本发明涉及树木病状检测，特别是涉及基于无人机机载多光谱和可见光图像的树木病状检测方法。
背景技术：
1、多光谱病状检测技术通过不同波段的光谱数据，能够早期识别作物的病状害情况，这比传统的目视检查更加快速和准确，有助于及时采取防治措施，减少损失。多光谱病状检测技术能够覆盖大面积农田，提供全面的作物健康状况评估，提高了农业生产的效率。此外，这项技术还能够精确定位病状害发生的区域，减少农药的使用量和施用范围，从而降低对环境的污染，促进农业的可持续发展。过去的病状检测任务基本上都是传统的目视检查。这种方式依靠人工手段，成本高、效率低下且不能精确地定位到具体树木。
2、近年来由于无人机行业的蓬勃发展，领域内已经提出了很多种利用无人机机载摄像机实现病状检测的任务。目前病状检测的算法大致上分为传统的目标检测算法和基于深度学习的算法检测。主流深度学习分为基于 yolo 的模型和基于注意力机制的模型。我们发现这些研究一般都使用完整的多光谱数据，这会导致如下问题：1）完整的多光谱图像直接用于模型中会导致额外的算力损耗，降低模型的计算效果。2）区域级别的生长状况评测过于宽泛，对于具体单木的病状检测还需要人工判断，造成额外的人力成本。
技术实现思路
1、为了克服现有技术的不足，本发明的目的是提供基于无人机机载多光谱和可见光图像的树木病状检测方法，有效地克服了多光谱图像中非乔木部分计算损耗问题，通过融合单木分割结果图和多光谱图像，实现了高效的单木病状检测，大大降低了人力成本。
2、为实现上述目的，本发明提供了如下方案：基于无人机机载多光谱和可见光图像的树木病状检测方法，包括以下步骤：
3、利用搭载有多光谱相机的无人机进行树木的数据采集，得到具有4个波段的多光谱图像；
4、基于所述多光谱图像进行跨图像的特征点匹配和特征对齐，再利用匹配后的特征点建立图像间的拼合变换模型；
5、利用所述拼合变换模型将对齐后的所述多光谱图像拼接为一个整体遥感图像，并利用多频带混合技术来平滑过渡和减少拼接边缘的可见性；
6、对所述整体遥感图像中的可见光图像进行单木分割以得到每棵树的单木分割结果图，再将所述单木分割结果图与所述多光谱图像进行融合，得到多光谱单木分布图；
7、对所述多光谱单木分布图进行切片操作得到多个固定大小的分片图，基于多个所述分片图计算每棵树在不同波段下的辐射平均特征值，再利用所述辐射平均特征值来判断每棵树的生长状况和特定病状。
8、可选的，基于所述多光谱图像进行跨图像的特征点匹配和特征对齐，包括：
9、利用特征提取算法检测所述多光谱图像中的特征点，并为每个特征点生成一个用于特征匹配的特征描述符；
10、利用knn算法进行特征点匹配，并通过比较对应特征描述符之间的距离来确定特征相似点；其中，在匹配过程中通过交叉验证法和随机抽取一致性算法剔除和过滤错误匹配点；
11、基于匹配后的特征点，将不同波段的图像进行几何校正和对齐，使所述多光谱图像完成在像素级别的对齐。
12、可选的，利用匹配后的特征点建立图像间的拼合变换模型，包括：
13、基于匹配的特征点对，利用最小二乘法计算得到初始变换模型，再利用随机抽样一致性算法优化所述初始变换模型；
14、基于优化后的所述初始变换模型，利用非线性优化方法调整所述初始变换模型的变换参数，并检查和修正图像对齐质量，得到拼合变换模型。
15、可选的，利用所述拼合变换模型将对齐后的所述多光谱图像拼接为一个整体遥感图像，包括：
16、利用所述拼合变换模型将各个波段的图像进行几何校正和色彩平衡，完成图像预处理；
17、将预处理后的所有图像变换到同一个地理参考框架并投影到同一坐标参考系统中，再利用重采样技术统一图像的分辨率；
18、利用自动拼接算法将重叠的图像进行拼接，并对拼接后的重叠区域进行多波段融合，再利用图像处理软件对融合后的图像进行细节评估和局部校正，得到整体遥感图像；
19、将所述整体遥感图像保存为高分辨率图像文件并进行格式转换以进行不同分析工具的读取。
20、可选的，利用多频带混合技术来平滑过渡和减少拼接边缘的可见性，包括：
21、在所述坐标参考系统中，将同一分辨率的各个图像分解为不同频带图像，再利用多尺度分析技术将所述不同频带图像进行逐层分解，使所述不同频带图像中的不同细节分离到对应的频带中；
22、在所述自动拼接算法中引入laplacian金字塔，并将所述laplacian金字塔融合到每个图像中以建立细节层次；其中，在图像拼接后的所述重叠区域中，将对应的频带层次特点进行权重融合；
23、在图像拼接过程中，将所述laplacian金字塔的低频图像和高频细节进行逐层融合，使拼接过渡区域的图像特征均匀过度；
24、利用逆金字塔变换操作将逐层融合后的图像重构回原始的图像空间并合并高频和低频部分，以保留各个波段的细节特征并减少边缘接缝；
25、利用手动或滤波技术将小色差和边缘不平滑区域进行细节调整。
26、可选的，对所述整体遥感图像中的可见光图像进行单木分割以得到每棵树的单木分割结果图，包括：
27、对所述可见光图像进行颜色校正、噪声去除以及光谱波段的标准化处理以统一图像尺度，再基于处理后的所述可见光图像计算植被指数并提取纹理信息，实现树冠结构的识别；
28、利用基于植被指数的阈值分割法识别树木区域，再从每个初始阈值分割区域出发，以递归的方式合并相似的领域像素，并利用边缘检测找到轮廓结构，基于所述轮廓结构进行单木分割，得到初始分割图；
