CN103559479A - 一种基于偏振度椭圆拟合的中性点识别方法 - Google Patents

Abstract

本发明公开了一种基于偏振度椭圆拟合的中性点识别方法，其特征是按如下过程进行：1、获取n幅天空偏振图像，2、利用大津算法提取有效区域，3、计算偏振度图像，4、对偏振度图像进行二值化处理，5、查找有效区域内中性点所在的区域，6、利用椭圆拟合算法对中性点所在区域的边缘进行拟合，7、识别中性点。本发明能对天空偏振图像中的中性点进行有效识别和标定，从而为大气环境检测提供中性点特性信息。

Description

一种基于偏振度椭圆拟合的中性点识别方法

技术领域

本发明涉及一种基于偏振度椭圆拟合的中性点识别方法，属于大气光学研究领域。

背景技术

太阳光本身是一种自然光源，但是在大气传输过程中被大气中的粒子散射和反射，比如被O₂和N₂分子散射和反射，由此会产生相应的偏振光。具有不同偏振方向，不同偏振强度的太阳光，便形成了特定的大气偏振模式。中性点是大气偏振模式的重要特征，中性点是天空中的特殊位置，该位置上的大气光偏振度最低，且沿太阳子午线经过该位置时大气光的偏振化方向将发生90°旋转。通过分析中性点分布位置的变化也可以实现对大气环境的监测。大气偏振模式中性点的分布信息为反演大气的光学和物理参数、建立大气散射辐射偏振特性模型提供了必不可少的素材。因此，要实现利用偏振模式完成大气探测及大气环境检测，大气偏振模式信息中中性点的测量和识别是必不可少的。

现有技术中，虽有对大气偏振模式中中性点进行探讨和研究，但未提出过如何对中性点进行检测和识别。

发明内容

本发明的目的是为了克服现有技术中的不足之处，提供一种基于偏振度椭圆拟合的中性点识别方法，能对天空偏振图像中的中性点进行有效识别和标定，从而为大气环境检测提供中性点特性信息。

本发明为解决技术问题采取如下技术方案：

本发明一种基于偏振度椭圆拟合的中性点识别方法的特点是按如下过程进行：

步骤1：在不同偏振角度θ₁,θ₂,…,θ_n下分别获取相应的天空偏振图像I₁,I₂,…,I_n,n≥3；

步骤2：利用大津算法提取有效区域Z_valid；

依次将n幅天空偏振图像I₁,I₂,…,I_n作为大津算法的输入图像，通过大津算法分别计算出每一幅天空偏振图像I₁,I₂,…,I_n所对应的自适应阈值t₁,t₂,…,t_n，根据所述自适应阈值t₁,t₂,…,t_n依次将对应的天空偏振图像I₁,I₂,…,I_n进行二值化处理，获得对应于所述天空偏振图像I₁,I₂,…,I_n的n幅二值图像BW₁,BW₂,…,BW_n，对所述n幅二值图像BW₁,BW₂,…,BW_n进行“与”操作，获得二值图像BW_valid，令所述二值图像BW_valid中像素为1的连通区域为有效区域Z_valid；

步骤3：计算偏振度图像I_D；

3.1、利用式(1)获得所述有效区域Z_valid内的斯托克斯矢量S=(I,Q,U)^T：

$\left\{\begin{array}{c}I+Q\cos 2{\mathrm{\θ}}_1+U\sin 2{\mathrm{\θ}}_1=2I_1\\ I+Q\cos 2{\mathrm{\θ}}_2+U\sin 2{\mathrm{\θ}}_2=2I_2\\ ...\\ I+Q\cos 2{\mathrm{\θ}}_n+U\sin 2{\mathrm{\θ}}_n=2I_n\end{array}\right.---\left(1\right)$

式(1)中，I为大气光的总光强，Q为大气光在水平方向上的偏振光强分量，U为大气光在45°方向上的偏振光强分量；

3.2、根据所述斯托克斯矢量S=(I,Q,U)^T通过式(2)获得所述有效区域Z_valid内的偏振度分布Dop：

$\mathrm{Dop}=\frac{\sqrt{Q^2+U^2}}{I}---\left(2\right)$

3.3、通过式(3)将所述偏振度分布Dop映射为偏振度图像I_D：

I_D=[Dop×255]   (3)

