅热红外图像经温度漂移校正后的DN值矩阵；DN1表示第1幅图像(即选定的参考图像)的DN值矩阵。[0035][0036] 式中，ki表示第i幅热红外图像与第i?1幅热红外图像之间线性校正函数的一次项系数；bi表示第i幅热红外图像与第i?1幅热红外图像之间线性校正函数的常数项。[0037] 如图3所示，本发明通过SIFT特征匹配寻找相邻热红外图像重叠区域之间的同名点，通过用线段连接匹配到的同名点，发现SIFT对热红外图像进行匹配正确率非常高，很少有明显的匹配错误；故，使用该方式寻找同名点的结果是可靠的。[0038] 如图4所示，展示了2020年7月13日大满站飞行目标区域某条航带的热红外数据进行连续线性相对归一化(校正)后的结果(即采用公式(2)的方式进行校正)；由结果可发现，若直接对获取的图像进行连续处理，则拼接后的图像会出现较大偏差；故本发明将进一步推导改进过程。[0039] 如图5所示，展示了通过SIFT(Scale?invariantfeaturetransform)特征匹配寻找未经过连续线性归一化相邻热红外图像重叠区域之间的同名点，图5中，“y＝x”所对应的斜线位于“拟合函数线”的下方；并对DN值的关系进行线性拟合的部分结果(使用公式(3))，发现其一次项系数十分接近于1；如图6所示，统计一条航带中相邻图像对经过SIFT特征匹配寻找对应特征点并进行线性拟合得到的一次项系数，并绘制成散点折线图，发现其平均值为0.9985，标准差为0.0152，确实在1附近分布。所以，本发明将温度漂移进一步视为加性噪声，线性关系从而可转换为常数差异关系，如公式(4)所示。[0040] DNm＝km·DNn+bm(3)[0041] 式中，DNm、DNn表示任意两幅相邻的热红外图像DN值矩阵；km表示两者之间同名点DN值线性拟合的一次项系数；bm表示拟合结果的常数项。[0042] DNm＝DNn+bm(4)[0043] 如图7所示，为2020年7月13日大满站飞行目标区域某条航带的热红外数据将温度漂移视为加性噪声后相对归一化后的结果(即采用公式(4)的方式进行校正)，可发现由于拟合误差的不断累积，拼接后的图像也会出现首尾明暗差异过大的现象。因此结合无人机飞行作业的特点，本发明利用计算DN值频数分布直方图求“代表DN值”的方式来控制误差传递，进而实现温度漂移去除，具体步骤如下：[0044] 步骤S1，提取无人机在飞行目标区域的采集图像序列(冗余图像剔除)。[0045] 由于无人机电池续航时间有限，在飞行一定时间后会返回起飞点更换电池，这会造成热像仪在往返途中以及地面拍摄大量无用的图片，这些图片会影响方法的执行效率以及图像拼接的质量。在处理之前需要利用热像仪同步记录的jpg格式图像来排除这类冗余图像。即对于完成某个采集任务的所获取的图像序列，剔除不相关的图像(无人机从起飞点到飞行任务开始点路径上拍摄的图像，以及无人机结束该航次任务返回至起飞点路径上拍摄的图像)，而保留所需的图像序列。[0046] 步骤S2，参考图像选取：由于无人机拍摄的每景图像的获取时间不同，故基准图像(参考图像)的选取涉及到最终拼接图像的对应时刻；若对最终拼接图像的获取时刻无具体要求，则无需选择特定时刻的图像作为基准图像，通常选择包含目标任务对象最多的图像。例如，对于目标任务为地上附作物的情况，推荐选择包含飞行目标区域内主要地物(如农田、裸地等)较多的一景图像作为参考图像。
[0047] 步骤S3，DN值频数分布直方图计算：根据飞行目标区域的代表性地物温度波动范围，将其设置为直方图的间隔；本发明实施例中默认20DN值(对应0.5℃)，实际实施过程中，可根据飞行区的实际情况适当增大间隔。根据所选间隔计算出参考图像的DN值频数分布直方图。[0048] 步骤S4，“代表DN值”计算：参考图像DN值频数分布直方图中像元数量分布最多的区间作为参考区间，其下限值为 上限为 计算参考图像中DN值位于区间内所有像元的平均值，如公式(5)所示：
[0049][0050] 式中， 表示参考图像的“代表DN值”；n0表示参考图像位于区间内的像元个数；x为累加变量。
[0051] 根据步骤S3和S4的方式，依次绘制其余待处理图像的DN值频数分布直方图，并计算出其“代表DN值”，如公式(7)所示：[0052][0053] 式中， 表示第i幅图像的“代表DN值”； 表示第i幅图像频数分布直方图中像元数量分布最多的区间下限； 表示第i幅图像频数分布直方图中像元数量分布最多的区间上限；ni表示位于区间 内的像元个数。图8展示了部分拍摄于不同时刻的示例图像的DN值频数分布直方图；图9展示了对应于图8结果确定的“代表DN值”。
