本发明专利技术公开了一种知识约束的公路车辆红外图像气动光学效应校正方法，该方法先建立车辆模板和多尺度公路模板，再使用多尺度公路模板提取高超声速条件下实时模糊图像中的公路区域；利用HU矩约束的最大似然估计算法校正气动光学效应图像中的公路区域，得到公路区域校正图像；使用车辆模板在公路区域校正图像中匹配车辆区域位置，得到所要提取的车辆区域；利用HU矩约束的最大似然估计算法校正车辆区域，得到车辆区域校正图像。本发明专利技术是由粗到细递推的处理，达到可感兴趣区准确校正，可大幅提高校正算法效率和精度，满足高超声速飞行器光学成像探测技术发展的需求。本发明专利技术可大幅提高校正算法效率，适应高超飞行器导航、制导和遥感的需要。
【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种知识约束的公路车辆红外图像气动光学效应校正方法，该方法先建立车辆模板和多尺度公路模板，再使用多尺度公路模板提取高超声速条件下实时模糊图像中的公路区域；利用HU矩约束的最大似然估计算法校正气动光学效应图像中的公路区域，得到公路区域校正图像；使用车辆模板在公路区域校正图像中匹配车辆区域位置，得到所要提取的车辆区域；利用HU矩约束的最大似然估计算法校正车辆区域，得到车辆区域校正图像。本专利技术是由粗到细递推的处理，达到可感兴趣区准确校正，可大幅提高校正算法效率和精度，满足高超声速飞行器光学成像探测技术发展的需求。本专利技术可大幅提高校正算法效率，适应高超飞行器导航、制导和遥感的需要。【专利说明】
本专利技术属于航天技术与图像处理相结合的交叉科学
，具体涉及一种知识约束的公路车辆目标图像气动光学效应图像校正方法。
技术介绍
高超音速飞行器遥感、探测、导航和制导是二十一世纪航空航天事业发展的一个重要领域，在未来的高科技和国民经济发展中具有重要的科学意义和应用价值。以高超音速飞行器为平台的遥感、探测、导航和制导面临气动光学效应的挑战。气动光学是研究高速绕流对高速飞行器成像探测的影响的一门学科。带有光学成像探测系统的高速飞行器在大气层内飞行时，光学头罩与来流之间形成复杂的流场，对光学成像探测系统造成除热辐射外的光学波前传输畸变或传输干扰，引起被观测对象图像的偏移、抖动、模糊，这种效应就称为气动光学传输效应。这种效应降低了成像探测系统的效能，导致遥感、探测、导航和制导功能的丧失。因此需要专利技术新的数字处理技术，改善和恢复成像的品质，这就是图像恢复和校正。飞行器的高超声速飞行以及成像系统的高帧频特性，对于校正和识别算法的运算效率和性能提出了更高的要求。盲反卷积算法多是针对全图进行处理，不仅对于非目标区域的校正浪费了很多时间，影响算法的实时性，而且非目标区间特性(如平滑性等)会最终影响到目标区域校正。而知识约束的图像校正方法用图像中提取的知识约束来指导图像校正，对于目标区域(公路、车辆)精校正，而对于非目标区域粗校正，由粗到细递推的处理，达到可疑目标区域(感兴趣区)实时、准确校正，可大幅提高校正算法效率和精度。
技术实现思路
本专利技术提出了一种知识约束的公路车辆红外图像气动光学效应校正方法，通过在公路车辆目标光学图像中获取感兴趣区域(公路、车辆)的空间关系，以此空间关系作为知识约束在气动光学效应图像中提取公路区域，气动光学效应校正算法对公路区域精校正，对非公路区域粗校正，粗精结合的处理方法可大幅提高校正算法效率，适应高超飞行器导航、制导和遥感的需要。