CN102289684A - 一种机载光学景像匹配实时图像自适应处理方法 - Google Patents

Abstract

一种机载光学景像匹配实时图像自适应处理方法，首先对影响机载光学景像匹配实时图像成像质量的因素进行分析；其次，对机载光学景像匹配实时图像进行分类；然后，分类建立机载光学景像匹配实时图像的自适应处理和校正模型；最后，对机载光学景像匹配实时图像进行处理和校正，并选出可纹理特征丰富、独立像元数多的机载光学景像匹配实时图像供景像匹配系统使用。本发明能提高机载光学景像匹配系统的可靠性和定位精度。

Description

一种机载光学景像匹配实时图像自适应处理方法

技术领域

本发明涉及一种景像匹配实时图像自适应处理方法，特别是一种机载光学景像匹配实时图像自适应处理方法，适用于机载景像匹配系统。

背景技术

景像匹配技术是利用飞行器装载图像传感器在飞行过程中采集的实时景像图与预先制备的基准景像图进行实时匹配计算而获得精确定位信息的技术。从海湾战争、科索沃战争和伊拉克战争中可以看出，欧美等先进国家将景像匹配技术应用在战术飞机和无人机上取得了巨大的经济和军事效益。目前，我国利用景像匹配技术实现飞机精确导航定位以及对地精确攻击的应用研究才刚刚起步，尚未系统地、深入地开展机载景像匹配关键技术问题研究，与国外先进水平差距很大，严重制约了我国机载景像匹配系统的发展与应用。在当前的严峻形式下，特别是在北斗卫星导航系统尚未建成(预计2020年建成)的情况下，我国应大力发展机载景像匹配导航技术，以提高我国军用飞机的导航定位精度和精确对地攻击精度。景像匹配技术在巡航弹等精确制导武器上应用时，其在低空以匀速直线运动穿过匹配区，航线以及匹配区的位置和大小都是预先确定的。然而在飞机上应用时，受飞机飞行高度、机动性以及飞行航线(除民航客机)等不确定因素的影响，飞机的运动不再是直线运动，因此导致景像匹配技术在飞机上应用时产生了诸多新问题，例如在机动飞行过程中，飞机的偏航、滚动与俯仰角将引起成像发生畸变，图像的光照分布不均；飞机振动(包括线振动、抖动和颤振)以及电子快门的时间延迟，造成图像模糊；由于飞机的飞行高度跨度大，可见光图像传感器获取图像时易受环境因素(云、雨和雾等)的影响等。为解决现有系统算法的不足，本发明采用景像匹配实时图像和基准图的先验信息对景像实时图像分类器支持向量进行训练学习，将实时图像进行分类，通过分类建立景像实时图像校正模型，完成景像实时图像自适应处理和校正，该方法保证了机载景像匹配系统能获得可靠性高的实时图像。

发明内容

本发明要解决的技术问题：克服现有景像匹配系统在飞机上应用时景像实时图像畸变和误差导致景像匹配系统可靠性降低，提出一种机载光学景像匹配实时图像自适应处理方法。

本发明采用的技术方案为：在分析影响机载光学景像匹配实时图像成像质量因素的基础上，对机载光学景像匹配实时图像进行分类，建立机载光学景像匹配实时图像自适应处理和校正模型，选出可靠性高、鲁棒性强的机载光学景像匹配实时图像供景像匹配系统使用，提高机载光学景像匹配系统的可靠性和定位精度。具体实现步骤为：

(1)分析影响机载光学景像匹配实时图像成像质量的主要因素：

(1.1)飞机的水平机动飞行造成图像出现旋转变化、仿射畸变以及光照不均；

(1.2)飞机的高度机动飞行造成图像比例发生变化以及云、雨、雾及烟尘等天气因素的影响使得图像噪声大，对比度低；

(1.3)飞机飞行易受气流的影响，出现低频振动、高频振动和抖动现象，使得图像模糊，甚至不能成像。

(2)对机载光学景像匹配实时图像进行分类的步骤为：

(2.1)对实时图像的先验知识信息进行计算，所述先验知识信息包括纹理信息、统计信息以及与基准图进行相关运算获得的相关度信息；

(2.2)利用实时图像的先验知识信息数据对支持向量机进行学习和训练，完成对实时图像的分类。

(3)分类建立机载光学景像匹配实时图像的自适应处理和校正模型的步骤为：

(3.1)利用实时图像所在区域的基准图信息构建期望图像灰度级的概率模型改善图像横纹和提高图像信噪比，其概率模型为：

p(x)＝a·exp[-a(y-y_min)]               (1)