[0054] 步骤S5，生成新的热红外图像：设参考图像自身具有温度漂移值δ0，其余图像相对于参考图像的温度漂移值(此处以DN值量化)可通过公式(8)计算。进而，可通过公式(9)将各图像的温度漂移水平归一化到和参考图像同样的水平：[0055][0056] 式中，δi表示第i幅图像相对于参考图像的温度漂移值(以DN值量化)。[0057][0058] 式中，DNi表示第i幅图像的原始DN值矩阵。[0059] 各幅图像经过公式(8)、公式(9)的计算处理后，再将其输出为指定格式(如tiff格式)的图像(需保留原始EXIF信息)，到此初步完成了原始数据的温度漂移去除。[0060] 步骤S6，图像拼接与波段运算：利用图像拼接软件(如Pix4D)对步骤S5获取的各单景热红外图像(包括参考图像)进行拼接，则可获取飞行目标区域完整的热红外图像。通过公式(10)可以进一步将DN值图像转换为亮温图像：[0061] Tb＝a·DN+b(10)[0062] 式中，Tb表示图像的亮温矩阵，该矩阵元素的单位为℃；a和b表示热像仪厂商提供的DN值与亮温的转换系数。[0063] 步骤S7，去除参考图像温度漂移值：由前述步骤可知，拼接完成后的热红外亮温图像整体还具有温度漂移常量δ0，这可通过地面仪器(如SI?111红外辐射计)的观测数据进行校正。校正之前可通过MODTRAN模型(一种辐射传输模型)进行简单的辐射传输模拟，将地面仪器在参考图像获取时刻(图像EXIF数据里面记录有获取时间)记录的亮温数据模拟到无人机飞行高度处的亮温数据，如公式(11)所示：[0064][0065] 式中， 表示地面观测仪器在参考图像获取时刻的亮温值模拟到无人机飞行高度处对应的值，单位为℃；g表示MODTRAN模型构造的地表亮温与无人机飞行高度处亮温的映射关系； 表示地面观测仪器在参考图像获取时刻记录的亮温值，单位为℃。[0066] 通过公式(12)可计算出由步骤S6获取的亮温图像包含的温度漂移值δ0，进而可通过公式(13)获取完全去除温度漂移后的飞行区亮温图像。[0067][0068] 式中， 表示与地面观测仪器GPS位置对应的无人机图像上像元的亮温值。[0069] Tb?change＝Tb?origin?δ0(13)[0070] 式中，Tb?change表示完全去除温度漂移后的飞行目标区域热红外亮温图像矩阵，单位为℃；Tb?origin表示步骤S6获取的原始热红外亮温图像矩阵，单位为℃。[0071] 如图10–12所示，本发明实施例对不同地理位置的3个飞行目标区域(即：大满站、花寨子站和湿地站)的热红外图像进行了温度漂移去除处理，可以发现在温度漂移去除之前，各区域整体的图像都有不均匀的明暗斑块分布；而使用本发明的方法进行温度漂移去除之后，3个站点亮温图像的质量都有了明显的提高，从视觉上几乎看不出不合理的明暗变化，且亮温值的分布范围也与飞行目标区域的实际情况更加符合。[0072] 在本发明实施例所提供的一种面向无人机非制冷型热像仪测温结果漂移去除方法中，通过选取无人机飞行区内的一景图像作为参考图像，并计算其DN值频数分布直方图，求得其“代表DN值”；然后对剔除冗余图像之后的飞行区剩余图像同样求得DN值频数分布直方图和对应的“代表DN值”，并求得它们相对于参考图像的“代表DN值”之差；同时，这些图像减去求得的差值可获取初步去除温度漂移之后的热红外图像，并将它们保存为新的指定格式的图像；最后，利用拼图软件拼接各景校正后的图像并进行波段运算，可获取飞行目标区域的热红外亮温图像，结合地面仪器的亮温观测数据和辐射传输模拟，可实现温度漂移的完全去除。本发明从图像后处理的角度，利用极少的地面观测数据，去除了无人机非制冷型热像仪测温结果漂移，提高了亮温数据的精度和一致性；此外，由于本发明是基于后处理的实施方式，这克服了传统方法野外布设多个参考温度板进行温度漂移粗校正的缺陷，故本发明方法在保证高精度温度漂移去除效果的同时，又极大地提高了人员野外作业效率。[0073] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
[0074] 以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
声明：
“无人机非制冷型热像仪测温结果漂移去除方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究，如用于商业用途，请联系该技术所有人。
我是此专利(论文)的发明人(作者)
945
编辑：中冶有色技术网
来源：电子科技大学
分享 0
举报 0
收藏 0
反对 0
点赞 0
中冶有色技术平台
2025年03月28日 ~ 30日 
