CN103942831A - 一种新的基于景物空间频率的红外图像纹理仿真方法 - Google Patents
一种新的基于景物空间频率的红外图像纹理仿真方法 Download PDFInfo
- Publication number
- CN103942831A CN103942831A CN201410144297.9A CN201410144297A CN103942831A CN 103942831 A CN103942831 A CN 103942831A CN 201410144297 A CN201410144297 A CN 201410144297A CN 103942831 A CN103942831 A CN 103942831A
- Authority
- CN
- China
- Prior art keywords
- image
- frequency
- infrared
- temperature difference
- scenery
- 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
Landscapes
- Radiation Pyrometers (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于红外场景仿真领域,公开了一种基于景物空间频率的红外图像纹理仿真方法。针对目前红外场景仿真中不同视距上红外纹理模拟真实感较低、缺乏有效方法的问题,提供一套基于景物空间频率的红外图像纹理仿真方法。主要包括:1,获取初始图像;2,由景物与探测器物像关系构建基于距离信息的空间频率滤波模型,使其作用于初始图像并对图像进行降采样;3,由景物不同频率对应的温差与热成像系统的最小可分辨温差(MRTD)的对比关系,确定基于MRTD的滤波模型;4,将该模型作用于第2步的结果图像,得到不同视距下红外纹理仿真图像。优点:为目标识别、探测等领域提供更可靠的红外数据源;提高不同视距红外图像的获取效率,降低红外图像获取成本。
Description
技术领域
本发明属于三维红外场景仿真技术领域,涉及一种在“零”视距实拍红外图像纹理基础上仿真不同视距上红外图像纹理的方法。
背景技术
景物纹理是识别该景物的重要特征,不同观察距离上景物的纹理也有不同程度的细节体现。目前红外纹理的生成方法主要有两种,第一种方法是通过仿真计算得到景物的红外纹理图像,但在不同观测距离下,这种仿真方法未考虑高频信息的损失和景物细节的温差由于大气影响而发生变化导致图像模糊的现象,在视距改变时只是简单对图像进行缩放。第二种方法采用实拍纹理数据作为红外纹理,这种方法采集的数据可靠性高,但是需要对每一种纹理的拍摄距离、拍摄方向和天气条件等做严格的规范,操作繁琐,代价高昂。
为解决不同视距上红外图像纹理生成问题,本发明阐述了一种新的基于景物空间频率的红外图像纹理仿真方法,包括新方法的原理、步骤、结果等内容,为红外场景仿真中不同视距上红外图像纹理仿真提供一种参考方法。
发明内容
本发明针对目前红外场景仿真中不同视距上红外图像纹理模拟真实感较低,缺乏有效仿真方法的问题,提供了一整套新的基于景物空间频率的红外图像纹理仿真方法。方法基于实拍的初始红外纹理图像,根据景物与探测器的距离确定了基于距离信息的空间频率滤波模型,并根据景物细节频率对应的温差与热成像系统的最小可分辨温差(MRTD)的对比关系,确定了基于MRTD的滤波模型,将两滤波模型作用于初始图像上,得到不同视距下的红外纹理仿真图像。
基于景物空间频率的红外图像纹理仿真技术方案包括:
a)成像的频率金字塔原理;
b)不同视距上景物探测器成像分析;
c)初始红外纹理图像的获取要求;
d)根据景物与探测器物像关系确定不同视距上景物在探测器上的成像尺寸及探测器能够反映的景物的最大空间频率,据此确定基于距离信息的空间频率滤波器,对初始图像进行滤波和降采样;
e)确定景物图像频率分布与温差的关系模型。根据初始红外纹理图像的获取条件,确定图像中各点温度和平均温差,平均温差作为初始图像的最高频率对应的温差。同样方法,获取不同距离下成像的最大频率,根据初始图像的温度得到不同距离上景物成像时每个像素表征的温度,并计算该距离上景物成像的最高频率对应的平均温差。将温差和频率的离散值经过回归分析,拟合出对应的关系曲线,最终确定景物图像的频率温差关系曲线;
f)根据热成像系统的最小可分辨温差曲线确定热像仪分辨某频率的细节图案需要的最小温差;将最小可分辨温差与不同视距上图像的实际温差作对比,确定基于最小可分辨温差的红外纹理图像滤波模型,用该模型对由d)得到的图像再次滤波,最终得到不同视距红外纹理仿真图像。
本发明的有益成果:
a)采用基于实拍初始纹理图像仿真不同距离上红外图像纹理的方法,保证了仿真数据来源的真实性、可靠性;
