计算无人机俯拍图像的地面采样距离（GSD）矩阵

计算无人机俯拍图像的地面采样距离（GSD）矩阵

引用

CSDN

1.

https://blog.csdn.net/qq_45141261/article/details/144540446

在无人机遥感、测绘和精细农业等领域，地面采样距离（Ground Sampling Distance，简称 GSD）是一个非常重要的指标。GSD 是指图像中每个像素在地面上实际代表的物理距离，通常以米或厘米为单位。GSD 决定了图像的空间分辨率，直接影响到后续的分析结果，比如分割对象的精度、目标检测的准确性以及面积测量的精度。

背景和应用场景

1.1 什么是 GSD？

GSD 是衡量图像空间分辨率的核心指标。对于一个无人机拍摄的影像，GSD 通常由以下因素决定：

• 图像传感器大小：传感器越大，单个像素接收到的地面信息越多。
• 飞行高度：飞行高度越高，每个像素对应的地面范围越大，但空间分辨率相对降低。
• 相机焦距：焦距越长，地面范围缩小，从而提高分辨率。
• 图像尺寸：图像的分辨率（像素宽度与高度）也会影响每个像素所覆盖的地面范围。

1.2 GSD 的实际意义

GSD 在许多应用场景中都有重要意义：

• 目标检测与分割：通过 GSD，可以将像素级的分割结果转化为实际的物理尺寸。例如，在精细农业中，通过分割作物的区域并结合 GSD，可以精确计算每块地的作物面积。
• 精确测量：在无人机航拍的测绘中，GSD 决定了测量地物（如建筑物、道路、土地分块等）大小的精度。
• 多尺度分析：结合 GSD，可以实现不同尺度图像的对比分析，便于对某一区域的精细解读。

GSD 矩阵的计算

import numpy as np

def calculate_gsd_matrix(image_height: int, image_width: int, sensor_height: float, sensor_width: float, focal_length: float,
                         flying_height: float, pitch_angle: float) -> np.ndarray:
    """
    计算无人机拍摄的图像每个像素的地面采样距离（GSD）矩阵。

    Args:
        image_height: 图像高度（像素）。
        image_width: 图像宽度（像素）。
        sensor_height: 相机传感器高度（毫米）。
        sensor_width: 相机传感器宽度（毫米）。
        focal_length: 相机焦距（毫米）。
        flying_height: 无人机飞行高度（米）。
        pitch_angle: 相机俯仰角（度）。
    Returns:
        代表每个像素 GSD 的 2D numpy 数组。
    """
    # 预先计算的常量
    pixel_size_height = sensor_height / image_height
    pixel_size_width = sensor_width / image_width
    horizontal_gsd_height = (flying_height * pixel_size_height) / focal_length
    horizontal_gsd_width = (flying_height * pixel_size_width) / focal_length
    # 计算垂直视场角（VFOV）和水平视场角（HFOV）
    vfov = 2 * np.arctan(sensor_height / (2 * focal_length))
    hfov = 2 * np.arctan(sensor_width / (2 * focal_length))
    # 计算每个像素的俯仰角和翻滚角
    pixel_angles_v = ((np.arange(image_height) - image_height / 2) / image_height) * np.degrees(vfov) + pitch_angle
    pixel_angles_h = ((np.arange(image_width) - image_width / 2) / image_width) * np.degrees(hfov)
    # 应用无效角度的掩码
    invalid_mask_v = (pixel_angles_v > 90) | (pixel_angles_v < -90)
    invalid_mask_h = (pixel_angles_h > 90) | (pixel_angles_h < -90)
    # 计算垂直和水平 GSD
    row_gsd = horizontal_gsd_height / np.cos(np.radians(pixel_angles_v))
    col_gsd = horizontal_gsd_width / np.cos(np.radians(pixel_angles_h))
    # 设置无效 GSD 为 nan
    row_gsd[invalid_mask_v] = np.nan
    col_gsd[invalid_mask_h] = np.nan
    # 结合垂直和水平 GSD
    gsd_matrix = np.outer(row_gsd, np.ones(image_width))
    return gsd_matrix

我们可以利用上述函数计算 GSD 矩阵：

# 示例参数
image_height = 3000
image_width = 4000
sensor_height = 8.8  # mm
sensor_width = 13.2  # mm
focal_length = 8.0  # mm
flying_height = 120.0  # m
pitch_angle = 0.0  # degrees
# 计算 GSD 矩阵
gsd_matrix = calculate_gsd_matrix(image_height, image_width, sensor_height, sensor_width,
                                  focal_length, flying_height, pitch_angle)
print("GSD 矩阵计算完成，矩阵尺寸为:", gsd_matrix.shape)

可视化的GSD矩阵如下：

GSD 矩阵的实际应用

3.1 面积测量

在遥感分析中，常常需要计算某个区域的面积。例如，结合分割算法将作物区域提取出来后，可以利用 GSD 矩阵将像素面积映射为实际物理面积。

3.2 精确定位与测绘

结合 GSD 矩阵，可以将像素坐标直接映射为实际地理坐标。这在无人机测绘中非常有用，可以高效生成高精度的地理信息图。

总结

本文介绍了如何计算无人机俯拍图像的 GSD 矩阵，并展示了其在面积测量等实际应用中的价值。掌握 GSD 的计算与应用方法，可以帮助我们更好地处理无人机影像数据，提升分析结果的精度与可信度。