低空无人机高光谱影像失真评价指标构建

赵庆展，刘汉青，田文忠，王学文

·农业航空工程·

低空无人机高光谱影像失真评价指标构建

赵庆展1,3,4，刘汉青2,3,4，田文忠2,3,4，王学文1,3,4

（1. 石河子大学信息科学与技术学院，石河子 832003；2.石河子大学机械电气工程学院，石河子 832003；3. 兵团空间信息工程技术研究中心，石河子 832003；4. 兵团工业技术研究院，石河子 832003）

为定量分析无人机高光谱成像系统数据获取时因航线变换及太阳辐照度变化而产生的白噪声、运动模糊、条带噪声等导致的影像失真，该研究利用地物光谱仪和机载成像光谱仪获取研究区内棉花冠层光谱数据，基于典型植被光谱特征分析验证数据质量，配合使用数字图像处理方法完成白噪声、散焦模糊、运动模糊、光谱平滑以及条带噪声的模拟样本集构建，并结合设备采集噪声（条带噪声混合白噪声）构建真实样本集，建立影像波段信息、光谱信息以及空间-光谱总体信息质量的评价指标，通过相关性分析评价指标有效性。结果表明：对模拟样本集，除百分比最大绝对差，本文建立的指标均与影像质量显著相关（<0.01），在实际噪声样本内各指标相关性均产生不同程度下降，仅平均绝对误差（0.609，<0.01）、均方误差（0.459，<0.01）、相对均方根误差（0.502，<0.01）以及总体信息保真度（-0.471，<0.01）满足相关性要求。研究结果可为低空机载高光谱影像质量分析及失真指标的选取提供借鉴和参考。

无人机；高光谱；遥感；失真；评价指标

0 引 言

无人机搭载成像光谱仪作为遥感数据获取手段被广泛用于植被监测、矿物覆盖填图等领域[1-2]，为光谱数据获取提供便利的同时也为成像质量带来新的不确定性，如气流扰动、航线变换导致的成像质量下降等问题。

为提高农业应用场景下影像获取精度，秦占飞等[3]依托机载成像高光谱设备，选择晴朗无风的天气在正午太阳高度角>45°时采集研究区高光谱影像，用于精准估测水稻叶片全氮含量。田明璐等[4]在较好的气象条件下获取低空机载高光谱影像数据和地面叶面积指数（Leaf Area Index，LAI）数据。高林等[5]在冬小麦叶面积指数反演研究中注重对获取数据的质量验证。通过ASD Field SpecFR PRO2500光谱辐射仪与Cubert UHD185 Firefly成像光谱仪联合获取冬小麦冠层光谱数据，分析植被光谱特征值“绿峰”“红谷”、冠层光谱相关性及地物光谱差异，可定量阐明数据质量。

自然环境下遥感数据采集传输过程受多方面因素干扰[6]，如电子干扰、温度漂移等，导致采集的数据存在一定误差。Hu等[7]研究了高光谱影像压缩对叶绿素及叶面积指数反演的影响，试验获取覆盖玉米、大豆和小麦种植区的航空高光谱影像（2 m空间分辨率），以相关性、均方根误差和相对均方根误差对标准影像和压缩影像反演的LAI进行估测，结果表明使用多级矢量量化的图像压缩处理时，相对于地面测量值在压缩比为20∶1、30∶1、50∶1时叶绿素反演精度不受影响，但该方法回避了影像质量的直接计算，通过反演LAI精度表现数据质量，这对于数据庞大的高光谱影像是不友好的。Li等[8]针对AVIRIS（Airborne Visible Infrared Imaging Spectrometer，AVIRIS）数据存在条带噪声的问题，提出了基于矩阵匹配和最临近差值的去噪方法，通过对比小波去噪、矩阵匹配和最邻近插值方法，结合影像质量评价因子及波段相关系数证实了研究方法的有效性，但AVIRIS影像获取时间较早，不具有无人机高光谱影像高分辨率的特征，且条带噪声模拟是否满足真实环境下的样本分布有待商榷。Hakala等[9]对光照变化引起的机载高光谱影像质量进行了深入研究，探索不同光照条件下影像定量辐射处理方法，通过将影像划分为大小一致的区域，计算网格点的变异系数后进行平均，虽然改善了光照差异产生的影像不均匀，但受网格大小限制未充分利用像素差异信息。高光谱数据质量计算是高光谱数据处理和应用的重要环节，探究满足无人机高光谱影像质量判读的有效指标有重要意义。

