4、影像预处理：几何校正、辐射校正、大气校正、影像拼接与正射影像生成
无人机遥感影像在用于产量预测建模之前，必须经过严格的预处理流程。原始影像中包含着由传感器姿态变化、地形起伏、大气散射以及光照条件差异引入的多种误差，这些误差若不加以校正，将直接导致后续提取的植被指数（如NDVI、EVI）、株高模型和覆盖度等特征产生系统性偏差，最终影响产量预测模型的精度与泛化能力。本章将系统讲解从原始航片到正射影像（DOM）的完整处理链路，涵盖几何校正、辐射校正、大气校正、影像拼接四个核心环节，并深入剖析各环节的原理、操作要点与常见误区。
4.1 几何校正：从像素坐标到地理坐标的映射
几何校正解决的核心问题是"影像上的像素点对应地面哪个位置"。无人机在飞行过程中，由于风向扰动、机身振动、云台姿态变化以及镜头畸变，导致每张航片都存在不同程度的几何变形。对于产量预测而言，几何精度直接影响后续不同时期影像的配准精度，进而影响作物生长变化量的提取准确性。
4.1.1 核心原理
几何校正分为内定向和外定向两个层次。内定向是恢复相机内部几何模型，包括主点偏移、焦距、镜头径向畸变和切向畸变参数，通常通过相机标定获得。外定向是确定相机在曝光时刻的空间位置和姿态角（φ、ω、κ），由POS系统（Position and Orientation System）记录，但原始POS数据存在漂移误差，需要通过地面控制点（GCP）进行光束法平差优化。
4.1.2 操作流程
- 相机标定参数导入：从相机标定文件读取畸变系数（K1、K2、P1、P2等），或使用软件自动标定功能。
- 自动连接点匹配：软件通过SIFT或ORB算法在重叠影像间自动提取特征点，生成密集连接点云。
- 地面控制点布设与量测：在测区四周及中心布设至少5个GCP（建议8-12个），使用RTK测量其厘米级坐标，并在影像上人工刺点。
- 区域网光束法平差：迭代优化相机参数、外方位元素和连接点三维坐标，使重投影误差最小化。
- 精度验证：预留独立检查点（CP），计算检查点处的均方根误差（RMSE），要求平面RMSE≤1像素（GSD），高程RMSE≤2倍GSD。
| 校正类型 | 输入数据 | 输出结果 | 精度指标 |
|---|---|---|---|
| 内定向 | 相机标定文件、畸变模型 | 无畸变影像 | 重投影误差 < 0.5像素 |
| 外定向 | POS数据、GCP坐标、连接点 | 精确外方位元素 | 平面RMSE ≤ 1×GSD |
| 区域网平差 | 多视影像、控制点、连接点 | 优化后的相机参数与位姿 | 检查点RMSE < 2×GSD |
4.1.3 实战场景：小麦田块GCP布设方案
在某小麦产量预测项目中，测区面积约300亩（20公顷），飞行高度80m，GSD约2.5cm。我们在测区四角及中心共布设9个GCP，使用华测RTK测量，平面精度±1.5cm。在Pix4D中导入GCP后，每个控制点在3-5张影像上人工刺点。平差结果显示，检查点平面RMSE为1.8cm（约0.7像素），高程RMSE为3.2cm，满足后续产量建模对空间精度的要求。
4.2 辐射校正与大气校正：还原地表真实反射率
辐射校正的目的是消除传感器响应差异和大气散射吸收对影像灰度值的影响，将原始DN值转换为地表反射率。产量预测模型通常使用NDVI、EVI等植被指数，这些指数对红光和近红外波段的比值敏感，若不做辐射校正，不同时期、不同光照条件下的影像将无法直接比较。
4.2.1 辐射校正层次
辐射校正分为传感器辐射定标和大气校正两个步骤。传感器辐射定标将DN值转换为传感器入瞳处的辐亮度，需要用到实验室定标系数（增益和偏置）。大气校正则进一步消除大气分子、气溶胶的散射和吸收效应，将辐亮度转换为地表反射率。
4.2.2 大气校正方法对比
| 方法 | 原理 | 适用场景 | 优缺点 |
|---|---|---|---|
| 6S模型 | 基于辐射传输理论的物理模型 | 高精度研究、多时相分析 | 精度高，但需要大气参数（气溶胶光学厚度、水汽含量） |
| QUAC | 基于影像自身统计特征的快速大气校正 | 无大气实测数据的快速处理 | 无需额外参数，但精度略低 |
| 经验线性法 | 利用地面靶标实测反射率建立回归关系 | 有地面同步测量的实验场景 | 精度高，但需要布设靶标并同步测量 |