式中，a为给定的调节参数，x为变换前的实时图像灰度级，y为变换后期望的实时图像灰度级；y_min为变换后期望实时图像灰度级的最小值；

(3.2)分别通过灰度线性变换法、统计量法、指数变换法和直方图均衡化对实时图像的灰度级进行调整，改善实时图像的对比度，获得增强后的实时图像；

(3.3)根据机载组合导航系统或稳定平台提供飞机的俯仰角θ、滚动角γ和偏航角ψ，建立畸变校正模型为：

$\left[\begin{array}{c}x\\ y\\ z\end{array}\right]=\left[\begin{array}{ccc}\cos \mathrm{\θ}\cos \mathrm{\ψ}& -\sin \mathrm{\θ}\cos \mathrm{\ψ}\cos \mathrm{\γ}+\sin \mathrm{\ψ}\sin \mathrm{\γ}& \sin \mathrm{\θ}\cos \mathrm{\ψ}\sin \mathrm{\γ}+\sin \mathrm{\ψ}\cos \mathrm{\γ}\\ \sin \mathrm{\θ}& \cos \mathrm{\θ}\cos \mathrm{\γ}& -\cos \mathrm{\θ}\sin \mathrm{\γ}\\ \cos \mathrm{\θ}\cos \mathrm{\ψ}& \sin \mathrm{\θ}\cos \mathrm{in}\mathrm{\ψ}\cos \mathrm{\γ}+\cos \mathrm{\ψ}\sin \mathrm{\γ}& -\sin \mathrm{\θ}\sin \mathrm{\ψ}c\sin \mathrm{\γ}+\cos \mathrm{\ψ}\cos \mathrm{\γ}\end{array}\right]\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\\ z^{\′}\end{array}\right]+\left[\begin{array}{c}0\\ h_0\\ 0\end{array}\right]---\left(2\right)$

式中，[x y z]^T为校正后的图像，[x′y′z′]^T为校正前的图像，h₀为飞行高度，T为转置符号。

本发明的优点在于：

(1)在对影响机载光学景像匹配实时图像成像质量因素进行分析的基础上，将实时图像进行分类，并分类建立图像的自适应处理和校正模型；

(2)根据基准图像的先验信息(统计信息、相关运算信息和纹理信息等)，选出纹理特征丰富和独立像元数多的实时图像供景像匹配系统使用，使得图像质量差和纹理特征稀少的实时图像不参与匹配运算，从而保证了系统的可靠性。

附图说明

图1为本发明方法的原理流程图；

图2为本发明方法的实时图像分类原理图；

图3为本发明方法的实时图像分类校正原理图；

图4(a)为一种机载光学景像匹配实时图像自适应处理方法的试飞实时图像；

图4(b)为一种机载光学景像匹配实时图像自适应处理方法的图4(a)对应的基准图；

图4(c)为一种机载光学景像匹配实时图像自适应处理方法的图4(a)处理后结果；

图5(a)为一种机载光学景像匹配实时图像自适应处理方法的理想实时图像；

图5(b)为一种机载光学景像匹配实时图像自适应处理方法的有畸变的实际实时图像；

图5(c)为一种机载光学景像匹配实时图像自适应处理方法的畸变校正后的实时图像。

具体实施方式

如图1所示，本发明的具体实现步骤如下：

(1)如图2所示，分析影响机载光学景像匹配实时图像成像质量的主要因素有：

(1.1)飞机的水平机动飞行造成图像出现旋转变化、仿射畸变以及光照不均；

(1.2)飞机的高度机动飞行造成图像比例发生变化以及云、雨、雾及烟尘等天气因素的影响使得图像噪声大，对比度低；

(1.3)飞机飞行受气流的影响，出现低频振动、高频振动和抖动现象，使得图像模糊，甚至不能成像。

(2)对机载光学景像匹配实时图像进行分类的步骤为：

(2.1)对实时图像的先验知识信息进行计算和统计分析，所述先验知识信息包括纹理信息、统计信息以及与基准图进行相关运算获得的相关度信息；

(2.2)利用实时图像的先验知识信息和统计分析数据对支持向量机进行学习和训练，完成对实时图像的分类。

(3)如图3所示，分类建立机载光学景像匹配实时图像的自适应处理和校正模型的步骤为：

(3.1)如图4(a)-图4(c)所示，利用实时图像所在区域的基准图信息构建期望图像灰度级的概率模型改善图像横纹和提高图像信噪比，其概率模型为：

p(x)＝a·exp[-a(y-y_min)]             (1)

