1.一种面向水域的无人机遥感多光谱图像拼接方法，其特征在于，包括以下步骤：

第一步，接收图像数据，并合成多波段图像；

同时获取多波段图像对应的经纬度POS信息，并剔除经纬高数据异常值；

第二步，根据第一步中对应的经纬度POS信息进行图像的几何校正预处理，得到校正图像；

第三步，基于图像对应的经纬度POS信息和偏航角信息，计算地理坐标投影信息，并对第二步中的校正图像添加地理坐标投影信息；

第四步，按照拼接策略选取无人机图像序列，根据第三步中的地理坐标投影信息，进行图像的粗配准，得到平移变换矩阵和两幅配准图像；

粗配准的过程如下：

在拼接的前几轮使用帧到帧拼接策略，后续选择拼接图到拼接图的拼接策略以完成图像的拼接；

获取同一航线上相邻的图像 和图像 ，图像左上角的地理坐标分别为 和，以图像 为基准，求得图像 相对于图像 的偏移量；

所述偏移量的计算公式如下：

（15）

根据偏移量，将几何校正后的图像 和图像 分别绕 和 旋转 度至航线方向，图像中的任一点在图像 中的图像坐标的计算公式如下：（16）

其中， 表示平移变化矩阵；

配准图像的仿射矩阵参数的左上角像元地理坐标 的计算公式如下：（17）；

配准图像的地面分辨率 和 均保持不变；

第五步，根据第四步中的配准图像，利用计算机图形学知识，计算出重叠区域位置，并抠取重叠区域图像，得到待拼接图像；

第六步，利用主成分分析法PCA对第五步中的待拼接图像提取第一主成分图像，并对第一主成分图像构建尺度不变特征模型SIFT，以获取第一主成分图像的特征点；

第七步，判断第六步中的特征点数量，若数量少于N个，将第四步中的平移变换矩阵作为后期的单应性变化矩阵；

否则采用查询索引KD树方式，建立一对多假设匹配集，并以空间距离作为第六步中特征点的相似性评估指标，筛选出符合要求的匹配点；并使用距离直方图约束全局相似属性来剔除误匹配点对，计算单应性变换矩阵；

第八步，对第四步中的两幅配准图像构建基于拉普拉斯Laplacian金字塔的多分辨率融合模型，并结合第七步中的单应性变换矩阵，对第四步中的两幅配准图像进行融合，实现无人机遥感多光谱图像的拼接；

之后返回第四步，直到完成所有序列图像的拼接后退出。

2.如权利要求1所述的一种面向水域的无人机遥感多光谱图像拼接方法，其特征在于，所述第一步中，多波段图像的合成方法如下：接收无人机遥感的多光谱图像，并将同时刻拍摄的同一位置的单波段图像进行合成，得到多波段图像；

并根据获取单波段图像对应的经纬度POS信息剔除起飞和返航时的经纬高数据异常值；

所述经纬度POS信息包括经度 、纬度 、航高 、航向角 、俯仰角 、滚转角 、地面分辨率ϵ以及测量系统的地理坐标系和投影坐标系；

地面分辨率ϵ的计算公式如下：

（1）。

3.如权利要求1所述的一种面向水域的无人机遥感多光谱图像拼接方法，其特征在于，所述第二步中，几何校正的方法包括以下内容：步骤21，建立图像坐标系 ，相机坐标系 ，机体坐标系 ，地理坐标系 ；

步骤22，对步骤21中的图像坐标系选择以像主点为原点，沿飞行方向为 轴的正方向，垂直于飞行方向为 轴的正方向时，根据相机与机体的相对位置关系及无人机的飞行姿态，进行图像坐标系下像点 与地理坐标系下对应物点 的变化关系转换；

