CN117576362B - 一种基于遮挡比的低分辨率热红外影像飞机识别方法 - Google Patents
一种基于遮挡比的低分辨率热红外影像飞机识别方法 Download PDFInfo
- Publication number
- CN117576362B CN117576362B CN202410058082.9A CN202410058082A CN117576362B CN 117576362 B CN117576362 B CN 117576362B CN 202410058082 A CN202410058082 A CN 202410058082A CN 117576362 B CN117576362 B CN 117576362B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- airplane
- area
- image
- pixels
- 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 45
- 210000001747 pupil Anatomy 0.000 claims abstract description 13
- 230000005855 radiation Effects 0.000 claims description 33
- 238000003384 imaging method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000002834 transmittance Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 18
- 230000000875 corresponding effect Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- G06V20/60—Type of objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明提供的一种基于遮挡比的低分辨率热红外影像飞机识别方法,包括胰以下步骤:S1,获取包含飞机的所在区域红外遥感数据,将红外遥感图像提取为包含飞机像素的大小为7×7像素的子图像块;S2,计算遮挡比,计算子图像块区域内飞机及背景区域的入瞳辐亮度,以计算每个像元的遮挡比;S3,计算遮挡面积,将子图像块的像元区分为含飞机像素和纯背景像素,含飞机像素视为有效像元,并计算有效像元内飞机对地面背景的遮挡面积;S4,计算飞机的俯视面积;S5,根据飞机俯视面积进行飞机大小尺度识别。本发明提供了一种突破传统方法对图像高分辨率要求的限制,且突破时间上的限制的基于遮挡比的低分辨率热红外影像飞机识别方法。
Description
技术领域
本发明属于光电探测与成像应用领域,具体涉及一种基于遮挡比的低分辨率热红外影像飞机识别方法。
背景技术
对飞机等高速飞行目标的探测对于全球飞行活动的动态监测以及实施相关搜索救援活动等领域有着重要的意义,是遥感目标识别领域中的一个具有挑战性的课题。
目前,常见的飞机识别技术通常基于较高分辨率的可见光遥感图像,利用模板匹配及神经网络等方法对机场等地面飞机进行形态特征的检测与识别。其通常基于较高分辨率的可见光遥感图像,这是因为可见光遥感图像具有丰富的色彩信息和较高的空间分辨率,能够清晰地显示出飞机的形状、大小、颜色等特征。然而,由于可见光遥感图像受到天气和光照条件的影响较大,因此在复杂环境下的应用受到了一定的限制。
合成孔径雷达(SAR)图像飞机目标智能检测识别技术是近年来飞机目标检测识别领域的研究热点。这种技术利用SAR数据进行自动化飞机目标检测和识别,可以有效提取飞机目标的特征,从而提高检测的准确性。此外,除了单一的SAR数据外,还可以将SAR数据与其他传感器数据,如光学图像、红外图像等进行融合,以提高飞机目标的检测和识别性能。但是在SAR图像中,飞机目标的散射机制复杂,并且会受到背景强干扰的影响,这给飞机目标的检测识别带来了技术难点。
