CN108053411B - 一种边界热交换约束下的江底隧道遥感探测定位方法 - Google Patents
一种边界热交换约束下的江底隧道遥感探测定位方法 Download PDFInfo
- Publication number
- CN108053411B CN108053411B CN201711395143.7A CN201711395143A CN108053411B CN 108053411 B CN108053411 B CN 108053411B CN 201711395143 A CN201711395143 A CN 201711395143A CN 108053411 B CN108053411 B CN 108053411B
- Authority
- CN
- China
- Prior art keywords
- image
- heat exchange
- boundary
- underwater
- underwater target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 48
- 239000002689 soil Substances 0.000 claims description 32
- 230000005855 radiation Effects 0.000 claims description 22
- 238000002360 preparation method Methods 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 2
- 238000005094 computer simulation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 230000004907 flux Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- CCEKAJIANROZEO-UHFFFAOYSA-N sulfluramid Chemical group CCNS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F CCEKAJIANROZEO-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0066—Radiation pyrometry, e.g. infrared or optical thermometry for hot spots detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种边界热交换约束下的江底隧道遥感探测定位方法,应用于热物理学、遥感和模式识别的交叉领域,所述方法包括:分析得出水下目标边界热交换约束模型;江河中水下隧道边界热交换约束模型仿真,由仿真结果验证边界热交换约束条件;以待识别红外图像为例,图像预处理并粗略确定疑似水下目标区域以及水下目标精确定位。本发明实现了目标在江河环境中边界热交换约束仿真建模,通过边界热交换约束条件实现了水下目标的精确反演,从而实现检测定位水下目标。
Description
技术领域
本发明属于热物理学、遥感和模式识别的交叉领域,更具体地,涉及一种边界热交换约束下的江底隧道遥感探测定位方法。
背景技术
江河海洋环境中存在大量的水下目标,如水下隧道、海洋中的潜艇、水下沉船和水下鱼群等。这些水下目标不论是在军事上还是经济上都极为重要,所以如何准确地探测定位水下目标的位置有着重大的意义。红外遥感探测水下资源和环境,服务于水下隧道、水下潜艇、海洋及海底资源开发和海底火山及热泉探查。传统的探测方法需要投入大量的人力、物力和财力,不适合对水下目标的大范围探测。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种边界热交换约束下的江底隧道遥感探测定位方法,由此解决现有探测方法不适合对水下目标进行大范围探测的技术问题。
为实现上述目的,本发明提供了一种边界热交换约束下的水下目标遥感探测定位方法,包括:
(1)根据水体与土壤之间的热交换关系,确定水下待识别目标的边界热交换约束模型;
(2)由对水下待识别目标的边界热交换约束模型的仿真结果验证水体与边界的热交换约束条件;
(3)根据待识别红外图像中的中频部分以及水体与边界的热交换约束条件确定疑似水下目标区域;
(4)从待识别红外图像中截取出疑似水下目标区域,并对截取出的疑似水下目标区域进行反卷积操作得到待识别目标的最终位置。