式(3)中，[Dop×255]表示对Dop×255的计算结果向下取整；

步骤4：对所述偏振度图像I_D进行二值化处理；

4.1、在所述有效区域Z_valid内，对所述偏振度图像I_D进行图像滤波处理获得去噪后的偏振度图像I_D′；

4.2、将所述去噪后的偏振度图像I_D′作为大津算法的输入图像获得去噪后的偏振度图像I_D′的自适应阈值t_d，

4.3、根据所述自适应阈值t_d对所述去噪后的偏振度图像I_D′进行二值化处理获得二值图像BW_b，

步骤5：查找所述有效区域Z_valid内中性点所在的区域Z₁和Z₂；

在所述有效区域Z_valid内，查找出所述二值图像BW_b中所有像素值为1的连通域，并依次比较各个连通域中所包含的像素点数量，从中选择出包含像素点数量最多的两个连通域Z_max1和Z_max2，所述连通域Z_max1和Z_max2为中性点所在区域Z₁和Z₂；

步骤6：利用椭圆拟合算法对中性点所在区域的边缘进行拟合；

6.1、判断所述区域Z₁和Z₂内的每个像素的4-连通的邻域上的像素值是否都取值为1，选择4-连通的邻域上的像素值都取值为1的像素赋值为0，从而获得区域边缘Edge₁和Edge₂；

6.2、分别将所述区域边缘Edge₁和Edge₂作为椭圆拟合算法的输入，对所述区域边缘Edge₁和Edge₂进行椭圆拟合，得到所述区域边缘Edge₁和Edge₂的拟合椭圆E₁和E₂，所述拟合椭圆E₁和E₂的拟合方程为椭圆方程1和椭圆方程2：

椭圆方程1：a₁x²+b₁xy+c₁y²+d₁x+e₁y+f₁＝0   (4)

椭圆方程2：a₂x²+b₂xy+c₂y²+d₂x+e₂y+f₂＝0   (5)

式(4)和(5)中，a₁、b₁、c₁、d₁、e₁和f₁以及a₂、b₂、c₂、d₂、e₂和f₂分别为椭圆拟合算法所获得的椭圆方程的系数；x和y为椭圆方程的变量；

步骤7：识别中性点；

由所述椭圆方程1和椭圆方程2，分别获得所述拟合椭圆E₁和E₂的椭圆中心坐标 $C_1=(\frac{b_1{e}_1-2c_1{d}_1}{4a_1{c}_1-b_1^2},\frac{b_1{d}_1-2a_1{c}_1}{4a_1{c}_1-b_1^2})$ 和 $C_2(\frac{b_2{e}_2-2c_2{d}_2}{4a_2{c}_2-b_2^2},\frac{b_2{d}_2-2a_2{c}_2}{4a_2{c}_2-b_2^2});$ 所述椭圆中心坐标C₁和C₂即为所述中性点。

与已有技术相比，本发明的有益效果体现在：

1、本发明针对大气偏振模式中的中性点识别需求，利用中性点在大气偏振模式的偏振度分布中的特性，通过在天空偏振度图像中对中性点位置进行椭圆拟合并定位实现对中性点的识别定位。

2、本发明中通过对大气偏振模式的偏振度分布进行解析，是从中性点观测的基本特征出发，利用大气偏振模式获取装置能获取全天域天空偏振信息，能够最大程度的获取大气偏振模式中中性点的分布特性，确保了对中性点识别的准确性。

3、本发明中通过椭圆拟合方法实现对中性点的识别定位，能够克服天空环境发生变化时，中性点特性信息检测不完全而导致的中性点误检测，最小化数据随机噪声对中性点定位和识别的影响，使整体误差有效降低，从提高中性点识别的健壮性以及算法的精度。

4、本发明采用大津算法自适应获取偏振图像的有效区域和中性点区域，能够自适应跟随实际环境的变化导致的偏振和光强分布变化而选择有效区域和中性点区域的判别阈值，提高了算法对实际环境变化的适应能力。