然而,这一类方法主要面临以下几个问题:(1)专门为飞机检测提供的高分辨率图像数据集较少 ,对于神经网络等方法来说可训练的数据有限;(2)可见光图像大部分集中于地面飞机,对于高空飞机,尤其是天气状况较为复杂时的检测能力较弱;(3)可见光遥感依赖物体本身对太阳和环境辐射的反射,因此在夜间无法进行探测;(4)此类方法需要图像中的飞机具有较为清晰的几何轮廓进行识别,对于红外图像等分辨率较低情况下,飞机通常只有几个像素点,传统方法在此类情况下的识别能力不佳。
针对于飞机等高空飞行目标探测领域的应用,急需一种可靠的目标识别方法,突破传统方法的限制,在低分辨率条件的限制下能够对高空高速飞机进行有效的识别,以满足实际应用需求。
发明内容
本发明的目的在于,针对现有技术中的问题,提供一种基于遮挡比的低分辨率热红外影像飞机识别方法。
为此,本发明的上述目的通过以下技术方案实现:
一种基于遮挡比的低分辨率热红外影像飞机识别方法,其特征在于:包括以下步骤:
S1, 获取包含飞机的所在区域红外遥感数据,包括红外遥感图像及其对应的地理信息,将红外遥感图像提取为包含飞机像素的大小为7×7像素的子图像块;
S2,计算遮挡比,利用飞机的热辐射特性和热红外探测器参数,计算子图像块区域内飞机及背景区域的入瞳辐亮度,以计算每个像元的遮挡比;
S3,计算遮挡面积,根据步骤S2中的遮挡比计算结果,将子图像块的像元区分为含飞机像素和纯背景像素,含飞机像素视为有效像元,并计算有效像元内飞机对地面背景的遮挡面积;
S4,计算飞机的俯视面积,根据步骤S3中的飞机整体的遮挡面积,通过成像的高度和角度进行校正,得到飞机的俯视面积;
S5,根据飞机俯视面积进行飞机大小尺度识别。
在采用上述技术方案的同时,本发明还可以采用或者组合采用如下技术方案:
作为本发明的优选技术方案:步骤S1中,红外遥感图像对应的地理信息包括飞机的飞行高度和具体经纬度信息。
作为本发明的优选技术方案:步骤S1中,根据飞机的具体经纬度信息,从红外遥感图像中锁定包含飞机的区域,以该区域内像素灰度值最低点为中心,提取其邻域7×7像素范围的图像作为子图像块,用于对飞机及纯背景像素进行计算。
作为本发明的优选技术方案:步骤S2中,计算子图像块区域内飞机及背景区域的入瞳辐亮度,需计算飞机的蒙皮辐亮度和飞机机身反射的环境辐射和大气路径辐射,
其中,飞机的蒙皮辐亮度为
(3)
其中,为飞机蒙皮的红外发射率,λ为波长,/>为光谱辐射出射度,通过下述算式获得,
(4)
其中,C1=3.743×10-6W·m2, C2=1.4387×10-2W·K ,为飞机蒙皮的平均温度,通过下述算式计算,
(1)
表示飞机所处环境的大气温度,通过下述算式计算,
(2)
其中,表示零海拔高度的温度,h表示飞机的飞行高度, η表示温度的垂直递减率,β为温度恢复系数,取0.82~0.84,γ为比热容比,取1.4,C为热平衡系数,/>为飞机的飞行速度,/>为太阳辐射导致的飞机表面温度变化,/>表示飞机机身反射的环境辐射,/>表示大气路径辐射,/>表示λ波长下的大气透过率,子图像块区域内飞机及背景区域的入瞳辐亮度,表示为
(5)。
作为本发明的优选技术方案:步骤S2中,对热红外遥感图像的子图像块区域,其入瞳辐亮度L用像素的DN值来表征,具体关系为
(6)
其中Gain和Bias分别为增益系数和偏置系数,
子图像块的能量分布表示为
(8)
其中,为飞机对应的DN值,/>为背景对应的DN值,/>为飞机俯视面积,/>分别为背景面积;
对于单个像元来说,其DN值由飞机目标与地面背景的DN值组成,
(9)
其中为单个像元响应的DN值,CR为红外图像中飞机对地面的遮挡比,在包含飞机的红外图像区域内,DN值最低的像元判定为遮挡比最大,以该像元为中心,选取3×3的像元作为包含飞机的像素范围,同时选取以该像元为中心的7×7的像元范围,计算除飞机像元外其余像元的平均DN值,作为背景DN值,即/>,因此每个像元的遮挡比/>可表示为
其中,i表示其在子图像块中X轴的位置,j表示其在子图像块中Y轴的位置, 表示在(i,j)位置的单个像元的DN值。
作为本发明的优选技术方案:步骤S3中,计算飞机整体的遮挡面积,表示为
(11)
其中,表示一个像元所对应的地面范围的面积,/>表示一个像元中飞机所占的面积,通过下述算式计算:
(10)。
作为本发明的优选技术方案:步骤S4中,飞机的俯视面积表示为
(13)
其中表示飞机真实面积与探测器中的飞机遮挡面积之比,其中,D为飞机的宽度,D´为探测器中在h高度上,与星下点夹角为A的位置飞行的飞机的宽度,其中D´通过下述算式计算:
