CN102270355A - 一种基于景物分类的红外场景图像生成方法 - Google Patents

Abstract

一种基于景物分类的红外场景图像生成方法，属于通过可见光遥感图像、地形数字高程模型及目标三维模型进行红外场景图像的生成和仿真方法，该方法首先对场景进行分类并指定纹理类型；接着对分类后的场景图像和数字高程模型建立场景三维模型；然后对场景三维模型的序列纹理文件进行批量纹理材质自动映射并生成对应的序列纹理材质映射文件；最后载入大气参数模型、成像模型和大气参数条件，完成红外场景图像的仿真输出，其中大气参数模型是通过成熟的商业软件进行计算得到。本发明可为各型使用红外成像技术的飞行器提供模拟训练所需的红外场景数据，降低飞行训练成本，同时也为红外成像制导武器系统的研制提供算法实验、验证图像，提高研制效率。

Description

一种基于景物分类的红外场景图像生成方法

技术领域

本发明属于飞行模拟器训练、图像制导与红外场景仿真相结合的交叉科学技术领域，具体涉及一种红外场景图像的生成方法。

背景技术

随着计算机硬件设备性能的提高和仿真技术的不断发展，红外图像仿真技术为如何快速高效的研制供各型使用红外成像技术的飞行模拟器模拟训练所需的红外场景数据，以提高飞行员作战技能、降低飞行训练成本，同时也为红外成像制导武器系统的研制提供算法实验、验证所需图像，提高研制效率。根据事先准备好的场景地区的可见光正射影像、场景地区的DEM数据、大气参数模型，经过景物分类、纹理材质批量自动映射技术可以自动生成该地区的红外场景数据，并实时仿真生成该地区在不同时刻、不同视点和不同姿态、不同大气条件下的红外图像，实现了各种条件下的大范围场景的红外仿真。红外场景图像生成和仿真可广泛应用于飞行模拟器的设计、目标检测识别算法研制、红外成像制导武器系统研制等领域。

早期的红外图像仿真的研究工作主要是计算目标和背景的表面温度，获得目标和背景的表面温度分布模型。1997年，Balfour等人在“Semi-empirica model based approach for IR scene simulation”(Proc.SPIE，1997，3061：616-623)中采用一种半经验模型进行场景红外图像仿真，该方法利用实验测量的数据拟合得到半经验公式的系数，进而计算由实拍场景图像分割所得的各单元的热辐射值，产生红外场景图像，再通过一个红外传感器模型将生成的红外场景图像模拟成红外相机最后所见的图像。1988年，Sheffer和Cathcart等人在“Computer generated IR imagery：a first principles modeling approach”(Proc，SPIE，1988，933：199-206)中采用第一原理模型(First-Principles modeling)方法来产生红外图像，对复杂合成场景中目标和背景的红外特征模型进行了研究，根据各种已知条件求解由第一原理模型建立的方程组，从而计算出场景中各物体表面在不同环境参数条件下的辐射量。

我国虚拟现实(Virtual Reality)技术起步较晚，和一些发达国家相比还有一定的差距，但近年来已引起政府有关部门和科学家们的高度重视，取得了长足的进步。在红外大气传输和成像系统效应方面、红外背景仿真方面、红外目标(如舰船、桥梁、飞机、机场、坦克、建筑物等典型目标)仿真方面，都进行了一定程度的研究。吴晗平等人在“红外辐射大气透过率的工程理论计算方法研究”(光学精密工程报，1998，16(4)：35-43)中研究了红外辐射大气透过率的工程理论计算方法，综合考虑各相关因素，建立大气光谱透过率、平均透过率和积分透过率的理论模型与计算方法；桑农等人在“云背景红外天空图像的统计模型与仿真”(华中科技大学学报<自然科学版>，2005，33(11)：5-8)中对云背景红外天空图像的统计模型与仿真进行了研究，生成了天空背景的红外仿真图像；毛宏霞等人在“海面反射特性研究”(华东师范大学学报<自然科学版>，2000，3：56-61)中对海面反射特性进行了研究，计算了中波(3-5μm)情况下平静海面模型和Cox-Munk海面模型的反射特性并分析比较结果；陈小武等人在“基于多平台的虚拟视景生成”(计算研究与发展报，1998，35(12)：1079-1083)中对利用DVENET生成真实大地形数据以及地面纹理和自然要素的虚拟视景进行了研究，包括实体模型的建立，光照技术、天空模型和特殊效果的绘制，分割调度技术的应用和多平台的虚拟视景统一；郝治国等人在“基于Multigen Creator和Vega的红外视景仿真”(弹箭与制导学报，2005，25(4)：750-752)中对基于Multigen Creator和Vega的飞机和地形的红外视景仿真进行了研究。杨述华等人在“应用Vega模块的红外成像系统仿真建模方法”(探测与控制学报，2008，6(3)：32-36)中研究了应用Vega模块进行红外成像系统仿真建模的方法，目前该方法已经在某型红外目标模拟器的设计中被成功运用。