优选地,所述水下待识别目标的边界热交换约束模型为:F(EBT(x,y,z,t))=F(EB(x,y,z,t))+F(ET(x,y,z,t))+F(Es(x,y,z,t))+F(Eδ(x,y,z,t)),其中,(x,y,z,t)表示空间坐标(x,y,z)和时间t的复合,EBT(x,y,z,t)表示待识别目标在时刻t的背景辐射场,EB(x,y,z,t)表示时刻t的水体背景辐射场,ET(x,y,z,t)表示时刻t的被多重介质体畸变了的目标体辐射场,Es(x,y,z,t)表示时刻t的大气和水体交换的辐射量,Eδ(x,y,z,t)表示时刻t的水体与边界土壤接触面交换的辐射量,F表示傅里叶变换。
优选地,步骤(3)包括:
(3.1)去掉待识别红外图像中的干扰信息得到预处理图像;
(3.2)对预处理图像进行分块,并对分块后的图像进行聚类得到有目标图像区域与无目标图像区域,从而确定存在水下待识别目标的区域。
优选地,步骤(3.2)包括:
(3.2.1)将预处理图像分成s个图像块b1,b2,b3,...,bs,每个图像块的大小均为m*m;
(3.2.2)对于任意图像块bi,由得到图像块bi的距离比,并将Vi最小时对应的图像块bi作为第一个聚类,并设类的序号q=1,其中,d(bi,bj)表示图像块bi与图像块bj之间的距离,d(bl,bj)表示图像块bl与图像块bj之间的距离;
(3.2.4)将类的序号q加1,若q>2,则结束,否则执行步骤(3.2.5);
(3.2.5)选择下一个类的最佳初始中心点对应的图像块bi,并执行步骤(3.2.3),其中,最佳初始中心点对应的图像块为使最小的点对应的图像块,其中,d(bi,mj)表示图像块bi与聚类中心mj之间的距离。
优选地,步骤(4)包括:
(4.1)从待识别红外图像中截取出疑似水下目标区域;
(4.2)由
(4.3)由反卷积核函数对截取出的疑似水下目标区域进行反卷积操作得到待识别目标的最终位置。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:实现了待识别目标在江河环境中边界热交换约束仿真建模,通过边界热交换约束条件实现了水下待识别目标的粗略检测,采用优化后的核函数反卷积得到了水下待识别目标的精确定位,可以实现水下目标的精确定位。
附图说明
图1为本发明边界热交换示意图;
图2为本发明边界热交换约束下的水下目标探测定位方法流程示意图;
图3为本发明实施例中武汉地区长江部分原始红外图;
图4为本发明实施例中图像分割模板示意图;
图5为本发明实施例中原始图像分割后的结果图;
图6为本发明实施例中滤除亮斑强干扰的结果图;
图7为本发明实施例中滤除随机噪声的结果图;
图8为本发明实施例中滤除条带噪声的结果图;
图9为本发明实施例中聚类的结果示意图;
图10为本发明实施例中截取的疑似目标区域的结果图;
图11为本发明实施例中图10去除江面干扰后的结果图;
图12为本发明实施例中反卷积结果的示意图,其中,图12(a)表示反卷积结果图,图12(b)表示隧道位置标记图;
图13为本发明实施例中反卷积三维显示结果的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图2所示为本发明提供的一种边界热交换约束下的水下目标遥感探测定位方法的流程图,包括:分析得出水下目标边界热交换约束模型、江河中水下目标边界热交换约束模型仿真、图像预处理并粗略确定疑似水下目标区域、水下目标精确定位。具体包括以下步骤:
(1)根据水体与土壤之间的热交换关系,确定水下待识别目标的边界热交换约束模型;
其中,步骤(1)包括:
水体在吸收热量的同时又以各种形式散发热量,水体温度的高低主要取决于热量的收支情况,根据热力学的三大定律,水体的热量的收支是平衡的。
(1.1)根据Fick定律确定水体与土壤之间的热交换关系。
根据Fick定律,水体的与土壤之间的热传导可表示为:
式中,ΦWB为热交换通量,即单位时间内沿单位面积法线方向的热交换量,k为水体与土壤的热交换系数,Tb为土壤的温度,z为位置坐标,原点在土壤表面,方向垂直向下。
根据上述公式,热交换通量可由热交换系数与土壤中温度梯度的乘积确定。由于土壤中温度梯度的确定较为困难,并且其热传导往往也不是均匀的。为了避免直接测量土壤的温度梯度,由Jabson假定:土壤为均匀介质,表面绝缘,土壤表面温度与其相接触的水温相同,根据固体平板传热学的原理,提出了以下的计算公式:
式中式中ΦB(iΔt)为时段iΔt至(i+1)Δt的热通量,ΔT(jΔt)为时段jΔt内的水温变化量,可以表示为:
由于ΔH(i)=H(iΔt)-H[(i+1)Δt]为单位温度变化而引起的热通量,可表示为:
应用上述公式,只要知道水温就可以求得水体和土壤的热交换量。
(1.2)根据分析得到的结果,确定水下目标边界热交换约束模型。
假设某a在时刻t目标位置(x,y,z)的热辐射曲面为EBT(x,y,z,t),则:
EBT(x,y,z,t)=EB(x,y,z,t)+ET(x,y,z,t)+Es(x,y,z,t)+Eδ(x,y,z,t)
