CN103778663A - 一种基于功率谱的卷云红外图像仿真方法 - Google Patents
一种基于功率谱的卷云红外图像仿真方法 Download PDFInfo
- Publication number
- CN103778663A CN103778663A CN201310628530.6A CN201310628530A CN103778663A CN 103778663 A CN103778663 A CN 103778663A CN 201310628530 A CN201310628530 A CN 201310628530A CN 103778663 A CN103778663 A CN 103778663A
- Authority
- CN
- China
- Prior art keywords
- image
- cirrus
- power spectrum
- infrared
- method based
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于环境仿真领域,具体涉及一种基于功率谱的卷云红外图像仿真方法。目的是使生成的卷云红外图像更加真实,具备方向特征。该方法包括如下步骤:选择初始功率谱函数,利用方向性因子来描述功率谱的方向性;构造符合卷云特点的功率谱模型;构建卷云红外仿真图像的频谱函数;建立空间域的图像灰度矩阵,初步形成卷云红外仿真图像;对图像作直方图规划,修正卷云红外仿真图像,使输出的卷云红外仿真图像更加符合实际。给出功率谱模型里面参数的数值,构建不同形式卷云红外仿真图像。本方法使生成的图像具备方向分布特点,并与真实卷云图像有相似的频域和空域特征。
Description
技术领域
本发明属于环境仿真领域,具体涉及一种基于功率谱的卷云红外图像仿真方法。
背景技术
在多种自然背景中,云是经常出现的背景之一。云有很多类型,如卷云、积云、层云等等,每个类型表现出不同的图像特征。本专利提出了一种针对卷云建立红外仿真图像方法,为探测器识别卷云背景提供图像信号输入。
国内、外对图像仿真工作已经进行了多年,采用方法和应用领域都多种多样,这里无法一一列举,值得关注的是,近年来随着数字化图像技术发展和实际应用需求,出现了这样一类问题,就是生成的图像不要求是图形复现,虽然这样在视觉上与真实图像存在一定差异,但具有和真实图像共同的信号特征。由于无论图像以何种灰度形式出现,红外探测器对图像判读是基于图像特征实现的,这种具备背景特征的仿真图像符合红外探测器背景识别对信号特征要求,很有应用价值。
现有方法中利用功率谱函数构造云背景图像,该函数模型不包括和方向有关的参数因子,因而得到的云背景红外图像为各向同性,不符合实际卷云图像具有的方向特征。
发明内容
本发明的目的是提供一种基于功率谱的卷云红外图像仿真方法,使生成的卷云红外图像具备方向特征。
本发明所采用的技术方案是:
一种基于功率谱的卷云红外图像仿真方法,包括如下步骤:
步骤S1:选择初始功率谱函数,利用方向性因子来描述功率谱的方向性;
步骤S2:构造符合卷云特点的功率谱模型;
步骤S3:构建卷云红外仿真图像的频谱函数;
步骤S4:建立空间域的图像灰度矩阵,初步形成卷云红外仿真图像;
步骤S5:对图像作直方图规划,修正卷云红外仿真图像,使输出的卷云红外仿真图像更加符合实际。
步骤S6:给出功率谱模型里面参数的数值,构建不同形式卷云红外仿真图像。
如上所述的一种基于功率谱的卷云红外图像仿真方法,其中:步骤S1中,选择的功率谱函数如下:
其中,PS(u,v)是一个二维功率谱,u、v是频谱域的直角坐标,K、KK是标准化常量,B是一个与自相关长度有关的常量;α是功率谱参数;θ为方向性因子。
如上所述的一种基于功率谱的卷云红外图像仿真方法,其中:步骤S2中,截取功率谱模型主峰及其周围的小块区域来逼近卷云功率谱,其它部分由零均值的正态随机变量再乘以一个系数M来填充,以期构建不同形态卷云。
如上所述的一种基于功率谱的卷云红外图像仿真方法,其中:步骤S3中,利用相位信息构建图像的频谱函数,相位信息为0-2π之间的随机值;频谱函数为F(u,v)=PS(u,v)×ex pP(H(u,v)),其中PH(u,v)是图像的相位信息。
如上所述的一种基于功率谱的卷云红外图像仿真方法,其中:步骤S4中,根据像元大小计算图像的频谱矩阵,再对矩阵进行离散傅立叶逆变换,得到空间域的灰度矩阵。
如上所述的一种基于功率谱的卷云红外图像仿真方法,其中:步骤S5中,采用图像灰度分布直方图规划的方法对卷云图像做修正。