(12)
其中,飞机飞行高度为h,卫星的飞行高度为H,飞机成像位置相对于星下点所形成的夹角为A。
作为本发明的优选技术方案:根据步骤S4计算得到的飞机的俯视面积,对飞机在大小尺度上进行分类识别,具体分类方法如下:当>550 m2时,判定为大型飞机;当200 m2</>≤550 m2时,判定为中型飞机,当/><200 m2时,判定为小型飞机。
与现有技术相比,本发明具有以下有益效果:本发明的一种基于遮挡比的低分辨率热红外影像飞机识别方法,基于飞机目标具有明显的红外辐射特性,且热红外图像能够突破时间上的限制实现全天候的飞机检测与识别的特性,利用红外图像可以清晰准确地分辨和检测飞机,据此建立了相应的红外图像高空飞机检测算法。本发明的一种基于遮挡比的低分辨率热红外影像飞机识别方法,通过对热红外遥感数据的提取,利用高空飞机的辐射特性模型计算飞机到达探测器的入瞳辐亮度,结合热红外成像仪的物理特性,计算飞机的遮挡面积并校正得到飞机的俯视面积,对飞机进行分类识别,突破传统方法对图像高分辨率要求的限制。本发明最终可实现对热红外低分辨率图像中高空飞机在大小尺度上的分类识别。
本发明的一种基于遮挡比的低分辨率热红外影像飞机识别方法中,基于高空飞机与背景辐射特性的差异,从物理性质角度实现热红外低分辨率图像飞机的识别,省去了神经网络等方法大量的训练时间和训练量,提高了运行效率,无需依赖高分辨率的图像所展现出的清晰的几何特征。且在热红外波段飞机的辐射主要由机身与环境热交换以及飞机自身的气动加热提供,对太阳辐射的反射占比较少,本发明的一种基于遮挡比的低分辨率热红外影像飞机识别方法利用热红外图像能够突破时间上的限制,实现全天候的飞机检测与识别。
附图说明
图1为本发明的一种基于遮挡比的低分辨率热红外影像飞机识别方法流程图;
图2为遥感成像及子图像提取示意图;
图3为高度和角度对投影面积影响示意图。
具体实施方式
参照附图和具体实施例对本发明作进一步详细地描述。
实施例1
本发明的一种基于遮挡比的低分辨率热红外影像飞机识别方法,是一种基于红外遥感图像遮挡比的低分辨率热红外影像飞机识别方法。
如图1所示,首先,利用天基观测数据获取包含空中飞机像素的30m分辨率的红外遥感图像及对应的时间地理信息,并将图像提取为包含飞机像素的大小为7×7像素的子图像块;然后,利用遥感图像的物理特性和热红外探测器的相关参数,计算飞机及其周围部分像素区域的入瞳辐亮度,并据此计算每个像元的遮挡比,即飞机的能量在每个像元中所占的比例;其次,根据遮挡比计算结果,将目标区域内的像元区分为含飞机像素和纯背景像素,含飞机像素视为有效像元,减小背景噪声的影响,并计算有效像元内飞机对地面背景的遮挡面积;最后,根据成像的高度和角度进行校正,得到飞机俯视面积,据此将飞机进行大小尺度层面的分类识别。
本发明的一种基于遮挡比的低分辨率热红外影像飞机识别方法,利用从天基观测数据中所获得的热红外遥感图像对其中包含飞机像素的部分区域逐像素计算遮挡比,利用遮挡比结果反演计算出空中飞机的遮挡面积,实现飞机大小尺度的分类识别,具体包括以下步骤:
S1.获取包含飞机的某一区域红外遥感数据,
高空飞机巡航高度一般为7~12km之间,其飞行环境温度通常比地表温度低40~60K,探测器探测到飞机时获取的辐射能量远低于探测地面或海面背景时获取的辐射能量,因此在红外图像中,像元内是否包含飞机及包含飞机的面积大小是影响图像中对应像元DN值的主要原因,根据卫星上搭载的热红外成像仪所提供的地理位置和时间等信息,结合航班信息网站提供的相关数据,或者通过遥感定位算法计算飞机的空间坐标,可获取到飞机的飞行高度和具体位置,由于整幅遥感图像的覆盖范围与飞机尺度相比差距过大,因此通过飞机检测算法定位图像中飞机的位置,从整幅遥感图像中提取出含飞机像素的7×7像素大小的子图像块,便于对飞机及周围像素进行计算,遥感图像的获取和子图像提取过程如图2所示。
S2.遮挡比计算,
在飞机飞行过程中,飞机蒙皮与周围环境发生热交换,当处于热平衡状态下时,飞机蒙皮的平均温度可以表示为
(1)
其中,表示飞机所处环境的大气温度,可表示为
(2)
