1.一种基于ROS的多光谱无人机智能定点施肥方法，其特征在于，包括如下步骤：S1：采集目标范围内的种植区氮、磷、钾多光谱俯视信息图像，对图像进行预处理，去噪、矫正图像畸变、调整图像对比度；

S2：选择氮、磷、钾在多光谱图像中的显像特征波段，利用改进的SLIC算法对单个像素进行聚类，生成内容敏感超像素，将超像素进行分类处理，以形成区块，得到光谱图像采集区内的氮素、磷素、钾素多光谱分布图；所述改进的SLIC算法融合二维流形，将多光谱图像映射到二维流形中进行计算，在图像纹理提取方面，融合ILNRBP算法，将8邻域降至对角4邻域，综合计算多光谱图的纹理特征；

利用改进的SLIC算法获取氮素、磷素、钾素多光谱分布图的具体操作为：S2.1：获取预处理后的多光谱遥感图像，设定所述多光谱遥感图像的总像素点为M、光谱波段为α条，生成目标超像素为k个，同时也是种像素的个数，定义种像素为z，最大迭代次数为maxi；

S2.2：初始化各项参数，在k个种像素 之间设定相同间距 将种像素设定为3×3单位矩阵对角区域内梯度最低点的位置；设置其它非种像素p的初始标签为b(p)＝‑

1，初始距离j(p)＝∞，初始迭代次数ci＝0；

S2.3：用ILNRBP算法计算每个像素的对角邻域纹理特征ILNRBPd,n,R,T(p)：式中：

其中：T为阈值，Xc为中心像素点p在欧氏空间中的坐标，d表示从中心像素点到邻域点像素的距离，l用来标记邻域像素点所在的位置，Xd,n,l表示在以中心像素p为中心，以d为半径的圆上等角度等间隔的均匀分布着n个像素点，n＝4；Y(Xd,n,l,R)表示以邻域像素Xd,n,l为中心，以R为半径的圆形邻域上等角等间隔的4个邻域像素值的均值：其中： 表示以Xd,n,l中心，以R为半径的圆周上第m个邻域像素的像素值，同样的，邻域数量为4，计数从0开始，即m＝0，且第0个邻域像素的像素值与中心像素点p即Xc的连线会经过Xd,n,l；

S2.4：计算单位正方形在二维流形中的面积：

其中：Dp表示以像素p为中心的单位正方形， 和 表示单位正方形沿对角切割出的三角形，Φ表示在二维流形中；为每个像素计算S(Φ(Dp))，计算二维流形中的局部搜索区域R：S2.5：在以种像素zi为中心的2L×2L区域Ω(zi)中计算S(Φ(Ω(zi)))与分割范围参数λi：S2.6：当ci＞0且分割范围参数λi小于分割阈值τ，则分割该超像素；

S2.7：超像素相似度计算：选取图像中的两个给定的像素点p1、p2，根据多特征融合的像素距离计算公式：其中，m和β分别为两个超参数，m是控制空间和光谱特征之间相对重要性的参数，β是调节纹理特征的权重参数，J(p1,p2)值越小，超像素间相似度越高，js为像素间的欧氏空间距离：2

js＝(||p1‑p2||2)

2 2

＝(x1‑x2) +(y1‑y2)

其中，像素点p1、p2的坐标分别为(x1,y1)和(x2,y2)，jc为像素间的光谱距离：其中，Gp表示图像像素中光谱通道有α条，即光谱波段的条数，Ti表示像素的第i条光谱通道强度；jt为像素间的纹理特征差异：2

jt＝(ILNRBPd,n,R,T(p1)‑ILNRBPd,n,R,T(p2))对以zi为中心的2λiL×2λiL区域中的每个像素p，计算其与种像素zi的聚类距离J＝J(zi,p)，当J＜j(p)，则设置该像素p的距离j(p)＝J，并设置其标记b(p)＝i；

S2.8：将邻近的超像素块分类合并，并更新种像素

S2.9：若迭代次数ci≥maxi，则结束迭代，输出超像素分割的结果，S2.10：若迭代次数ci＜maxi，则返回S2.4，同时迭代次数ci＝ci+1；

S3：按照像素进行分割，提取相同色块，找出颜色边缘并标记，得到多光谱分割图；

S4：将多光谱分割图中的区域与种植区实际场景下的生长态势进行比对，确定作物长势良好的氮含量、磷含量、钾含量波段范围，以及该范围在多光谱分割图中对应的显示色块，筛选并标记出多光谱分割图中长势良好的区块；

S5：将长势良好的分割区域进行排除，最后得到氮素、磷素、钾素的施肥区域；

S6：提取施肥区坐标，并根据施肥区坐标利用无人机自动化施肥。

2.根据权利要求1所述的基于ROS的多光谱无人机智能定点施肥方法，其特征在于，所述步骤1中采集目标范围内的种植区氮、磷、钾多光谱俯视图信息图像具体为：利用北斗定位技术获取无人机的实时位置信息，记录起始点坐标，控制无人机到种植区上空，分别采集目标范围内的种植区氮、磷、钾多光谱俯视图信息，记录采集成像的坐标位置，起始点坐标、采集成像的坐标用于多光谱分布图与地图的融合；同时利用激光雷达扫描得到当前地形数据，用于配合地图坐标规划自动施肥路径。

3.根据权利要求1所述的基于ROS的多光谱无人机智能定点施肥方法，其特征在于，所述步骤1中氮、磷、钾光谱图像信息的显像特征波段分别为：480nm～560nm特征波段、630nm～790nm特征波段、810nm～950nm特征波段。

4.根据权利要求2所述的基于ROS的多光谱无人机智能定点施肥方法，其特征在于，所述步骤6中提取施肥区坐标的具体操作为：将在步骤S1的数据采集时候记录的起始点坐标、采集成像的坐标在地图中定位，两个坐标点保证了多光谱图像投影到地图中的的角度、方向，以地图中的两个坐标为参照，将地图等比缩放，直到与多光谱中标记的对应坐标点重合，此时多光谱中已标记的施肥区投影到地图中，在地图中记录标记的坐标范围，实施施肥路径规划。

5.一种基于权利要求1至4任一所述的基于ROS的多光谱无人机智能定点施肥方法的定点施肥装置，其特征在于，包括无人机、ROS操作地面控制台；

所述无人机上设置有数据采集模块和数据接收模块，所述数据采集模块包括北斗定位、多光谱相机以及激光雷达，所述北斗定位用于获取无人机的实时位置信息，所述多光谱相机用于采集目标范围内的种植区氮、磷、钾多光谱俯视信息图像，所述激光雷达用于扫描得到当前地形数据，用于配合地图坐标规划自动施肥路径；所述数据接收模块用于接收无人机飞行、施肥路径指令；

所述ROS操作地面控制台上设置有数据分析模块、飞行控制模块和施肥控制模块，所述数据分析模块用于执行权利要求1的S2至S5的步骤，利用改进的超像素分割算法对种植区的氮、磷、钾多光谱图像进行分析计算，实现对多光谱图像数据的分割提取；所述飞行控制模块用于根据数据分析模块结果控制无人机的起飞、飞行路径和降落；所述施肥控制模块通过数据分析模块输出结果计算出施肥的位置。