如上所述的一种基于功率谱的卷云红外图像仿真方法,其中:θ取值范围为0°~90°;α取值范围为0.05~0.1;KK取值范围为0.01~0.1。
如上所述的一种基于功率谱的卷云红外图像仿真方法,其中:步骤S2中,系数M取值范围在1/1000~1/10000之间。
本发明的有益效果是:
本发明提出了一种构建卷云红外图像方法,使生成的图像具备方向分布特点,并与真实卷云图像有相似的频域和空域特征。结果可以直接用于探测器识别,或作为场景仿真的背景图像输入。
功率谱函数构建卷云红外图像的方法是将卷云视为各向均匀分布的,通过引进方向因子对功率谱函数进行修正,能够得到更接近实际卷云方向分布特点的卷云图像。
附图说明
图1为本发明提供的一种基于功率谱的卷云红外图像仿真方法的流程图;
图2为热像仪采集的12帧卷云图像;
图3为仿真所得的4幅卷云图像;
图4为加入方向性因子的功率谱模型的三维网格图;
图5为原始功率谱模型的三维网格图;
图6为卷云图像的功率谱;
图7为卷云图像的直方图;
图8为仿真结果。
具体实施方式
下面结合附图和实施例对本发明提供的一种基于功率谱的卷云红外图像仿真方法进行介绍:
如图1所示,一种基于功率谱的卷云红外图像仿真方法,包括如下步骤:
步骤S1:选择初始功率谱函数,利用方向性因子来描述功率谱的方向性;
步骤S2:构造符合卷云特点的功率谱模型;
步骤S3:构建卷云红外仿真图像(以下简称图像)的频谱函数;
步骤S4:建立空间域的图像灰度矩阵,初步形成图像;
步骤S5:对图像作直方图规划,修正图像,使输出的图像更加符合实际;
步骤S6:给出功率谱模型里面参数的数值,构建不同形式图像。
为获得更好的效果,以上各步骤可优选如下:
步骤S1中,选择的功率谱函数如下:
其中,PS(u,v)是一个二维功率谱,u、v是频谱域的直角坐标(即直角坐标下的空间频域坐标变量,类似空间坐标系的x、y),K、KK是标准化常量;B是一个与自相关长度有关的常量;α是功率谱参数,取值与图像中云的覆盖百分比有关;θ为方向性因子,用来描述功率谱的方向性,θ取值范围0°~90°。
无方向性因子的功率谱函数假设云的红外图像为各向同性,通常表示如下:
对于(式2),仿真时能否得到有效的卷云图像就取决于K、B、α的数值选取。已知卷云图像在空间域多呈现丝缕状结构,体现在频域就是其功率谱呈现明显的方向性,这也是它与其它类型云区别的特征之一。鉴于卷云图像方向性特点,(式2)所提供的功率谱模型显然不能满足要求。图4、图5分别为由(式1)、(式2)得到的三维网格图,对比图4和图5可以看到,引入方向性因子θ的功率谱模型在某些方向出现了隆起,显示出明显的方向性。
步骤2中,截取功率谱模型主峰及其周围的小块区域来逼近卷云功率谱,其它部分由零均值的正态随机变量再乘以一个系数M来填充,以期构建不同形态卷云。M取值范围优选在1/1000~1/10000之间。
根据了解的卷云功率谱特征,一幅图像功率谱的绝大部分信息都集中在主峰及其周围的很小范围内,其它部分近似呈随机分布。为此,在(式1)基础上截取功率谱模型主峰及其周围的小块区域来逼近卷云功率谱(例如,截取的是中心点周围两个象素的区域,当然这也可以看作是一个可变的参量来扩大截取区域),其它部分由零均值的正态随机变量R1再乘以一个很小的系数M来填充,以期构建不同形态卷云。经过上述功率谱主峰部分截取,并设M为1/5000时得到卷云功率谱函数如图6所示。
步骤S3中,利用相位信息构建图像的频谱函数,相位信息为0-2π之间的随机值。
依靠建立的功率谱还不足以包涵整个图像频域的全部信息,需要从功率谱模型当中恢复图像的频谱函数,这样就包括了图像的幅度信息和相位信息。
用(式3)构建图像的频谱函数:
F(u,v)=PS(u,v)×ex pP(H(u,v)) (式3)
其中,PH(u,v)是图像的相位信息,对使用成像观测设备采集的大量卷云红外图像进行分析,发现PH(u,v)数值位于0-2π之间,且具有均匀分布的特点,因此使用位于0-2π之间的随机变量给PH(u,v)赋值,表达图像的相位信息,用于计算仿真图像的频谱函数。
步骤S4中,根据像元大小计算图像的频谱矩阵,再对矩阵进行离散傅立叶逆变换,得到空间域的灰度矩阵。
按照128×128像元大小使用(式3)式对每一个u、v坐标计算,就可以得到一个图像的频谱矩阵,之后对矩阵进行离散傅立叶逆变换,得到空间域的灰度矩阵。设灰度级为256,将灰度与图像亮度对应即可形成图像。