变化关系转换的计算公式如下：

（2）

其中，f为焦距，用于表示图像坐标系与相机坐标系在Z轴方向的平移量；

步骤23，由于相机的镜头光心与无人机的质心重合，且相机坐标轴系经过平移后与机体坐标系完全重合，即 为单位矩阵；

根据步骤22中的平移量，构建相机成像模型，其计算公式如下：（3）

其中， ，为比例系数，即 ；

在正直摄影条件下，遥感图像中像点 与校正后的像点 的满足关系式如下：

（4）

其中， 分别为基于俯仰角的校正旋转矩阵、基于滚动角的校正旋转矩阵、基于偏航角角的校正旋转矩阵、基于航高的校正矩阵；

步骤24，对步骤23中的 分别建立俯仰角校正矩阵、滚动角校正矩阵、偏航角校正矩阵、高度校正矩阵，得到校正数学模型；

（5）

（6）

（7）

（8）

（9）

（10）

（11）

（12）

其中，表示任一像素点和焦点的连线与中心视轴之间的夹角；

步骤25，根据步骤24中的校正数学模型，计算图像四角坐标校正后的新坐标，通过旧坐标与新坐标求出变换矩阵，并采用双线性插值重采样方法计算出新的校正图像，完成图像的几何校正，并更新图像的地理坐标信息。

4.如权利要求1所述的一种面向水域的无人机遥感多光谱图像拼接方法，其特征在于，所述第三步中，地理坐标投影信息的计算方法如下：利用仿射矩阵参数对遥感图像坐标与地理坐标进行转换，其包括6个参数，分别为，描述的是图像行列号和地理坐标之间的关系，其中， 、 表示图像左上角像元的地理投影坐标， 、 分别表示图像像元在经度、维度方向的地面分辨率， 表示图像旋转角度的正弦值；

将图像绕中心 点顺时针旋转 度，然后根据无人机记录的经纬度经过坐标投影计算得到 点坐标 ，则图像左上角像点 坐标的计算公式如下：（13）

其中w和h分别表示图像尺寸的宽和高；

地面分辨率 ，此时 = ；

图像坐标系下任一点 的地理坐标 的计算公式如下：（14）。

5.如权利要求1所述的一种面向水域的无人机遥感多光谱图像拼接方法，其特征在于，所述第五步中，抠取重叠区域图像，包括以下内容：步骤51，将图像 和 分别绕 和 旋转 度至航线方向；

步骤52，步骤51中的旋转完成后，根据计算机图形学知识，计算出图像 四角构成的四边形 与图像 四角构成的四边形 的多边形重叠区域；

步骤53，在步骤52中的多边形重叠区域向外添加一定偏置 ，最终获得多边形重叠区域ABCD的坐标；

步骤54，利用步骤53中的多边形重叠区域ABCD的坐标制作掩膜图像，从图像 和 中获得只含重叠区域的图像，记为图像 和 。

6.如权利要求1所述的一种面向水域的无人机遥感多光谱图像拼接方法，其特征在于，所述第六步中，构建第一主成分图像的尺度不变特征变换SIFT模型的方法如下：步骤61，输入大小为 ，波段数为 的多光谱图像矩阵 ，将 重组为 行 列矩阵，对 每一列进行归一化得到 ；

的计算公式如下：

（18）

步骤62，根据步骤61中的 ，计算协方差矩阵 ；

协方差矩阵 的计算公式如下:

（19）

步骤63，计算步骤62中的协方差矩阵 最大特征值对应的特征向量 ；

步骤64，对重组图像的 提取步骤63中的特征向量 的主成分图像，并重组为大小的图像 ；

图像 的计算公式如下：

（20）

步骤65，将步骤64中的主成分图像作为尺度不变特征变换SIFT特征点提取的输入，然后进行构建DOG尺度空间、检测DOG尺度空间的极值点，删除不稳定的特征点、对特征点方向进行赋值和生成特征点描述子；

所述构建DOG尺度空间，包括以下内容：通过对源图像进行高斯模糊和降采样得到图像金字塔，降采样的计算公式如下：（21）

其次对图像金字塔的每层图像使用不同的 参数进行高斯模糊，得到的多张模糊过图像构成了高斯金字塔，其计算公式如下：（22）

（23）

然后将相邻的两个高斯空间的图像相减得到DOG图像，其计算公式如下：（24）

式中， 表示降采样，其中 ； 表示源图像， 表示原图像卷积后的高斯尺度空间， 代表卷积运算，表示高斯卷积核的尺度因子； 表示高斯核函数，代表卷积核的大小；表示相邻尺度空间的比例因子，取 ；