其中,表示零海拔高度的温度,h表示飞机的飞行高度, η表示温度的垂直递减率,与气候、纬度、气压、水汽含量等条件相关,国际民航组织(ICAO)定义其值为6.49℃/km,/>使用各国气象机构获取的当地实时气温。公式(1)第二项表示飞机启动加热对温度的影响,β为温度恢复系数,一般取0.82~0.84,γ为比热容比,一般取1.4,C为热平衡系数,/>为飞机的飞行速度,民航客机的飞行速度一般在0.7~0.9Ma之间,低于1.2Ma的情况下,飞机的速度不是其蒙皮温度的主要影响因素。/>为太阳辐射导致的飞机表面温度变化,通常,太阳辐射会使飞机温度升高4~8K。
在热红外波段,飞机蒙皮近似于不透明的朗伯灰体,根据普朗克定律,飞机的蒙皮辐亮度可以表示为
(3)
其中,为飞机蒙皮的红外发射率,一般在0.85~0.95之间,λ为波长,为光谱辐射出射度,可表示为
(4)
其中, C1=3.743×10-6W·m2, C2=1.4387×10-2W·K。
探测器的入瞳辐亮度除飞机蒙皮辐射外,还包括飞机机身反射的环境辐射和大气路径辐射,表示为
(5)。
其中,表示机身反射的环境辐射,在热红外波段,约占飞机辐射的4%(夏季)或3.5%(冬季)。/>表示大气路径辐射,使用MODTRAN软件中提供的气候条件和气溶胶模型建立数据库,根据飞机所在场景选择不同环境下的数据进行计算。
在遥感图像中,探测器获取到的辐射信息通常表示为DN值,SDGSAT-1卫星上搭载的TIS热红外成像仪提供了定标参数用于辐亮度与DN值之间的转换,表达式为
(6)
其中Gain和Bias分别为增益系数和偏置系数,
对于一幅热红外遥感图像来说,其辐亮度可以表示为
(7)
其中,为飞机俯视面积,/>和/>分别为背景辐亮度和面积。由于在遥感图像用DN值来表征图像的辐射特性,因此根据公式(6),将公式(7)改写为
(8)
其中,为飞机对应的DN值,/>为背景对应的DN值。对于单个像元来说,其DN值同样由飞机目标与地面背景的DN值组成,表示为
(9)
其中,为单个像元响应的DN值,CR为红外图像中飞机对地面的遮挡比,即各像元中飞机面积所占像元面积的比例。因此在一个像元中飞机所占的面积,即飞机对像元所对应的地面范围形成遮挡的面积可表示为
(10)
其中表示一个像元所对应的地面范围的面积,热红外成像仪所获的红外图像分辨率为30m,因此一个像元对应的地面面积大致为30m×30m的方形区域。目前最大的民航飞机为空客A380,其长度为72.73m,翼展为79.15m,因此在红外图像中包含飞机主体的范围基本上包含在3×3的像元范围中。在包含飞机的红外图像区域内,DN值最低的像元被认为遮挡比最大。以该像元为中心,选取3×3的像元作为可能包含飞机的像素范围,同时选取以该像元为中心的7×7的像元范围,计算除飞机像元外其余像元的平均DN值,作为背景DN值,即/>,/>则由式(5)、(6)计算得到。对于每一个像元都进行相同的操作,得到每一个像元的遮挡比/>,i和j表示其在子图像块中的位置。
S3,遮挡面积的计算。
高空飞机的温度通常比地面背景低15K左右,遮挡比较高的像元与较低的像元在图像中表现出明显的DN值差异,因此对于含飞机的遥感子图像块,设定一个阈值ε,对于遮挡比小于ε的像元,其遮挡比值的主要是由背景噪声导致,因此将该像素点的遮挡比置为0,ε的值根据飞机成像模型对飞机在不同条件下的计算结果并对其进行统计得到。其余像元则视为有效像元,即其中包含了一定面积飞机的像元。因此,对于飞机整体的遮挡面积,表示为
(11)
S4.根据成像高度和角度校正飞机面积。
探测器所获取的图像是照射到的物体经光学系统的变换再经由探测器和对应电路系统而得到,因此成像物体在视场内所处的位置以及成像物体和热红外成像仪之间的距离有关,如图3所示。假设飞机的真实宽度为D,飞机飞行高度为h,卫星的飞行高度为H,飞机成像位置相对于星下点所形成的夹角为A,则探测器中在h高度上,与星下点夹角为A的位置飞行的飞机的宽度为
(12)
因此,飞机的实际俯视面积表示为
(13)
其中表示飞机真实面积与探测器中的飞机遮挡面积之比。
由于飞机相对于卫星探测器的幅宽很小,探测器的幅宽及卫星的飞行高度固定,经过统计,在探测器视场角范围内,η随角度的变化可忽略不计,与高度在0~12km的范围内的关系呈线性,可表示为
η=0.002h+1(14)
S5,根据飞机的俯视面积进行飞机识别。
