传统的农作物图像的获取方式主要以人工采集为主,无法实现大面积的作业;而无人机获取农作物图像的方式主要集中在航空遥感领域。同时,人工、无人机所获取农作物图像的质量不高,不利于后期的图像分割和图像识别。急需结合无人机技术、视频图像处理技术与电子信息技术设计一种实时的无人机图像采集与增强系统。本课题设计了基于无人机的图像采集与增强系统,该系统以四轴小型无人机为图像采集平台,以Raspberry Pi处理器为硬件核心,并采用WiFi无线通信技术与扩展的UDP传输协议实现图像数据的无线传输。针对图像数据在采集、传输过程中出现的噪声问题,设计了一种根据图像的噪声水平高低使用不同的小波基函数进行图像的小波分解去噪;针对摄像模块因为无人机的震动导致镜头发生抖动和无人机在采集图像的过程与目标景物产生相对运动从而导致所获取的图像出现模糊现象,设计了一种基于改进后的Lucy-Richardson(L-R)算法实现图像的去模糊;针对无人机在雨雾天气下所采集到图像整体表现灰白的现象,采用了CLAHE算法实现图像去雾的处理。主要工作如下:(1)选取三种不同的区域测试本系统的无线局域网的信号强度、有效通信距离以及网络丢包率,试验结果表明空旷区域(田间区域)的无线网络的有效通信距离为150m,信号强度稳定在-60dBm~-40dBm,丢包率小于6.5%。(2)系统的图像数据采用H.264编解码算法进行压缩、解码,本课题的试验结果表明基于H.264编解码算法的图像数据压缩率为92%~96%。(3)图像增强算法的流程为第一步根据图像的噪声水平高低使用不同的小波基函数进行图像去噪,当噪声水平较低时则采用sym8小波基函数进行小波分解,当噪声水平较高时则采用dior2.4小波基函数进行小波分解;第二步使用改进后L-R算法实现图像的去模糊;第三步使用自适应阈值分割出图像的天空区域,然后采用了CLAHE算法实现图像去雾的处理。(4)针对L-R算法的缺陷,即污染程度与迭代次数正相关,次数越多产生的振铃效应越严重,为了减弱迭代过程中的振铃效应,在原L-R算法引入增益概念设计一种改进后L-R算法。(5)使用维纳滤波、约束最小二乘方滤波、原L-R算法等三种不同的图像去运动模糊算法验证改进后的L-R算法的可行性;使用暗通道先验算法和多尺度Retinex算法这两种不同的图像去雾算法进行验证CLAHE算法的先进性。系统从图像数据(分辨率320×240)采集到用户终端接收到图像数据的时间可以达到每31.63ms处理一帧图像数据,即图像传输速率可以达到32fps,可以满足系统的实时性要求。增强后图像数据的结构相似性(SSIM)的值均在0.85以上,图像信息熵有较大的提升;当图像数据的分辨率为640×480或以下时,系统发送图像数据的成功率在90%以上,传输速率大于1.5Mbps。经本课题试验表明,为了提高系统工作的实时性、可靠性,系统在采集图像数据时应当把图像的分辨率设置为640×480或以下较好。本课题所搭建的系统能够应用在大面积、高效率的农作物图像采集上,为后期的图像分割、图像识别提供高质量的图像数据,也可以为相关农业、工业生产监测方面的研发系统产生一定的借鉴作用和参考意义。