CN106251350A - 一种基于极小惯量的rcs像与目标轮廓配准方法 - Google Patents

一种基于极小惯量的rcs像与目标轮廓配准方法 Download PDF

Info

Publication number
CN106251350A
CN106251350A CN201610605805.8A CN201610605805A CN106251350A CN 106251350 A CN106251350 A CN 106251350A CN 201610605805 A CN201610605805 A CN 201610605805A CN 106251350 A CN106251350 A CN 106251350A
Authority
CN
China
Prior art keywords
rcs
objective contour
picture
registration
inertia
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.)
Granted
Application number
CN201610605805.8A
Other languages
English (en)
Other versions
CN106251350B (zh
Inventor
李志平
张冬
武建华
王正鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201610605805.8A priority Critical patent/CN106251350B/zh
Publication of CN106251350A publication Critical patent/CN106251350A/zh
Application granted granted Critical
Publication of CN106251350B publication Critical patent/CN106251350B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明目的是针对目标RCS像与目标轮廓之间的配准工作，提出一种耗时少精度高的配准方法，将不同角度下测量得到的目标RCS像与目标轮廓进行配准，解决了当前人工配准费时费力的问题，为目标设计改进与维护领域提供重要工具，同时本算法中所使用的基于极小惯量的配准方法也适用于其他对称图像的配准工作。该技术的原理是将不同角度下的RCS像融合得到整机RCS像，采用基于极小惯量的配准方法将目标轮廓与整机RCS像进行配准并输出几何形变参数，最后将不同角度下的RCS像按参数做仿射变换并与目标轮廓图像进行融合。

