1.一种基于无人机遥感红外热图像颜色距离的堤坝渗漏区域识别方法，包括以下步骤：

(1)综合堤坝规模、地貌特征、光照环境的多维度因素与无人机参数、机载相机参数的关键设备性能，定制化设定航高、航速、路径以及机载相机倾角的航线规划参数；

(2)将无人机置于平坦开阔处，启动无人机；无人机自动定位至预定起始点，并同步采集遥感红外热图像与可见光图像，而后依据预设航线，自动飞往后续各指定站点，逐站采集相应图像，直至完成堤坝全域的图像采集任务；

(3)针对初始帧遥感红外热图像，进行畸变矫正、降噪的预处理操作；采用伪彩色处理算法，将红外热图像由灰度空间映射至RGB(Red,Green,Blue)颜色空间；通过RGB极值设定明度V(Value)，并利用RGB极差确定色调H(Hue)与饱和度S(Saturation)，进一步地将遥感红外热图像转换至HSV颜色空间；

(4)针对经步骤(3)处理得到的HSV颜色空间红外热图像，采用对光照环境因素具有较强的鲁棒性的HSV颜色空间色调通道，计算HSV颜色直方图；分析颜色距离，并依据颜色相似性准则，采用自适应区域生长算法聚合HSV颜色直方图中邻近于双峰的颜色区域，进一步塑造出具有鲜明双峰与谷底结构的HSV颜色直方图；随后以谷底色调值作为阈值，将图像初步分割为“热斑”与“冷斑”，即二值图像；

(5)依据目标坝体温度场状态，自动化、智能化地判断疑似渗漏区域：若堤坝处于加热升温阶段，将“冷斑”识别为疑似渗漏区域；反之，若堤坝处于放热降温阶段，则将“热斑”识别为疑似渗漏区域；

(6)针对经步骤(4)处理得到的二值图像，提取图像中的温度极值并计算极差，以此为依据评估疑似渗漏区域的真实性；针对误判的前景像素，通过灰度定向反转算法，调整其标记，令这些像素被重新分类为背景；

(7)针对经步骤(6)处理得到的二值图像，首先采用图像形态学处理算法，填补空洞并进一步减少噪点；随后采用面积筛选算法，自适应地消除二值图像中与实际温度分布情况不尽相符的碎片化温度区域，得到边界连续且平滑的“热斑”或“冷斑”；

(8)逐帧提取后续各帧遥感红外热图像，重复步骤(3)至步骤(7)，直至自适应地处理完成所有图像；

(9)采用基于小波变换的异源图像融合算法，以可见光图像为基础层，二值图像为表观层，逐帧融合，进一步排除坡面积水、植被自身及其阴影以及坑凹阴影因素造成的误判；采用图像拼接算法，拼接各帧融合图像，构建出一张覆盖目标堤坝全域的综合图像，定位渗漏区域的空间位置。

2.如权利要求1所述的一种基于无人机遥感红外热图像颜色距离的堤坝渗漏区域识别方法，其特征在于，步骤(1)中，考虑到堤坝渗漏通常导致背水坡面出现渗水与管涌现象，渗漏检测应重点关注堤坝的背水坡面；此外，需设置红外热相机镜头垂直于堤坝拍摄图像，以减小因为路径差异而造成的温度信息接收误差，确保遥感红外热图像准确反映出堤坝的实际温度信息。

3.如权利要求1所述的一种基于无人机遥感红外热图像颜色距离的堤坝渗漏区域识别方法，其特征在于，步骤(2)中，采用等距离间隔拍摄策略，确保堤坝各区域能够被均匀覆盖；特别地，针对存在特殊区域的堤坝，特殊区域包括已知渗漏区域、工况复杂区域，采用等时间间隔拍摄策略：预设无人机的分阶段式航速，从而在航线飞行过程中自动地细化图像采集频率，确保特殊区域的温度信息以最优精度捕捉。

4.如权利要求1所述的一种基于无人机遥感红外热图像颜色距离的堤坝渗漏区域识别方法，其特征在于，步骤(3)中所述RGB颜色空间转换至HSV颜色空间的计算步骤为：首先，将RGB颜色空间三颜色分量归一化：

其次，HSV颜色空间三分量的计算公式分别为：

max＝max(R,G,B)

min＝min(R,G,B)

V＝max。

5.如权利要求1所述的一种基于无人机遥感红外热图像颜色距离的堤坝渗漏区域识别方法，其特征在于，步骤(6)中，渗漏区域的真实性判断通过温度极差与温度阈值的比对完成；所述温度阈值基于历史勘探数据、模型数据、实验数据加权确定。

6.如权利要求1所述的一种基于无人机遥感红外热图像颜色距离的堤坝渗漏区域识别方法，其特征在于，步骤(7)具体包括：针对经步骤(6)处理得到的二值图像，首先采用图像形态学处理算法优化二值图像：膨胀是将所有与目标物体接触的背景点合并到物体中的过程，填补空洞以及平滑图像边界上不平滑的凹陷部分；相反，腐蚀运算则消除小于结构元素的明亮区域，有效地去除孤立的噪声点与边界上的不平滑凸出部分；两者的计算公式分别为：(AΘB)(x,y)＝min{A(x+x',y+y')‑B(x',y')|(x',y')∈B}其中，A为输入图像，B为结构元素， 为膨胀操作，Θ为腐蚀操作，(x,y)为图像中的像素位置，(x',y')为结构元素B中的像素位置；

闭运算处理，即先膨胀后腐蚀的运算策略，表达为：

采用该式对二值图像进行运算，即先借助于膨胀操作扩展“热斑”或“冷斑”与其周边背景点的接触面，有效填补因图像分辨率限制或局部水分分布不均等因素引起的微小空隙；

随后，通过腐蚀操作精细化区域边界，去除膨胀操作可能引入的非目标背景信息，优化区域边界的定义，提高渗漏区域识别结果的准确性与可靠性；

随后采用面积筛选算法优化二值图像：设置一个最小筛选面积，对二值图像中的所有连通区域进行评估，仅保留面积大于设定筛选面积的区域，而将面积小于该筛选面积的碎片区域视为背景噪声而剔除；所述过程表示为：A＝{Ai|Ai＞Minarea}

其中，A为筛选后的区域集合，Ai为二值图像中第i个连通区域的面积，Minarea为最小筛选面积。

7.如权利要求6所述的一种基于无人机遥感红外热图像颜色距离的堤坝渗漏区域识别方法，其特征在于，步骤(7)最小筛选面积的设定综合了渗漏程度、堤坝规模、地面采样距离的多维度因素，并采用试错法进行精细调整。

8.如权利要求1所述的一种基于无人机遥感红外热图像颜色距离的堤坝渗漏区域识别方法，其特征在于，步骤(9)通过对可见光图像与二值图像分别执行初级小波变换，各帧图像将被分解成一个低频子带LL1与三个高频子带HL1、LH1、HH1；随后，对低频子带LL1执行二级小波变换，进一步细化为LL2、HL2、LH2、HH2子带；此过程扩展至三级及更多级的小波变换，以提炼更精细的图像特征；在异源图像融合阶段，通过整合、合并各对应的子带，将堤坝的地貌信息融入至渗漏分割结果中，从而通过与可见光图像的交叉验证，有效排除外部环境因素的干扰。

9.一种基于无人机遥感红外热图像颜色距离的堤坝渗漏区域识别装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1‑8中任一项所述的基于无人机遥感红外热图像颜色距离的堤坝渗漏区域识别方法。

10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1‑8中任一项所述的基于无人机遥感红外热图像颜色距离的堤坝渗漏区域识别方法。