近年来，以卷积神经网络为代表的深度学习方法因不用进行复杂的数据预处理和特征设计逐渐成为高光谱图像分类领域的研究热点。在现有的神经网络模型基础上，结合高光谱图像数据特点，提出了一种注意力卷积神经网络模型。该模型通过残差结构构建深度卷积神经网络提取空谱特征，引入通道注意力机制对提取的特征进行重标定。根据特征重要性的不同，注意力机制对不同通道上的特征赋予不同的权重，突出重要特征，抑制次要特征，从而提高分类的精度。在两个公开的高光谱数据集Indian Pines和Pavia University上进行了实验。当数据集的空间邻域大小设置为19×19，Indian Pines以3∶1∶6的比例划分样本，Pavia University以1∶1∶8的比例划分样本时，数据集的分类精度最优，平均总体分类精度为99.55%，平均分类精度为99.31%，平均Kappa系数为99.45%。实验结果表明，引入残差结构的深度卷积神经网络可以提取高光谱图像的深层空谱特征，注意力机制对特征进行重新标定，强化了重要特征，从而有效提高了高光谱图像的分类精度。

大斑病是一种对玉米危害严重的病害, 迫切的需要一种可以快速了解玉米大斑病病情的方法。 以无人机遥感作为新的技术平台, 探究玉米冠层受到大斑病胁迫时的光谱响应情况, 并利用无人机高光谱成像技术对大斑病病情进行监测和可视化研究。 采集玉米多生育期(抽雄期、 灌浆期、 完熟期)冠层500～900 nm的高光谱影像, 根据采集影像的原始光谱和一阶微分光谱特征, 提取出12个大斑病敏感波段位置, 12个波段位置分别为: 514, 532, 553, 680, 714, 728, 756和818 nm, 近红外、 红、 绿波段及红边位置。 根据前人提出的植物病害监测参数结合提取的敏感波段位置, 构建13组针对玉米冠层大斑病的监测光谱参数, 研究不同波段对大斑病病情指数(DI)值的敏感性, 并构建玉米冠层大斑病的监测模型, 验证利用无人机遥感监测大斑病DI值的精度及稳定性。 结果表明: 随病情指数增加, 一阶微分光谱图出现典型的“蓝移”现象, 病害冠层DI值与红光(680～714 nm)和近红外(770～818 nm)的反射率及一阶微分光谱图的红边位置(680～756 nm)相关性更显著, 与绿光波段相关性较低。 在13组监测光谱参数中, 8组与建模样点冠层大斑病实测DI值达到极显著相关水平, 决定系数(R2)均达到0.8以上, 选取各生育期R2达到0.8以上的光谱参数用于玉米冠层大斑病监测模型的构建, 将检验样本的实测值与监测模型的预测值进行相关性分析。 检验表明, 在抽雄期, 模型DI-NDVI(SDλi, SDλj)的回归斜率(0.829 3)和决定系数(R2=0.842 7)都最接近1, 均方根误差(RMSE=4.59)和相对误差(RE=12.3)更小, 说明模型DI-NDVI(SDλi, SDλj)的预测能力和精度更高。 各生育期对应模型均取得较好监测效果, 说明本研究利用无人机遥感对植物病害监测具有指导意义, 对精准农业的发展具有一定的借鉴价值。

由于无人机影像具有数据量大、分辨率高等特点，在进行影像拼接处理时会涉及多张影像，因此其拼接误差不能忽略，且随着拼接影像数量的增多误差会不断积累。在分析了无人机影像拼接主要误差来源之后，较深入地研究了影像重叠度及误差累积问题。确定了无人机影像拼接的最佳重叠度，并依据最佳重叠度对原始影像进行“抽稀”处理，最后提出了一种适用于无人机影像的分块拼接方法。研究结果表明，根据最佳重叠度对原始影像进行“抽稀”能减少参与拼接的影像数量，对“抽稀”后的影像采用分块拼接方法能够有效地减小拼接误差、改善影像拼接视觉效果，同时在一定程度上提高了影像处理效率。

：针对无人机空中姿态不稳定，其拍摄影像存在倾斜、曝光不均匀等缺点，采用常规的影像匹配方法效果不佳，甚至无法匹配，而SIFT 算法对图像几何变形、分辨率差异、旋转等有较好适应性。利用SIFT 算法对无人机影像进行特征点的提取，并采用最小二乘算法对影像进行精匹配。同时，为了减少拼接过程中误差的传播，提出了分块拼接方法。实验结果表明：SIFT 算法适用于无人机影像匹配，在精匹配过程中采用最小二乘算法能够有效地剔除误匹配，并减小了时间复杂度和空间复杂度。