根据步骤S4计算得到的飞机的俯视面积,大飞机与小飞机之间的俯视面积有明显的差距,民航飞机一般可分类为大型飞机、中型飞机、小型飞机(轻型机)三类,对于Airbus320系列、Boeing 737系列等中型飞机,其俯视面积通常在200~400m2之间,而对于一些较大型的宽体机,其俯视面积与中型飞机有明显的差异,例如Airbus 380系列最大可达1400m2,根据计算得到的飞机实际俯视面积,可对飞机在大小尺度上进行分类识别,具体分类方法如下:当>550 m2时,判定为大型飞机;当200 m2</>≤550 m2时,判定为中型飞机,当/><200 m2时,判定为小型飞机。
在热红外波段,飞机的辐射主要由机身与环境热交换以及飞机自身的气动加热提供,对太阳辐射的反射占比较少,因此热红外图像能够突破时间上的限制,实现全天候的飞机检测与识别。飞机目标表现出明显的红外辐射特性,这是可见光图像所不具有的优点,利用红外图像可以清晰准确地分辨和检测飞机,据此也建立了相应的红外图像高空飞机检测算法,从而获取了大量的数据,建立数据集用于训练和验证。此外,该方法不依赖高分辨率的图像所展现出的清晰的几何特征,而是基于高空飞机与背景辐射特性的差异,从物理性质角度实现热红外低分辨率图像飞机的识别,省去了神经网络等方法大量的训练时间和训练量,提高了运行效率。同时,卫星探测器能够提供多个波段的数据,能够进行互相验证,提高识别的准确率。综上,针对于飞机等高空飞行目标探测领域的应用,急需一种可靠的目标识别方法,突破传统方法的限制,在低分辨率条件的限制下能够对高空高速飞机进行有效的识别,以满足实际应用需求。
上述具体实施方式用来解释说明本发明,仅为本发明的优选实施例,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明做出的任何修改、等同替换、改进等,都落入本发明的保护范围。
Claims (3)
1.一种基于遮挡比的低分辨率热红外影像飞机识别方法,其特征在于:包括以下步骤:
S1, 获取包含飞机的所在区域红外遥感数据,包括红外遥感图像及其对应的地理信息,将红外遥感图像提取为包含飞机像素的大小为7×7像素的子图像块;
S2,计算遮挡比,利用飞机的热辐射特性和热红外探测器参数,计算子图像块区域内飞机及背景区域的入瞳辐亮度,以计算每个像元的遮挡比;
S3,计算遮挡面积,根据步骤S2中的遮挡比计算结果,将子图像块的像元区分为含飞机像素和纯背景像素,含飞机像素视为有效像元,并计算有效像元内飞机对地面背景的遮挡面积;
S4,计算飞机的俯视面积,根据步骤S3中的飞机整体的遮挡面积,通过成像的高度和角度进行校正,得到飞机的俯视面积;
S5,根据飞机俯视面积进行飞机大小尺度识别;
步骤S2中,计算子图像块区域内飞机及背景区域的入瞳辐亮度,需计算飞机的蒙皮辐亮度和飞机机身反射的环境辐射和大气路径辐射,
其中,飞机的蒙皮辐亮度为
(3)
其中,为飞机蒙皮的红外发射率,λ为波长,/>(/> ,λ)为光谱辐射出射度,/>( ,λ)通过下述算式获得,
(4)
其中,C1=3.743×10-6W·m2, C2=1.4387×10-2W·K ,为飞机蒙皮的平均温度,通过下述算式计算,
(1)
表示飞机所处环境的大气温度,通过下述算式计算,
(2)
其中,表示零海拔高度的温度,h表示飞机的飞行高度, η表示温度的垂直递减率,β为温度恢复系数,取0.82~0.84,γ为比热容比,取1.4,C为热平衡系数,/>为飞机的飞行速度,/>为太阳辐射导致的飞机表面温度变化,/>表示飞机机身反射的环境辐射,/>表示大气路径辐射,/>表示λ波长下的大气透过率,子图像块区域内飞机及背景区域的入瞳辐亮度,表示为
(5);
步骤S2中,对热红外遥感图像的子图像块区域,其入瞳辐亮度L用像素的DN值来表征,具体关系为
(6)
其中Gain和Bias分别为增益系数和偏置系数,子图像块的能量分布表示为
(8)
其中,为飞机对应的DN值,/>为背景对应的DN值,/>为飞机俯视面积,/>分别为背景面积;
对于单个像元来说,其DN值由飞机目标与地面背景的DN值组成,
(9)
其中为单个像元响应的DN值,CR为红外图像中飞机对地面的遮挡比,在包含飞机的红外图像区域内,DN值最低的像元判定为遮挡比最大,以该像元为中心,选取3×3的像元作为包含飞机的像素范围,同时选取以该像元为中心的7×7的像元范围,计算除飞机像元外其余像元的平均DN值,作为背景DN值,即/>,因此每个像元的遮挡比/>可表示为