| 暗像元法 | 假设影像中存在反射率接近0的暗目标 | 快速估算气溶胶光学厚度 | 简单易行，但受地物类型限制 |
4.2.3 操作流程与参数设置
# 以ENVI中的FLAASH大气校正为例
1. 输入经过辐射定标的辐亮度影像
2. 设置传感器类型：无人机多光谱（如MicaSense RedEdge）
3. 设置飞行日期、时间、经纬度
4. 选择大气模型：中纬度夏季/冬季
5. 设置气溶胶模型：乡村/城市/海洋
6. 设置初始能见度：根据天气状况输入（如40km）
7. 执行校正，输出地表反射率影像4.2.4 案例拆解：不同时期NDVI可比性分析
在玉米产量预测项目中，我们分别于拔节期和抽雄期各飞行一次。第一次飞行天气晴朗，第二次飞行有薄云。若不做大气校正，两次NDVI差值中包含了大气条件差异的贡献，导致作物生长速率被高估。通过使用6S模型结合本地气象站的气溶胶光学厚度数据（AOD=0.15和0.35）进行校正后，NDVI差值从0.12降至0.07，更真实地反映了作物生长变化。
4.3 影像拼接与正射影像生成
单张无人机影像覆盖范围有限（如80m高度下，单张约100m×75m），而产量预测需要整个田块的完整影像。影像拼接是将多张具有重叠度的影像通过特征匹配、配准和融合，生成一幅无缝的、几何正确的正射影像（DOM）。同时，通过多视角立体匹配生成数字表面模型（DSM），为后续株高提取提供基础。
4.3.1 拼接流程
- 特征提取与匹配：在相邻影像的重叠区域提取SIFT特征点，通过最近邻距离比进行粗匹配，再使用RANSAC算法剔除误匹配。
- 光束法平差优化：利用匹配点对和GCP，优化所有影像的外方位元素，确保全局几何一致性。
- 密集匹配生成DSM：基于多视角立体视觉（MVS）算法，为每个像素计算三维坐标，生成密集点云，进而插值生成DSM。
- 正射纠正：利用DSM对每张影像进行逐像素投影，消除地形起伏引起的位移误差。
- 匀色与镶嵌：调整相邻影像的色调和亮度差异，选择最佳接缝线，融合生成整幅DOM。
4.3.2 关键参数设置
| 参数 | 推荐值 | 说明 |
|---|---|---|
| 航向重叠率 | ≥80% | 保证足够的匹配点数量和立体覆盖 |
| 旁向重叠率 | ≥60% | 减少拼接空洞和几何弱连接 |
| GSD | 1-3cm | 根据产量模型精度需求确定 |
| DSM分辨率 | 2-3×GSD | 过密会增加噪声，过疏损失地形细节 |
| 匀色方法 | 直方图匹配 | 适用于光照均匀的田块 |
4.3.3 实战案例：水稻田正射影像拼接与质量评估
某水稻产量预测项目，测区面积500亩，飞行高度100m，GSD为3cm，航向重叠85%，旁向重叠70%。使用大疆M300 RTK搭载P1相机，共采集影像1200张。在Metashape中处理，耗时约6小时（使用RTX 3080显卡）。
处理过程中发现，田块西北角因缺少GCP且纹理单一（刚插秧的水田），出现明显的影像错位。解决方案：在该区域补测2个GCP并重新平差，错位问题解决。最终DOM的检查点RMSE为2.1cm（0.7像素），DSM高程RMSE为4.5cm。生成的DOM用于提取水稻覆盖度和株高，作为产量预测模型的关键输入特征。
- 检查DOM中田埂、道路等线性地物是否平直无断裂
- 检查拼接接缝处是否存在重影或模糊
- 检查DSM中是否存在异常尖峰或凹陷（通常由水面镜面反射或运动物体引起）
- 对比DOM与RTK实测地物点坐标，计算精度
4.3.4 常见误区与复盘
误区二：忽略风速对影像质量的影响。风速大于5m/s时，作物冠层晃动会导致影像模糊和匹配失败。建议风速超过4m/s时暂停飞行。
误区三：直接使用未匀色的拼接影像进行产量建模。不同架次间光照差异会导致植被指数出现条带效应，必须进行严格的辐射归一化处理。
4.4 预处理质量对产量预测模型的影响
预处理的每个环节都会对最终产量预测精度产生级联影响。几何误差导致不同时期影像配准偏差，使植被指数时间序列出现虚假波动；辐射误差使NDVI值偏移，影响模型训练时的特征分布；拼接质量差则直接导致田块边缘区域数据缺失或异常。因此，建议在预处理完成后，建立一套标准化的质量评估流程，包括：检查点精度报告、反射率稳定性验证（利用伪不变特征如裸地）、以及DOM目视检查。