无人机高光谱影像获取一般包含影像采集、影像预处理、影像拼接3个主要步骤。采集数据经波段配准获得航空影像，该数据质量对于拼接效果至关重要。当前大多数研究基于正射影像的直接判读，无法避免因前期数据获取或数据预处理产生的异常而导致正射影像失真问题。本文以此为出发点，探究不同失真可能导致的航空影像质量变化，采用数字图像处理方法建立多类失真数据集，结合实际获取的噪声样本完成3类15个指标有效性的评估，旨在为无人机高光谱影像预处理质量评价提供方法参考和依据。

1 材料与方法

首先以高航向、旁向重叠率采集原始数据，经校正、配准得到航空影像，拼接后获得覆盖研究区域的正射影像；地面数据采集经样本点选取、设备调试、校正等步骤获取地物（棉花）冠层光谱数据；采用二维高斯函数、空间域卷积、频域率变换、光谱维滤波等方法完成模拟样本生成；建立3类质量评价指标，通过样本质量计算及相关性分析，探究适用于计算影像质量的有效指标，技术路线见图1。

1.1 研究区概况

研究区位于新疆塔城地区沙湾市蘑菇湖村棉花种植区（北纬44°24'48"，东经85°53'41"）见图2。沙湾市地处于亚欧大陆腹地，属于中温带大陆性干旱气候，具有降水量少蒸发量大，气候干燥的特点[10]。年平均气温7.18～9.13 ℃，无霜期170～190 d，多年年均降水量244.23 mm，年蒸发量1 500～2 000 mm，农作物种植面积约157 610 hm2，其中棉花种植面积占比超67%。

图1 技术路线图

图2 研究区及数据获取

1.2 传感器与无人机平台

数据获取采用芬兰SENOP公司生产的RIKOLA高光谱成像仪[11]，设定光谱范围覆盖502.56～903.2 nm共42个波段，主要参数见表1。RGB影像使用波段1、波段6、波段16合成，中心波长分别为502.56、553.1以及636.75 nm。无人机平台采用大疆M600PRO六轴飞行器，使用Ronin-MX航拍三轴云台保证成像设备稳定性。

表1 高光谱相机主要参数

1.3 数据获取与预处理

1.3.1 高光谱影像数据获取及预处理

在晴朗微风天气进行低空机载高光谱影像数据获取。试验数据采集于2021年7月11日14:00—16:00，研究区内花铃期棉花生长状态较好。设定航高80 m，航向重叠率80%，旁向重叠率75%，飞行速度7.7 m/s，起飞前使用标准反射率板进行辐射标定，根据当天光照情况设定镜头曝光时间7 ms。

原始数据在RIKOLA_HSI软件内完成暗电流校正及格式转换，使用RegMosaic软件完成波段配准取得航空影像，经Agisoft PhotoScan（Agisoft LLC，St. Petersburg，Russia）软件完成影像拼接，数据导入至ENVI 5.3进行解译，通过64%、48%、22%、3%标准反射板数据完成DN值到反射率的校正[12]。

1.3.2 地面光谱仪数据获取

采用FieldSpec4 Hi-Res便携式地物光谱仪测量地面样本点棉花冠层光谱反射率。使用五点采样法选取研究区内25点位（见图3a），单个样本点采集10次并以均值作为标准数据，使用视场角25°、长1 m的光纤探头于棉花冠层上方1.5 m获取350～2 500 nm光谱数据，结合成像光谱仪中心波长分离相同波段地物光谱仪采集数据，棉花冠层光谱获取结果见图3b，地物光谱仪（ASD）数据分离结果与成像光谱仪（Rikola）数据对比见图 3c。

图3 棉花冠层光谱数据获取

1.4 影像质量评价方法

遥感影像质量评价指标通常有以下3类[13]：全参考影像质量：表征原始影像与失真影像之间的质量差异；半参考影像质量：仅使用表征影像特征的参数（如平均值、方差等）描述影像质量；无参考影像质量：该方法仅使用失真影像参与计算。尽管全参考影像质量指标在计算效率上缺少优势，但该方法保留了所有原始信息，计算结果更准确、稳定，在机载高光谱影像多类别失真研究中全参考影像评价标准是较为理想的选择，本文以全参考影像质量评价方法开展研究。

1.4.1 影像失真类型

根据影像采集及数据获取结果并结合遥感研究，本文将制作失真类型归为以下几类：噪声和模糊失真，该类失真产生于成像光谱仪系统噪声和对焦过程[14]；产生于无人机姿态变化导致的运动模糊[15]；因扫描方式和曝光不当导致的条带状噪声[16]，以及光学器件退化导致光谱变化的失真[17]。为模拟不同程度的各类噪声样本，通过以下方法控制失真强度并构建模拟样本：

