一、前言

“请注意航空和无人机图像通常没有经过很好的校准这一事实。对此类图像的任何定量分析（例如植被指数）的输出都应非常小心地解释，尤其是在比较一天中不同时间获取的图像时或年份。”

航空（包括无人机或无人驾驶飞行器）图像的空间分辨率几乎是无限的，因为它基本上取决于获取图像的高度。 无人机图像提供的更高分辨率是其受欢迎的主要因素之一，特别是对于农业应用。

二、无人机的优略性

不幸的是，在低飞行高度获取图像有一些缺点。 首先，需要多幅图像来覆盖大面积区域（例如，无人机需要覆盖果园，传统航测需要覆盖城市）。 第二个缺点（与第一个缺点相关）是图像是在一段时间内获取的（例如几个小时甚至几天）。 在采集期间，获取图像的条件（例如太阳光照和角度）总是会发生变化，这会导致图像之间出现不一致。 图 1 显示了一个案例，其中在几个小时内获取了覆盖开普敦的航拍照片。 即使在这么小的地图比例尺（即缩小视图）下，也可以清楚地看到航空测量期间照明是如何变化的。

图 1：在开普敦上空获取的航拍图像，说明照明不一致

同样的事情也发生在无人机调查中，尽管由于飞行时间较短，程度不那么明显。 图像处理软件通常用于拼接单个图像，并通过应用“颜色匹配”和其他技术（一种技术实际上称为“闪避”）来美化图像之间的不一致。 这为图像的视觉解释做好了准备，但会显着改变图像的像素值（亮度和颜色特征）。

鉴于图像分析依赖于像素值的定量比较来“测量”目标对象的特征（例如，果园不同部分树木的生长活力），比较在不同时间获取的两幅图像意义不大，并且在 非常不同的条件，彼此。 或者使用经过修饰的图像。

处理多个图像的第三个挑战是，地面上的每个物体都至少从两个不同的角度观察（由于图像之间的重叠）。 当图像镶嵌时，这会导致许多失真。 与航测相比，这个问题在无人机图像中通常更为明显，因为通常使用更大程度的重叠和更广角的镜头。出于显而易见的原因，从不同且不一致的角度观察事物对于定量分析来说并不理想！

三、解决方法

为了解决这些问题，Dugal Harris（《Radiometric homogenisation of aerial images by calibrating with satellite data》）最近开发了一种技术来消除航拍图像中的大部分不一致，以便可以将其用于定量分析。 有关这项突破性技术的详细信息，请参阅最近发表在《国际遥感杂志》上的一篇论文。 本质上，每个航拍图像都被校准为代表表面反射率的近同步卫星图像。 卫星图像的分辨率通常比航空图像低很多（例如 1000 倍）。 例如，为了校准 50 厘米的历史航拍图像，Dugal 使用了 500 米分辨率的 MODIS 图像，因为它在辐射测量上经过了很好的校准/校正，每天获取并且免费提供。

下面（图 2）是图 1 的放大版本。单击图像上的右箭头将显示校准效果。 用于校准的 MODIS 图像显示在红线之外（注意分辨率低得多）。

该技术非常有效，比我们预期的要好得多！ 使用 Landsat-8 和 Sentinel-2 星座提供的免费表面反射图像可以获得更好的结果。 分辨率为 10 m 的 Sentinel-2 图像非常适合校准约 5 cm 分辨率的无人机图像。

同时，请注意航拍和无人机图像通常没有经过很好的校准。 此类图像的任何定量分析（例如植被指数）的输出都应非常小心地解释，尤其是在比较在一天或一年的不同时间获取的图像时。