式中，a为给定的调节参数，x为变换前的实时图像灰度级，y为变换后期望的实时图像灰度级；y_min为变换后期望实时图像灰度级的最小值；

(3.2)分别通过灰度线性变换法、统计量法、指数变换法和直方图均衡化对实时图像的灰度级进行调整，改善实时图像的对比度，获得增强后的实时图像；

(3.3)如图5(a)-图5(c)所示，根据机载组合导航系统或稳定平台提供飞机的俯仰角θ、滚动角γ和偏航角ψ，建立畸变校正模型为：

$\left[\begin{array}{c}x\\ y\\ z\end{array}\right]=\left[\begin{array}{ccc}\cos \mathrm{\θ}\cos \mathrm{\ψ}& -\sin \mathrm{\θ}\cos \mathrm{\ψ}\cos \mathrm{\γ}+\sin \mathrm{\ψ}\sin \mathrm{\γ}& \sin \mathrm{\θ}\cos \mathrm{\ψ}\sin \mathrm{\γ}+\sin \mathrm{\ψ}\cos \mathrm{\γ}\\ \sin \mathrm{\θ}& \cos \mathrm{\θ}\cos \mathrm{\γ}& -\cos \mathrm{\θ}\sin \mathrm{\γ}\\ \cos \mathrm{\θ}\cos \mathrm{\ψ}& \sin \mathrm{\θ}\cos \mathrm{in}\mathrm{\ψ}\cos \mathrm{\γ}+\cos \mathrm{\ψ}\sin \mathrm{\γ}& -\sin \mathrm{\θ}\sin \mathrm{\ψ}c\sin \mathrm{\γ}+\cos \mathrm{\ψ}\cos \mathrm{\γ}\end{array}\right]\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\\ z^{\′}\end{array}\right]+\left[\begin{array}{c}0\\ h_0\\ 0\end{array}\right]---\left(2\right)$

式中，[x y z]^T为校正后的图像，[x′y′z′]^T为校正前的图像，h₀为飞行高度，T为转置符号。

Claims (3)

1.一种机载光学景像匹配实时图像自适应处理方法，其特征在于包括以下步骤：

(1)对影响机载光学景像匹配实时图像成像质量的因素进行分析；

(2)对机载光学景像匹配实时图像进行分类；

(3)分类建立机载光学景像匹配实时图像的自适应处理和校正模型；

(4)对机载光学景像匹配实时图像进行自适应处理和校正，并选出供景像匹配系统使用的机载光学景像匹配实时图像；

所述步骤(1)中影响机载光学景像匹配实时图像成像质量的因素划分为：

(1.1)飞机的水平机动飞行造成图像出现旋转变化、仿射畸变以及光照不均；

(1.2)飞机的高度机动飞行造成图像比例发生变化以及天气因素的影响使得图像噪声大，对比度低，所述天气因素包括云、雨、雾及烟尘；

(1.3)飞机飞行受气流的影响，出现低频振动、高频振动和抖动现象，使得图像模糊，甚至不能成像。

2.根据权利要求1所述的一种机载光学景像匹配实时图像处理方法，其特征在于：所述步骤(2)对机载光学景像匹配实时图像进行分类的步骤为：

(2.1)对实时图像的先验知识信息进行计算，所述先验知识信息包括纹理信息、统计信息以及与基准图进行相关运算获得的相关度信息；

(2.2)利用实时图像的先验知识信息对支持向量机进行学习和训练，完成对实时图像的分类。

3.根据权利要求1所述的一种机载光学景像匹配实时图像处理方法，其特征在于：所述步骤(3)分类建立机载光学景像匹配实时图像的自适应处理和校正模型的步骤为：

(3.1)利用实时图像所在区域的基准图信息构建期望图像灰度级的概率模型改善图像横纹和提高图像信噪比，其概率模型为：

p(x)＝a·exp[-a(y-y_min)]           (1)

式中，a为给定的调节参数，x为变换前的实时图像灰度级，y为变换后期望的实时图像灰度级；y_min为变换后期望实时图像灰度级的最小值；

(3.2)分别通过灰度线性变换法、统计量法、指数变换法和直方图均衡化对实时图像的灰度级进行调整，改善实时图像的对比度，获得增强后的实时图像；

(3.3)根据机载组合导航系统或稳定平台提供飞机的俯仰角θ、滚动角γ和偏航角ψ，建立畸变校正模型为：

$\left[\begin{array}{c}x\\ y\\ z\end{array}\right]=\left[\begin{array}{ccc}\cos \mathrm{\θ}\cos \mathrm{\ψ}& -\sin \mathrm{\θ}\cos \mathrm{\ψ}\cos \mathrm{\γ}+\sin \mathrm{\ψ}\sin \mathrm{\γ}& \sin \mathrm{\θ}\cos \mathrm{\ψ}\sin \mathrm{\γ}+\sin \mathrm{\ψ}\cos \mathrm{\γ}\\ \sin \mathrm{\θ}& \cos \mathrm{\θ}\cos \mathrm{\γ}& -\cos \mathrm{\θ}\sin \mathrm{\γ}\\ \cos \mathrm{\θ}\cos \mathrm{\ψ}& \sin \mathrm{\θ}\cos \mathrm{in}\mathrm{\ψ}\cos \mathrm{\γ}+\cos \mathrm{\ψ}\sin \mathrm{\γ}& -\sin \mathrm{\θ}\sin \mathrm{\ψ}c\sin \mathrm{\γ}+\cos \mathrm{\ψ}\cos \mathrm{\γ}\end{array}\right]\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\\ z^{\′}\end{array}\right]+\left[\begin{array}{c}0\\ h_0\\ 0\end{array}\right]---\left(2\right)$

式中，[x y z]^T为校正后的图像，[x′y′z′]^T为校正前的图像，h₀为飞行高度，T为转置符号。

Images