1）白噪声失真。高光谱影像存在多个连续波段，在随机选取波段上添加均值为0的噪声信号，其标准差从0.001 5起开始以步长0.000 12上升至0.007 5，共50个层级，并限制抽取波段占比分别为总波段数的30%、50%和70%。

2）散焦模糊失真。通过卷积处理使图像模糊，卷积核大小为3×3、5×5、7×7，控制出现模糊的波段占总波段数由1%上升至50%共50个层级。

3）运动模糊失真。控制失真波段占总波段数由1%上升至50%共50个层级，限制运动产生的像素位移大小为4、8、12个像素，位移方向随波段占比的增加以极坐标90°方向出发依次加1°。

4）光谱平滑失真。使用滑动窗口和阶多项式拟合进行光谱平滑，随机抽取波段占总波段数由10%起始按1.8%步长增长至100%共50个层级，固定拟合函数窗口大小为5，分别使用3阶、2阶和1阶多项式拟合波段光谱数据。

5）条带噪声失真。控制出现条纹噪声的波段为总波段的1.5%至30%共50个变化范围，当出现噪声波段位于42波段前40%时条纹增强70%，位于后60%时条纹衰减70%，单个条纹宽3个像素。控制条纹占单波段影像总行数的3%、2%、1%。

每个失真类型含3组共150个样本，详细描述见表2。

表2 机载高光谱影像失真类型

1.4.2 影像质量评价指标

对于统计学方法指标构建，均方误差（Mean Squared Error, MSE）一般是指估计值与真值之差平方的期望值，在本文中估计值与真值分别对应模拟噪声影像与参考影像，在计算形式上引入方差计算用于衡量数据的偏离程度，且MSE通用于计算影像信噪比及峰值信噪比，其计算结果越小表示噪声影像质量越好。相对均方根误差（Relative Root-Mean-Square Error, RRMSE）在形式上同均方根误差类似，引入了标准差的计算方式且进行误差占比分析统一了量纲，同样反应噪声对影像质量产生的偏移。最大绝对差（Maximum Absolute Difference, MAD）在计算时引入绝对误差概念，统计了噪声影像相对真实影像产生偏离的绝对大小，在此基础上计算百分比最大绝对差（Percentage Maximum Absolute Difference，PMAD）引入的归一化处理利于各类失真样本比较。绝对平均误差（Mean Absolute Error, MAE）统计噪声对影像全部像素产生的误差偏移，直观反应噪声的整体状况。

对于光谱信息指标构建，最大光谱相似性（Maximum Spectral Similarity, MSS）在计算时以光谱向量进行计算，指标考虑高光谱影像光谱亮度质量及光谱形状质量计算。最大光谱角（Maximum Spectral Angle, MSA）计算两组光谱向量的余弦角度判断光谱相似性，通过最大值判断，可以计算噪声影像内光谱与参考影像的相似程度。最大光谱信息散度（Maximum Spectral Information Divergence）计算方法基于Kullback-Leibler距离建立，用于衡量光谱样本内的概率分布差异。最小皮尔森相关系数（Minimum Pearson’s correlation）计算基于Pearson相关系数，用于衡量噪声光谱向量与参考影像光谱向量间的线性相关关系。

表3 影像质量计算指标

2 结果与分析

2.1 高光谱影像光谱精度验证

高光谱影像光谱精度验证是数据获取的重要参考[23]。不同设备光谱曲线总体趋势相近（见图3c），在500～580 nm蓝绿光波段内光谱反射率基本保持一致，590～655 nm内机载光谱数据产生偏离，于660～735 nm红边位置处拟合一致，735 nm后地物光谱仪数据与Rikola数据反射率差异保持稳定，在880～900 nm近红外波段地物光谱仪数据反射率下降。使用一阶微分光谱分析光谱变量特征：绿峰幅值R（510～560 nm内对应最大反射率）、绿峰位置λ、红谷幅值R（640～680 nm内对应最小反射率）、红谷位置λ、红边幅值D（680～760 nm范围内最大一阶微分值）以及红边位置λ，数据结果如表4。Rikola数据在543 nm附近出现“绿峰特征”相较地物光谱仪数据的554 nm处略有差异。两设备于673 nm、733 nm均出现“红谷”和“红边”特征，因设备视场角差异存在背景土壤光谱占比不一致的情况导致幅值偏差。750 nm后Rikola数据逐渐偏离地物光谱数据，原因可能在于机载遥感数据获取时观测物体与采集设备和太阳间的几何位置差异造成的二象性分布函数（Bidirectional Reflectance Distribution Function，BRDF）影响[24]。