该时刻目标背景辐射场EBT(x,y,z,t)由水体背景辐射场EB(x,y,z,t)、被多重介质体畸变了的目标体辐射场ET(x,y,z,t)、大气和水体交换的辐射量Es(x,y,z,t)共同产生、水体与边界土壤接触面交换的辐射量Eδ(x,y,z,t)。假设某时刻,即t不变,对等式两边做三维的傅里叶变换:
F(EBT(x,y,z,t))=F(EB(x,y,z,t)+ET(x,y,z,t)+Es(x,y,z,t)+Eδ(x,y,z,t))
=F(EB(x,y,z,t))+F(ET(x,y,z,t))+F(Es(x,y,z,t))+F(Eδ(x,y,z,t))
得到的F(EB(x,y,z,t))为低频分量,F(ET(x,y,z,t))主要为中频分量,F(Es(x,y,z,t))与F(Eδ(x,y,z,t))主要为低频分量。映射到二维平面后,根据它们所在频段的不同,可以区分出目标。
(2)由对水下待识别目标的边界热交换约束模型的仿真结果验证水体与边界的热交换约束条件;
其中,步骤(2)包括:
使用ANSYS软件对江河中水下目标边界热交换约束模型进行仿真。首先,建立江河和目标的几何模型;其次,对建立好的几何模型进行网格的划分;接着,将划分好的网格导入求解器并进行相关边界条件的设置,求解计算;最后,对求解计算得到的结果进行后处理,验证边界热交换约束条件。具体步骤如下:
(2.1)设定几何模型的大小以及目标位置参数,建立江河和目标的几何模型;
(2.2)对几何模型进行网格划分,注意在对目标面进行网格划分时使其网格的细密程度远大于江河壁面网格的细密程度,提高计算结果的精确度;
(2.3)将划分好的网格导入Fluent求解器,设置求解器及相关条件,如物理模型、边界条件、初始条件等相关条件。此外,设置求解控制参数,初始化完成后,对求解器进行计算。
(2.4)对计算后的结果进行处理,读入计算出来的算例文件和数据文件,绘制温度云图以及相关参数的云图,观察结果。
(3)根据待识别红外图像中的中频部分以及水体与边界的热交换约束条件确定疑似水下目标区域;
从空间频率上分析,红外图像包括低频成分、中频成分和高频成分。其中,背景主要集中在低频部分,噪声干扰主要集中在高频部分,水下目标主要集中在中频部分,客观上目标是可区分的。
图1为边界热交换示意图,水体与边界土壤存在热交换,目标与包围着它的岩石存在热交换,而岩石与泥沙与水体存在热交换。在某个时刻,假设上述热交换达到平衡状态,存在某个热扩散函数,反映在图像上为点扩散函数,使得在此热扩散函数满足热交换平衡状态。根据此时的点扩散函数即可对图像进行反演,从而精确检测目标位置。
其中,步骤(3)包括:
(3.1)去掉待识别红外图像中的干扰信息得到预处理图像;
由于待识别红外图像中存在很多的干扰噪声,为了避免干扰检测结果,需要去除掉这些干扰。
(3.2)对预处理图像进行分块,并对分块后的图像进行聚类得到有目标图像区域与无目标图像区域,从而确定存在水下待识别目标的区域。
将预处理图像依次遍历分成m*m大小的图像块,总共有s块,把b1,b2,b3,...,bs分为有目标图像区域与无目标图像区域两类。选取(x,y,g)作为特征向量对其进行聚类,其中(x,y)表示像素的行列坐标,g表示像素的灰度值。具体实现过程如下:
(3.2.1)将预处理图像分成s个图像块b1,b2,b3,...,bs,每个图像块的大小均为m*m;
(3.2.2)由得到各图像块的距离比,并将Vi最小时对应的图像块bi作为第一个聚类,并设类的序号q=1,其中,d(bi,bj)表示图像块bi与图像块bj之间的距离,d(bl,bj)表示图像块bl与图像块bj之间的距离;
(3.2.4)将类的序号q加1,若q>2,则结束,否则执行步骤(3.2.5);
(3.2.5)选择下一个类的最佳初始中心点对应的图像块bi,并执行步骤(3.2.3),其中,最佳初始中心点对应的图像块为使最小的点对应的图像块,其中,d(bi,mj)表示图像块bi与聚类中心mj之间的距离。
通过上述过程得到聚类后的结果,根据水下目标边界热交换约束条件,得到疑似存在水下目标的大范围区域。
(4)从待识别红外图像中截取出疑似水下目标区域,并对截取出的疑似水下目标区域进行反卷积操作得到待识别目标的最终位置,反卷积是对热扩散的逆运算。
为精确定位水下目标的位置,将聚类得到的疑似水下目标区域截取出来,对其进行反卷积。具体包括以下过程:
(4.1)从待识别红外图像中截取出疑似水下目标区域;
(4.2)由
其中,λ为波长,处理图像时,它的值以像素为单位指定;θ为方向,指定核函数并行条纹的方向,取值为0~360度;为相位偏移,取值范围为-180~180度;γ为长宽比,空间纵横比,决定核函数的椭圆率,通常为0.5;σ为核函数高斯因子的标准差,σ=0.56λ。
(4.3)由反卷积核函数对截取出的疑似水下目标区域进行反卷积操作得到待识别目标的最终位置。
