4、数据预处理流程：影像拼接、几何校正、辐射校正、正射影像生成、点云生成与滤波
农业无人机采集的原始数据（可见光影像、多光谱影像、LiDAR点云等）必须经过系统化的预处理，才能转化为可用的农情分析产品。原始影像存在镜头畸变、位置偏移、光照不均、重叠度差异等问题，直接拼接会产生重影、色彩断层和几何错位；原始点云则包含噪声、离群点和地面/植被混杂信息。本章围绕“从原始数据到标准产品”的完整链路，拆解影像拼接、几何校正、辐射校正、正射影像生成、点云生成与滤波六大核心环节，并结合农田场景给出参数建议与排障经验。
核心原则：预处理不是“一键式”操作，而是“分阶段质检—参数调整—迭代优化”的闭环过程。每个环节的输出质量直接影响后续分析精度，例如辐射校正误差会导致NDVI指数偏差超过0.05，几何校正误差会造成面积量算偏差。
4.1 影像拼接：从单帧到连续覆盖
核心原理：无人机航拍获取的相邻影像通常具有60%~80%的航向重叠和40%~60%的旁向重叠。影像拼接的核心是利用重叠区域的特征点（如SIFT、ORB算法）进行匹配，估计相机位姿和场景结构，最终将多帧影像投影到统一坐标系下融合为一张完整影像。
操作流程：
- 特征提取与匹配：对相邻影像提取尺度不变特征点，通过最近邻距离比（NNDR）筛选可靠匹配对。
- 相机位姿估计：使用RANSAC算法剔除误匹配，估计基础矩阵或单应矩阵，恢复相机位置和姿态。
- 光束法平差（BA）：联合优化相机参数和三维点坐标，最小化重投影误差。
- 影像融合与匀色：采用多频段融合或加权平均消除接缝，进行直方图匹配和色彩均衡。
| 参数项 | 推荐值/范围 | 影响说明 |
|---|---|---|
| 航向重叠率 | 75%~85% | 过低导致特征匹配不足，过高增加冗余计算 |
| 旁向重叠率 | 50%~70% | 影响拼接宽度和边缘畸变 |
| 飞行高度 | 30~120m（视作物类型） | 影响地面分辨率（GSD）和覆盖范围 |
| 相机倾角 | ≤5°（垂直摄影） | 倾角过大会导致拼接变形 |
4.2 几何校正：让影像“坐标准确”
核心原理：几何校正是消除影像因镜头畸变、相机倾斜、地形起伏和投影方式引起的几何变形，使影像上的每个像素对应准确的地理坐标（如WGS84/UTM投影）。校正分为内定向（镜头畸变修正）和外定向（地理配准）两个层次。
判断方法与操作流程：
- 内定向：利用相机标定参数（焦距、主点、畸变系数）对影像进行去畸变处理。
- 外定向：结合POS数据（GPS/IMU）进行初始定位，再通过地面控制点（GCP）进行精校正。
- 精度验证：使用独立检查点（CP）计算均方根误差（RMSE），一般要求RMSE≤1.5倍GSD。
# 典型GCP布设方案（以10ha地块为例）
- 四角各1个GCP，地块中心1个GCP
- 每个GCP使用RTK测量，平面精度≤2cm
- 检查点（CP）不少于3个，均匀分布
- 校正后RMSE目标：X/Y方向≤5cm，Z方向≤10cm4.3 辐射校正：从“数字值”到“物理量”
核心原理：辐射校正的目的是将传感器记录的原始数字量化值（DN）转换为地表反射率或辐射亮度值，消除太阳高度角、大气散射、传感器响应差异等因素的影响。对于多光谱影像，辐射校正是计算植被指数（NDVI、NDRE等）的前提。
操作流程：
- 暗电流扣除：去除传感器暗电流噪声。
- 辐射定标：将DN值转换为传感器入瞳处辐射亮度（L），需要定标系数（gain/offset）。
- 大气校正：使用MODTRAN、6S或经验线性法消除大气吸收和散射影响。
- 反射率转换：结合太阳辐照度将辐射亮度转换为地表反射率。
| 校正方法 | 适用场景 | 精度 | 成本 |
|---|---|---|---|
| 经验线性法 | 有地面靶标的小区域 | 高（±2%） | 需布设靶标 |
| 辐射传输模型 | 大范围、无地面数据 | 中（±5%） | 需大气参数 |
| 相对辐射校正 | 多时相变化监测 | 中（一致性较好） | 低 |
4.4 正射影像生成：从倾斜视角到垂直投影
核心原理：正射影像（DOM）是消除了地形起伏和相机倾斜影响的垂直投影影像，具有统一比例尺和地理坐标。生成过程需要先构建数字表面模型（DSM），再对原始影像进行逐像素重采样和投影变换。
操作流程：
- DSM生成：利用密集匹配算法（SGM、MVS）从多视角影像生成三维点云，插值得到DSM。
