CN112213264B - 用于景象匹配制导的机场参考图制备方法 - Google Patents
用于景象匹配制导的机场参考图制备方法 Download PDFInfo
- Publication number
- CN112213264B CN112213264B CN202010999364.0A CN202010999364A CN112213264B CN 112213264 B CN112213264 B CN 112213264B CN 202010999364 A CN202010999364 A CN 202010999364A CN 112213264 B CN112213264 B CN 112213264B
- Authority
- CN
- China
- Prior art keywords
- airport
- image
- target
- region
- scene
- 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
- 238000002360 preparation method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims description 22
- 230000005855 radiation Effects 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000003331 infrared imaging Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于景象匹配制导的机场参考图制备方法,主要步骤包括:S1、根据机场面积、自身颜色信息与周围背景差异,在包含机场的可见光遥感卫星图像上进行目标区域粗定位,确定感兴趣区域ROI的大致范围;S2、根据颜色信息对感兴趣区域ROI采用Kmeans算法进行分类,将分类结果与地物类别一一对应,并进行标识;S3、基于红外景象条件先验知识,将机场地物全天候温度变化自动映射到灰度级上,并给标识后的图像赋灰度;S4、根据弹道信息对赋灰度后的图像进行透视变换,得到多尺度多视点的场景图像,依据预设的选取准则,选取机场目标/地标参考图。本发明能够自动、准确制备机场目标/地标参考图用于景象匹配制导。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种用于景象匹配制导的机场参考图制备方法。
背景技术
精确制导技术在现代战争中被广泛应用到各种导弹和制导兵器中,景象匹配制导具有高精度、高自主性、与射程无关、打击范围广、可重复选择目标等特点。通过图像匹配算法将导引头获取的实时图像与系统携带的参考图进行实时计算比较,获取目标所在位置,辅助惯导系统进行累计误差修正,最终命中目标。末制导技术的三个关键因素是实时图质量、参考图质量和匹配算法性能。实时图像质量和匹配算法性能在实际应用过程中,一般认为短时间内不会发生变化。因此,提升参考图制备的准确性和智能化水平,进而提升时间性能,对于战机转瞬即逝的战场环境意义重大。
机场作为大型组合目标,是重要的交通枢纽,在国防和国民经济中起着越来越重要的作用。在现代战争中,为遏制敌方的空中力量和补给能力,机场通常成为首要打击的军事目标。制备高精度的机场参考图,放在弹上导引头中,用于末制导匹配识别过程,辅助惯导系统精确命中机场目标。
发明内容
本发明要解决的技术问题在于针对现有技术,机场参考图制备制动化程度不高,需要人工干预,制备结果不精确,导致制备的参考图用于景象匹配制导过程中,机场目标/地标匹配识别准确率不高,容易造成较高漏警和虚警的问题,提出一种自动、精确制备机场参考图方法。
本发明解决其技术问题所采用的技术方案是:
提供一种用于景象匹配制导的机场参考图制备方法,其特征在于,包括以下步骤:
S1、根据机场面积、自身颜色信息与周围背景差异,在包含机场的可见光遥感卫星图像上进行目标区域粗定位,确定感兴趣区域ROI的大致范围;
S2、根据颜色信息对感兴趣区域ROI采用Kmeans算法进行分类,将分类结果与地物类别一一对应,并进行标识;
S3、基于红外景象条件先验知识,将机场地物全天候温度变化自动映射到灰度级上,并给标识后的图像赋灰度;