b)考虑了距离变化对于图像不同频率细节的影响,反映出视距变化时景物的红外图像纹理较为精确的变化,为目标识别、探测等领域提供更为精确的数据源;
c)以往方法多考虑大气对于图像对比度的影响,本发明考虑了大气对于景物细节温差的影响,从红外成像的物理原理出发,保证了仿真方法的科学性和可靠性;
d)提供了一套新的可以有效模拟不同视距下的红外图像纹理的方法,可提高红外纹理图像的获取效率,降低红外图像获取的成本。
附图说明
图1图像金字塔
图2不同距离上景物探测器成像示意图
图3基于景物空间频率的红外图像纹理仿真流程图
具体实施方式
下面结合附图1、2、3和实例对本发明的过程做进一步说明。
1.成像的频率金字塔原理
图像金字塔是图像多分辨率表示中一种有效结构,它是一系列以金字塔形状排列的、分辨率逐步降低的图像集合,如附图1,金字塔底部是待处理图像的高分辨率表示,顶部包含一个低分辨率近似,当向金字塔的上层移动时,尺寸和分辨率降低。基础级J的大小为2J×2J或N×N,其中J=log2N。顶点级0的大小为1×1(即单个像素),第j级图像的大小为2j×2j,0≤j≤J。可以看出,由大小为N×N的原始图像和J次分解各层中的近似分量构成了一个多分辨率金字塔,各图像之间的尺寸是2的整数倍。
在固定像元数的光电成像系统中,成像过程随视距的改变即呈现出多分辨率的图像显示。因此,可将不同距离上的红外纹理图像生成等效为图像金字塔的形成过程:将“零”视距拍摄的初始红外纹理图像作为图像金字塔底部原始高分辨率图像,将视距和大气对景物红外纹理的影响等效为图像金字塔中的低通滤波和降采样过程,重复对原始图像进行基于距离的空间频率滤波和基于最小可分辨温差的图像滤波,可得到一系列不同尺寸和分辨率的红外图像纹理。
2.初始图像的获取要求
不同视距的红外图像纹理以景物的初始红外纹理图像为基础进行模拟,初始图像要求景物充满热像仪视场且是相对清晰的红外图像。
3.基于距离信息的空间频率滤波
对固定像元数的光电成像系统而言,成像系统分辨景物细节的能力随视距的增加而下降。如附图2,距离L处探测器能分辨景物的最高频率决定了探测器能分辨的景物细节程度,距离L处的物像关系决定了景物图像频率范围。因此,根据景物成像距离与成像频率关系,确定距离L处成像的最高频率,根据该最高频率对“零”视距图像进行低通滤波。假定基于距离的空间频率滤波器为HS,有:
式中,fL为初始图像的空间频率,DL为L距离上图像空间频率的截止频率,该截止频率可以由L距离上的图像尺寸和探测器焦平面尺寸之比得到。
将此滤波器作用于该频谱图上:G(u,v)=F(u,v)HS(u,v)。
滤波后图像的空域显示:gp(x,y)={real[ζ-1[G(u,v)]]}(-1)x+y。
再将该图像根据L距离上图像的尺寸进行降采样,得到L位置处景物在探测器像面上的模拟成像效果(未考虑大气影响)。
4.基于最小可分辨温差(MRTD)的红外纹理图像滤波
a)景物图像频率分布和温差关系模型
对于初始图像(L=L0),温度范围(Tmin,Tmax),图像的灰度范围(Gmin,Gmax),红外图像灰度和温度在某一温度范围内可近似为线性关系,因此红外图像上任一点的灰度G,其温度T为:
将每个点与其右相邻点的温度差作为该点的温差:ΔTij=T(i,j)-T(i,j+1)。
初始图像最高空间频率对应的温差ΔTavg:
同理,在L=2L0位置处,探测器对景物成像的最高空间频率为f2=1/4f1,探测中每个像元表征初始图像中四个像素的平均温度,此时图像中每个像素的温度为:
T(i,j)=(T(2i-1,2j-1)+T(2i-1,2j)+T(2i,2j-1)+T(2i,2j))/4。
此时图像最大空间频率f2对应的平均温差为:
同理,计算不同频率f3,f4…对应的平均温差,根据频率和平均温差的离散值拟合出ΔTavg(fi)和频率fi的关系曲线。
b)基于MRTD的红外纹理图像滤波
对于空间频率为f的景物,其与背景的实际温差在经过大气传输到达热成像系统时,如果仍大于该热成像系统对应该频率的最小可分辨温差MRTD(f),则成像系统可以分辨该频率的细节图案,否则该频率的细节将不能够分辨,造成图像模糊。因此,将不同空间频率对应的实际温差和MRTD(f)比较结果作为判断该频率能否被探测器识别的依据。在距离L上,热成像系统能分辨的温差需要满足条件:ΔT(f)·τ(L)≥MRTD(f)。
ΔT(f)是图像中频率f对应的平均温差,τ(L)是在热成像系统工作波段内,沿目标方向L距离行程上大气传输的平均大气透射比。
建立基于MRTD的理想滤波器模型:
将该滤波器作用于第3步后的图像上,得到经过L距离后最终的红外纹理模拟图像。
5.基于景物空间频率的红外图像纹理仿真方法验证
根据本发明给出的基于景物空间频率的红外图像纹理仿真方法的流程,如附图3,将本发明所述方法得到的红外纹理仿真图像与实际采集红外图像从图像的均方根误差和峰值信噪比两个指标进行比较,结果如表1所示。
表1不同距离上仿真图像和实拍图像的相似度
距离(m) | MSE | PSNR |