表4 不同设备棉花冠层光谱特征值

2.2 模拟样本的指标相关性分析

影像质量指标评估通常包含指标一致性和鲁棒性[25]。为探究理想条件下不同失真类型对各指标产生的影响，通过相关性分析探究适用于各失真类型的判别指标。每一类失真包含3组模拟数据样本，使用Pearson相关系数法进行双变量分析，同时进行双侧显著性检验，统计相关系数均值及标准差，结果如表5。分析表5可知：

表5 模拟失真样本与影像质量指标相关性分析

注：无标注表示在<0.01水平极显著相关。*表示在<0.05水平显著相关，加粗项表示不相关。表示绝对值最大相关系数。表示绝对值最小相关系数最。为均值；为标准差；为多项式阶数。

Note: No label indicates extremely significant correlations at the<0.01 levels.*indicate significant correlations at the<0.05. Bold items indicate irrelevant. indicates maximum absolute correlation coefficient. indicates minimum absolute correlation coefficient.: means mean;: means standard deviation;: denotes polynomial order.

1）对于模拟失真样本数据，除PMAD，其余指标在对影像失真的度量上有着极好的一致性，计算结果均满足置信度，说明本文建立的指标对模拟影像质量的衰退是有效的。

2）统计学指标MSE、RRMSE、MAD、MAE与光谱维度指标MSS、MSA、MSID同影像失真程度呈正相关，最小Pearson系数与空间—光谱复合类指标呈负相关。

3）白噪声样本：在30%波段占比下MAE相关性最高（0.999），S相关性最低（-0.868）。在50%、70%波段占比试验结果同上，MAE分别为0.999、0.999，S分别为-0.901，-0.926。统计3组样本相关性均值和标准差，对于模拟的白噪声失真类型各指标相关性排序为MAE>MSS>MAD>MSA>MSE、>Pearson>RRMS>F>MSID>(x,y)>(x,y)、S>S（PMAD除外）。

4）散焦模糊样本：在3×3、7×7卷积作用下MAE相关性最高（0.989，0.976），MAD相关性最低（0.507，0.567）。在5×5卷积作用下RRMSE相关性最高（0.974），MAD相关性最低（0.573）。统计3组样本相关性均值和标准差，对模拟的散焦模糊失真类型各指标相关性排序为MAE> RRMSE>MSE、>F>(x,y)>S>MSS>MSID>Pearson>MSA>(x,y)>S>MAD（PMAD除外）。

5）运动模糊样本：在4像素位移下，MAE相关性最高（0.987），(x,y)相关性最低（-0.508）；在8像素位移下，RRMSE相关性最高（0.988），MAD相关性最低（0.658）；在12像素位移下，RRMSE相关性最高（0.985），Pearson相关性最低（-0.572）。统计3组样本相关性均值和标准差，对模拟的运动模糊失真各指标相关性排序为RRMSE>MAE>MSE、>MSS>(x,y)>MSID>S>(x,y)>Pearson>S>F> MSA>MAD（PMAD除外）。

6）光谱平滑样本：采用3阶多项式时，MAE相关性最高（0.994），MAD相关性最低（0.600）；采用2阶多项式时，MAE相关性最高（0.990），(x,y)相关性最低为（-0.491）；采用1阶多项式时MAE相关性最高（0.993），S相关性最低（-0.489）。统计3组样本相关性均值和标准差，对模拟的光谱平滑失真各指标相关性排序为MAE>MSE、RRMSE、>(x,y)>MSS>MSA>(x,y)>S>MSID>Pearson> MAD>F>S（PMAD除外）。

7）条带噪声样本：1%、2%行数占比时，MAE相关性最高（0.987，0.987），(x,y)相关性最低（-0.315，-0.508）；在3%行数占比时，MAE相关性最高（0.990），F相关性最低（-0.439）。统计3组样本相关性均值和标准差，对模拟的条带噪声失真各指标相关性排序为MAE>MSE、>RRMSE>Pearson>S>(x,y)>S>MSS>MSID>MAD>MSA>F>(x,y)（PMAD除外）。

8）根据总体统计结果，各类影像质量失真指标相关性排序为：MAE>RRMSE>MSE、>MSS>F>S>(x,y)>MSID> Pearson>MSA>(x,y)>S、MAD。不难发现，采用统计均值计算的指标相关性表现更好，而使用极值评估的指标相关性表现较弱，原因分析为高光谱影像内多波段数据堆叠出现异常的极值而导致后者指标有效性的下降。