S4、根据弹道信息对赋灰度后的图像进行透视变换,得到多尺度多视点的场景图像,依据预设的选取准则,选取机场目标/地标参考图。
接上述技术方案,该方法还包括步骤:
S5、根据图像分辨率、大小和图像中心点经纬度坐标,计算机场目标/地标参考图的面积、形心经纬度坐标、相对位置信息,生成对应地标文件。
接上述技术方案,步骤S2具体包括:
S21、把图像数据分成k个类,计算数据空间上均匀分布的最初类均值,用最短距离公式重复地把像元聚集到最近的类里,使所有样本到各自所属类别中心的距离平方和达到最小,形成k个簇;
S22、重新计算每个簇的均值,用新的均值对像元进行再分类,每次迭代计算,所有像元都被归到与其最临近的一类里;直到每一类的像元数变化少于选择的像元变化阈值或已达到最多的迭代次数;
S23、根据感兴趣区域ROI内的颜色信息,将机场典型地物颜色与Kmeans 分类结果一一对应,进行标识,每种类别对应一种或几种地物。
接上述技术方案,步骤S3具体包括:
S31、分析机场典型地物的材质信息、外形信息,对地物材质进行组合分类,建立不同类别模型;
S32、根据气象因素建立目标表面温度模型,其中气象因素包括太阳辐射、环境温度、大气辐射;
S33、将接收到的红外辐射映射到灰度级上,使每类地物都有对应接近红外图像的灰度。
接上述技术方案,步骤S4具体包括:
S41、根据多尺度多视点思想,将弹道信息按照由远及近的过程大致分为三个阶段,每个阶段机场目标/地标对应大、中、小三种不同尺度、不同分辨率进行机场参考图制备;
S42、根据每种尺度在当前飞行参数条件下,将机场参考图,制作成尺度大小不同、视点不一致的候选参考图;
S43、依据飞行航向,穷举场景中所有局部子区域,从可靠性、稳定性和唯一性三个方面综合分析,从候选参考图中选择特征明显的感兴趣目标,作为机场目标/地标参考图,特征明显指重复度较低的形状和轮廓、具有一定面积比例。
接上述技术方案,该方法还包括在确定感兴趣区域ROI的大致范围后,对感兴趣区域ROI进行图像增强的步骤具体为:计算原始图像的灰度直方图,统计直方图中每个灰度级出现的次数,计算累积直方图各项,取整扩展,确定映射对应关系,依据映射关系计算均衡化直方图。
接上述技术方案,该方法还包括对标识后的图像进行去噪,具体为:
对标识后的分类结果进行联通区域分析,计算每个联通区域面积,去掉面积小于一定阈值的联通区域;
对联通区域进行轮廓跟踪,每隔几个点,计算两点连线角度,统计角度出现频率,计算角度直方图中最大值或次大值所对应的角度值占整个直方图的比例,若该比例大于某一设定阈值,则认为该联通区域存在典型直线状边界,保留,否则删除。
本发明还提供了一种用于景象匹配制导的机场参考图制备系统,包括:
目标区域粗定位模块,用于根据机场面积、自身颜色信息与周围背景差异,在包含机场的可见光遥感卫星图像上进行目标区域粗定位,确定感兴趣区域ROI的大致范围;
分类模块,用于根据颜色信息对感兴趣区域ROI采用Kmeans算法进行分类,将分类结果与地物类别一一对应,并进行标识;
赋灰度模块,用于基于红外景象条件先验知识,将机场地物全天候温度变化自动映射到灰度级上,并给标识后的图像赋灰度;
选择模块,根据弹道信息对赋灰度后的图像进行透视变换,得到多尺度多视点的场景图像,依据预设的选取准则,选取机场目标/地标参考图。
接上述技术方案,该系统还包括步骤:
对应地标文件生成模块,用于根据图像分辨率、大小和图像中心点经纬度坐标,计算机场目标/地标参考图的面积、形心经纬度坐标、相对位置信息,生成对应地标文件。
本发明还提供了一种计算机存储介质,其内存储有可被处理器执行的计算机程序,该计算机程序执行上述技术方案所述的用于景象匹配制导的机场参考图制备方法。
本发明产生的有益效果是:本发明通过颜色信息粗定位,能够准确定位到机场ROI区域;通过Kmeans分类和标识,相比传统图像分割方法结果的不确定性,能够对机场地物类别准确区分,减少人工干预;基于红外成像条件先验知识,对各类地物进行红外图像仿真,减少人工赋灰度误差;结合弹道信息和透视变换,自动得到多尺度多视点的前下视图,避免了人工选取制备好的目标/地标在实际成像中不明显或不存在的情况,从可靠性、稳定性和唯一性三个方面综合分析,自动确定最佳匹配区,提高机场参考图制备的自动化水平和时间性能,也为景象匹配制导提供图像数据和技术支持。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1A为本发明实施例用于景象匹配制导的机场参考图制备的流程图一;