- 真正射纠正：对每个像素，根据DSM计算其在地面的投影位置，从原始影像中采样颜色值。
- 镶嵌匀色：多幅正射影像拼接时，进行色彩匹配和接缝消除，保证整体色调一致。
4.5 点云生成与滤波：三维数据的“清洗”
核心原理：点云生成有两种主要途径：一是基于影像的SfM-MVS技术（被动式），二是LiDAR激光雷达（主动式）。点云滤波是分离地面点、植被点、建筑物点等不同类别，并去除噪声点的过程，是生成DEM和作物高度模型（CHM）的基础。
滤波方法对比：
| 方法 | 原理 | 适用场景 | 优缺点 |
|---|---|---|---|
| CSF布料模拟 | 模拟布料覆盖翻转点云 | 平坦农田、缓坡 | 参数少、速度快，陡坡易失真 |
| 渐进加密TIN | 迭代构建三角网加密地面点 | 复杂地形、丘陵 | 精度高，计算量大 |
| 统计滤波 | 基于邻域距离统计去除离群点 | 所有场景（预处理） | 简单有效，需设定阈值 |
| 形态学滤波 | 开运算/闭运算分离地物 | 城区、植被茂密区 | 窗口大小敏感 |
操作流程：
- 噪声去除：使用统计滤波（SOR）去除孤立点，设定邻域点数（k=20）和标准差倍数（σ=1.5）。
- 地面点分离：采用CSF或渐进TIN方法提取地面点。
- 归一化：用原始点云高程减去地面点高程，得到归一化点云（nDSM），反映作物/地物真实高度。
- 分类输出：根据高度和强度信息分类为地面、低植被、高植被等类别。
4.6 案例复盘：小麦倒伏监测中的预处理链路优化
背景与约束：2024年5月，河南某农场2000亩小麦遭遇暴风雨，需快速评估倒伏面积和程度。无人机搭载可见光相机和LiDAR，飞行高度80m，地面分辨率2.5cm，航向重叠80%，旁向重叠60%。时间窗口仅6小时，需在当天输出倒伏分布图。
初始现象与目标：原始影像存在明显运动模糊（风速5m/s），LiDAR点云包含大量飞鸟噪声。目标：生成高精度DOM和CHM，倒伏区域识别精度≥90%。
关键输入数据与参数：
- 影像数量：1200帧（可见光），分辨率5472×3648
- LiDAR点云：1.2亿点，平均密度80点/m²
- GCP数量：8个（RTK测量），CP数量：5个
- 处理软件：Pix4D Mapper + CloudCompare + 自编Python脚本
分析判断过程：
- 影像拼接阶段：发现部分影像对匹配点不足（裸土区域），启用“重采样+多尺度匹配”策略，增加特征点数量。
- 几何校正：初始RMSE为12cm，超出阈值（≤3.75cm）。检查发现2个GCP坐标输入错误，修正后RMSE降至2.8cm。
- 辐射校正：采用经验线性法，布设4个灰阶靶标（反射率5%~60%），校正后反射率误差≤2%。
- 点云滤波：先使用统计滤波去除飞鸟噪声（k=30, σ=2.0），再用CSF提取地面点（cloth_resolution=0.5m），最后生成CHM。
实际操作步骤：
# 点云滤波关键命令（CloudCompare）
# 1. 统计滤波去噪
CC -SOR -CENTER 0.5 -STDDEV 2.0 -KNN 30
# 2. CSF地面点提取
CC -CSF -CLOTH_RES 0.5 -RIGIDNESS 2.0 -SMOOTH 1.0
# 3. 生成CHM（Python）
python chm_generate.py --input filtered.las --grid 0.25 --output chm.tif结果对比：
| 指标 | 优化前 | 优化后 | 提升幅度 |
|---|---|---|---|
| DOM拼接精度RMSE | 12cm | 2.8cm | 76.7% |
| 倒伏区域识别精度 | 78% | 93% | +15% |
| 处理时间 | 8.5h | 5.2h | 38.8% |
| NDVI反射率误差 | ±0.08 | ±0.02 | 75% |
风险与代价：为赶时间窗口，牺牲了部分重叠率（从80%降至75%），导致边缘区域出现微小接缝，但不影响倒伏识别。额外布设靶标增加了30分钟地面工作，但辐射校正精度显著提升。
复盘经验：
- 预处理链路中，几何校正和辐射校正是最影响最终精度的两个环节，必须优先保障。
- 点云滤波参数需根据作物类型和地形调整，不可盲目使用默认值。
- 建立“快速质检—参数调整—再处理”的迭代机制，比一次性处理更高效。
- 保留中间产物（如DSM、去噪点云），便于后续问题回溯和算法优化。