2.3 噪声样本的指标相关性分析

针对实际噪声样本难以取得标准参考影像的问题，本文提出了一种数字图像处理方法，目的是在保留尽可能多的非噪声信息同时完成噪声信号的过滤与补偿。具体如下：

1）针对机载高光谱影像条带噪声，通过Sobel边缘检测算子完成梯度运算定位噪声位置。

2）针对框幅式成像高光谱设备内条带噪声的空间形状，使用腐蚀和膨胀形态运算最大程度保留噪声结构。

3）统计形态学运算结果，将条带噪声区域保留进行掩膜处理。

4）将原始影像与掩膜数据进行“与”运算，得到一张存在待插值区域的高光谱影像数据。

5）遍历像素点，判断当前位置是否需要插值计算，如果需要则跳转至6）。

6）第一次插值：判断当前插值位置的相邻波段是否同样存在待插值区域，如果否则进行相邻波段线性插值，如果是则跳过当前位置判断下一位置是否需要第一次插值。

7）第二次插值：统计波段待插值区域条带宽度，选用条带外的临近点完成缺失值填充，最后使用滤波函数完成被插值波段处的光谱维度滤波。

8）输出原图、插值处理图像以及插值补偿数据。部分图像处理结果见图4。

图4 部分噪声波段数据处理结果示意图

噪声数据源于同期获取的航空影像，尺寸为42波段×768像素×768像素共50张（条带噪声为主），覆盖棉花种植区。经上述方法获取降噪样本，共计311个波段进行插值处理，与人工统计的307个条带噪声波段误差仅1.3%，反应了条带噪声掩膜定位方法的有效性。此外，插值引入的少量白噪声可视为混合噪声类型。

统计各个波段条带噪声频次以及波段占比情况。图 5a显示了481条噪声信号在42个波段内的分布情况，噪声主要集中在波段3～9（522～573 nm）、波段27～37（763～853 nm）、波段10～26（583～753 nm）。波段1～3（503～523 nm）、波段38～42（862～903 nm）未出现噪声。图5b显示了50张真实样本噪声波段统计结果，其中最多10个波段含条带噪声且至少存在3个波段噪声。

为分析各影像失真评价指标有效性，将样本分别按条带数量、噪声波段数量进行升序排列，使影像失真逐步增强。使用Pearson进行相关性分析，试验结果如表6。

表6 真实样本下失真影像质量评价指标相关性分析

注：<0.01表示在该水平下极显著相关，0.01≤<0.05表示在该水平下显著相关，≥0.05表示在该水平下不相关，加粗标记。__表示绝对值最大相关系数。__表示绝对值最小相关系数最。为均值；为标准差。

Note:<0.01 indicates extremely significant correlation at this level, 0.01≤<0.05 indicates significant correlation at this level,≥0.05 indicates no correlation at this level, bolded mark. indicates maximum absolute correlation coefficient. indicates minimum absolute correlation coefficient.: means mean;: means standard deviation.

分析试验结果可知：

1）依据条带数量排序时，MAE相关性最高为0.753，而MAD相关性最低为0.284（<0.05）。根据试验结果，指标相关性从大到小顺序为MAE>RRMSE>MSE>>S>(x,y)>S>MSS>MAD，PMAD、MSA、MSID、Pearson、(x,y)及F指标不满足显著性检验被移出。

2）依据噪声波段数量排序时，MAE相关性最高为0.465，而MAD相关性最低为0.208（<0.05）。根据试验结果，影像质量评价指标相关性排序为MAE>>MSE>RRMSE>(x,y)>MSS>MAD，PMAD、MSA、MSID、Pearson、(x,y)、S及F指标不满足显著性检验被移出。

3）根据均值、标准差计算结果，影像质量评价指标相关性性排序为MAE>RRMSE>MSE>>(x,y)>S>MSS>MAD。

综上所述，对于模拟样本集，最大绝对差MAD、最大光谱角MSA、最大光谱相似性MSID、最小皮尔森相关系数Person、光谱信息质量度量S、空间信息质量度量(x,y)以及光谱信息保真度F均可以评估样本质量变化；对于真实噪声样本集，上述指标均不相关。因此对于模拟的影像失真，其指标相关性仅作为试验组方便结果参考与讨论。

在真实样本评测下，噪声的随机分布导致使用的15类指标相关性均产生不同程度衰退。其中平均绝对误差MAE在常见的5类失真内相关性最高，可以避免极大或极小值对评价结果的干扰，常用于描述波段数据的平均偏离程度，评估数据整体误差。均方误差MSE、相对均方根误差RRMSE的计算方法与MAE同源，对于各类噪声的衡量同样有效。全局信息保真度在计算时考虑了整体的样本分布情况且进行了归一化处理，这对于直接评估影像失真情况很有必要。本文研究还存在以下几点不足：1）当前关于影像质量计算的指标层出不穷，本文仅选取其中一部分指标进行探索，指标选取还可以继续优化；2）指标对模拟样本的评价良好，但对真实样本评价结果出现较大差异，说明应当聚焦于实际环境下的样本分析与研究。3）本文仅对采集的棉花光谱数据进行了探究，地物样本较为单一，对于大范围的复杂背景情况并未深入，同时没能有效解决高光谱仪噪声的产生。