图1B为本发明实施例用于景象匹配制导的机场参考图制备的流程图二;
图2为本发明实施例感兴趣区域ROI粗定位;
图3为本发明实施例感兴趣区域ROI灰度图,归一化置0-255;
图4为本发明实施例感兴趣区域ROI图像增强;
图5为本发明实施例采用Kmeans算法对ROI进行分类;
图6为本发明实施例标识分类结果,保留红色标识类别,为机场区域;
图7为在图6基础上基于面积准则的联通区域去噪结果;
图8为在图7基础上,进行联通区域轮廓跟踪图;
图9为在图8基础上,基于直线特征,保留大于设定阈值的区域结果图;
图10为本发明实施例灰度映射结果图;
图11为本发明实施例机场参考图制备结果。
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用以解释本发明,并不用于限定本发明。
如图1A所示,本发明实施例用于景象匹配制导的机场参考图制备方法,主要包括以下步骤:
S1、根据机场面积、自身颜色信息与周围背景差异,在包含机场的可见光遥感卫星图像上进行目标区域粗定位,确定感兴趣区域ROI的大致范围;
S2、根据颜色信息对感兴趣区域ROI采用Kmeans算法进行分类,将分类结果与地物类别一一对应,并进行标识;
S3、基于红外景象条件先验知识,将机场地物全天候温度变化自动映射到灰度级上,并给标识后的图像赋灰度;
S4、根据弹道信息对赋灰度后的图像进行透视变换,得到多尺度多视点的场景图像,依据预设的选取准则,选取机场目标/地标参考图。
接上述技术方案,该方法还包括步骤:
S5、根据图像分辨率、大小和图像中心点经纬度坐标,计算机场目标/地标参考图的面积、形心经纬度坐标、相对位置信息,生成对应地标文件。
如图1B所示,本发明另一实施例用于景象匹配制导的机场参考图制备方法主要包括以下步骤:
S101、打开包含机场的可将光正下视遥感卫星图像、输入图像分辨率、图像中心点对应的经纬度坐标;
S102、感兴趣区域定位:根据机场面积、自身颜色信息与周围背景差异,进行目标区域粗定位,确定感兴趣区域ROI大致范围;
S103、感兴趣区域ROI图像增强:计算原始图像的灰度直方图,统计直方图中每个灰度级出现的次数,计算累积直方图各项,取整扩展,确定映射对应关系,依据映射关系计算均衡化直方图;
S104、Kmeans算法对ROI进行分类:对ROI区域采用Kmeans算法分类,根据ROI区域的颜色信息,不同颜色对应不同的类别的地物,将分类结果与地物类别一一对应,进行标识。
S105、基于面积准则的联通区域去噪:对标识后的分类结果进行联通区域分析,计算每个联通区域面积,去掉面积小于一定阈值的联通区域;
S106、联通区域轮廓跟踪,提取直线特征:对联通区域进行轮廓跟踪,每隔几个点,计算两点连线角度,统计角度出现频率,计算角度直方图中最大值或次大值所对应的角度值占整个直方图的比例,若该比例大于某一设定阈值,则认为该联通区域存在典型直线状边界,可以保留,否则删除。对于机场参考图的地标或目标而言,机场跑道往往是典型军事目标打击点,也符合直线特征,故对该联通区域进行边界平滑,去除边界毛刺;
S107、基于红外景象条件先验知识(地物材质、气象因素、红外成像机理),将机场地物全天候温度变化自动映射到灰度级上,给每个联通区域赋灰度;
S108、根据弹道信息进行透视变换,得到多尺度多视点的场景图像,依据选取准则,从可靠性、稳定性和唯一性三个方面综合分析,选取特征明显、信息量大、可匹配性高的机场区域作为机场目标/地标参考图
S109、根据图像分辨率、大小和图像中心点经纬度坐标,计算机场目标/ 地标参考图的面积、形心经纬度坐标、相对位置等相关信息,生成对应地标文件。
步骤S104中使用Kmeans算法对ROI进行分类具体包括:
(1)把图像数据分成k个类。计算数据空间上均匀分布的最初类均值,然后用最短距离公式重复地把像元聚集到最近的类里,使所有样本到各自所属类别中心的距离平方和达到最小,形成k个簇。
(2)重新计算每个簇的均值,用新的均值对像元进行再分类。每次迭代计算,除非限定了标准差和距离的阈值(如果一些像元不满足选择的标准,就无法参与分类),所有像元都被归到与其最临近的一类里。