设原始水下目标信号为f(i,j),其中(i,j)表示像素点的空间坐标,f表示像素的灰度值,由于地层的扩散畸变作用改变了目标信号强度的分布,使原信号峰值降低,图像模糊,能量扩散。显然,模糊后的图像即观察到退化图象g(i,j)。
假设水体对水下目标信号的畸变退化为线性移位不变,即模糊算子(点扩展函数)具有空间移不变性,可描述为h(i,j),图像噪声为n(i,j),则可得出如下卷积形式:
g(i,j)=h(i,j)*f(i,j)+n(i,j)
通过步骤(3)已经将噪声去除了,在确定点扩散函数后就能从退化图像中恢复出水下目标的原始信号,从而实现精确定位。
以武汉地区长江部分红外图为例对本发明进行详细说明,具体如下:
(1)分析水下目标边界热交换约束条件,包括以下子步骤:
水体在吸收热量的同时又以各种形式散发热量,水体温度的高低主要取决于热量的收支情况,根据热力学的三大定律,水体的热量的收支是平衡的。
(1.1)根据Fick定律确定水体与土壤之间的热交换关系。
根据Fick定律,水体的与土壤之间的热传导可表示为:
式中,ΦWB为热交换通量,即单位时间内沿单位面积法线方向的热交换量,k为水体与土壤的热交换系数,Tb为土壤的温度,z为位置坐标,原点在土壤表面,方向垂直向下。
根据上述公式,热交换通量可由热交换系数与土壤中温度梯度的乘积确定。由于土壤中温度梯度的确定较为困难,并且其热传导往往也不是均匀的。为了避免直接测量土壤的温度梯度,由Jabson假定:土壤为均匀介质,表面绝缘,土壤表面温度与其相接触的水温相同,根据固体平板传热学的原理,提出了以下的计算公式:
式中,ΦB(iΔt)为时段iΔt至(i+1)Δt的热通量,ΔT(jΔt)为时段jΔt内的水温变化量,可以表示为:
由于ΔH(i)=H(iΔt)-H[(i+1)Δt]为单位温度变化而引起的热通量,可表示为:
应用上述公式,只要知道水温就可以求得水体和土壤的热交换量。
(1.2)根据分析得到的结果,确定水下目标边界热交换约束模型。
假设在某a时刻t0目标位置(x0,y0,z0)的热辐射曲面为EBT(x,y,z,t),则:
EBT(x,y,z,t)=EB(x,y,z,t)+ET(x,y,z,t)+Es(x,y,z,t)+Eδ(x,y,z,t)
该时刻目标背景辐射场EBT(x,y,z,t)由水体背景辐射场EB(x,y,z,t)、被多重介质体畸变了的目标体辐射场ET(x,y,z,t)、大气和水体交换的辐射量Es(x,y,z,t)共同产生、水体与边界土壤接触面交换的辐射量Eδ(x,y,z,t)。假设在某时刻,即t不变,对等式两边做三维的傅里叶变换:
F(EBT(x,y,z,t))=F(EB(x,y,z,t)+ET(x,y,z,t)+Es(x,y,z,t)+Eδ(x,y,z,t))
=F(EB(x,y,z,t))+F(ET(x,y,z,t))+F(Es(x,y,z,t))+F(Eδ(x,y,z,t))
得到的F(EB(x,y,z,t))为低频分量,F(ET(x,y,z,t))主要为中频分量,F(Es(x,y,z,t))、F(Eδ(x,y,z,t))主要为高频分量。映射到二维平面后,根据它们所在频段的不同,可以区分出目标。
(2)江河中水下目标边界热交换约束模型仿真步骤,包括以下子步骤:
使用ANSYS软件对江河中水下隧道边界热交换约束模型进行仿真。首先,建立江河和隧道的几何模型;其次,对建立好的几何模型进行网格的划分;接着,将划分好的网格导入求解器并进行相关边界条件的设置,求解计算;最后,对求解计算得到的结果进行后处理。具体步骤如下:
(2.1)设定几何模型的大小以及隧道位置参数,建立江河和隧道的几何模型。本例中,江河区域为600m*200m*100m,隧道长为200m,直径为20m,隧道的深度为50m深,中心点与海洋区域的中心点重合。
(2.2)对几何模型进行网格划分,注意在对隧道壁面进行网格划分时使其网格的细密程度远大于江河壁面网格的细密程度,提高计算结果的精确度。在本发明实施例中,全局采用TGrid/(Tet/Hybrid)混合结构对几何模型进行体网格的划分,江河边界壁面采用线性比例的网格,隧道壁面网格精度比江河壁面的精度小一个数量级。
(2.3)将划分好的网格导入Fluent求解器,设置求解器及相关条件,如物理模型、边界条件、初始条件等相关条件。此外,设置求解控制参数,初始化完成后,对求解器进行计算。
(2.3.1)进入Fluent求解器,设置Dimension为3D,选择文件路径,保持默认设置,进入主界面。
(2.3.2)读入网格,对网格质量进行检查,若存在网格负体积,则需要重新划分网格。
(2.3.3)定义求解器,本例中,考虑重力的影响,在General(总体模型设定)面板中,勾选Gravity复选框,在Z中输入-9.81,即设置Z轴负方向上的重力加速度为9.81m/s。
