大疆精灵4多光谱辐射信息分析

大疆多光谱简介

大疆多光谱无人机顶部设置了辐射传感器，可捕捉太阳辐照度并记录于影像文件中，当进行数据后期处理时，太阳辐照度数据将可用于对影像进行光照补偿，排除环境光对数据采集的干扰，有助于使用者获得更准确的 NDVI 结果，提高不同时段采集到的数据的准确度与一致性。
但很多人说可能不准，因此本文对大疆的辐射数据进行提取查看结果

波段分类

首先对获取的无人机图片根据波段分类，可以参照Python分类文件（大疆精灵4多光谱版PM4影象分类）。

实现代码

分别分析了多云和晴天的情况

信息获取

import os
from pyexiv2 import Image
import progressbar
import pandas as pd
import matplotlib.pyplot as plt


def image_info(imagepath):
    """获取xmp、xeif信息"""

    img = Image(imagepath)
    exif = img.read_exif()  # 读取 EXIF 元数据，这会返回一个字典
    xmp = img.read_xmp()
    img.close()  # 操作完之后，记得关闭图片

    return xmp, exif


def get_all_files(dir):
    """
    获取文件夹列表函数
    :param dir: 文件夹所在位置
    :return: 文件夹内文件名称列表
    """
    files_ = []
    lit = os.listdir(dir)
    for i in range(0, len(lit)):
        path = os.path.join(dir, lit[i])
        if os.path.isdir(path):
            files_.extend(get_all_files(path))
        if os.path.isfile(path):
            files_.append(path)
    return files_


result = {'time': [], 'lat': [], 'lon': []}
for band in progressbar.ProgressBar()(['red', 'green', 'blue', 'red_edge', 'nir']):
    image_path = r'E:\P4M_image_progressing\original_image\zhanqian20210814classed'
    file_dir = get_all_files(os.path.join(image_path, band))
    result[band] = []
    if band == 'nir':
        for i in file_dir:
            xmp, exif = image_info(i)
            Camera_Irradiance = float(xmp['Xmp.Camera.Irradiance'])
            time = exif['Exif.Photo.DateTimeOriginal']
            lat = float(xmp['Xmp.drone-dji.GpsLatitude'])
            lon = float(xmp['Xmp.drone-dji.GpsLongtitude'])
            result['time'].append(time)
            result['lat'].append(lat)
            result['lon'].append(lon)
            result[band].append(Camera_Irradiance)
    else:
        for i in file_dir:
            xmp, exif = image_info(i)
            Camera_Irradiance = float(xmp['Xmp.Camera.Irradiance'])
            result[band].append(Camera_Irradiance)
df = pd.DataFrame(result)

绘制六个波段折线图

f['time'] = df['time'].apply(lambda x: pd.to_datetime(x, format='%Y:%m:%d %H:%M:%S'))
line_df = df[['time', 'blue', 'red_edge', 'green', 'red', 'nir']].set_index('time')
fig = plt.figure(figsize=(15, 15))
line_df.plot(lw=3)
plt.show()

结果如下

绘制坐标位置图

i = 1
for band in progressbar.ProgressBar()(['red', 'green', 'blue', 'red_edge', 'nir']):
    ax = fig2.add_subplot(3, 2, i)
    for j in range(len(df['lat'])):
        color = '#%02x' % int(df[band][j] / 60) + '6666'  # 设置颜色随值大小变化
        ax.scatter(df['lon'][j], df['lat'][j], s=df[band][j] / 8, c=color, marker='.')
    i += 1
plt.show()

结果

总结

总体来看，第二张是在大晴天拍摄，效果还行，第一张是多云天拍摄，变化较大。飞机在转弯时光线变化也较大。