(3)这一过程持续到每一类的像元数变化少于选择的像元变化阈值或已达到最多的迭代次数;
(4)根据ROI区域内的颜色信息,不同类别的地物对应不同颜色,通常机场跑道材质为水泥或沥青,对应灰色或黑色。将机场典型地物颜色与 Kmeans分类结果一一对应,进行标识,每种类别对应一种或几种地物。
步骤S107具体包括:
a)分析机场典型地物的材质信息、外形信息,对地物材质进行组合分类,建立不同类别模型;
b)根据气象因素(太阳辐射、环境温度、大气辐射)建立目标表面温度模型;
c)结合红外成像机理,红外成像仪主要接收目标自身辐射和目标对周围环境的反射辐射,将接收到的红外辐射映射到灰度级上,使每类地物都有对应接近红外图像的灰度。
步骤S108具体包括以下步骤:
[1]根据多尺度多视点思想,将弹道信息按照由远及近的过程大致分为三个阶段,每个阶段机场目标/地标对应大、中、小三种不同尺度、不同分辨率进行机场参考图制备。
[2]根据每种尺度在当前飞行参数条件下,将机场参考图,制作成尺度大小不同、视点不一致的候选参考图。
[3]依据飞行航向,穷举场景中所有局部子区域,从可靠性、稳定性和唯一性三个方面综合分析,从候选参考图中选择特征明显的感兴趣目标,作为机场目标/地标参考图,特征“明显”是指:重复度较低的形状和轮廓、具有一定面积比例等。
与现有的其它机场参考图制备方法相比,本发明提出的方法具有以下优点:
1.准确性:本发明对包含机场目标的可见光遥感卫星图像进行机场参考图制备,目标ROI区域分类精确;机场各类地物赋灰度符合红外图像特性,减少人工赋灰度误差;机场目标/地标参考图选取科学,避免了人工选取制备好的目标/地标在实际成像中不明显或不存在的情况。
2.定量化:进行联通区域分析,可得到各个联通区域的面积、形心、圆度、矩形度、角点、轮廓等特征数据,实现了目标/地标参考图的定量计算和统计,根据图像分辨率、大小以及图像中心点经纬度坐标,可计算机场目标的面积大小、形心经纬度等信息,为后续景象匹配制导的匹配识别过程提供定量化信息和数据支持;
3.自动化:本发明只需加载包含机场目标的可见光遥感卫星图像,输入图像分辨率和图像中心点经纬度坐标信息,后续的流程均无需人工干预,自动化程度较高;
4.自适应性和鲁棒性良好:采用本发明提出的方法,从GoogleEarth下载大量的机场场景图像,进行了测试,程序运行稳定,自适应性好,鲁棒性强,所有图像处理无需人工干预,取得了满意的制备结果。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种用于景象匹配制导的机场参考图制备方法,其特征在于,包括以下步骤:
S1、根据机场面积、自身颜色信息与周围背景差异,在包含机场的可见光遥感卫星图像上进行目标区域粗定位,确定感兴趣区域ROI的大致范围;
S2、根据颜色信息对感兴趣区域ROI采用Kmeans算法进行分类,将分类结果与地物类别一一对应,并进行标识;
S3、基于红外景象条件先验知识,将机场地物全天候温度变化自动映射到灰度级上,并给标识后的图像赋灰度;
S4、根据弹道信息对赋灰度后的图像进行透视变换,得到多尺度多视点的场景图像,依据预设的选取准则,选取机场目标/地标参考图;
其中步骤S3具体包括:
S31、分析机场典型地物的材质信息和外形信息,对地物材质进行组合分类,建立不同类别模型;
S32、根据气象因素建立目标表面温度模型,其中气象因素包括太阳辐射、环境温度和大气辐射;
S33、将接收到的红外辐射映射到灰度级上,使每类地物都有对应接近红外图像的灰度。
2.根据权利要求1所述的方法,其特征在于,该方法还包括步骤:
S5、根据图像分辨率、大小和图像中心点经纬度坐标,计算机场目标/地标参考图的面积、形心经纬度坐标和相对位置信息,生成对应地标文件。
3.根据权利要求1所述的方法,其特征在于,步骤S2具体包括:
S21、把图像数据分成k个类,计算数据空间上均匀分布的最初类均值,用最短距离公式重复地把像元聚集到最近的类里,使所有样本到各自所属类别中心的距离平方和达到最小,形成k个簇;
S22、重新计算每个簇的均值,用新的均值对像元进行再分类,每次迭代计算,所有像元都被归到与其最临近的一类里;直到每一类的像元数变化少于选择的像元变化阈值或已达到最多的迭代次数;