(2.3.4)定义物理模型,由于存在热交换,所以需要打开能量方程。在Model(模型设定)面板中选择湍流模型,采用二阶标准k-ε模型。
(2.3.5)设置材料性质,在本发明实施例中,由于Material(材料)面板中默认的流体材料没有水选项,需要从材料数据库中进行查找并复制。创建好需要的材料后,分别赋给对应的介质。
(2.3.6)设置边界条件。本发明实施例中,在参数设定时,隧道是静止不动的。根据边界热交换约束模型,编写温度变化的udf文件,编译链接到工程中。设置截面入口的类型为速度入口边界条件,给定速度的大小为0.1m/s,温度由读入的udf文件设置。截面出口的类型为自由流出边界,不需要给定出口条件。设置隧道的类型为固壁边界条件,且壁面静止无滑移,给定隧道的温度为310k。其他截面的类型为固壁边界条件,将其设置为移动壁面,且给定移动速度为0.1m/s,方向为X轴正方向,壁面温度设置为300k。
(2.3.7)设置求解控制参数,本发明实施例中,方程组采用SIMPLE算法,使残差的精度为0.00001,保持默认设置对求解器进行初始化。初始化完成后,设置迭代计算的步数为1000步,对求解器进行计算。
(2.4)对计算后的结果进行处理,读入计算出来的算例文件和数据文件,绘制温度云图以及相关参数的云图,观察结果。分析得到的模型计算结果可以知道隧道和水体产生了热交换,边界和水体产生了热交换。
(3)对红外图像进行预处理并粗略确定疑似水下目标区域,包括以下子步骤:
从空间频率上分析,红外图像包括低频成分、中频成分和高频成分。其中,背景主要集中在低频部分,噪声干扰主要集中在高频部分,水下目标主要集中在中频部分,客观上目标是可区分的。
(3.1)去掉图像中的强干扰,原始红外图像中存在很多的干扰噪声,为了避免干扰检测结果,需要去除掉这些干扰。
本发明实施例中,待识别红外图像如图3所示。
(3.1.1)去除非长江区域的干扰。为了排除长江两岸地上建筑对检测结果的影响,利用长江标记模板图像将长江区域分割。分割模板如图4所示,分割结果如图5所示。
(3.1.2)去除图像噪声。本发明实施例中,长江江面存在很多亮斑,这些噪声会对检测结果带来很大影响,应滤除。通过对水上噪声的灰度值进行统计分析得到滤除的阈值为29870,结合分割模板和分割结果,得到滤除亮斑后的图像如图6所示。由于随机噪声的存在,对图6进行均值滤波。本发明实施例中,选取模板为两个像素宽度,长度为50个像素点,方向与过江隧道方向一致的模板,得到滤波后的红外图像如图7所示。最后,由于卫星图像存在条带噪声,采用基于变分模型的条带校正方法来去除条带噪声,处理结果如图8所示。
(3.2)对预处理后的图像进行聚类,粗略确定存在水下目标的大范围区域。
将上述图像依次遍历分成m*m大小的图像块bi,总共有s块,利用空间约束均值聚类算法把b1,b2,b3,...,bs分为有目标图像区域与无目标图像区域两类。选取(x,y,g)作为特征向量对其进行聚类,其中(x,y)表示像素的行列坐标,g表示像素的灰度值,本发明实施例中m=3。空间约束均值聚类算法的具体实现过程如下:
(3.2.1)对于所有样本点bi,计算距离比:
选择Vi最小的点bi作为第一个类心,并设类的序号q=1,其中,d(bi,bj)表示图像块bi与图像块bj之间的距离,d(bl,bj)表示图像块bl与图像块bj之间的距离;
(3.2.3)置q=q+1,若q>2,算法中止,否则执行步骤(3.2.4);
通过上式得到聚类后的结果如图9所示,根据水下目标边界热交换约束条件,得到疑似存在水下目标的大范围区域。
(4)水下目标精确定位步骤
为精确定位水下目标的位置,将聚类得到的疑似水下目标区域截取出来,截取的图像如图10所示,去除江面干扰后的图像如图11所示。因为隧道和水体之间存在热交换,隧道本身的热量不停地向外扩散,为了将能量聚集,对图像进行反卷积。
(4.1)由
确定反卷积核函数,其中:x'=xcosθ+ysinθ,y'=-xsinθ+ycosθ。
上述数学表达式中:λ为波长,处理图像时,它的值以像素为单位指定;θ为方向,指定核函数并行条纹的方向,取值为0度~360度;为相位偏移,取值范围为-180度~180度;γ为长宽比,空间纵横比,决定核函数的椭圆率,通常为0.5;σ为核函数高斯因子的标准差,σ=0.56λ。
(4.2)对截取后的图像进行反卷积,处理反演后的结果,精确确定水下目标的位置。设原始水下目标信号为f(i,j),其中(i,j)表示像素点的空间坐标,f表示像素的灰度值,由于地层的扩散畸变作用改变了目标信号强度的分布,使原信号峰值降低,图像模糊,能量扩散。显然,模糊后的图像即观察到退化图象g(i,j)。
假设水体对水下目标信号的畸变退化为线性移位不变,即模糊算子(点扩展函数)具有空间移不变性,可描述为h(i,j),图像噪声为n(i,j),则可得出如下卷积形式:
g(i,j)=h(i,j)*f(i,j)+n(i,j)