附图说明

图1为本发明的方法流程图；

图2为本发明检偏器偏振角度为0°时所采集的天空偏振图像I₁；

图3为本发明检偏器偏振角度为45°时所采集的天空偏振图像I₂；

图4为本发明检偏器偏振角度为90°时所采集的天空偏振图像I₃；

图5为本发明检偏器偏振角度为135°时所采集的天空偏振图像I₄；

图6为本发明的有效区域示意图；

图7为本发明天空偏振度分布的示意图；

图8为本发明偏振度图像；

图9为本发明检测得到的中性点区域；

图10为本发明对识别中性点区域进行椭圆拟合结果的示意图；

图11为本发明在偏振度分布中识别中性点的效果图。

具体实施方式

本实施例中，如图1所示，一种基于偏振度椭圆拟合的中性点识别方法是按如下过程进行：

步骤1：获取n幅天空偏振图像I₁,I₂,…,I_n；

大气偏振模式获取装置是由CCD相机、鱼眼镜头和置于鱼眼镜头前的检偏器构成；CCD相机用于获取天空偏振图像的偏振光强，鱼眼镜头代替CCD相机本身的镜头用于扩展CCD相机的视场角，检偏器用于检测天空偏振图像中的大气偏振光。

利用大气偏振模式获取装置在n个不同的偏振角度θ₁,θ₂,…,θ_n下分别获得n幅天空偏振图像I₁,I₂,…,I_n,n≥3；天空偏振图像在计算过程中，均是以矩阵形式来表征的；本实施中，参见图2、图3、图4以及图5，在保持CCD相机和鱼眼镜头的位置不变，然后改变检偏器的偏振角度，分别获取4幅偏振角度分别为0°,45°,90°,135°的天空偏振图像I₁,I₂,I₃,I₄；

步骤2：利用大津算法提取有效区域Z_valid；

依次将n幅天空偏振图像I₁,I₂,…,I_n作为大津算法的输入图像，通过大津算法分别计算出每一幅天空偏振图像I₁,I₂,…,I_n所对应的自适应阈值t₁,t₂,…,t_n，根据自适应阈值t₁,t₂,…,t_n依次将对应的天空偏振图像I₁,I₂,…,I_n进行二值化处理，获得对应于天空偏振图像I₁,I₂,…,I_n的n幅二值图像BW₁,BW₂,…,BW_n，对n幅二值图像BW₁,BW₂,…,BW_n进行“与”操作，获得二值图像BW_valid，令二值图像BW_valid中像素为1的连通区域为有效区域Z_valid；如图6所示，本实施例中，针对天空偏振图像I₁,I₂,I₃,I₄，601所示为无效区域，602所示为有效区域Z_valid；对有效区域Z_valid进行提取的原因是要获得全天域的天空图像，必须保证CCD相机成像靶面大于鱼眼镜头的成像孔径，从而导致CCD相机靶面上位于镜头成像孔径之外的区域不能感光，而在成像结果中形成不具有天空偏振信息的黑色区域，这部分区域对中性点的识别的结果没有意义，但会对识别过程造成影响。

步骤3：计算偏振度图像I_D；

3.1、根据n幅天空偏振图像I₁,I₂,…,I_n和其依次对应不同的偏振角度θ₁,θ₂,…,θ_n,通过式(1)获得有效区域Z_valid内的斯托克斯矢量S=(I,Q,U)^T：

$\left\{\begin{array}{c}I+Q\cos 2{\mathrm{\θ}}_1+U\sin 2{\mathrm{\θ}}_1=2I_1\\ I+Q\cos 2{\mathrm{\θ}}_2+U\sin 2{\mathrm{\θ}}_2=2I_2\\ \·\·\·\\ I+Q\cos 2{\mathrm{\θ}}_n+U\sin 2{\mathrm{\θ}}_n=2I_n\end{array}\right.---\left(1\right)$

式(1)中，I为大气光的总光强，Q为大气光的水平方向上的偏振光强分量，U为大气光在45°方向上的偏振光强分量；本实施例中，由4幅偏振角度为0°,45°,90°,135°的天空偏振图像I₁,I₂,I₃,I₄计算有效区域Z_valid内的斯托克斯矢量S=(I,Q,U)^T，将偏振角度0°,45°,90°,135°代入方程(1)中得到：

$\left\{\begin{array}{c}I=\frac{1}{2}[I_1+I_2+I_3+I_4]\\ Q=I_1-I_3\\ U=I_2-I_4\end{array}\right.---\left(2\right)$

3.2、如图7所示，根据斯托克斯矢量S=(I,Q,U)^T通过式(2)获得有效区域Z_valid内的偏振度分布Dop：

$\mathrm{Dop}=\frac{\sqrt{Q^2+U^2}}{I}---\left(3\right)$

3.3、如图8所示，通过式(3)将偏振度分布Dop映射为偏振度图像I_D：

I_D=[Dop×255]   (4)

