图1所示为一组无人机航拍的多光谱数据，获取到的数据有六个通道，其中**个通道如图2所示，分别为蓝、绿、红、红边和近红外，*六个通道为航拍的高度，我们主要用**通道的光谱数据来对小麦患病情况进行检测分类。

图1无人机航拍的多光谱数据

图2无人机航拍5个通道

      图1中很多的长方形田块，它们在生长初期就有人工干涉喷洒药物，有着不同的患病程度。如图3所示为田块染病等级分类标准，也是小麦分类的主要依据。

图3田块染病等级分类标准

     为了进行小麦患病等级的分类，我们将每个小的田块识别出来。直接在整张遥感图片上进行是不太容易实现的，故先将整个区域分成左半区和右半区，在需要切割的区域上标出四个角点，而程序就通过识别这四个角点来分割出我们所需要的区域，期间可以通过反三角函数对图像进行旋转，修正成一个正立的图像，得到如图4所示结果，较大的方便后续任务。   

图4田块分割图

     图4的分割图中小麦田块的分布较为均匀，其上下间距及左右间距一样，因此可以通过按行列进行分割得到只含有一个小麦田块的区域。由于担心四周的道路干扰因素，而且每个小麦田块其边缘部分和中间部分其受光程度不一样，导致在生长效果上会有一定差异，因此通过在图片四周截取掉一部分的像素来去除一些干扰因素。

     在得到该小麦图像的数据集后，利用当下较为热门的深度学习来对图像进行分类任务，目标就是训练一个完善的分类器能够对输入的图片进行正确的患病等级分类。

     目前采用的卷积神经网络，取得了一定的效果，但不一定达到较佳，依然还在试验中。首先可以看一下**通道（蓝、绿、红）的分类效果，也就是我们较为常见的RGB图像。如下图所示，用该方案去训练时，无论是准确度曲线和loss值曲线都有较大的波动，无法达到一个稳定的效果。

     如下图所示，五个通道多光谱数据的分类效果。比较直观的可以看到准确度曲线和loss值曲线都有一定提升，波动幅度得到了缓和，不仅如此，验证的准确度已经可以达到90左右，这是常规的RGB数据远远达不到的。

     在笔者不断试验中发现，绿光通道，也就是多光谱数据的*二通道，在该患病等级分类任务中效果并不好，甚至会导致准确度下降，准确度曲线和loss值曲线震荡。在去掉绿光通道后可以得到如下图所示的效果，很明显的可以看到曲线平滑了不少，且准确度也可以稳定在较好的水平。