通过步骤(3)已经将噪声去除了,在确定点扩散函数后就能从退化图像中恢复出水下目标的原始信号,从而实现精确定位。
由(4.1)已经确定了反卷积核函数,即点扩散函数。在对图像进行反卷积时,设置gabor函数的参数范围,从其初始值开始遍历,反卷积,二值化后提取图像轮廓并填充,标记连通区域。本发明实施例中,水下隧道有两条,一条是车行隧道,一条是地铁隧道。根据隧道大小和图像分辨率,设置连通区域大小的阈值,根据阈值去除虚警目标。当满足条件的连通区域个数为2时,此时gabor函数参数为较优解,输出在此参条件下图像反卷积的结果,处理结果图如图12所示,三维显示如图13所示。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种边界热交换约束下的江底隧道遥感探测定位方法,其特征在于,包括:
(1)根据水体与土壤之间的热交换关系,确定水下待识别目标的边界热交换约束模型;
(2)由对水下待识别目标的边界热交换约束模型的仿真结果,验证水体与边界的热交换约束条件;
(3)根据待识别红外图像中的中频部分以及水体与边界的热交换约束条件,确定疑似水下目标区域;
(4)从待识别红外图像中截取出疑似水下目标区域,并对截取出的疑似水下目标区域进行反卷积操作得到待识别目标的最终位置。
2.根据权利要求1所述的方法,其特征在于,所述水下待识别目标的边界热交换约束模型为:
F(EBT(x,y,z,t))=F(EB(x,y,z,t))+F(ET(x,y,z,t))+F(Es(x,y,z,t))+F(Eδ(x,y,z,t)),其中,(x,y,z,t)表示空间坐标(x,y,z)和时间t的复合,EBT(x,y,z,t)表示待识别目标在时刻t的背景辐射场,EB(x,y,z,t)表示时刻t的水体背景辐射场,ET(x,y,z,t)表示时刻t的被多重介质体畸变了的待识别目标辐射场,Es(x,y,z,t)表示时刻t的大气和水体交换的辐射量,Eδ(x,y,z,t)表示时刻t的水体与边界土壤接触面交换的辐射量,F表示傅里叶变换。
3.根据权利要求1所述的方法,其特征在于,步骤(3)包括:
(3.1)去掉待识别红外图像中的低频部分和高频部分,得到预处理图像,所述预处理图像保留中频部分;
(3.2)对预处理图像进行分块,并对分块后的图像进行聚类,得到有目标图像区域与无目标图像区域;
(3.3)通过聚类后的结果,根据水下目标边界热交换约束条件,确定疑似水下目标区域。
4.根据权利要求3所述的方法,其特征在于,步骤(3.2)包括:
(3.2.1)将预处理图像分成s个图像块b1,b2,b3,...,bs,每个图像块的大小均为M*M;
(3.2.2)对于任意图像块bi,由得到图像块bi的距离比,并将Vi最小时对应的图像块bi作为第一个聚类,并设类的序号q=1,其中,d(bi,bj)表示图像块bi与图像块bj之间的距离,d(bl,bj)表示图像块bl与图像块bj之间的距离;
(3.2.3)若q=1或2,则将图像块bi分配到离图像块bi最近的类,并在分配之后,由计算该类的所有图像块bj的中心点m,用中心点m对应的图像块更新该类的聚类中心,N表示该类的样本数,bj表示该类的第j个图像块;
(3.2.4)将类的序号q加1,若q>2,则结束,否则执行步骤(3.2.5);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711395143.7A CN108053411B (zh) | 2017-12-21 | 2017-12-21 | 一种边界热交换约束下的江底隧道遥感探测定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711395143.7A CN108053411B (zh) | 2017-12-21 | 2017-12-21 | 一种边界热交换约束下的江底隧道遥感探测定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108053411A CN108053411A (zh) | 2018-05-18 |
CN108053411B true CN108053411B (zh) | 2020-05-19 |
Family
ID=62131231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711395143.7A Active CN108053411B (zh) | 2017-12-21 | 2017-12-21 | 一种边界热交换约束下的江底隧道遥感探测定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108053411B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859178B (zh) * | 2019-01-18 | 2020-11-03 | 北京航空航天大学 | 一种基于fpga的红外遥感图像实时目标检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4997000B2 (ja) * | 2007-07-05 | 2012-08-08 | 株式会社日立製作所 | 埋設配管経路探索システム、及び埋設配管経路探索方法 |