Description

一种基于极小惯量的RCS像与目标轮廓配准方法
技术领域
本发明属于雷达目标RCS测量成像处理技术领域，提出了一种基于极小惯量的对称图像配准方法，应用于雷达散射截面(Radar Cross Section，RCS)图像与目标轮廓的配准工作。本发明可用于不同波段、不同姿态、不同极化方式下测得RCS图像与其目标轮廓的配准。
背景技术
图像配准是对取自不同时间、不同视角或不同传感器的同一景物的两幅或多幅图像进行匹配、叠加的过程。它的主要目的是消除或减少基准图像和待校正图像之间由于成像条件不同所引起的几何形变，从而获得具有几何一致性(最佳空间位置匹配)的两幅图像。它在图像融合、多时相图像变化检测等领域都得到了广泛的应用。
雷达目标散射的能量可表示为一个有效面积和入射功率密度的乘积，该面积通常称为雷达散射截面，在电磁散射理论中有明确的定义。雷达目标的RCS定义在满足平面波条件的远场，为雷达目标的内在固有属性，通常与频率、目标姿态，电磁波极化状态密切有关。通过测量或电磁计算能够获取雷达目标的散射信号的幅度和相位，对信号的高分辨成像处理可获取目标上强散射源的成像分布，而将像配准到目标轮廓的相应位置进而进行识别、分析、诊断，对于雷达目标的设计改进与性能维护等应用具有重要意义。
雷达目标的RCS像与目标轮廓之间的配准工作，由于领域自身的特殊性，在此方面的研究甚少，本方法将配准技术与图像处理中的对称轴检测方法结合应用于该领域，提出了一种耗时少，精度高的配准方法。
发明内容
本发明技术解决问题：克服现有技术的不足，提供一种基于极小惯量的RCS像与目标轮廓配准方法，将不同角度下测量得到的目标RCS像与目标轮廓进行配准，解决了当前人工配准费时费力的问题，是一种耗时少精度高的配准方法。
本发明技术解决方案：一种基于极小惯量的RCS与目标轮廓配准方法，首先选取适宜的成像范围，将不同角度下的得到的目标RCS(雷达散射截面)数据生成图像，进而融合得到整机RCS像；将整机RCS像与图像轮廓的配准，配准过程分成一次配准和二次配准；一次配准采用基于极小惯量方法将目标轮廓与整机RCS像进行配准，将大范围的三维搜索配准空间降维至简单的小范围的一维搜索配准空间，大大减少了计算复杂度和时间开销；二次配准在一次配准的基础上，得到相似度最大的配准位置并输出几何形变参数；最后将不同角度下的RCS像按参数做仿射变换并与目标轮廓图像进行融合并输出最终配准结果。
所述适宜的成像范围：选取RCS成像足够的角度范围，保证测量姿态足够大且对称。
将不同角度下的得到的目标RCS数据生成图像依次旋转后融合，得到整机RCS像。
所述极小惯量方法过程如下：采用转动惯量法得到目标图像的对称轴与质心(X1，Y1)，判断目标朝向并与对称轴斜率结合，综合得到目标的旋转角度Rad，将目标轮廓以旋转角度Rad为参数进行旋转并计算旋转后的轮廓质心(X2，Y2)，以(X1-X2，Y1-Y2)为平移参数对目标轮廓进行平移，即以X2-X1，Y2-Y1为水平、竖直平移量对目标轮廓图像做仿射变换，并将结果作为第一次配准结果。
所述二次配准过程如下：对经过第一次配后的目标轮廓进行特征区域增强，以二维相关系数为相似性度量标准，以黄金比例分割法作为搜索算法沿对称轴方向进行搜索，得到相似度最大的配准位置并输出几何形变参数。
所述配准方法，其应用领域不仅限于目标RCS像与目标轮廓配准，也适用于其他具有对称性目标的图像配准处理。
本发明与现有技术相比，具有以下优点：
(1)目前采用的人工配准方法，需要人工判断出不同角度下RCS像与目标轮廓间的旋转平移量，以此进行配准融合后再进行微调来得到较为满意的结果，本发明解决了这一问题，将繁琐的人工配准方法简化成代码运行处理后的自动配准方法，大大降低了配准复杂度，且精度较高，耗时较少。
(2)对称轴作为观测目标的一个重要特征，在计算机视觉中占有重要地位。利用动力学中轴对称的刚体对于其对称轴的转动惯量取得极小值的特性，可以准确检测灰度图像中目标物体的对称轴。实验证明，本发明对于图像的尺度变化，旋转，平移都可以得到稳定的结果，具有良好的鲁棒性，实时性和准确性。
(3)同时，本发明中提出的基于极小惯量的配准方法，将配准过程由大范围的三维搜索简化至小范围的一维搜索，大大的减少了配准时间，使得本发明法具有精度高，耗时少，鲁棒性高的优点。
(4)本发明二次配准采用二维相关系数作为相似度判决系数，精度较高，耗时较短。
(5)本发明为雷达目标成像诊断、辨识，以及设计改进、目标特性维护提供重要工具。同时，本发明中所使用的基于极小惯量的配准方法也适用于其他对称图像的配准处理。
附图说明
图1是本发明的流程图；
图2是整机RCS像对称轴显示结果；
图3是整机RCS像与目标轮廓的配准结果；
图4是最终配准结果与人工配准结果的对比，其中图4a为本方法自动配准结果，图4b为人工配准结果。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
本发明目的是针对目标RCS像与目标轮廓之间的配准工作，提出一种耗时少精度高的配准方法，将不同角度下测量得到的目标RCS像与目标轮廓进行配准，解决了当前人工配准费时费力的问题，为目标设计改进与维护领域提供重要工具，同时本算法中所使用的基于极小惯量的配准方法也适用于其他对称图像的配准工作。该技术的原理是将不同角度下的RCS像融合得到整机RCS像，采用基于极小惯量的配准方法将目标轮廓与整机RCS像进行配准并输出几何形变参数，最后将不同角度下的RCS像按参数做仿射变换并与目标轮廓图像进行融合。
如图1所示，本发明具体实现如下：
(1)选取RCS成像足够的角度范围(如1～180度，或0～360度，需保证测量姿态足够大且对称)，测得不同姿态下的目标RCS像若干张；
(2)将其按相应角度依次旋转至同一方向角；
(3)将同一方位角下RCS像融合得到整机RCS像；
(4)对整机RCS像进行直方图均衡处理，并作为配准参考图像；
(5)生成目标轮廓图像，并做特征区域增强处理；
(6)对整机RCS像做图像反转；
(7)计算得到整机RCS像的质心(X1，Y1)；
(8)以质心为参数，通过极小惯量方法得到对称轴斜率k1,k2。公式如下：
F = Σ i = 1 N ( x i - X 1 ) ( y i - Y 1 ) ,
G = Σ i = 1 N ( ( x i - X 1 ) 2 - ( y i - Y 1 ) 2 ) ,
k 1 , 2 = - G ± 4 F 2 + G 2 2 F
(xi,yi)为图像点的坐标，i＝1，2...N
(9)以k1,k2为斜率，质心为直线上一点得到直线l1,l2。取l1,l2与飞机RCS像的交点并分别计算交点间距离。取较大值对应直线为对称轴直线。如图2所示，显示结果为最终判定得到的飞机RCS像对称轴直线l；
(10)分别计算整机RCS像质心(X1，Y1)到上一步所确定的对称轴直线l上第一个非零点与最后一个非零点的距离D3、D4，较大距离方向为目标头方向；
(11)若D3>D4，旋转角度Rad＝atan(K)，否则旋转角度为Rad＝atan(K)+π；
(12)以Rad为旋转角度对目标轮廓像进行旋转；
(13)计算得到旋转后的目标轮廓的质心(X2，Y2)；
(14)以X2-X1，Y2-Y1为水平、竖直平移量对目标轮廓图像做仿射变换，并将结果作为第一次配准结果；
(15)用黄金比例分割法，以两幅图像的二维相关系数为判决指标，沿对称轴方向进行搜索作为二次配准，得到二维相关系数最大的点为最佳配准点。如图3所示，显示结果为二次配准工作完成后的最终配准结果；
(16)将两次配准的配准参数结合作为几何形变参数输出；
(17)将不同角度下的目标RCS像按参数做仿射变换并与目标轮廓配准并输出最终配准结果。如图4所示，图a为本方法配准结果，图b为人工手动配准结果。

