随着遥感技术的迅速发展,微小无人机遥感平台以其时效高、体积小以及操作简单等特点,其已逐步成为精细农业中作物信息获取的重要途径,也是实现作物产量估计、作物类型识别以及病虫害监测等工作的主要方式。然而由于无人机质量较轻,飞行时易受大气扰动影响、且存在人为操作误差等干扰,导致其在作业时获取到的作物图像容易产生模糊现象,进而对后续的作物识别、信息提取及病虫害监测等研究工作产生严重的影响。为此本研究采用图像盲复原算法对无人机获取到的模糊谷子作物图像进行复原处理,并开展其信息提取的研究。具体研究内容和结论如下:（1）试验区域位于山西省晋中市太谷区中阳村谷子种植基地,图像采集于2019年9月27日,采集时段为下午16:00-18:00,此时的谷子正处于灌浆期。采用大疆科技有限公司生产的Phantom4 Advanced型无人机搭载像素为5474pixel×3648pixel的FC6310可见光相机在作业时获取模糊谷子作物图像,图像采集当天的天气状况良好。此外为了能较准确的提取作物信息及估计谷穗的产量,试验将无人机航行的高度设计为4m,飞行的速度为3m/s,采用垂直方式采集谷子作物图像。此次试验共采集了18张模糊作物图像,为能加快图像复原处理的速度且较好地展现复原效果,将每张作物分割为6个图像块,共得到108个图像块。（2）分别采用三种近年来具有代表性的盲复原算法即基于规范稀疏化的盲复原算法、基于暗通道先验的盲复原算法以及基于学习判别拟合函数的盲复原算法对无人机作业时获取到的模糊作物块进行盲复原处理。并在此基础上,本文提出采用较为新颖的图像重加权总变分（Reweighted Graph Total Variation,RGTV）先验结合hyper-Laplacian的图像盲复原算法对相应的模糊图像块实现去模糊处理,其中RGTV的主要原理是使模糊作物图像的边缘权重恢复到原始清晰图像所具有的双峰分布并去除作物图像所含的噪声,从而得到较为准确的模糊核;hyper-Laplacian先验是利用估计出的模糊核快速实现图像的非盲复原处理,最终得到清晰的复原图像。将三种较为流行算法的复原结果与所提算法的复原结果采用主观视觉评价及客观评价指标值衡量,在此过程中,为能较好地对各算法去模糊的效果进行衡量,本研究将在每次算法复原时的初始模糊核设置为相同的尺寸。实验结果表明,本文提出的算法相对于现有去模糊算法所获取的复原图像,平滑效应显著减弱、含有较少的伪迹;且在大多数情况下,其客观评价指标即信息熵、标准差、均值都较其他三种算法处理后的图像以及原图像所对应的指标值高,其中本研究提出算法处理后图像的信息熵、标准差以及均值较原始模糊图像相应的指标值分别提高2.3%、3.3%、2.1%;并且相较于其他三种算法复原后图像相应指标的最大值分别提高0.28%、8.6%、2.08%。（3）在从复原后的谷子图像中提取作物信息时观察到,处于灌浆后期及快成熟时的谷穗与衰老叶子的颜色特征较为相似,这对采用农用无人机搭载可见光相机进行作物信息的获取将造成一定的干扰。因而,本文首先对从复原图像中截取的谷穗以及叶子进行形态学预处理,而后对谷穗与叶子的具有RST不变性（即对于图像的旋转、比例、平移变化都是不变的）且较为常见的形状与纹理特征参数进行提取,其中形状特征参数包括对谷穗与叶子所具有的圆形度和离散度的提取;纹理特征参数包括对谷穗与叶子所具有的能量、信息熵、对比度及同质性的提取。随后采用SVM分类器,选择常见的核函数实现对谷穗与叶子的分类识别。实验结果表明,多项式核函数最适合本文对谷穗与叶子的分类识别,对二者的平均识别率达到94.83%。随后本研究结合谷子种植经验对其产量进行了估计,准确率达到85.93%。从而实现对无人机模糊作物图像信息的较准确提取及分类识别的目的,并可以较好地实现产量估计。本研究提出的复原算法可以准确地预测出模糊核,有效地抑制图像的振铃效应、以及较好地恢复作物图像的边缘细节等,进而实现了较为准确的作物信息提取以及产量估计。该研究方法对采用无人机搭载可见光相机的低空遥感平台实现较准确的作物信息监测提供了理论支持,且具有一定的借鉴意义。