其中,i表示其在子图像块中X轴的位置,j表示其在子图像块中Y轴的位置, />表示在(i,j)位置的单个像元的DN值;
步骤S3中,计算飞机整体的遮挡面积,表示为
(11)
其中,表示一个像元所对应的地面范围的面积,/>表示一个像元中飞机所占的面积,通过下述算式计算:
(10);
步骤S4中,飞机的俯视面积表示为
(13)
其中表示飞机真实面积与探测器中的飞机遮挡面积之比,其中,D为飞机的宽度,D´为探测器中在h高度上,与星下点夹角为A的位置飞行的飞机的宽度,其中D´通过下述算式计算:
(12)
其中,飞机飞行高度为h,卫星的飞行高度为H,飞机成像位置相对于星下点所形成的夹角为A;
根据步骤S4计算得到的飞机的俯视面积,对飞机在大小尺度上进行分类识别,具体分类方法如下:当>550 m2时,判定为大型飞机;当200 m2</>≤550 m2时,判定为中型飞机,当/><200 m2时,判定为小型飞机。
2.如权利要求1所述的基于遮挡比的低分辨率热红外影像飞机识别方法,其特征在于:步骤S1中,红外遥感图像对应的地理信息包括飞机的飞行高度和具体经纬度信息。
3.如权利要求2所述的基于遮挡比的低分辨率热红外影像飞机识别方法,其特征在于:步骤S1中,根据飞机的具体经纬度信息,从红外遥感图像中锁定包含飞机的区域,以该区域内像素灰度值最低点为中心,提取其邻域7×7像素范围的图像作为子图像块,用于对飞机及其背景像素进行计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410058082.9A CN117576362B (zh) | 2024-01-16 | 2024-01-16 | 一种基于遮挡比的低分辨率热红外影像飞机识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410058082.9A CN117576362B (zh) | 2024-01-16 | 2024-01-16 | 一种基于遮挡比的低分辨率热红外影像飞机识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117576362A CN117576362A (zh) | 2024-02-20 |
CN117576362B true CN117576362B (zh) | 2024-05-24 |
Family
ID=89892173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410058082.9A Active CN117576362B (zh) | 2024-01-16 | 2024-01-16 | 一种基于遮挡比的低分辨率热红外影像飞机识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117576362B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105607251A (zh) * | 2015-12-31 | 2016-05-25 | 南京华图信息技术有限公司 | 一种面向弱目标探测的多模态红外成像系统及方法 |
WO2018120443A1 (zh) * | 2016-12-31 | 2018-07-05 | 华中科技大学 | 一种点斑状目标姿态估计方法及系统 |
CN108364003A (zh) * | 2018-04-28 | 2018-08-03 | 国网河南省电力公司郑州供电公司 | 基于无人机可见光及红外图像融合的电力巡检方法及装置 |
CN111582237A (zh) * | 2020-05-28 | 2020-08-25 | 国家海洋信息中心 | 基于atsm模型的高分影像飞机类型识别方法 |
CN111815524A (zh) * | 2019-12-11 | 2020-10-23 | 长沙天仪空间科技研究院有限公司 | 一种辐射定标的校正系统和方法 |
CN113221603A (zh) * | 2020-02-05 | 2021-08-06 | 中国电信股份有限公司 | 一种检测监控设备被异物遮挡的方法及装置 |
CN113902663A (zh) * | 2021-10-11 | 2022-01-07 | 西北工业大学 | 一种自动适应天气的空中小目标动态红外仿真方法及装置 |