CN103744124A (zh) * | 2013-12-31 | 2014-04-23 | 华中科技大学 | 一种平面地形中地下管状设施红外成像探测定位方法 |
CN103884431A (zh) * | 2013-12-31 | 2014-06-25 | 华中科技大学 | 平面地表环境中地下建筑的红外成像探测定位方法 |
CN105426881A (zh) * | 2015-12-24 | 2016-03-23 | 华中科技大学 | 山体背景热场模型约束的地下热源昼间遥感探测定位方法 |
CN105606224A (zh) * | 2015-12-24 | 2016-05-25 | 华中科技大学 | 一种基于水体分层滤波的水下热源探测定位方法 |
CN105654477A (zh) * | 2015-12-25 | 2016-06-08 | 华中科技大学 | 一种条带状地下目标的探测定位方法 |
-
2017
- 2017-12-21 CN CN201711395143.7A patent/CN108053411B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4997000B2 (ja) * | 2007-07-05 | 2012-08-08 | 株式会社日立製作所 | 埋設配管経路探索システム、及び埋設配管経路探索方法 |
CN103744124A (zh) * | 2013-12-31 | 2014-04-23 | 华中科技大学 | 一种平面地形中地下管状设施红外成像探测定位方法 |
CN103884431A (zh) * | 2013-12-31 | 2014-06-25 | 华中科技大学 | 平面地表环境中地下建筑的红外成像探测定位方法 |
CN105426881A (zh) * | 2015-12-24 | 2016-03-23 | 华中科技大学 | 山体背景热场模型约束的地下热源昼间遥感探测定位方法 |
CN105606224A (zh) * | 2015-12-24 | 2016-05-25 | 华中科技大学 | 一种基于水体分层滤波的水下热源探测定位方法 |
CN105654477A (zh) * | 2015-12-25 | 2016-06-08 | 华中科技大学 | 一种条带状地下目标的探测定位方法 |
Non-Patent Citations (2)
Title |
---|
《Multisensor data fusion for the simultaneous location and condition assessment of underground water pipelines》;Mostafa Abdel-Aleem等;《2011 International Conference on Networking, Sensing and Control》;20110413;第416-421页 * |
《红外传感技术在地下管道寻迹中的应用》;陈书旺等;《传感技术学报》;20060228;第19卷(第1期);第211-214页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108053411A (zh) | 2018-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2391686C2 (ru) | Основанные на применении компьютера формирование и проверка тренировочных образов, предназначенных для многоточечного геостатистического анализа | |
US20110115787A1 (en) | Visulation of geologic features using data representations thereof | |
CN106062824B (zh) | 边缘检测装置和边缘检测方法 | |
US9348047B2 (en) | Modeling of parallel seismic textures | |