低空机载高光谱影像质量评价仍面临一些挑战：1）无人机高光谱影像采集时环境变化以及数据预处理方式的差异，获取标准参考影像较为困难，如何脱离参考影像建立自动评估方法是当前研究的一个重点；2）从真实噪声数据统计结果可知，影像失真的产生并非全局均匀一致且单一存在，尽管在噪声引入上通过随机选取完成非均匀化处理，但模拟样本与真实样本计算结果的不一致说明样本模拟方法并不完备；3）失真指标可以用于评估机载高光谱影像退化但无法有效区分失真类型，多应用于影像处理算法的评估与验证，对于失真类型的快速鉴别可结合机器学习技术开展进一步工作。

3 结 论

本研究以机载棉田高光谱影像为研究对象，实现对高光谱影像失真指标进行构建与评估，主要结论如下：

1）利用机载高光谱数据和地面光谱数据，通过植被典型光谱特征指标（绿峰幅值R、绿峰位置λ、红谷幅值R、红谷位置λ、红边幅值D以及红边位置λ）定量验证获取数据的有效性。

2）建立覆盖白噪声、散焦模糊、运动模糊、光谱平滑以及条带噪声5类失真影像模拟样本集，同时采用多幅噪声数据结合掩膜定位、插值处理等数字图像处理方法完成真实噪声样本集的建立。

3）相关性分析结果表明，对模拟样本集，除百分比最大绝对差PMAD，本文建立指标均与影像质量显著相关（<0.01）；对真实噪声样本，各指标相关性均不同程度下降，仅平均绝对误差MAE（0.609，<0.01）、均方误差MSE（0.459，<0.01）、相对均方根误差RRMSE（0.502，<0.01）以及总体信息保真度（-0.471，<0.01）满足指标相关性要求。

[1] 童庆禧，张兵，张立福. 中国高光谱遥感的前沿进展[J]. 遥感学报，2016，20(5)：689-707.

Tong Qingxi, Zhang Bing, Zhang Lifu. Current progress of hyperspectral remote sensing in China[J]. Journal of Remote Sensing, 2016, 20(5): 689-707. (in Chinese with English abstract)

[2] 晏磊，廖小罕，周成虎，等. 中国无人机遥感技术突破与产业发展综述[J]. 地球信息科学学报，2019，21(4)：476-495.

Yan Lei, Liao Xiaojun, Zhou Chenghu, et al. The impact of UAV remote sensing technology on the industrial development of China: A review[J]. Journal of Geo-information Science, 2019, 21(4): 476-495. (in Chinese with English abstract)

[3] 秦占飞，常庆瑞，谢宝妮，等. 基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测[J]. 农业工程学报，2016，32(23)：77-85.

Qin Zhanfei, Chang Qingrui, Xie Baoni, et al. Rice leaf nitrogen content estimation based on hysperspectral imagery of UAV in Yellow River diversion irrigation district[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(23): 77-85. (in Chinese with English abstract)

[4] 田明璐，班松涛，常庆瑞，等. 基于无人机成像光谱仪数据的棉花叶绿素含量反演[J]. 农业机械学报，2016，47(11)：285-293.

Tian Minglu, Ban Songtao, Chang Qingrui, et al. Estimation of SPAD value of cotton leaf using hyperspectral images from UAV-based imaging spectroradiometer[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 285-293. (in Chinese with English abstract)

[5] 高林，杨贵军，于海洋，等. 基于无人机高光谱遥感的冬小麦叶面积指数反演[J]. 农业工程学报，2016，32(22)：113-120.

Gao Lin, Yang Guijun, Yu Haiyang, et al. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remoter sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(22): 113-120. (in Chinese with English abstract)

[6] 王润生，熊盛青，聂洪峰，等. 遥感地质勘查技术与应用研究[J]. 地质学报，2011，85(11)：1699-1743.

Wang Runsheng, Xiong Shengqing, Nie Hongfeng, et al. Remote sensing technology and its application in geological exploration[J]. Acta Geologica Sinica, 2011, 85(11): 1699-1743. (in Chinese with English abstract)

[7] Hu B, Qian S E, Haboudane D, et al. Retrieval of crop chlorophyll content and leaf area index from decompressed hyperspectral data: The effects of data compression[J]. Remote Sensing of Environment, 2004, 92(2): 139-152.