S23、根据感兴趣区域ROI内的颜色信息,将机场典型地物颜色与Kmeans分类结果一一对应,进行标识,每种类别对应一种或几种地物。
4.根据权利要求1所述的方法,其特征在于,步骤S4具体包括:
S41、根据多尺度多视点思想,将弹道信息按照由远及近的过程大致分为三个阶段,每个阶段机场目标/地标对应大、中、小三种不同尺度、不同分辨率进行机场参考图制备;
S42、根据每种尺度在当前飞行参数条件下,将机场参考图,制作成尺度大小不同、视点不一致的候选参考图;
S43、依据飞行航向,穷举场景中所有局部子区域,从可靠性、稳定性和唯一性三个方面综合分析,从候选参考图中选择特征明显的感兴趣目标,作为机场目标/地标参考图,特征明显指重复度较低的形状和轮廓、具有一定面积比例。
5.根据权利要求1所述的方法,其特征在于,该方法还包括在确定感兴趣区域ROI的大致范围后,对感兴趣区域ROI进行图像增强的步骤,具体为:计算原始图像的灰度直方图,统计直方图中每个灰度级出现的次数,计算累积直方图各项,取整扩展,确定映射对应关系,依据映射关系计算均衡化直方图。
6.根据权利要求1所述的方法,其特征在于,该方法还包括对标识后的图像进行去噪,具体为:
对标识后的分类结果进行联通区域分析,计算每个联通区域面积,去掉面积小于一定阈值的联通区域;
对联通区域进行轮廓跟踪,每隔几个点,计算两点连线角度,统计角度出现频率,计算角度直方图中最大值或次大值所对应的角度值占整个直方图的比例,若该比例大于某一设定阈值,则认为该联通区域存在典型直线状边界,保留,否则删除。
7.一种用于景象匹配制导的机场参考图制备系统,其特征在于,包括:
目标区域粗定位模块,用于根据机场面积、自身颜色信息与周围背景差异,在包含机场的可见光遥感卫星图像上进行目标区域粗定位,确定感兴趣区域ROI的大致范围;
分类模块,用于根据颜色信息对感兴趣区域ROI采用Kmeans算法进行分类,将分类结果与地物类别一一对应,并进行标识;
赋灰度模块,用于基于红外景象条件先验知识,将机场地物全天候温度变化自动映射到灰度级上,并给标识后的图像赋灰度;
选择模块,根据弹道信息对赋灰度后的图像进行透视变换,得到多尺度多视点的场景图像,依据预设的选取准则,选取机场目标/地标参考图;
其中选择模块具体用于:
分析机场典型地物的材质信息和外形信息,对地物材质进行组合分类,建立不同类别模型;
根据气象因素建立目标表面温度模型,其中气象因素包括太阳辐射、环境温度和大气辐射;
将接收到的红外辐射映射到灰度级上,使每类地物都有对应接近红外图像的灰度。
8.根据权利要求7所述的用于景象匹配制导的机场参考图制备系统,其特征在于,该系统还包括步骤:
对应地标文件生成模块,用于根据图像分辨率、大小和图像中心点经纬度坐标,计算机场目标/地标参考图的面积、形心经纬度坐标和相对位置信息,生成对应地标文件。
9.一种计算机存储介质,其特征在于,其内存储有可被处理器执行的计算机程序,该计算机程序执行如权利要求1-6中任一项所述的用于景象匹配制导的机场参考图制备方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010999364.0A CN112213264B (zh) | 2020-09-22 | 2020-09-22 | 用于景象匹配制导的机场参考图制备方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010999364.0A CN112213264B (zh) | 2020-09-22 | 2020-09-22 | 用于景象匹配制导的机场参考图制备方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112213264A CN112213264A (zh) | 2021-01-12 |
CN112213264B true CN112213264B (zh) | 2024-04-05 |
Family
ID=74049071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010999364.0A Active CN112213264B (zh) | 2020-09-22 | 2020-09-22 | 用于景象匹配制导的机场参考图制备方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112213264B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113515886B (zh) * | 2021-04-28 | 2023-11-24 | 上海科技大学 | 基于地标特征卷积的视觉定位方法、系统、终端及介质 |
CN116776350B (zh) * | 2023-06-15 | 2024-01-26 | 自然资源部地图技术审查中心 | 电子地图的地理信息安全保障方法和装置 |
CN117765243B (zh) * | 2023-12-22 | 2024-07-05 | 北京中科航星科技有限公司 | 一种基于高性能计算架构的ai导引系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175993A (zh) * | 2011-01-28 | 2011-09-07 | 华中科技大学 | 基于卫星sar影像的雷达景象匹配特征参考图制备方法 |
CN103090868A (zh) * | 2012-12-31 | 2013-05-08 | 华中科技大学 | 一种利用多光谱图像分类的典型地物参考图的制备方法 |
CN103456027A (zh) * | 2013-08-01 | 2013-12-18 | 华中科技大学 | 一种机场空间关系约束下的时敏目标检测定位方法 |
CN103456026A (zh) * | 2013-07-29 | 2013-12-18 | 华中科技大学 | 一种公路地标约束下的地面运动目标检测方法 |
CN106340013A (zh) * | 2016-08-25 | 2017-01-18 | 上海航天控制技术研究所 | 一种基于双重Kmeans聚类的红外目标轮廓分割方法 |
CN108537770A (zh) * | 2018-01-11 | 2018-09-14 | 中国人民解放军战略支援部队航天工程大学 | 一种无定标卫星成像目标辐射特性反演方法及系统 |
CN110110586A (zh) * | 2019-03-18 | 2019-08-09 | 北京理工雷科电子信息技术有限公司 | 基于深度学习的遥感机场飞机检测的方法及装置 |
-
2020
- 2020-09-22 CN CN202010999364.0A patent/CN112213264B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175993A (zh) * | 2011-01-28 | 2011-09-07 | 华中科技大学 | 基于卫星sar影像的雷达景象匹配特征参考图制备方法 |
CN103090868A (zh) * | 2012-12-31 | 2013-05-08 | 华中科技大学 | 一种利用多光谱图像分类的典型地物参考图的制备方法 |
CN103456026A (zh) * | 2013-07-29 | 2013-12-18 | 华中科技大学 | 一种公路地标约束下的地面运动目标检测方法 |
CN103456027A (zh) * | 2013-08-01 | 2013-12-18 | 华中科技大学 | 一种机场空间关系约束下的时敏目标检测定位方法 |
CN106340013A (zh) * | 2016-08-25 | 2017-01-18 | 上海航天控制技术研究所 | 一种基于双重Kmeans聚类的红外目标轮廓分割方法 |
CN108537770A (zh) * | 2018-01-11 | 2018-09-14 | 中国人民解放军战略支援部队航天工程大学 | 一种无定标卫星成像目标辐射特性反演方法及系统 |
CN110110586A (zh) * | 2019-03-18 | 2019-08-09 | 北京理工雷科电子信息技术有限公司 | 基于深度学习的遥感机场飞机检测的方法及装置 |
Non-Patent Citations (3)
Title |
---|