Claims (6)

1.一种基于极小惯量的RCS与目标轮廓配准方法，其特征在于：首先选取适宜的成像范围，将不同角度下的得到的目标RCS(雷达散射截面)数据生成图像，进而融合得到整机RCS像；将整机RCS像与图像轮廓的配准，配准过程分成一次配准和二次配准；一次配准采用基于极小惯量方法将目标轮廓与整机RCS像进行配准，将大范围的三维搜索配准空间降维至简单的小范围的一维搜索配准空间，大大减少了计算复杂度和时间开销；二次配准在一次配准的基础上，得到相似度最大的配准位置并输出几何形变参数；最后将不同角度下的RCS像按参数做仿射变换并与目标轮廓图像进行融合并输出最终配准结果。
2.根据权利要求1所述的基于极小惯量的RCS像与目标轮廓配准方法，其特征在于：所述适宜的成像范围：选取RCS成像足够的角度范围，保证测量姿态足够大且对称。
3.根据权利要求1所述的基于极小惯量的RCS像与目标轮廓配准方法，其特征在于：将不同角度下的得到的目标RCS数据生成图像依次旋转后融合，得到整机RCS像。
4.根据权利要求1所述的基于极小惯量的RCS像与目标轮廓配准方法，其特征在于：所述极小惯量方法过程如下：采用转动惯量法得到目标图像的对称轴与质心(X1，Y1)，判断目标朝向并与对称轴斜率结合，综合得到目标的旋转角度Rad，将目标轮廓以旋转角度Rad为参数进行旋转并计算旋转后的轮廓质心(X2，Y2)，以(X1-X2，Y1-Y2)为平移参数对目标轮廓进行平移，即以X2-X1，Y2-Y1为水平、竖直平移量对目标轮廓图像做仿射变换，并将结果作为第一次配准结果。
5.根据权利要求1所述的基于极小惯量的RCS像与目标轮廓配准方法，其特征在于：所述二次配准过程如下：对经过第一次配后的目标轮廓进行特征区域增强，以二维相关系数为相似性度量标准，以黄金比例分割法作为搜索算法沿对称轴方向进行搜索，得到相似度最大的配准位置并输出几何形变参数。
6.根据权利要求1所述的基于极小惯量的RCS像与目标轮廓配准方法，其特征在于：所述配准方法，其应用领域不仅限于目标RCS像与目标轮廓配准，也适用于其他具有对称性目标的图像配准处理。
CN201610605805.8A 2016-07-28 2016-07-28 一种基于极小惯量的rcs像与目标轮廓配准方法 Active CN106251350B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610605805.8A CN106251350B (zh) 2016-07-28 2016-07-28 一种基于极小惯量的rcs像与目标轮廓配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610605805.8A CN106251350B (zh) 2016-07-28 2016-07-28 一种基于极小惯量的rcs像与目标轮廓配准方法

Publications (2)

Publication Number Publication Date
CN106251350A true CN106251350A (zh) 2016-12-21
CN106251350B CN106251350B (zh) 2019-03-29

Family

ID=57605065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610605805.8A Active CN106251350B (zh) 2016-07-28 2016-07-28 一种基于极小惯量的rcs像与目标轮廓配准方法

Country Status (1)