CN114255474A (zh) * | 2020-09-25 | 2022-03-29 | 上海舜瞳科技有限公司 | 一种基于多尺度、多粒度行人重识别方法 |
CN116188278A (zh) * | 2023-01-09 | 2023-05-30 | 国科大杭州高等研究院 | 一种高分辨率非制冷红外多光谱相机线上实时信息增强方法及其应用 |
CN116309777A (zh) * | 2022-12-07 | 2023-06-23 | 四川省建筑科学研究院有限公司 | 一种基于目标识别的塔机吊物高度估计方法与装置 |
CN117232659A (zh) * | 2023-11-14 | 2023-12-15 | 南京信息工程大学 | 一种基于无人机热红外遥感的地表温度反演方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7311287B2 (en) * | 2003-11-11 | 2007-12-25 | Supersonic Aerospace International, Llc | Methods for incorporating area ruled surfaces in a supersonic aircraft |
-
2024
- 2024-01-16 CN CN202410058082.9A patent/CN117576362B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105607251A (zh) * | 2015-12-31 | 2016-05-25 | 南京华图信息技术有限公司 | 一种面向弱目标探测的多模态红外成像系统及方法 |
WO2018120443A1 (zh) * | 2016-12-31 | 2018-07-05 | 华中科技大学 | 一种点斑状目标姿态估计方法及系统 |
CN108364003A (zh) * | 2018-04-28 | 2018-08-03 | 国网河南省电力公司郑州供电公司 | 基于无人机可见光及红外图像融合的电力巡检方法及装置 |
CN111815524A (zh) * | 2019-12-11 | 2020-10-23 | 长沙天仪空间科技研究院有限公司 | 一种辐射定标的校正系统和方法 |
CN113221603A (zh) * | 2020-02-05 | 2021-08-06 | 中国电信股份有限公司 | 一种检测监控设备被异物遮挡的方法及装置 |
CN111582237A (zh) * | 2020-05-28 | 2020-08-25 | 国家海洋信息中心 | 基于atsm模型的高分影像飞机类型识别方法 |
CN114255474A (zh) * | 2020-09-25 | 2022-03-29 | 上海舜瞳科技有限公司 | 一种基于多尺度、多粒度行人重识别方法 |
CN113902663A (zh) * | 2021-10-11 | 2022-01-07 | 西北工业大学 | 一种自动适应天气的空中小目标动态红外仿真方法及装置 |
CN116309777A (zh) * | 2022-12-07 | 2023-06-23 | 四川省建筑科学研究院有限公司 | 一种基于目标识别的塔机吊物高度估计方法与装置 |
CN116188278A (zh) * | 2023-01-09 | 2023-05-30 | 国科大杭州高等研究院 | 一种高分辨率非制冷红外多光谱相机线上实时信息增强方法及其应用 |
CN117232659A (zh) * | 2023-11-14 | 2023-12-15 | 南京信息工程大学 | 一种基于无人机热红外遥感的地表温度反演方法 |
Non-Patent Citations (3)
Title |
---|
On-orbit monitoring flying aircraft day and night based on SDGSAT-1 thermal infrared dataset;Li, Liyuan等;web of science;20231031;全文 * |