前视红外景象匹配制导基准图生成研究;刘婧;孙继银;朱俊林;陈捷1;;微计算机信息;20071025(第30期);第279-281页 * |
国内机场目标识别研究现状与展望;陈仁;赵广州;;微型机与应用;20130610(第11期);第1-6页 * |
雷达与光学景像共性特征提取与匹配算法研究;张天序,李巍,桑农,汪国有,李捷,蔡世学,李玉峰;红外与激光工程;19960625(第03期);第15-20、40页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112213264A (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112213264B (zh) | 用于景象匹配制导的机场参考图制备方法 | |
CN111882612B (zh) | 一种基于三维激光检测车道线的车辆多尺度定位方法 | |
CN108446634B (zh) | 基于视频分析和定位信息结合的航空器持续跟踪方法 | |
CN111709981A (zh) | 特征线融合的激光点云与模拟图像的配准方法 | |
Hebel et al. | Simultaneous calibration of ALS systems and alignment of multiview LiDAR scans of urban areas | |
WO2016106955A1 (zh) | 一种激光红外复合的地面建筑物识别及导航方法 | |
CN110443201B (zh) | 基于多源影像联合形状分析与多属性融合的目标识别方法 | |
CN110245566B (zh) | 一种基于背景特征的红外目标远距离追踪方法 | |
CN112184765B (zh) | 一种用于水下航行器的自主跟踪方法 | |
CN109668567B (zh) | 无人机多云条件下偏振光定向方法、系统及偏振光传感器 | |
CN108519075B (zh) | 一种空间多目标位姿测量方法 | |
Yeriomina et al. | Formation of reference images and decision function in radiometric correlation-extremal navigation systems | |
CN113281782A (zh) | 一种基于无人驾驶车的激光雷达雪点滤除方法 | |
CN110095123A (zh) | 不规则小天体表面路标观测信息评价优化方法 | |
CN109358315B (zh) | 一种辅助目标间接定位方法及系统 | |
CN107765257A (zh) | 一种基于反射强度辅助外部校准的激光探测与测量方法 | |
Ghorbani et al. | A Robust and Automatic Algorithm for TLS-ALS Point Cloud Registration in Forest Environments based on Tree Locations | |
Skaloud et al. | Towards automated LiDAR boresight self-calibration | |
JP2000275338A (ja) | 目標識別装置および目標識別方法 | |
CN115457237A (zh) | 基于雷视融合的车辆目标快速检测方法 | |
CN115468576A (zh) | 一种基于多模态数据融合的自动驾驶定位方法及系统 | |
CN113095324A (zh) | 一种针对锥桶的分类与测距方法及系统 | |
CN113343747A (zh) | 多模态图像鲁棒匹配vns的方法 | |
KR101918820B1 (ko) | 장면 인식을 이용한 무인 비행체 회귀 제어 방법 | |
Subash | Automatic road extraction from satellite images using extended Kalman filtering and efficient particle filtering |
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 |