近年来，随着无人机在测绘地理信息领域应用，大量测绘、遥感等任务都在使用无人机开展。无人机主要以空中对地拍摄方式采集地面影像，之后再使用相应软件处理成正射影像、三维模型等成果，之后再进行矢量化采集、分析统计等。
然而无人机搭载的可见光相机容易受到环境光照、空气质量等因素影响，往往不能获取到足够质量的影像，对后期数据处理也有很大影响。通常情况下，当我们想要通过相机拍摄到优质画面，至少需要设置合适的快门速度和ISO或者使用相机软件自动计算参数。但无人机由于自身原因，一般需要使用固定的快门速度，比如固定翼无人机为了保证飞行稳定性，需要在固定的空速下飞行，而较快的飞行速度下就无法通过设置更长的相机快门时间来提高影像亮度，这也就是阴天情况下，大多数无人机搭载的相机拍摄照片比较阴暗的原因。
而其他天气状况或者不正确的相机设置同样会造成影像质量问题，比如：天气晴朗，光照强度很高的情况下使用阴天时的相机参数，则有可能造成影像过曝；当太阳高度角较低，光线斜向照射地面时，在山区或城市高楼较多地区可能造成影像阴影过多；雾霾天气则会造成影像质量模糊，看不清地面物体等。
一般无人机航拍影像常见的质量问题主要包括曝光不足、阴影过多、过度曝光、雾霾。如何自动区分这几类影像与正常影像，也许可以为无人机航测、遥感等任务提供一种快速质检方案。接下来就来探讨如何使用机器学习自动区分问题影像和正常影像。要通过机器学习来实现分类，我们需要得到各种航拍影像数据集，一般航拍影像都是对地观测，获取到的影像主要都是地面物体组成，根据不同地貌特征又分为城市、农村、平原、山区、丘陵、荒漠、水域等，根据不同时间又有不同天气情况、不同季节等。
使用机器学习进行分类需要以数据特征为依据，这里采用影像直方图概率分布作为特征。影像直方图概率分布是统计影像每个像素上曝光值(0~255)上的出现概率，假设一张影像过曝了，那么大部分像素值会集中在255附近；而一张曝光不足的影像，大部分像素的值则会集中在0附近；阴影较重的影像则会在0和255附近出现两个波峰。
1、过曝影像及其直方图概率分布：
2、曝光不足影像及其直方图概率分布：
3、阴影较多影像及其直方图概率分布：
4、雾霾影像及其直方图概率分布：
5、正常影像及其直方图概率分布：
从直方图概率分布上不难看出，不同类型影像在直方图概率分布上具有不同分布特征，那么选取直方图概率分布作为数据特征也是比较合理的。接下来就是人工分类出不同曝光类型的影像作为训练数据，分别是过曝影像集、曝光不足影像集、阴影影像集、雾霾影像集、正常曝光影像集。
过曝影像集
曝光不足影像集
雾霾影像集
阴影影像集
正常影像集
得到分类数据集后，使用图像直方图概率分布算法对总共2486张样本影像进行直方图概率分布统计，生成样本表。
样本表
接下来就是使用样本表进行测试，从其他影像数据中按照不同分类选取20张影像组成总共100张影像的测试集。
测试集
测试结果
其中20张正常影像和20张过曝影像全部正确分类，20张曝光不足影像中有一张分类为阴影，20张雾霾影像有一张分类为正常，20张曝光不足影像中有3张被分类为阴影，总体正确率95%。从分类结果上看，使用机器学习可以实现对无人机航拍影像进行质量评估，接下来可以从训练数据和算法优化上进一步提高分类准确率。