Mohammadpour et al. | Automatic lineament extraction method in mineral exploration using CANNY algorithm and hough transform | |
US8422792B2 (en) | Angle invariant visual analysis | |
CN108573280B (zh) | 一种无人船自主通过桥梁的方法 | |
EP3211594B1 (en) | Seismic modeling system providing seismic survey data inpainting based upon suspect region boundary comparisons and related methods | |
CN115546113A (zh) | 掌子面裂隙图像与前方三维结构参数预测方法及系统 | |
Mirowski et al. | Stationarity scores on training images for multipoint geostatistics | |
CN111239821A (zh) | 碳酸盐岩储层孔隙结构预测方法、装置、设备及存储介质 | |
Nordbotten et al. | DarSIA: An open-source Python toolbox for two-scale image processing of dynamics in porous media | |
CN108053411B (zh) | 一种边界热交换约束下的江底隧道遥感探测定位方法 | |
US20230297843A1 (en) | Deep learning method for defect characterization | |
US11143769B2 (en) | Seismic modeling system providing seismic survey data spatial domain exemplar inpainting and related methods | |
Prasad et al. | Robust and efficient feature-based method for structural health monitoring of large structures | |
Lin et al. | SeisGAN: Improving Seismic Image Resolution and Reducing Random Noise Using a Generative Adversarial Network | |
Guo et al. | Detection and classification of pipe defects based on pipe-extended feature pyramid network | |
CN108305257B (zh) | 一种背景热辐射约束下的海底隧道遥感探测定位方法 | |
CN105606224B (zh) | 一种基于水体分层滤波的水下热源探测定位方法 | |
Qi* et al. | Segmentation of salt domes, mass transport complexes on 3D seismic data volumes using Kuwahara windows and multiattribute cluster analysis | |
Li et al. | Deep learning electromagnetic CO 2 sequestration monitoring using the NANO-IP effect with convolutional neural network | |
Feng et al. | Subsurface Object 3D Modeling Based on Ground Penetration Radar Using Deep Neural Network | |
Meng et al. | Low Resolution License Plate Recognition Based on Intelligent Data Processing and Prediction Algorithm | |
Nagarajan et al. | Robust and Real-Time Detection of Underwater Sonar Image Representations by Using Fast Transferred Design Learning Method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |