传统的遥感植被图像主要源于航空摄像和卫星遥感,图像获取成本高、周期长、受天气影响大,由于较长的遥感数据获取周期,获取的图像数据缺乏实时性。目前遥感图像的目视解译仍然是许多研究者认为最值得信任的方法,但遥感图像的目视解译要求解译者具有专业知识背景和丰富的实践经验,随着现代遥感技术的发展,获取的遥感数据越来越庞大,要从如此海量遥感数据中进行解译,不仅劳动强度巨大、解译周期长,而且解译的经验以及对被解译区域的熟悉程度等,都对解译的准确率有着很大的影响。近年来,随着无人机低空遥感技术的发展,基于无人机图像的植被自动分类识别为解决上述问题提供了契机。本研究以无人机图像处理系统作为植被分类识别的技术平台,对现有民用无人机图像处理系统的特点及不足进行了分析和总结,以无人机图像植被分类识别为目标,重点研究了对无人机图像植被分类识别影响较大的去噪、分割、拼接及识别问题。本文的主要成果及创新性如下:1.对基于无人机图像植被分类识别的国内外研究和发展现状进行了总结,从现有民用无人机图像处理的现状出发,对无人机图像植被分类识别中的去噪、分割、拼接、识别等方面的关键问题进行了探索。2.研究并总结了目前无人机图像去噪的各类经典算法,对无人机图像噪声问题存在的原理、原因、种类进行了系统深入的研究,并提出了一种改进多目标粒子群优化算法的图像去噪方法,仿真实验表明实现了无人机图像中噪声的明显减少。3.对当前图像分割的各类经典和主要算法进行了系统的研究和总结,着重研究了基于边缘检测的图像分割算法和基于阈值的图像分割算法,对无人机彩色图像边缘检测,将四元数引入彩色无人机图像表示中,提出了一种基于四元数的无人机彩色图像边缘检测算法,这无疑为无人机彩色图像处理提出了一条新途径,对无人机彩色图像阈值分割,提出了一种基于改进布谷鸟算法trallis熵的彩色图像分割算法。在无人机图像植被识别中,良好地分割算法极其重要,因为只有优秀的算法才能准确地提取目标对象,减少不必要的目标对象干扰,也为后面的植被精确识别提供重要的保证,因此本研究为提高植被识别地精度,将四元数引入无人机彩色图像中,用四元数表示彩色无人机图像像素,这样在整个图像处理中,将四元数表示的每一个彩色像素都当作一个整体处理,明显减少了传统各个颜色通道分离的彩色图像处理缺陷,以此四元数表示的彩色无人机图像为基础,对人工蜂群算法进行了较大改进,对现有的人工蜂群算法中雇佣蜂、跟随蜂、侦察蜂都采用一个搜索公式导致人工蜂群算法收敛速度慢、效率低的不足进行了改进,对雇佣蜂和跟随蜂各提出了一个搜索公式,以此改进的人工蜂群算法作用于四元数表示的无人机彩色图像中进行图像边缘检测,实验表明取得了良好的效果。为进一步提高图像分割的质量和速度,本研究从图像阈值分割的角度出发对图像分割进行了研究,对当前应用较多的布谷鸟算法进行了改进,首先对其寄生巢位置进行了变异,对布谷鸟算法中的步长因子和发现概率各构造了一个非线性递减函数,运用此基于改进布谷鸟算法trallis熵的彩色图像分割算法进行彩色图像分割,实验结果表明明显改进了彩色图像阈值分割的质量和速度。4.对无人机图像拼接的整个流程及无人机图像拼接的各类主要算法进行了深入系统地研究和总结。为提高无人机图像拼接的质量和速度,对图像特征提取的重要算法-SIFT算法进行了改进,实验结果表明SIFT算法所检测出的特征点中含有较多的边缘响应点,因此本研究采用一种改进Sobel边缘检测算法提取出的边缘特征点及邻域点和SIFT算法提取出的特征点进行比较分析,去除边缘响应点,以此为基础提出了一种基于改进SIFT算法的特征提取方法,实验结果表明明显提高了特征提取的速度和效率。5.基于CNN在图像识别中所表现的优秀性能,将经典卷积神经网络(LeNet-5)进行改进引入植被分类识别中,同时为提高植被识别的精度和效率,首先使用基于K-means植被特征学习的算法对此CNN进行了预处理,再用此改进的CNN进行植被特征训练识别,提出了一种基于改进K-means特征学习的CNN植被分类识别算法,实验结果表明,有效地提高了植被识别的精度和速度。6.结合当前的研究成果和发展前景,对无人机植被识别仿真实验的方法、内容、步骤进行了科学系统地设计和规划,按照预定流程,在MATLAB环境中,基本实现了无人机植被识别的自动仿真实验。