检测DOG尺度空间的极值点，包括以下内容：将每个像素点与同一尺度领域的8个像素点和上下相邻的尺度的18个像素点进行比较，只有当该像素点的DOG值全部大于或小于对比的26个像素点的DOG值时，该像素点是DOG尺度空间上一个极值点；

删除不稳定的特征点，包括以下内容：首先，为了得到极值点的精确位置，需要对离散空间进行像素差值，然后通过类比拟合三维二次函数以得到极值点精确位置，最后剔除低对比度的极值点；

同时，对边缘响应大的极值点进行舍弃；

对特征点方向进行赋值，包括以下内容：计算每个特征点的模 和方向 的计算公式如下：（25）

（26）

式中， 是特征点所在的尺度空间值；以特征点为中心，计算以 为半径的邻域梯度幅值和方向，利用直方图统计领域像素点的梯度方向分布，将梯度方向从 分成36等份，把直方图中主峰值的所在方向确定为该特征点的主方向，若存在一个等份方向的峰值大于主峰值80%时，则将该等份方向作为该特征点的辅方向；

生成特征点描述子，包括以下内容：

将该区域的图像坐标轴旋转到与特征点梯度方向重合；

然后取以特征点为中心的 大小的邻域窗口，计算每一个像素的梯度，距离特征点越近则权值越大，子区域的像素梯度按照 来进行高斯加权，权重计算公式如下；

（27）

再将该区域细分为 个子区域，通过对梯度值进行加权的方法统计每个子区域中8个方向的梯度直方图，形成8位的向量描述，这将构成一个 维的描述向量，最后将这些向量归一化后，即为尺度不变特征变换SIFT特征点的描述符。

7.如权利要求1所述的一种面向水域的无人机遥感多光谱图像拼接方法，其特征在于，所述第七步中，匹配点的筛选方法如下：采用查询索引KD树方式，通过空间距离选择与图像 中每个特征点最接近的图像 中的 个特征匹配点形成一对多的假设匹配集，并采取空间距离作为特征点相似性的评估指标，空间距离包括欧氏距离 和像素坐标距离 的加权和，其计算公式如下：（12）

（13）

其中， 和 分别为两个特征点的特征描述子向量；

和 为像素点位置坐标；

计算每个特征点与假设匹配集点的空间距离 ，其计算公式如下：（14）

其中，为匹配点的像素坐标距离项影响因子；

匹配筛选策略采用最近邻空间距离与次近邻空间距离之比，其计算公式如下：（15）

其中 为最近空间距离， 次近空间距离；当 ，是预先确定的比值，则两个角点互为匹配点对，实现对所有的特征点进行粗匹配；

对于局部相似属性的特征点，匹配点的筛选过程如下：计算匹配点对间的距离，将距离值的最大最小值均匀的分为10个区间，每个区间的频率为 ，则峰值区间的频率为 ，对应的区间为第 个，在区间中的匹配点对是正确匹配点对，该匹配点对集为寻找的精确匹配点对；

再根据随机抽样一致RANSAC算法消除错误特征点对，从而计算出单应性变化矩阵，用单应性变换矩阵乘以图像得到待融合图像。

8.如权利要求1所述的一种面向水域的无人机遥感多光谱图像拼接方法，其特征在于，所述第八步中，基于拉普拉斯Laplacian金字塔的多分辨率融合模型的构建方法如下：每两幅图像的融合首先建立两幅图像 和 的高斯金字塔 、 ，然后建立对应的4层Laplace金字塔图像 、 ；

制作一个和图像 同样大小的mask掩膜图像 ，这个掩模图像代表融合的位置，然后求mask图像的高斯金字塔 ，其代表每个像素点的融合权重；

在每个尺度即分辨率下，根据当前尺度的 将两幅图像的Laplace金字塔图像进行相加，最终得到拼接的Laplace金字塔图像 ；

以 的最低分辨率图作为起始图，重构得到最高分辨率的拼接结果。

9.一种计算机设备，其特征在于，包括：一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1‑8任一所述的一种面向水域的无人机遥感多光谱图像拼接方法。