虽然红外仿真已经取得了一些成果。然而飞行模拟训练需要大范围红外场景数据，红外成像制导武器系统研制中所涉及的参考图制备、目标检测识别算法研究也需要大范围红外场景的图像序列，但是目前对于大范围场景的红外数据转换和生成还没有比较方便通用的方法。因此，有必要研究在具有卫星可见光等正射影像数据和数字高程模型(DEM)数据前提下的相应地区的红外场景图像仿真技术。

发明内容

本发明的目的在于提供一种基于景物分类的红外场景图像生成方法，基于正射可见光图像分类的不同季节、不同天气条件下、不同时相、多视点的典型场景的红外成像仿真技术，进行模拟典型场景的红外效果模型，实现场景的红外图像序列生成，从而在低成本、低耗费前提下为飞行模拟训练提供所需的红外场景数据，同时为红外成像制导武器系统的研制提供参考图制备、目标检测识别算法研究所需的图像序列，提高研制效率。

一种基于景物分类的红外场景图像生成方法，包括如下步骤：

(1)对场景进行数据收集和准备，得到该场景地形的数字高程模型(DEM)数据和可见光正射遥感影像图(彩色图像)；

(2)对可见光正射遥感影像图进行景物分类；这里所述的遥感影像图就是步骤(1)中的彩色图像(RGB图像)，景物分类方法采用基于HLC颜色空间粗精结合的K-均值聚类方法，其基本步骤如下：

(2.1)设置初始化类别数c和迭代总次数n；

(2.2)对可见光正射遥感影像图进行彩色空间的转换，从RGB空间转换到HLC颜色空间；

(2.3)在上述正射遥感影像图的HLC颜色空间中，初始化迭代次数i＝1，在图像中随机选择c个像素点作为初始类别中心Z_j(i)，其中任意两个类别中心的NBS距离D_NBS大于预设的阈值T，并设定与Z_j(i)对应的c个类别集合记为S_j(i)，初始化S_j(i)为空集，其中j为类别标识，j＝1，2，...，c；

HLC颜色对的相似性可用NBS距离度量。假设A＝(H₁，L₁，C₁)，B＝(H₂，L₂，C₂)为HLC颜色对，则它们的NBS距离D_NBS定义为：

$D_{\mathrm{NBS}}(A,B)=1.2{\left\{2C_1{C}_2\right[1-\cos \left(\frac{2\mathrm{\&pi;}}{100}\mathrm{\&Delta;H}\right)]+{\left(\mathrm{\&Delta;C}\right)}^2+{\left(4\mathrm{\&Delta;L}\right)}^2\}}^{1/2}$

上式中ΔH＝|H₁-H₂|，ΔL＝|L₁-L₂|，ΔC＝|C₁-C₂|。

(2.4)对上述正射遥感影像图中的每一个像素点P_x(H_x，L_x，C_x)进行类别划分，将其添加到对应的类别集合中；

对于每一个像素点P_x(H_x，L_x，C_x)，计算其到各类别中心的NBS距离D_NBS，确定出与该像素点P_x(H_x，L_x，C_x)距离最小的类别中心，将该像素点P_x(H_x，L_x，C_x)添加到该类别中心所对应的类别集合S_j(i)中；

记与像素点P_x(H_x，L_x，C_x)距离最小的类别中心为Z_k(i)，1≤k≤c，则其满足下式：

$D_{\mathrm{NBS}}(P_x,Z_k\left(i\right))=\underset{1\&le;j\&le;c}{\min }\left\{D_{\mathrm{NBS}}(P_x,Z_j\left(i\right))\right\}$

