无人机图像处理常见问题及解决方案

johnsoncodehk

无人机因其操作简易、通量高、采集数据方便等特点正在农业科研和企事业单位中广泛应用，而后续分析却令不少用户头痛不已。

整个流程涉及图像拼接、数据校正、图像标定、特征提取和算法分析等环节，其中涉及多个软件的协同和组合使用(如Pix4D、PhotoScan、QGIS、ENVI、Python等)，很多用户表示虽然图像拼接已经有较方便的软件(如大疆智图)，但最关键是后续各小区的特征提取，这样才能跟育种栽培或水质监测进行关联分析，难道没有操作简便的一体化工具吗？

● PhenoAI air了解一下！

01
小区标记
不论是高光谱、多光谱还是可见光图像，PhenoAI air都能自动选取可见光波段进行显示，方便用户进行作物小区或河流的标记。



02
尺度校正
通过标记参照物的实际尺寸，后续特征提取时将自动折算小区或河流等目标的实际形态信息。



03
特征提取
不论是高光谱、多光谱还是可见光图像，都可一键分析，并描出作物轮廓方便用户查看分割精度。



04
添加模型
对于较复杂的分析场景，PhenoAI air支持添加所有主流框架或产品下的深度学习模型用于分割，包括Pytorch、TensorFlow、Keras、GrowthBrain。



05
扩展模块
支持添加任意经典机器学习和深度学习模型的可视化训练和调参模块，无需编程，使得算法训练和分析一体化，更方便应对复杂图像场景的准确分割和日常数据分析问题。

深度学习
包括Mask RCNN、FPN、LinkNet、PSPNet、 Unet等


经典机器学习
包括RandomForest、Neural NetWork、SVM、PLSR等

06
一键分析
PhenoAI air操作简单，仅需标记图片便可一键分析，同时分析图表自动化保存，并描出小区轮廓方便客户查看识别精度，另还可根据电脑配置自动调节占用的cpu核数。



07
具体参数
对于可见光相机，可全/半自动提取分析各小区植被面积、覆盖度、株数、颜色等信息；对于多光谱图像，还可全/半自动提取分析各小区的NDVI等植被指数同时能进行更精准的图像分割；对于高光谱图像，还可在可见光和多光谱图像的基础上全/半自动化提取近60个植被指数。

高光谱(150+指标)
NDVI(归一化植被指数)
DVI(差值环境植被指数)
RVI(比值植被指数)
PVI(垂直植被指数)
PRI(光化学反射指数)
GVI(绿度植被指数)
DCNI(双峰冠层氮指数)
EVI(增强型植被指数)
......
多光谱(100+指标)
Red edge
NIR
NDVI
GNDVI
NDRE
OSAVI
LCI
可见光图像特征
......
可见光(50+指标)
小区面积
覆盖度
小区纹理
NGRDI        
ExG        
CIVE        
VEG        
ExGR        

......