[8] Li W, Cao Y, Chen Y. Methods research for removing the stripe noise based on AVIRIS images[C]. 2010 International Conference on Future Information Technology and Management Engineering. IEEE, 2010, 2: 107-110.

[9] Hakala T, Honkavaara E, Saari H, et al. Spectral imaging from UAVs under varying illumination conditions[C]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. International Society for Photogrammetry and Remote Sensing (ISPRS), 2013.

[10] 薛亚荣，巴特尔·巴克，罗那那，等. 塔城地区棉花生育期需水量变化的气候响应[J]. 干旱区研究，2018，35(5)：1192-1198.

Xue Yarong, Bake Batur, Luo Nana, et al. Climate response to water demand of cotton plant in growing season in tacheng prefecture[J]. Arid Zone Research, 2018, 35(5): 1192-1198. (in Chinese with English abstract)

[11] I Pölönen, Saari H, Kaivosoja J, et al. Hyperspectral imaging based biomass and nitrogen content estimations from light-weight UAV[J]. Proceedings of SPIE - The International Society for Optical Engineering, 2013, 8887(3): 521-525.

[12] 龙翔，赵庆展，王学文，等. 基于机载高光谱端元提取分析棉花生长期光谱变化[J]. 新疆农业科学，2021，58(7)：1207-1216.

Long Xiang, Zhao Qingzhan, Wang Xuewen, et al. Analysis of spectral change of cotton during growth period based on endmember extraction of UAV hyperspectral image[J]. Xinjiang Agricultural Sciences, 2021, 58(7): 1207-1216. (in Chinese with English abstract)

[13] 张立福，彭明媛，孙雪剑，等. 遥感数据融合研究进展与文献定量分析(1992—2018)[J]. 遥感学报，2019，23(4)：603-619.

Zhang Lifu, Peng Mingyuan, Sun Xuejian. et al. Progress and bibliometric analysis of remote sensing data fusion methods (1992-2018)[J]. Journal of Remote Sensing, 2019, 23(4): 603-619. (in Chinese with English abstract)

[14] 张飞艳，谢伟，林立宇，等. 基于小波域自然影像统计特性的无参考遥感影像质量评价[J]. 电子与信息学报，2011，33(11)：2742-2747.

Zhang Feiyan, Xie Wei, Lin Liyu, et al. No-reference remote sensing image quality assessment based on natural scene statistical in wavelet domain[J]. Journal of Electronics and Information Technology, 2011, 33(11): 2742-2747. (in Chinese with English abstract)

[15] 李喆，李建增. 小型无人机模糊图像复原问题分析[J]. 兵器装备工程学报，2019，40(3)：165-168.

Li Zhe, Li Jianzeng. Analysis of blurred image restoration for small UAV[J]. Journal of Ordnance Equipment Engineering, 2019, 40(3): 165-168. (in Chinese with English abstract)

[16] Zhao Y Q, Yang J. Hyperspectral image denoising via sparse representation and low-rank constraint[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 53(1): 296-308.

[17] Liao L B, Jarecke P J, Gleichauf D, et al. Performance characterization of the hyperion imaging spectrometer instrument[J]. Proceedings of SPIE - The International Society for Optical Engineering, 2000, 4135: 264-275.

[18] 刘迪，李迎春. 基于深度学习和人眼视觉系统的遥感图像质量评价[J]. 激光与光电子学进展，2019，56(6)：161-169.

Liu Di, Li Yingchun. Quality assessment of remote sensing images based on deep learning and human visual system[J]. Laser and Optoelectronics Progress, 2019, 56(6): 161-169. (in Chinese with English abstract)

[19] Lu Y B，Liu W Q，Zhang Y J, et al. An adaptive hierarchical savitzky-golay spectral filtering algorithm and its application[J]. Spectroscopy and Spectral Analysis, 2019, 39(9): 2657-2663..

[20] Christophe E, Leger D, Mailhes C. Quality criteria benchmark for hyperspectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(9): 2103-2114.

[21] Zhou W, Bovik A C. A universal image quality index[J]. IEEE Signal Processing Letters, 2002, 9(3): 81-84.

[22] Eskicioglu A M, Fisher P S. Image quality measures and their performance[J]. IEEE Transactions on Communications, 1995, 43(12): 2959-2965.

[23] 束美艳，顾晓鹤，孙林，等. 基于新型植被指数的冬小麦LAI高光谱反演[J]. 中国农业科学，2018，51(18)：3486-3496.

Shu Meiyan, Gu Xiaohe, Sun Lin, et al. High spectral inversion of winter wheat LAI based on new vegetation index[J]. Scientia Agricultura Sinica, 2018, 51(18): 3486-3496. (in Chinese with English abstract)

[24] Andreas B, Helge A, Luis A, et al. Angular dependency of hyperspectral measurements over wheat characterized by a novel UAV based goniometer[J]. Remote Sensing, 2015, 7(1): 725-746.