式(4)中，[Dop×255]表示对Dop×255的计算结果向下取整；

步骤4：对偏振度图像I_D进行二值化处理；

4.1、在有效区域Z_valid内，对偏振度图像I_D进行图像滤波处理获得去噪后的偏振度图像I_D′，去除椒盐噪声；

4.2、将去噪后的偏振度图像I_D′作为大津算法的输入图像获得去噪后的偏振度图像I_D′的自适应阈值t_d，

4.3、根据自适应阈值t_d对去噪后的偏振度图像I_D′进行二值化处理获得二值图像BW_b，二值化处理的规则为，设定一个阈值，针对偏振度图像I_D′中的任一像素，若任一像素的像素值大于阈值，则任一像素在对应二值图像BW_b中的像素值取为1；否则，像素值取为0；

步骤5：查找有效区域Z_valid内中性点所在的区域Z₁和区域Z₂；

参见图9，图中白色区域为中性点所在区域Z₁和区域Z₂；在有效区域Z_valid内，查找出二值图像BW_b中所有像素值为1的连通域，并依次比较各个连通域中所包含的像素点数量，从中选择出包含像素点数量最多的两个连通域Z_max1和连通域Z_max2，连通域Z_max1和连通域Z_max2为中性点所在区域Z₁和Z₂；中性点是天空分布中的特殊区域，一次观测中可获得两个中性点，在实际观测中，由于云雾等天气因素的影响，可能会获得多个偏振度为0的区域，但中性点是其中最大的两块区域，因此可以通过选择中性点中最大的区域实现对中性点的识别；

步骤6：利用椭圆拟合算法对中性点所在区域的边缘进行拟合；

6.1、判断区域Z₁和Z₂内的每个像素的4-连通的邻域上的像素值是否都取值为1，选择4-连通的邻域上的像素值都取值为1的像素赋值为0，从而获得区域边缘Edge₁和区域边缘Edge₂，如图10所示的白色边缘线；

6.2、分别将区域边缘Edge₁和Edge₂作为椭圆拟合算法的输入，对区域边缘Edge₁和Edge₂进行椭圆拟合，得到区域边缘Edge₁和Edge₂的拟合椭圆E₁和拟合椭圆E₂，拟合椭圆E₁和E₂的拟合方程为椭圆方程1和椭圆方程2：

椭圆方程1：a₁x²+b₁xy+c₁y²+d₁x+e₁y+f₁＝0   (5)

椭圆方程2：a₂x²+b₂xy+c₂y²+d₂x+e₂y+f₂＝0   (6)

通过椭圆拟合算法能获得式(5)中，椭圆方程1的系数a₁、b₁、c₁、d₁、e₁和f₁以及式(6)中，椭圆方程2的系数a₂、b₂、c₂、d₂、e₂和f₂；式(5)和(6)中，变量x和y表示满足椭圆方程轨迹的点集；中性点区域通常呈现为圆形或椭圆形，通过椭圆拟合的方法可以降低随机噪声对中性点的影响，从而提高中性点识别定位的准确性和鲁邦性。

步骤7：识别中性点；

由椭圆方程1和椭圆方程2，分别获得拟合椭圆E₁和E₂的椭圆中心坐标 $C_1(\frac{b_1{e}_1-2c_1{d}_1}{4a_1{c}_1-b_1^2},\frac{b_1{d}_1-2a_1{c}_1}{4a_1{c}_1-b_1^2})$ 和椭圆中心坐标 $C_2(\frac{b_2{e}_2-2c_2{d}_2}{4a_2{c}_2-b_2^2},\frac{b_2{d}_2-2a_2{c}_2}{4a_2{c}_2-b_2^2});$ 椭圆中心坐标C₁和椭圆中心坐标C₂即为中性点。如图11所示，白色拟合椭圆线为对中性点区域的拟合，椭圆线中心的白色椭圆中心为中性点。

Claims (1)

1.一种基于偏振度椭圆拟合的中性点识别方法，其特征是，按如下过程进行：

步骤1：在不同偏振角度θ₁,θ2,…,θ_n下分别获取相应的天空偏振图像I₁,I₂,…,I_n,n≥3；

步骤2：利用大津算法提取有效区域Z_valid；

依次将n幅天空偏振图像I₁,I₂,…,I_n作为大津算法的输入图像，通过大津算法分别计算出每一幅天空偏振图像I₁,I₂,…,I_n所对应的自适应阈值t₁,t₂,…,t_n，根据所述自适应阈值t₁,t₂,…,t_n依次将对应的天空偏振图像I₁,I₂,…,I_n进行二值化处理，获得对应于所述天空偏振图像I₁,I₂,…,I_n的n幅二值图像BW₁,BW₂,…,BW_n，对所述n幅二值图像BW₁,BW₂,…,BW_n进行“与”操作，获得二值图像BW_valid，令所述二值图像BW_valid中像素为1的连通区域为有效区域Z_valid；