步骤S5中,采用图像灰度分布直方图规划的方法对卷云图像做修正
由于卷云自身形态多样性,以及观测角度不同,不同成像条件下的卷云图像会不一样。前面构建卷云功率谱时做了一定图像近似,于是对图像做一些修正,以期得到更加符合真实卷云图形的卷云仿真图像。
对采集的卷云图像进行计算分析,得到卷云灰度分布大部分符合或近似符合正态随机分布,如图7。因此采用图像灰度分布直方图规划的方法对图像进行修正,该规划方法为本领域技术人员公知常识。
步骤S6中,按照前面步骤S1~S5可生成卷云图像,其中(式1)里面参数选取的合理与否决定了生成的图像符合卷云特点的程度。
基于大量实测卷云红外图像的频谱计算和统计分析研究成果,对参数选取设计如下:
(6.1)参数B和K对仿真图像影响不大,仿真时可取任意值,例如可设定的值是B=1000,K=1。
(6.2)θ取值范围0°~90°,例如取45°。
(6.3)α的取值通过数值模拟实验确定,通过对α取不同数值得到的模拟图像进行分析后,确定α的数值在0.05~0.1之间时仿真结果能够达到比较好的效果。
(6.4)与α取值方法类似,确定了KK的理想数值在0.01~0.1之间。
在上述给出的数值范围内选择参数值即可得到卷云红外仿真图像。图8为仿真所得的卷云图像之一,图中α=0.05,KK=0.05。
从图8可见,仿真所得的卷云图像也具有丝缕状结构,这说明虽然仿真模型的起点是在频域,但是这并不影响结果图像也呈现某些空间域的分布特性。
通常图像仿真关注的是图形显示,本方法关注生成图像所具备的特征。仿真生成的卷云红外图像具备了与真实红外云图一致的时域、空域特征。这种图像可以直接用于云的红外特征计算和其它场景仿真的红外云图输入。效果具体分析如下。
(1)图像具备和真实卷云一致的时间、空间分布特征。因为图像本身是基于频谱函数构造的,所以直接具备卷云时间特征。图像是否具有相似的空间特征,以下通过对比仿真图像和真实卷云图像的空间特征量进行判断。
(2)功率谱函数构造时加入了方向因子,使得图像在不同方向有不同的灰度分布形式,符合卷云分布方向性特点。
以下给出真实卷云图像和仿真图像的空间特征量对比。
真实红外云图由红外热像仪实测获得,从采集图像里面挑选画面清晰图像,如图2所示。
然后使用本方法计算生成几幅卷云仿真图像,图3中4幅图像的M取值分别是1/5000,1/2000,0,1/10000。
基于图像灰度共生矩阵,计算二阶矩、对比度等空间域特征值。
定义灰度矩阵为从灰度为i的点分别离开固定位置关系δ=(0,D)、δ=(D,D)、δ=(D,0)、δ=(D,-D)、δ=(0,-D)、δ=(-D,-D)、δ=(-D,0)及δ=(-D,D)八个点上的灰度为j的概率平均值,即定义灰度矩阵为
Dx与Dy对应以上八个位置。
取D=1,求得真实卷云图像数字特征如表1。
表1 12幅真实卷云图像的数字特征
二阶矩 | 对比度 | 相关 | 熵 | |
图像1 | 0.0078078 | 2.4567 | 0.98347 | 2.1982 |
图像2 | 0.0079665 | 2.1184 | 0.98695 | 2.1773 |
图像3 | 0.0073875 | 2.9766 | 0.98355 | 2.2293 |
图像4 | 0.0068532 | 3.3443 | 0.98113 | 2.2611 |
图像5 | 0.009265 | 1.1262 | 0.99342 | 2.1052 |
图像6 | 0.0072265 | 4.7936 | 0.96673 | 2.254 |
图像7 | 0.0052781 | 6.4209 | 0.95968 | 2.365 |
图像8 | 0.0068191 | 3.4587 | 0.98089 | 2.2524 |
图像9 | 0.0064315 | 3.3665 | 0.98106 | 2.273 |
图像10 | 0.0047487 | 6.9036 | 0.95983 | 2.4021 |
图像11 | 0.0054701 | 5.0981 | 0.96971 | 2.344 |
图像12 | 0.0063456 | 3.8204 | 0.97894 | 2.2839 |
卷云仿真图像的数字特征如表2。
表2 4幅仿真卷云图像的数字特征
二阶矩 | 对比度 | 相关 | 熵 | |
图像1 | 0.010214 | 3.3439 | 0.98232 | 2.0925 |
图像2 | 0.015098 | 1.4618 | 0.99066 | 1.9183 |