Country Link
CN (1) CN106251350B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107452030A (zh) * 2017-08-04 2017-12-08 南京理工大学 基于轮廓检测和特征匹配的图像配准方法
CN108416735A (zh) * 2018-03-19 2018-08-17 深圳市深图医学影像设备有限公司 基于几何特征的数字化x线图像的拼接方法及装置
CN110673135A (zh) * 2018-07-03 2020-01-10 松下知识产权经营株式会社 传感器、推定装置、推定方法和程序记录介质
CN114445472A (zh) * 2022-03-04 2022-05-06 山东胜算软件科技有限公司 基于仿射变换和模板匹配的多步图像配准算法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104833971A (zh) * 2015-04-15 2015-08-12 北京理工大学 基于滑动散射中心的双/多基地雷达图像ps点关联方法
CN105467370A (zh) * 2015-12-01 2016-04-06 中国人民解放军国防科学技术大学 一种复合双基地雷达进动目标isar图像横向定标方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104833971A (zh) * 2015-04-15 2015-08-12 北京理工大学 基于滑动散射中心的双/多基地雷达图像ps点关联方法
CN105467370A (zh) * 2015-12-01 2016-04-06 中国人民解放军国防科学技术大学 一种复合双基地雷达进动目标isar图像横向定标方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
梁楠 等: "基于极小惯量的灰度图像对称轴检测方法", 《微处理机》 *
许守彦 等: "Study on the effects of chromaticity and magnetic field tracking errors at CSNS/RCS", 《CHINESE PHYSICS C》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107452030A (zh) * 2017-08-04 2017-12-08 南京理工大学 基于轮廓检测和特征匹配的图像配准方法
CN108416735A (zh) * 2018-03-19 2018-08-17 深圳市深图医学影像设备有限公司 基于几何特征的数字化x线图像的拼接方法及装置
CN108416735B (zh) * 2018-03-19 2022-02-01 深圳市深图医学影像设备有限公司 基于几何特征的数字化x线图像的拼接方法及装置
CN110673135A (zh) * 2018-07-03 2020-01-10 松下知识产权经营株式会社 传感器、推定装置、推定方法和程序记录介质
CN114445472A (zh) * 2022-03-04 2022-05-06 山东胜算软件科技有限公司 基于仿射变换和模板匹配的多步图像配准算法

Also Published As

Publication number Publication date
CN106251350B (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
Zhou et al. Rail profile measurement based on line-structured light vision
US10561403B2 (en) Sensor coordinate calibration in an ultrasound system
Xu et al. Line structured light calibration method and centerline extraction: A review
CN106251350A (zh) 一种基于极小惯量的rcs像与目标轮廓配准方法
CN109556540A (zh) 一种非接触式基于3d图像的物体平面度检测方法、计算机
Wang et al. A mobile robotic 3-D measurement method based on point clouds alignment for large-scale complex surfaces
CN100491899C (zh) 一种结构光条纹中心快速高精度提取方法
CN107726975A (zh) 一种基于视觉拼接测量的误差分析方法
CN104930985A (zh) 基于时空约束的双目视觉三维形貌测量方法
CN103559711A (zh) 基于三维视觉系统图像特征和三维信息的运动估计方法
CN105046743A (zh) 一种基于全局变分技术的超高分辨率三维重建方法
CN102494663B (zh) 摆动喷管的摆动角度的测量方法
Pei et al. Phase-to-coordinates calibration for fringe projection profilometry using Gaussian process regression
Liu et al. Automatic detection and segmentation of laser stripes for industrial measurement
Cheng et al. An effective coaxiality measurement for twist drill based on line structured light sensor
CN109345570B (zh) 一种基于几何形状的多通道三维彩色点云配准方法
CN103852032B (zh) 圆柱形轴类零件的特征参数提取方法
Li et al. A novel multispectral fusion defect detection framework with coarse-to-fine multispectral registration
Lyu et al. Welding defects on new energy batteries based on 2D pre-processing and improved-region-growth method in the small field of view
Liu et al. A novel scratch detection and measurement method for automotive stamping parts
CN116579955A (zh) 一种新能源电芯焊缝反光点去噪和点云补全方法及系统
Yang et al. The 3D reconstruction of face model with active structured light and stereo vision fusion
Sun et al. Precision work-piece detection and measurement combining top-down and bottom-up saliency
Wang et al. Full Period Three-dimensional (3-D) Reconstruction Method for a Low Cost Singlelayer Lidar.
CN113689478A (zh) 量测设备的对齐方法、装置及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant