本发明涉及无人机遥感，尤其涉及一种面向无人机遥感图像序列的地物分类图像快速生成方法。
背景技术：
1、无人机遥感图像分类在农业、环境监测和生态保护等领域具有重要意义。通过高分辨率图像，无人机能提供精准的土地利用信息，帮助人员实现精准农业管理；在环境监测中，可监测自然灾害、水质变化等，提高应急响应效率；在生态方面，通过分类分析，有助于保护野生动植物及其栖息地，促进可持续生态平衡。
2、常用的无人机遥感图像分类方法主要分为监督分类和非监督分类两种方式。监督分类使用已知类别的样本数据进行训练，通过算法学习样本的特征，然后将这些学到的特征应用到整个图像，进行分类；其优点是精度较高，适用于已知类别的场景，结果可解释性强；但该方法需要标记好的训练数据，对数据质量和标签的准确性敏感。非监督分类不使用先验知识，根据图像内在的统计特征和结构，将图像分成不同的类别；其优点是无需大量标记好的训练数据，适用于未知类别的场景，能够自动识别数据中的潜在模式；但所获得的分类结果的解释性较差，对图像质量和场景的复杂性较为敏感。以往的方法通常是针对正射镶嵌图进行相关操作的，直接应用到无人机遥感图像序列上需要大量的数据标注和人工手动调整，才能获得较为可靠的分类图像序列。这种不足限制了无人机遥感数据(近)实时与高准确度解译，从而制约了其在精准农业、生态监测等方面的应用前景。
技术实现思路
1、本发明的发明目的在于：针对现有无人机遥感图像分类方法用于遥感图像序列存在工作量大、效率低、结果可靠性差等不足，采用“图像回溯”的思想，提供一种面向无人机遥感图像序列的地物分类图像快速生成方法，从而高效率获得可靠的分类图像序列。
2、本发明采用的技术方案为：
3、一种面向无人机遥感图像序列的地物分类图像快速生成方法，该方法包括下列步骤：
4、步骤s1，获取目标区域的高分辨率无人机遥感图像序列，并将其拼接生成目标区域的第一镶嵌图；如通过自动化拼图软件生成第一镶嵌图；其中，高分辨率无人机遥感图像可以是可见光数据、多光谱数据等，此类数据有利于地物分类；
5、步骤s2，对第一镶嵌图进行图像分类处理，得到目标区域的初始地物分类图(即分类大图)；
6、其中，图像分类处理可以采用监督分类或机器学习等高精度分类方法；
7、步骤s3，对输入目标区域的待分类的图像序列进行平差校准，并记录校准后的相机空间位置(x、y、z坐标)、相机姿态(如航向倾角、旁向倾角、像片旋角等)等参数；
8、若输入的目标区域的待分类的图像序列与镶嵌图的图像序列一致，则对待分类的图像序列进行拼接处理，生成目标区域的第二镶嵌图；
9、若存在第二镶嵌图，则将其与初始地物分类图进行图像配准，并重采样至相同的图像分辨率；即将第二镶嵌图与初始地物分类图进行地理配准与空间分辨率重采样，以第二镶嵌图为参考基准对初始地物分类图图像的地理信息进行微调；
10、步骤s4，获取待分类的图像序列的每一帧图像的地物分类图：
11、步骤s401，对当前帧图像(即待分类的图像序列的某一帧图像)，计算图像比例尺及图像中心相对于摄影中心的偏移量，并确定图像中心在初始地物分类图中的行列号；
12、步骤s402，计算当前帧图像的平面旋转变换矩阵，并基于该平面旋转变换矩阵进对当前帧图像进行平面旋转，并记录平面旋转后的图像的最小外接矩形的角点坐标；
13、步骤s403，从初始地物分类图中提取由步骤s402确定的最小外接矩形区域，生成一个子分类图像；并基于前帧图像的平面旋转变换矩阵对该子分类图像进行逆平面旋转变换，提取中心区域图像并导出，得到当前帧图像的地物分类图像。
14、进而基于上述步骤得到与待分类的图像序列一一对应的地物分类图像。
15、进一步的，s401中，根据所用相机的焦距、像元尺寸、校准后的相机姿态，以及第二镶嵌图的空间分辨率，计算图像比例尺，以及图像中心点相对于摄影中心在水平方向x和垂直方向y的偏移量dx和dy。
16、进一步的，s401中，根据记录的校准后的相机的水平和垂直方向的坐标，以及偏移量dx和dy，基于初始地物分类图像的地理信息，计算出当前帧图像的中心点在初始地物分类图像中的行列号。
17、本发明提供的技术方案至少带来如下有益效果：
18、本发明可快速、准确地生成与无人机遥感图像序列一一对应的地物分类图像，克服了传统方式工作量大、效率低、不确定性大等缺陷，从而为无人机遥感图像序列的进一步应用提供支撑。
1.一种面向无人机遥感图像序列的地物分类图像快速生成方法，其特征在于，包括下列步骤：
2.如权利要求1所述的方法，其特征在于，通过自动化拼图软件对图像序列进行拼图处理，得到对应的镶嵌图。
3.如权利要求1所述的方法，其特征在于，步骤1中，采用的高分辨率无人机遥感图为可见光数据或多光谱数据。
4.如权利要求1所述的方法，其特征在于，步骤s2中，图像分类处理可以采用监督分类方法或机器学习分类方法。
5.如权利要求1所述的方法，其特征在于，步骤s3中，相机姿态包括：航向倾角、旁向倾角和像片旋角。
6.如权利要求5所述的方法，其特征在于，步骤s401中，根据所用相机的焦距、像元尺寸、校准后的相机姿态，以及第二镶嵌图的空间分辨率，计算图像比例尺，以及图像中心点相对于摄影中心在水平方向x和垂直方向y的偏移量dx和dy。
7.如权利要求5所述的方法，其特征在于，s401中，根据记录的校准后的相机的水平和垂直方向的坐标，以及偏移量dx和dy，基于初始地物分类图像的地理信息，计算出当前帧图像的中心点在初始地物分类图像中的行列号。
8.如权利要求5所述的方法，其特征在于，步骤s402中，平面旋转变换矩阵为：
9.如权利要求5所述的方法，其特征在于，步骤s402中，平面旋转后的图像的最小外接矩形的角点坐标为：