(2.5)统计各类别集合S_j(i)的元素个数N(S_j(i))，并根据下式对各个类别中心Z_j(i)进行修改：

$Z_j\left(i\right)=\frac{1}{N\left(S_j\left(i\right)\right)}\underset{P_m\&Element;S_j\left(i\right)}{\mathrm{\&Sigma;}}{P}_m$

其中，P_m为集合S_j(i)中的像素点，j＝1，2，...，c；m为元素序号，1≤m≤N(S_j(i))；

(2.6)令i自增1，重复执行(2.4)和(2.5)，直到迭代次数i＝n或者类别中心不再改变时结束。至此，得到c个类别中心，即完成分类。

(3)根据步骤(2)的分类结果，给每个类别选择一种材质，便得到赋了材质信息的分类图像，该步骤基本过程如下：

(3.1)为每个类指定一种材质，其材质标识为index1，使得每个类别对应一个index1。

(3.2)把材质的标识从十进制转换成六进制index1＝(xyz)₆，让该种材质对应的RGB值为R＝x×50，G＝y×50，B＝z×50，其中x，y，z分别为index1对应的六进制数的三个数据位的对应值。

对于场景中需要进一步细分景物类别的局部区域，可在局部区域内重复上述步骤(2)和(3)的步骤重新进行分类和材质指定对该区域进行类别和材质信息的修改。

(4)根据步骤(3)的结果和步骤(1)的DEM数据，生成地形的三维数据文件和纹理文件；

(5)对步骤(4)中生成的纹理文件进行批量纹理材质映射，基本步骤如下：

(5.1)根据步骤(3)的分类图像得到单个像素点的RGB值(R，G，B)；

(5.2)根据该像素点的RGB值得到材质标识的六进制数(xyz)₆，其中x＝R/50，y＝G/50，z＝B/50，进而得到其材质标识index1＝(xyz)₆，。

(5.3)将该值(材质标识)写入生成的纹理材质映射文件；

(6)根据仿真场景的经纬度坐标、以及成像波段范围、大气条件(大气能见度、空气湿度)生成大气参数模型文件。

(7)根据步骤(4)的三维数据文件和纹理文件、步骤(5)的纹理材质映射文件以及步骤(6)的大气参数模型文件，结合传感器成像特性(成像波段、视场、成像面大小)和飞行轨迹生成大规模地形红外仿真图像。

本发明的技术效果体现在：

(一)第一个发明点是景物分类方法采用基于HLC颜色空间粗精结合的K-均值聚类方法，在K-均值聚类方法对场景图像进行分类的基础上，采用由粗到精的分类方法。通过人机交互的方式使得分类结果更加细致和准确，从而能提供更加准确的红外仿真图像。(二)第二个发明点是对三维场景模型的纹理文件进行批量材质自动映射，对场景的每个纹理文件中的每一种纹理通过查表的方式自动找到对应的材质类型，然后根据纹理材质文件的格式自动生成对应的纹理材质映射文件，进行纹理文件的自动批量映射，省去了对每一个纹理文件需要人工操作一一映射的麻烦，节省了大量的时间。(三)第三个发明点提出了不同波段、不同季节、时相、天气、视点的红外图像的仿真输出方法，为场景红外图像的仿真和生成提供了技术支持，也为其他武器装备的研制提供了素材。

附图说明

图1是本发明实施例总体实现流程图；

图2是基于HLC颜色空间粗精结合的K-均值聚类方法流程图；

图3是某湖泊的可见光正射遥感影像图；

图4是图2的可见光正射遥感影像图进行分类后的结果图

图5是不同增益、视场、视点、季节、天气、时相等的红外仿真图像；5(a)为调增益的红外效果图，5(b)为改视点后的红外效果图，5(c)为晴天的红外效果图，5(d)为雾天的红外效果图，5(e)为7点的红外效果图，5(f)为15点的红外效果图，5(g)为21点的红外效果图。