5 | 53.0952 | 71.1044 |
10 | 9.8621 | 87.9383 |
15 | 3.3287 | 98.7994 |
20 | 0.5087 | 117.5848 |
在模拟图像与真实图像对比评价时PSNR取值在20db以上就可以认为两者相似度较高。可以看出,对于远距离探测,实拍图像和仿真图像的均方根误差在减小,而峰值信噪比在增加,说明在视距变化时,本文的纹理模拟方法具有较高的保真度。
Claims (4)
1.一种新的基于景物空间频率的红外图像纹理仿真方法。该红外纹理图像仿真方法其特征在于:
a)初始红外纹理图像的获取要求;
b)基于距离信息的空间频率滤波器构建;
c)景物图像频率分布与温差关系模型构建;
d)基于最小可分辨温差的红外纹理图像滤波模型:将最小可分辨温差与不同视距上图像的实际温差作对比,确定基于最小可分辨温差的红外纹理图像滤波模型,用该模型对图像再次滤波,得到最终不同视距上的红外纹理图像。
2.权利要求1中所述的一种新的基于景物空间频率的红外图像纹理仿真方法,其特征在于:
所述初始红外纹理图像的获取要求a),不同视距的红外纹理图像以景物的初始图像纹理为基础进行模拟,初始图像要求景物充满热像仪整个视场且是相对最清晰的红外图像。
权利要求1中所述的一种新的基于景物空间频率的红外图像纹理仿真方法,其特征在于:
所述基于距离信息的空间频率滤波器构建b),根据景物成像的金字塔原理和景物成像距离与成像频率关系,确定L距离处成像的最高频率,根据该最高频率对“零”视距初始红外纹理图像进行低通滤波。假定基于距离信息的空间频率滤波器为HS,有:
fL为初始图像的空间频率,DL为L距离上图像空间频率的最高频率,该最高频率可以由L距离上的图像尺寸和探测器焦平面尺寸之比得到。
将此滤波器作用于初始图像的频谱图上:G(u,v)=F(u,v)HS(u,v)。
3.权利要求1中所述的一种新的基于景物空间频率的红外图像纹理仿真方法,其特征在于:
所述景物图像频率分布与温差关系模型构建c)。根据初始图像的获取条件,得到不同距离下图像的最大频率和该频率对应的平均温差。将温差和频率的离散值经过回归分析拟合出对应的关系曲线,确定初始图像的频率温差关系曲线的系数。
对于初始图像(L=L0)处,温度范围:(Tmin、Tmax),图像的灰度范围:(Gmin、Gmax),红外图像灰度和温度在某一温度范围内可近似为线性关系,因此,红外图像上任一点的灰度G,其温度T为:
将每个点与其右相邻点的温度差作为该点的温差:ΔTij=T(i,j)-T(i,j+1)。
式中,i,j表示图像中像素位置。初始图像温差的平均值ΔTavg即为初始图像最高空间频率对应的温差:
m,n为初始图像的像素数,f1为该温差矩阵对应的图像空间频率。
在L=2L0处,探测器对景物成像的最高空间频率为f2=1/4f1,探测器中每个像元表征初始图像中四个像素的平均温度,此时图像中每个像素的温度为:
T(i,j)=(T(2i-1,2j-1)+T(2i-1,2j)+T(2i,2j-1)+T(2i,2j))/4
此时图像最大空间频率f2对应的平均温差为:
同理,求出不同频率f3,f4…对应的平均温差,根据频率和平均温差的离散值拟合出ΔTavg(fi)和频率fi的关系曲线。
4.权利要求1中所述的一种新的基于景物空间频率的红外图像纹理仿真方法,其特征在于:
所述基于最小可分辨温差的红外纹理图像滤波模型d)。将不同空间频率对应的实际温差和MRTD(f)比较结果作为判断该频率能否被探测器识别的依据。在距离L上,热成像系统能分辨的温差需要满足条件:ΔT(f).τ(L)≥MRTD(f)。
ΔT(f)是图像中频率f对应的平均温差,τ(L)是在热成像系统工作波段内,沿目标方向L距离行程上大气传输的平均大气透射比。
建立基于MRTD的理想滤波器模型:
将该滤波器作用在基于距离的空间滤波后的图像上,得到经过L距离后最终的红外纹理模拟图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410144297.9A CN103942831A (zh) | 2014-04-11 | 2014-04-11 | 一种新的基于景物空间频率的红外图像纹理仿真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410144297.9A CN103942831A (zh) | 2014-04-11 | 2014-04-11 | 一种新的基于景物空间频率的红外图像纹理仿真方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103942831A true CN103942831A (zh) | 2014-07-23 |
Family