步骤3：计算偏振度图像I_D；

3.1、利用式(1)获得所述有效区域Z_valid内的斯托克斯矢量S=(I,Q,U)^T：

$\left\{\begin{array}{c}I+Q\cos 2{\mathrm{\θ}}_1+U\sin 2{\mathrm{\θ}}_1=2I_1\\ I+Q\cos 2{\mathrm{\θ}}_2+U\sin 2{\mathrm{\θ}}_2=2I_2\\ ...\\ I+Q\cos 2{\mathrm{\θ}}_n+U\sin 2{\mathrm{\θ}}_n=2I_n\end{array}\right.---\left(1\right)$

式(1)中，I为大气光的总光强，Q为大气光在水平方向上的偏振光强分量，U为大气光在45°方向上的偏振光强分量；

3.2、根据所述斯托克斯矢量S=(I,Q,U)^T通过式(2)获得所述有效区域Z_valid内的偏振度分布Dop：

$\mathrm{Dop}=\frac{\sqrt{Q^2+U^2}}{I}---\left(2\right)$

3.3、通过式(3)将所述偏振度分布Dop映射为偏振度图像I_D：

I_D=[Dop×255]   (3)

式(3)中，[Dop×255]表示对Dop×255的计算结果向下取整；

步骤4：对所述偏振度图像I_D进行二值化处理；

4.1、在所述有效区域Z_valid内，对所述偏振度图像I_D进行图像滤波处理获得去噪后的偏振度图像I_D′；

4.2、将所述去噪后的偏振度图像I_D′作为大津算法的输入图像获得去噪后的偏振度图像I_D′的自适应阈值t_d，

4.3、根据所述自适应阈值t_d对所述去噪后的偏振度图像I_D进行二值化处理获得二值图像BW_b，

步骤5：查找所述有效区域Z_valid内中性点所在的区域Z₁和Z₂；

在所述有效区域Z_valid内，查找出所述二值图像BW_b中所有像素值为1的连通域，并依次比较各个连通域中所包含的像素点数量，从中选择出包含像素点数量最多的两个连通域Z_max1和Z_max2，所述连通域Z_max1和Z_max2为中性点所在区域Z₁和Z₂；

步骤6：利用椭圆拟合算法对中性点所在区域的边缘进行拟合；

6.1、判断所述区域Z₁和Z₂内的每个像素的4-连通的邻域上的像素值是否都取值为1，选择4-连通的邻域上的像素值都取值为1的像素赋值为0，从而获得区域边缘Edge₁和Edge₂；

6.2、分别将所述区域边缘Edge₁和Edge₂作为椭圆拟合算法的输入，对所述区域边缘Edge₁和Edge₂进行椭圆拟合，得到所述区域边缘Edge₁和Edge₂的拟合椭圆E₁和E₂，所述拟合椭圆E₁和E₂的拟合方程为椭圆方程1和椭圆方程2：

椭圆方程1：a₁x²+b₁xy+c₁y²+d₁x+e₁y+f₁＝0   (4)

椭圆方程2：a₂x²+b₂xy+c₂y²+d₂x+e₂y+f₂＝0   (5)

式(4)和(5)中，a₁、b₁、c₁、d₁、e₁和f₁以及a₂、b₂、c₂、d₂、e₂和f₂分别为椭圆拟合算法所获得的椭圆方程的系数；x和y为椭圆方程的变量；

步骤7：识别中性点；

由所述椭圆方程1和椭圆方程2，分别获得所述拟合椭圆E₁和E₂的椭圆中心坐标 $C_1(\frac{b_1{e}_1-2c_1{d}_1}{4a_1{c}_1-b_1^2},\frac{b_1{d}_1-2a_1{c}_1}{4a_1{c}_1-b_1^2})$ 和 $C_2(\frac{b_2{e}_2-2c_2{d}_2}{4a_2{c}_2-b_2^2},\frac{b_2{d}_2-2a_2{c}_2}{4a_2{c}_2-b_2^2});$ 所述椭圆中心坐标C₁和C₂即为所述中性点。

Images