具体实施方式

下面结合附图和实例对本发明作进一步详细的说明。

(1)对场景进行数据收集和准备，得到该场景地形的数字高程模型(DEM)数据和可见光正射遥感影像图(彩色图像)，如图3所示为某湖泊的可见光正射遥感影像图；

(2)对步骤(1)中的可见光正射遥感影像图进行景物分类，景物分类方法采用基于HLC颜色空间粗精结合的K-均值聚类方法(流程图如图2所示)，具体步骤如下：

(2.1)设置初始化类别数c和迭代总次数n。初始化类别数c和迭代次数n既可以由用户自己设定，也可以采用默认值，一般而言，用户按照自己的先验知识设定合理的初始化类别数c和迭代次数n即可得到满意的分类效果，c和n为整数，一般可取1≤c≤8，1≤n≤15。这里针对可见光正射遥感影像图中的场景内容，根据先验知识可粗略判断场景中的景物类别，直接按照默认值设定总类别数c＝8，迭代总次数n＝6。

(2.2)对可见光正射遥感影像图进行彩色空间的转换，从RGB空间转换到HLC颜色空间，可用下面的公式进行转换。

由式(2-2)从颜色空间RGB变换到颜色空间xyz，

$\left\{\begin{array}{c}x=0.620R+0.718G+0.204B\\ y=0.299R+0.587G+0.144B\\ z=0.056G+0.942B\end{array}\right.---(2-2)$

由式(2-3)变换空间xyz为空间pq，

$\left\{\begin{array}{c}p=f\left(z\right)-f\left(y\right)\\ q=0.4\&times;[f\left(z\right)-f\left(y\right)]\end{array}\right.---(2-3)$

上式中f(y)＝11.6y^1/3-1.6。

由式(2-4)将空间pq变换为空间st，

$\left\{\begin{array}{c}s=(a+b\cos \mathrm{\&theta;})\&times;p\\ t=(e+g\sin \mathrm{\&theta;})\&times;q\end{array}\right.---(2-4)$

上式中θ＝arctan(p/q)，a＝8.880，b＝0.966，e＝8.025，g＝2.558。

由式(2-5)得到HLC颜色空间。

$\left\{\begin{array}{c}H=\arctan (s/t)\\ L=f\left(y\right)\\ C=\sqrt{s^2+t^2}\end{array}\right.---(2-5)$

(2.3)在上述正射遥感影像图的HLC颜色空间中，初始化迭代次数i＝1，在图像中随机选择c个像素点作为初始类别中心Z_j(i)，应满足其中任意两个类别中心的NBS距离D_NBS大于预设的阈值T，这里令T＝6.0，并设定与Z_j(i)对应的c个类别集合记为S_j(i)，初始化S_j(i)为空集，其中j为类别标识，j＝1，2，...，c；

HLC颜色对的相似性可用NBS距离度量。假设A＝(H₁，L₁，C₁)，B＝(H₂，L₂，C₂)为Munsell颜色空间的颜色对，则它们的NBS距离D_NBS定义为：

$D_{\mathrm{NBS}}(A,B)=1.2{\left\{{2C}_1{C}_2\right[1-\cos \left(\frac{2\mathrm{\&pi;}}{100}\mathrm{\&Delta;H}\right)]+{\left(\mathrm{\&Delta;C}\right)}^2+{\left(4\mathrm{\&Delta;L}\right)}^2\}}^{1/2}$

上式中ΔH＝|H₁-H₂|，ΔL＝|L₁-L₂|，ΔC＝|C₁-C₂|。

Y.H.Gong的研究发现当HLC颜色对的NBS距离小于3.0时，人类视觉认为它们是相似的；当HLC颜色对的NBS距离大于6.0时，人类视觉认为它们是显著不同的。

(2.4)对上述正射遥感影像图中的每一个像素点P_x(H_x，L_x，C_x)进行类别划分，将其添加到对应的类别集合中；

对于每一个像素点P_x(H_x，L_x，C_x)，计算其到各类别中心的NBS距离D_NBS，确定出与该像素点P_x(H_x，L_x，C_x)距离最小的类别中心，将该像素点P_x(H_x，L_x，C_x)添加到该类别中心所对应的类别集合S_j(i)中；

记与像素点P_x(H_x，L_x，C_x)距离最小的类别中心为Z_k(i)，1≤k≤c，则其满足下式：

$D_{\mathrm{NBS}}(P_x,Z_k\left(i\right))=\underset{1\&le;j\&le;c}{\min }\left\{D_{\mathrm{NBS}}(P_x,Z_j\left(i\right))\right\}$