29、将生成所述初始分割图的相关数据整合并划分为训练集和验证集，利用所述训练集进行深度学习得到预训练模型，再利用验证集调整所述预训练模型和所述预训练模型的参数以进行模型优化，得到分割模型；
30、将所述整体遥感图像输入所述分割模型中进行前向传播，输出每个像素所属的类别并生成分割掩码，基于所述分割掩码，利用形态学操作精细化树冠边缘，利用分割优化工具增强边缘清晰度，利用连通组件分析消除异常分割区域，最后得到每棵树的单木分割结果图。
31、可选的，将所述单木分割结果图与所述多光谱图像进行融合，得到所述多光谱单木分布图，包括：
32、利用地理配准技术将所述单木分割结果图和所述多光谱图像的坐标和分辨率对齐，再提取所述单木分割结果图中的树冠掩码以及所述多光谱图像中的相关波段信息；
33、基于所述树冠掩码提取所述多光谱图像中对应单木的多光谱像素值，再将所述树冠掩码和所述多光谱像素值集成到一个数据矩阵中以构造每棵树的光谱特性图；
34、标注树木id，整合所述光谱特性图与对应单木的地理信息，得到多光谱单木分布图。
35、可选的，对所述单木分布图进行切片操作得到多个固定大小的分片图，基于多个所述分片图计算每棵树在不同波段下的辐射平均特征值，包括：
36、确定切片大小并遍历所述单木分布图中的每棵树，根据所述单木分布图的中心坐标在所述多光谱图像中生成多个切片；
37、利用所述树冠掩码提取每个切片内的相关波段数据并计算不同波段下的辐射平均特征值，关联所述辐射平均特征值、单木id和单木位置以得到单木综合结果，再将所述单木综合结果进行格式化保存。
38、可选的，利用所述辐射平均特征值来判断每棵树的生长状况和特定病状，包括：
39、将所有波段的所述辐射平均特征值进行标准化处理并进行整合，得到标准特征向量，将所述标准特征向量与健康树木样本数据结合得到分析数据集；
40、在分析模型中设置健康状态和健康状态阈值，利用所述分析数据集和异常识别算法训练所述分析模型，得到健康状态模型；
41、将所述单木综合结果输入所述健康状态模型中判断每棵树的生长状况和特定病状，并将判断结果与地理信息结合，生成空间风险分布图。
42、本发明通过提供基于无人机机载多光谱和可见光图像的树木病状检测方法，公开了以下技术效果：
43、1、本发明能够有效的将不同波段多光谱图像进行跨图像特征点匹配和像素级别的精准对齐，确保多波段信息的正确融合和利用，这一过程是自动化病状检测系统的基础，也是后续准确分析的前提，可以最大限度地降低误差，提高检测的灵敏度和准确性。
44、2、利用多频带混合技术，可以在多组图像的拼接过程中有效保留不同图像源的细节信息，减少拼接痕迹，保证拼接图像的完整性和自然过渡，生成高质量的全景阔叶乔木林遥感影像。这为后续的图像分析和树木健康监测提供可靠的数据基础。
45、3、在多波段影像中分割出单棵树，以获得每棵树的分割结果图，是树木病状检测的重要步骤，也为精准的植物病态监测和树木健康评估提供坚实的数据支持。这一过程结合了传统图像处理技术与现代深度学习方法，能够应对复杂的森林环境。
46、4、将单木分割结果与多光谱图像进行深度整合应用，可以有效地将不同波段的信息整合到每棵树上，使得后续的树木病状分析以及决策支持系统的开发更为准确和高效。
47、5、计算和分析每棵树在不同波段下的辐射特征，可以为树木病状监测和生态环境评估提供精准的数据支持。同时基于计算的辐射特征对每棵树进行固定大小的切片分析，细化多光谱分析过程，进而准确计算和评估每棵树的光谱特征，为智能化、精准化的林业病状监测奠定了基础。
48、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
1.基于无人机机载多光谱和可见光图像的树木病状检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于无人机机载多光谱和可见光图像的树木病状检测方法，其特征在于，基于所述多光谱图像进行跨图像的特征点匹配和特征对齐，包括：
3.根据权利要求2所述的基于无人机机载多光谱和可见光图像的树木病状检测方法，其特征在于，利用匹配后的特征点建立图像间的拼合变换模型，包括：
4.根据权利要求3所述的基于无人机机载多光谱和可见光图像的树木病状检测方法，其特征在于，利用所述拼合变换模型将对齐后的所述多光谱图像拼接为一个整体遥感图像，包括：
5.根据权利要求4所述的基于无人机机载多光谱和可见光图像的树木病状检测方法，其特征在于，利用多频带混合技术来平滑过渡和减少拼接边缘的可见性，包括：
6.根据权利要求5所述的基于无人机机载多光谱和可见光图像的树木病状检测方法，其特征在于，对所述整体遥感图像中的可见光图像进行单木分割以得到每棵树的单木分割结果图，包括：
7.根据权利要求6所述的基于无人机机载多光谱和可见光图像的树木病状检测方法，其特征在于，将所述单木分割结果图与所述多光谱图像进行融合，得到所述多光谱单木分布图，包括：
8.根据权利要求7所述的基于无人机机载多光谱和可见光图像的树木病状检测方法，其特征在于，对所述单木分布图进行切片操作得到多个固定大小的分片图，基于多个所述分片图计算每棵树在不同波段下的辐射平均特征值，包括：
9.根据权利要求8所述的基于无人机机载多光谱和可见光图像的树木病状检测方法，其特征在于，利用所述辐射平均特征值来判断每棵树的生长状况和特定病状，包括：