ID=51190481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410144297.9A Pending CN103942831A (zh) | 2014-04-11 | 2014-04-11 | 一种新的基于景物空间频率的红外图像纹理仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103942831A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106644092A (zh) * | 2017-01-05 | 2017-05-10 | 西安电子科技大学 | 基于可见光信息的红外纹理温度场调制方法 |
CN112013962A (zh) * | 2019-05-31 | 2020-12-01 | 南京理工大学 | 一种基于cnn神经网络的mrtd参数测试方法 |
-
2014
- 2014-04-11 CN CN201410144297.9A patent/CN103942831A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106644092A (zh) * | 2017-01-05 | 2017-05-10 | 西安电子科技大学 | 基于可见光信息的红外纹理温度场调制方法 |
CN106644092B (zh) * | 2017-01-05 | 2019-01-15 | 西安电子科技大学 | 基于可见光信息的红外纹理温度场调制方法 |
CN112013962A (zh) * | 2019-05-31 | 2020-12-01 | 南京理工大学 | 一种基于cnn神经网络的mrtd参数测试方法 |
CN112013962B (zh) * | 2019-05-31 | 2022-11-04 | 南京理工大学 | 一种基于cnn神经网络的mrtd参数测试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101794440B (zh) | 图像序列的加权自适应超分辨率重建方法 | |
CN107229918B (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
JP5778237B2 (ja) | ポイントクラウド内の埋め戻しポイント | |
CN111383285B (zh) | 一种基于毫米波雷达与摄像机传感器融合标定方法及系统 | |
CN101826157B (zh) | 一种地面静止目标实时识别跟踪方法 | |
CN105427298A (zh) | 基于各向异性梯度尺度空间的遥感图像配准方法 | |
CN103500449B (zh) | 一种星上可见光遥感图像云检测方法 | |
CN109360190B (zh) | 基于图像超像素融合的建筑损毁检测方法及装置 | |
CN104020456B (zh) | 一种基于多特显点线阵成像雷达系统幅相误差校正方法 | |
CN111709307B (zh) | 一种基于分辨率增强的遥感图像小目标检测方法 | |
US8805088B1 (en) | Specularity determination from images | |
CN112287983B (zh) | 一种基于深度学习的遥感图像目标提取系统和方法 | |
CN104363369A (zh) | 一种光场相机的图像恢复方法及装置 | |
CN110197185B (zh) | 一种基于尺度不变特征变换算法监测桥下空间的方法和系统 | |
CN112052762A (zh) | 基于高斯原型的小样本isar图像目标识别方法 | |
CN104268880A (zh) | 基于特征和区域匹配相结合的深度信息获取方法 | |
CN103268496A (zh) | Sar图像目标识别方法 | |
CN103093243B (zh) | 高分辨率全色遥感图像云判方法 | |
CN104156979B (zh) | 一种基于高斯混合模型的视频中异常行为在线检测方法 | |
CN105488541A (zh) | 增强现实系统中基于机器学习的自然特征点识别方法 | |
CN105184804A (zh) | 基于机载红外相机航拍图像的海面小目标检测方法 | |
CN103942786B (zh) | 无人机可见光和红外图像的自适应团块目标检测方法 | |
CN102708589A (zh) | 一种基于特征聚类的三维目标多视点视图建模方法 | |
CN103942831A (zh) | 一种新的基于景物空间频率的红外图像纹理仿真方法 | |
CN105631849B (zh) | 多边形目标的变化检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140723 |