(2.5)统计各类别集合S_j(i)的元素个数N(S_j(i))，并根据下式对各个类别中心Z_j(i)进行修改：

$Z_j\left(i\right)=\frac{1}{N\left(S_j\left(i\right)\right)}\underset{P_m\&Element;S_j\left(i\right)}{\mathrm{\&Sigma;}}{P}_m$

其中，P_m为集合S_j(i)中的像素点，j＝1，2，...，c；m为元素序号，1≤m≤N(S_j(i))；

(2.6)令i自增1，重复执行(2.4)和(2.5)，直到迭代次数i＝n或者类别中心不再改变时结束。至此，得到c个类别中心，即完成分类。

(3)根据步骤(2)的分类结果，给每个类别选择一种材质，这样每种材质对应一种RGB颜色，最后便得到赋了材质信息的分类图像(如图4所示)。具体步骤为：

(3.1)为每个类指定一种材质，其材质标识为index1，使得每个类别对应一个index1，材质标识index1的值可参照下表，下表所列为常见100多种材质的标识值。

浅色纤维＝0	紧密的土壤＝40	黄白色＝80	浅褐色混凝土涂料＝120
				黑色橡胶＝1	沙漠的沙子＝41	淡黄色＝81	薄荷绿混凝土涂料＝121
棕色塑胶＝2	干枯河床＝42	深褐色＝82	芥末黄混凝土涂料＝122
				乳色玻璃纤维＝3	干枯海床＝43	墨黑色＝83	米色混凝土涂料＝123
金色尼龙＝4	湖边沙滩＝44	黄绿色＝84	橄榄绿混凝土涂料＝124
				绿色帆布＝5	石灰石残渣＝45	浅红色＝85	天蓝色混凝土涂料＝125
灰色纤维＝6	石灰石残渣沙＝46	浅褐色＝86	雪白色混凝土涂料＝126
				橄榄色塑胶＝7	石灰石残渣土＝47	薄荷绿＝87	烟灰色金属涂料＝127
橙色环氧材料＝8	肥沃土壤＝48	芥末黄＝88	战舰灰金属涂料＝128
				红色尼龙＝9	肥沃砂石＝49	米色＝89	黑褐色金属涂料＝129
古铜色包布＝10	盐渣＝50	橄榄绿＝90	黄白色金属涂料＝130
				白色纤维＝11	沙土＝51	天蓝色＝91	淡黄色金属涂料＝131
黄色硅材料＝12	沙岩土＝52	雪白色＝92	深褐色金属涂料＝132
				沥青屋面板＝13	沙质沃土＝53	黑体＝93	墨黑色金属涂料＝133
黑色沥青＝14	沙渣＝54	白体＝94	黄绿色金属涂料＝134
				玻璃＝15	渣状粘土＝55	烟灰色沥青涂料＝95	浅红色金属涂料＝135
钛材料＝16	渣状沃土＝56	战舰灰沥青涂料＝96	浅褐色金属涂料＝136
				金属屋顶＝17	已耕土壤＝57	黑褐色沥青涂料＝97	薄荷绿金属涂料＝137
氧化铝材料＝18	打光过的沙子＝58	黄白色沥青涂料＝98	芥末黄金属涂料＝138
				混凝土＝19	湿河床＝59	淡黄色沥青涂料＝99	米色金属涂料＝139
颗粒状沥青＝20	湿海床＝60	深褐色沥青涂料＝100	橄榄绿金属涂料＝140
				树木＝21	湿土＝61	墨黑色沥青涂料＝101	天蓝色金属涂料＝141
红砖＝22	白沙＝62	黄绿色沥青涂料＝102	雪白色金属涂料＝142
				焦油房顶＝23	阔叶＝63	浅红色沥青涂料＝103	烟灰色木材涂料＝143
生锈钢材＝24	阔叶树木＝64	浅褐色沥青涂料＝104	战舰灰木材涂料＝144
				商业区＝25	阔叶灌木＝65	薄荷绿沥青涂料＝105	黑褐色木材涂料＝145
居民区＝26	干草＝66	芥末黄沥青涂料＝106	黄白色木材涂料＝146
				枕木＝27	灌木草＝67	米色沥青涂料＝107	淡黄色木材涂料＝147
新鲜的雪＝28	长有草的土＝68	橄榄绿沥青涂料＝108	深褐色木材涂料＝148
				冰＝29	草坪＝69	天蓝色沥青涂料＝109	墨黑色木材涂料＝149
脏雪＝30	树木＝70	雪白色沥青涂料＝110	黄绿色木材涂料＝150
				水＝31	树木的阔叶＝71	烟灰色混凝土涂料＝111	浅红色木材涂料＝151
石灰石＝32	树木和灌木＝72	战舰灰混凝土涂料＝112	浅褐色木材涂料＝152
				煤块＝33	长有灌木和草的土＝73	黑褐色混凝土涂料＝113	薄荷绿木材涂料＝153
砂砾路＝34	长有灌木的土＝74	黄白色混凝土涂料＝114	芥末黄木材涂料＝154
				砂岩＝35	树皮＝75	淡黄色混凝土涂料＝115	米色木材涂料＝155
打光的岩石＝36	冻土地带＝76	深褐色混凝土涂料＝116	橄榄绿木材涂料＝156
				海边沙滩＝37	烟灰色＝77	墨黑色混凝土涂料＝117	天蓝色木材涂料＝157
黑色沙子＝38	战舰灰＝78	黄绿色混凝土涂料＝118	雪白色木材涂料＝158
				粘土＝39	黑褐色＝79	浅红色混凝土涂料＝119