图像3 | 0.012599 | 1.9974 | 0.98923 | 2.0027 |
图像4 | 0.0081429 | 6.5174 | 0.96538 | 2.1819 |
对比表1和表2,可以看到仿真图像数字特征在真实云图像的特征值范围内变化,个别数值不完全一致的图像也可以通过调整模型参量进行修正。因此可以得出结论,仿真图像同时具备与真实卷云图像相似的空域特征。说明本发明提供的方法生成的仿真图像同时具备与真实图像一致的时域和空间特征,达到预期效果。
Claims (8)
1.一种基于功率谱的卷云红外图像仿真方法,包括如下步骤:
步骤S1:选择初始功率谱函数,利用方向性因子来描述功率谱的方向性;
步骤S2:构造符合卷云特点的功率谱模型;
步骤S3:构建卷云红外仿真图像的频谱函数;
步骤S4:建立空间域的图像灰度矩阵,初步形成卷云红外仿真图像;
步骤S5:对图像作直方图规划,修正卷云红外仿真图像,使输出的卷云红外仿真图像更加符合实际。
步骤S6:给出功率谱模型里面参数的数值,构建不同形式卷云红外仿真图像。
2.根据权利要求1所述的一种基于功率谱的卷云红外图像仿真方法,其特征在于:步骤S1中,选择的功率谱函数如下:
其中,PS(u,v)是一个二维功率谱,u、v是频谱域的直角坐标,K、KK是标准化常量,B是一个与自相关长度有关的常量;α是功率谱参数;θ为方向性因子。
3.根据权利要求2所述的一种基于功率谱的卷云红外图像仿真方法,其特征在于:步骤S2中,截取功率谱模型主峰及其周围的小块区域来逼近卷云功率谱,其它部分由零均值的正态随机变量再乘以一个系数M来填充,以期构建不同形态卷云。
4.根据权利要求3所述的一种基于功率谱的卷云红外图像仿真方法,其特征在于:步骤S3中,利用相位信息构建图像的频谱函数,相位信息为0-2π之间的随机值;频谱函数为F(u,v)=PS(u,v)×ex pP(H(u,v)),其中PH(u,v)是图像的相位信息。
5.根据权利要求4所述的一种基于功率谱的卷云红外图像仿真方法,其特征在于:步骤S4中,根据像元大小计算图像的频谱矩阵,再对矩阵进行离散傅立叶逆变换,得到空间域的灰度矩阵。
6.根据权利要求5所述的一种基于功率谱的卷云红外图像仿真方法,其特征在于:步骤S5中,采用图像灰度分布直方图规划的方法对卷云图像做修正。
7.根据权利要求2、3或6所述的一种基于功率谱的卷云红外图像仿真方法,其特征在于:θ取值范围为0°~90°;α取值范围为0.05~0.1;KK取值范围为0.01~0.1。
8.根据权利要求7所述的一种基于功率谱的卷云红外图像仿真方法,其特征在于:步骤S2中,系数M取值范围在1/1000~1/10000之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310628530.6A CN103778663A (zh) | 2013-11-29 | 2013-11-29 | 一种基于功率谱的卷云红外图像仿真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310628530.6A CN103778663A (zh) | 2013-11-29 | 2013-11-29 | 一种基于功率谱的卷云红外图像仿真方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103778663A true CN103778663A (zh) | 2014-05-07 |
Family
ID=50570858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310628530.6A Pending CN103778663A (zh) | 2013-11-29 | 2013-11-29 | 一种基于功率谱的卷云红外图像仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103778663A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104282044A (zh) * | 2014-09-26 | 2015-01-14 | 北京环境特性研究所 | 基于气象卫星数据产品的卷云红外图像仿真方法及系统 |
-
2013
- 2013-11-29 CN CN201310628530.6A patent/CN103778663A/zh active Pending