基于红外测量图像的高速飞行目标等效辐射温度计算方法;禄晓飞;盛捷;赵慧;;红外技术;20151130(11期);全文 * |
基于长波红外的高空飞机蒙皮辐射测量方法研究;马骏;红外技术;20210331;第43卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117576362A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tapakis et al. | Equipment and methodologies for cloud detection and classification: A review | |
CN104502999B (zh) | 一种基于静止卫星多通道数据的昼夜云检测方法与装置 | |
CN108132220B (zh) | 林区机载推扫式高光谱影像的brdf归一化校正方法 | |
CN108267175B (zh) | 一种基于无人机的农作物监测方法和装置 | |
CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
CN113324656B (zh) | 无人机搭载红外遥感的地表热异常探测方法及系统 | |
CN113537018A (zh) | 基于多时相卫星遥感和无人机技术的水土保持监测方法 | |
CN109919250B (zh) | 考虑土壤水分的蒸散发时空特征融合方法及装置 | |
CN113447137B (zh) | 一种面向无人机宽波段热像仪的地表温度反演方法 | |
CN104966298A (zh) | 一种基于微光云图数据的夜间低云大雾监测方法 | |
CN115507959A (zh) | 一种用于目标检测的红外辐射特性分析方法 | |
CN110689505B (zh) | 一种基于场景的星载遥感仪器自适应校正方法和系统 | |
CN108898070A (zh) | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 | |
Jia et al. | UAV remote sensing image mosaic and its application in agriculture | |
CN115240089A (zh) | 一种航空遥感图像的车辆检测方法 | |
Li et al. | On-orbit monitoring flying aircraft day and night based on SDGSAT-1 thermal infrared dataset | |
CN107576399B (zh) | 面向modis林火探测的亮温预测方法和系统 | |
Zhang et al. | A Back Propagation Neural Network-Based Radiometric Correction Method (BPNNRCM) for UAV Multispectral Image | |
CN103743488A (zh) | 遥感卫星地球临边背景特性的红外成像仿真方法 | |
CN117576362B (zh) | 一种基于遮挡比的低分辨率热红外影像飞机识别方法 | |
Hawkinson et al. | A comparison of GOES sounder–and cloud lidar-and radar-retrieved cloud-top heights | |
Li et al. | Prediction of wheat gains with imagery from four-rotor UAV | |
CN115861136B (zh) | 一种基于航空遥感系统的影像分辨率重建方法 | |
CN112462392B (zh) | 一种基于天基多谱段数据的空天高温目标高度反演方法 | |
Wang et al. | Framework to create cloud-free remote sensing data using passenger aircraft as the platform |
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 |