(3.2)把材质的标识值从十进制转换成六进制index1＝(xyz)₆，让该种材质对应的RGB值为R＝x×50，G＝y×50，B＝z×50，其中x，y，z分别为index1对应的六进制数的三个数据位的对应值。通过这种转换，实现了材质和颜色之间的一一对应关系，不同的材质用不同的颜色表示。当给各集合指定某种材质时，这个集合中所有的像素点就被赋予了该材质对应的RGB值。

对于场景中需要进一步细分景物类别的局部区域，可在局部区域内重复上述步骤(2)和(3)的步骤重新进行分类和材质指定对该区域进行类别和材质信息的修改。

(4)根据步骤(3)的分类结果和步骤(1)的DEM数据，采用第三方软件(如Creator)生成地形的三维数据文件(文件格式为*.flt)和纹理文件(文件格式为*.rgb、*.int或*.inta)；

值得注意的是，大地形中往往有很丰富的地貌信息，包含了草地、水体、道路、建筑物等各种各样的景物。这些特殊的景物就是文化特征。用户可以根据软件自行创建文化要素，然后添加到场景中。

(5)对步骤(4)中生成的纹理文件进行批量纹理材质映射，具体步骤如下：

(5.1)根据步骤(3)的分类图像得到单个像素点的RGB值(R，G，B)；

(5.2)根据该像素点的RGB值得到材质标识的六进制数(xyz)₆，其中x＝R/50，y＝G/50，z＝B/50，进而得到其材质标识index1＝(xyz)₆，。

(5.3)将该值(材质标识)写入生成的纹理材质映射文件(文件格式为*.tmm)。至此，便完成了纹理文件的批量材质映射。

(6)根据仿真场景的经纬度坐标、以及成像波段范围、大气条件(大气能见度、空气湿度)生成大气参数模型文件(文件格式为*.mat)。

(7)根据步骤(4)的三维数据文件和纹理文件、步骤(5)的纹理材质映射文件以及步骤(6)的大气参数模型文件，结合传感器成像特性(成像波段、视场、成像面大小)和飞行轨迹生成大规模地形红外仿真图像。根据图像仿真的不同需要，借助第三方软件(如Vega)可以仿真并生成不同波段、不同季节、不同天侯(能见度、湿度)条件、不同时相，不同成像视场、视点下的红外图像，如图5所示。

Claims (7)

1.一种基于景物分类的红外场景图像生成方法，包括如下步骤：

(1)对场景进行数据收集和准备，获得该场景地形的数字高程模型(DEM)数据和可见光正射遥感影像图；

(2)对所述可见光正射遥感影像图进行景物分类；

(3)根据步骤(2)的分类结果，给每个类别选择一种材质，得到赋予材质信息的分类图像；

(4)根据步骤(3)得到的分类图像和步骤(1)获得的所述数字高程模型数据，生成地形的三维数据文件和纹理文件；

(5)对生成的所述纹理文件进行批量纹理材质映射，得到纹理材质映射文件；

(6)根据场景的经纬度坐标、成像波段范围以及大气条件生成大气参数模型文件；

(7)根据步骤(4)生成的所述三维数据文件和纹理文件、步骤(5)得到的纹理材质映射文件以及步骤(6)生成的大气参数模型文件，结合传感器成像特性和飞行轨迹生成地形红外仿真图像。