[25] 张应刚，余先川，张林，等. 多源遥感影像融合质量性能评估研究[J]. 制造业自动化，2019，41(7)：139-147.

Zhang Yinggang, Yu Xianchuan, Zhang Lin, et al. Research on multi-source remote sensing image fusion quality assessment[J]. Manufacturing Automation, 2019, 41(7): 139-147. (in Chinese with English abstract)

Construction of the hyperspectral image distortion evaluation index for low altitude UAVs

Zhao Qingzhan1,3,4, Liu Hanqing2,3,4, Tian Wenzhong2,3,4, Wang Xuewen1,3,4

(1.,,832003,;2.,,832003,; 3.,832003,;4.,832003,)

The rapid development of UAV equipment provides a new remote sensing data acquisition platform. The acquisition of airborne hyperspectral image data generally includes three main steps: image acquisition, image preprocessing and image splicing. The acquired data is obtained by segment registration after wave first, and the data quality is crucial to the generation effect of subsequent orthophoto images. Most of the current studies are based on the direct interpretation of Orthophoto images, and it is impossible to avoid the distortion of Orthophoto images caused by the anomalies caused by the previous data acquisition or data preprocessing. The process of remote sensing data acquisition and transmission in natural environment is interfered by many factors, which results in some errors between the collected data and the actual situation. During data acquisition of hyperspectral imaging system of UAV, image distortion, such as white noise and stripe noise, will be caused due to route change and solar irradiance change, which seriously interferes with the acquisition of aerial images. How to establish effective evaluation indicators to guide the quality interpretation of aerial images is a matter of concern. In order to solve this problem, this study uses the ground object spectrometer (350-2 500 nm) and airborne imaging spectrometer (502.56-903.2 nm) to obtain the canopy spectrum of cotton crops in the study area .The aerial image size is 42 bands× 768 pixel×768 pixel. Combined with the central wavelength of the imaging spectrometer, the spectral data of the ground object spectrometer with the same half wave width are separated for spectral information comparison. Analyze the spectral characteristic positions and amplitudes of typical vegetation, such as green peak, red edge and red valley, to verify the quality of spectral information and ensure the accuracy of spectral information acquisition of reference images. Referring to previous research contents and actual data acquisition results, the main distortion types are locked, and the collected high-quality reference images are sequentially generated into five types samples of different degrees, including white noise, defocus blur, motion blur, spectral smoothing and stripe noise, through digital image processing technology. Each type includes 150 samples and a total of 750 samples, Based on the statistical results of the actual noise samples, a total of 50 noise sample sets (stripe noise and mixed white noise) and reference images were constructed by using morphology and interpolation processing. According to the characteristics of hyperspectral images, 3 categories of 15 indexes for calculating the spatial information, spectral information and spatial spectral composite quality of images covering the band are established. With the help of multiple types of samples with different degrees of distortion, the effectiveness of the indexes is evaluated by using the correlation analysis method. The correlation analysis of the indexes is carried out in combination with the two categories of samples. The results show that the each image quality calculation index proposed in this paper was significantly correlated with the deterioration of image quality (<0.01). The correlation of all indicators for real noise samples has decreased to varying degrees. Only four indicators, mean absolute error MAE (0.609,<0.01), mean square error MSE (0.459,<0.01), relative root mean square error RRMSE (0.502,<0.01) and overall information fidelity(-0.471,<0.01) meet the correlation analysis. The research results can provide reference for the quality evaluation of low altitude airborne hyperspectral image data and the quality analysis and distortion index selection in the image processing process.

UAV; hyperspectral; remote sensing; image distortion; evaluation index

10.11975/j.issn.1002-6819.2022.20.008

TP732；TP751

A

1002-6819(2022)-20-0067-10

赵庆展，刘汉青，田文忠，等. 低空无人机高光谱影像失真评价指标构建[J]. 农业工程学报，2022，38(20)：67-76.doi：10.11975/j.issn.1002-6819.2022.20.008 http://www.tcsae.org

Zhao Qingzhan, Liu Hanqing, Tian Wenzhong, et al. Construction of the hyperspectral image distortion evaluation index for low altitude UAVs[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(20): 67-76. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.20.008 http://www.tcsae.org

2022-05-03

2022-08-25

中央引导地方科技发展专项资金项目（201610011）；新疆生产建设兵团科技计划项目（2017DB005）

赵庆展，教授，研究方向为农业信息化、空间信息系统集成与服务。Email：zqz_inf@shzu.edu.cn