Non-Patent Citations (4)
Title |
---|
VITALY I. KHVOROSTYANOV等: "High supersaturation and modes of ice nucleation in thin tropopause cirrus: Simulation of the 13 July 2002 Cirrus Regional Study of Tropical Anvils and Cirrus Layers case", 《JOURNAL OF GEOPHYSICAL RESEARCH》 * |
刘畅: "云背景红外天空图像的统计模型与仿真", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
桑农等: "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)》 * |
贺秀兰: "卷云图像处理及散射特性分析", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104282044A (zh) * | 2014-09-26 | 2015-01-14 | 北京环境特性研究所 | 基于气象卫星数据产品的卷云红外图像仿真方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038445B (zh) | 一种基于多视角深度学习框架的sar自动目标识别方法 | |
CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN102903116B (zh) | 一类基于图像块距离的高光谱图像流形降维方法 | |
CN103761742B (zh) | 一种基于同质指数的高光谱遥感图像稀疏解混方法 | |
CN110346654B (zh) | 基于普通克里金插值的电磁频谱地图构建方法 | |
CN103258324B (zh) | 基于可控核回归和超像素分割的遥感图像变化检测方法 | |
CN103400368B (zh) | 基于图论和超像素的并行快速sar图像分割方法 | |
CN103208001A (zh) | 结合形状自适应邻域和纹理特征提取的遥感图像处理方法 | |
CN104537126A (zh) | 一种基于边图随机游走的重叠社区发现方法 | |
CN105741309A (zh) | 一种基于卡方变换和样本选择的遥感影像变化检测方法 | |
CN103941244A (zh) | 一种雷达目标一维距离像局部最优子空间识别方法 | |
CN104809572A (zh) | 一种基于夜晚灯光数据反演人口密度的方法 | |
CN109784401A (zh) | 一种基于acgan的极化sar图像分类方法 | |
CN102289581A (zh) | 一种基于空间作用划分的模拟城市扩展的方法 | |
CN103426158A (zh) | 两时相遥感图像变化检测的方法 | |
CN104299232A (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN104517024A (zh) | 一种基于建筑物尺度的城市绿度空间评价建模方法 | |
CN105513060A (zh) | 一种视觉感知启发的高分辨率遥感图像分割方法 | |
CN107742133A (zh) | 一种用于极化sar图像的分类方法 | |
CN105205816A (zh) | 多特征加权融合的高分辨率sar影像建筑区提取方法 | |
CN106408009A (zh) | 一种基于深度置信网络的邻域加权平均高光谱图像分类方法 | |
CN104268560B (zh) | 一种基于遥感解译的土地利用识别方法 | |
D’Or et al. | Risk assessment of soil compaction in the Walloon region in Belgium | |
CN106210696A (zh) | 一种实时虚拟视点合成的方法及装置 | |
CN106971402B (zh) | 一种基于光学辅助的sar图像变化检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140507 |