2.根据权利要求1所述的方法，其特征在于，所述的景物分类具体步骤如下：

(2.1)设置初始化类别数c和迭代总次数n，其中c为整数，n为整数；

(2.2)对所述可见光正射遥感影像图进行彩色空间的转换，从RGB空间转换到HLC颜色空间；

(2.3)在上述正射遥感影像图的HLC颜色空间中，初始化迭代次数i＝1，在图像中随机选择c个像素点作为初始类别中心Z_j(i)，其中任意两个类别中心的NBS距离D_NBS大于预设的阈值T，并设定与Z_j(i)对应的c个类别集合记为S_j(i)，初始化S_j(i)为空集，其中j为类别标识，j＝1，2，...，c；

(2.4)对上述正射遥感影像图中的每一个像素点P_x(H_x，L_x，C_x)进行类别划分，将其添加到对应的类别集合中，具体为：

对于每一个像素点P_x(H_x，L_x，C_x)，计算其到各类别中心Z_j(i)的NBS距离D_NBS，从而找出与该像素点P_x(H_x，L_x，C_x)距离最小的类别中心，将该像素点P_x(H_x，L_x，C_x)添加到该距离最小的类别中心所对应的类别集合S_j(i)中；

(2.5)统计各类别集合S_j(i)的元素个数N(S_j(i))，并根据下式对各个类别中心Z_j(i)进行修改：

$Z_j\left(i\right)=\frac{1}{N\left(S_j\left(i\right)\right)}\underset{P_m\&Element;S_j\left(i\right)}{\mathrm{\&Sigma;}}{P}_m$

其中，P_m为集合S_j(i)中的元素即像素点，m为元素序号，1≤m≤N(S_j(i))；

(2.6)令i自增1，重复执行(2.4)和(2.5)，直到迭代次数i＝n或者类别中心不再改变时结束，至此，得到c个最后的类别中心，完成分类。

3.根据权利要求2所述的方法，其特征在于，所述NBS距离定义为：

$D_{\mathrm{NBS}}(A,B)=1.2{\left\{{2C}_1{C}_2\right[1-\cos \left(\frac{2\mathrm{\&pi;}}{100}\mathrm{\&Delta;H}\right)]+{\left(\mathrm{\&Delta;C}\right)}^2+{\left(4\mathrm{\&Delta;L}\right)}^2\}}^{1/2}$

上式中，A＝(H₁，L₁，C₁)，B＝(H₂，L₂，C₂)为HLC颜色对，ΔH＝|H₁-H₂|，ΔL＝|L₁-L₂|，ΔC＝|C₁-C₂|。

4.根据权利要求1-3之一所述的方法，其特征在于，所述步骤(5)中具体过程如下：

(5.1)根据步骤(3)的分类图像得到单个像素点的RGB值(R，G，B)；

(5.2)根据该像素点的RGB值得到材质标识的六进制数(xyz)₆，其中x＝R/50，y＝G/50，z＝B/50，进而得到其材质标识mdex1＝(xyz)₆，x，y，z分别为index1对应的六进制数的三个数据位的对应值；

(5.3)将该材质标识写入生成的纹理材质映射文件。

5.根据权利要求1-4之一所述的方法，其特征在于，所述步骤(3)具体过程如下：

(3.1)为每个类指定一种材质，其材质标识为index1，使得每个类别对应一个index1；

(3.2)把材质的标识从十进制转换成六进制index1＝(xyz)₆，让该种材质对应的RGB值为R＝x×50，G＝y×50，B＝z×50，其中x，y，z分别为index1对应的六进制数的三个数据位的对应值。

6.根据权利要求1-5之一所述的方法，其特征在于，所述的场景为包含典型地形的三维场景，其中，所述的典型地形可以是单一的地貌结构，也可以是由多个单元地貌结构组成的多地貌结构或者是具有文化特征的地貌结构。

7.根据权利要求6所述的方法，其特征在于，所述单一的地貌结构包括海洋、平原、山川、河流或道路，所述具有文化特征的地貌结构包括城区或城市郊区。

Images