本专利技术提供的一种知识约束的公路车辆红外图像气动光学效应校正方法，该方法基于知识约束即车辆-公路空间约束关系实现，该约束关系用集合表示为:F C= i? C= J，其中，集合V表示车辆，集合V中的元素Vi表示第i类车辆，集合R表示公路，集合I表示图像；该方法的具体实现过程为:(A)建立车辆模板和多尺度公路模板:多尺度公路模板C:公路模板C为全I矩阵，其尺寸为SXT，S表示公路宽度，T表示公路长度，且S < T ;对于远距离的公路目标，选用小尺度模板，I ≤ 3, 3S ;对于近距离拍摄公路车辆目标时，选用大尺度模板，5 < S < 9，T≤3S ;建立车辆模板B:车辆模板B为全I矩阵，其尺寸为SvX Tv，Sv表示车辆宽度，Tv表示车辆长度，且Sv < Tv ;(B)高超条件下的实时图像校正:(BI)使用多尺度公路模板提取高超声速条件下实时模糊图像I中的公路区域g(x，y)； (B2)利用HU矩约束的最大似然估计算法校正气动光学效应图像I中的公路区域g(x，y)，得到公路区域校正图像/?+1(υ);(B3)使用车辆模板B在公路区域校正图像^1(Xj)中匹配车辆区域位置，得到在公路区域内最大相关系数所对应的位置为所要提取的车辆区域gv(X，y)；(B4)利用HU矩约束的最大似然估计算法校正公路区域校正图像/?+1(χ，>0中的车辆区域gv(X，y)，得到车辆区域校正图像/；；+10，>0。当所探测的目标为空中/地面小目标时，实际目标在图像中所占的幅面比例非常小，盲反卷积算法多是针对全图进行处理，不仅对于非目标区域的校正浪费了很多时间，影响算法的实时性，而且非目标区间特性(如平滑性等)会影响目标区域校正。本专利技术的特点是由粗到细递推的处理，达到可感兴趣区(公路、车辆)准确校正，可大幅提高校正算法效率和精度，满足高超声速飞行器光学成像探测技术发展的需求。【专利附图】【附图说明】图1为地面知识准备与知识约束的校正算法处理流程图；图2为飞行高度2.5km的公路目标图像；图3为飞行高度1.8km的公路车辆目标图像(图2中白色虚线框内区域)；图4为飞行高度3km公路车辆目标气动光学效应退化图像；图5为飞行高度2.5km公路车辆目标气动光学效应退化图像；图6为用模板匹配提取图5中的公路区域(白色实线框)以及车辆区域(白色虚线框)；图7为校正算法对图6中的公路区域校正后的图像；图8为校正算法对图7中的车辆区域校正后的图像。【具体实施方式】下面结合附图对本专利技术的【具体实施方式】作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本专利技术，但并不构成对本专利技术的限定。此外，下面所描述的本专利技术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。本专利技术建立了公路车辆目标光学图像的知识约束，提出了一种知识约束的公路车辆红外图像气动光学效应校正方法，包括车辆-公路空间关系的建立、地面知识准备以及实时图像的气动光学效应校正三个过程。下面分别说明三个过程所包括的具体步骤:(I)车辆-公路空间约束关系的建立利用图像中的车辆-公路空间约束关系，提取图像中的公路、车辆区域；校正算法对于公路、车辆区域进行精确校正，而对于非公路区域(背景区域)进行粗校正，这种粗精结合的处理方法可满足高超飞行器遥感、探测、导航和制导的需要。知识约束即车辆-公路空间约束关系可用集合表示为:V (zRcI 上式中集合V表示车辆，集合V中的元素Vi表示第i类车辆；集合R表示公路；集合I表示图像。(2)地面知识准备地面知识准备阶段主要是建立公路和车辆模板。该阶段主要包括以下过程:(2.1)多尺度公路模板的建立建立多尺度公路模板C。公路模板C为全I矩阵，其尺寸为SX T，S表示公路宽度，T表示公路长度，且S < T ;对于远距离(飞行高度大于3km)的公路目标，选用小尺度模板，I < S < 3，T≤3S ;对于近距离(飞行高度小于3km)拍摄公路车辆目标时，选用大尺度模板，5≤S≤9，T≤3S。(2.2)车辆模板的建立建立车辆模板B。车辆模板B为全I矩阵，其尺寸为SvX Tv，Sv表示车辆宽度，Tv表示车辆长度，且Sv < Τν，由于车辆目标为小目标，故Sv=3，Tv=9。(3)高超条件下的实时图像校正在高超声速条件下，实时图像受到气动光学传输效应的严重影响，利用所建立的知识约束，指导高超条件下的实时模糊图像校正，具体步骤如下:(3.1)多尺度公路模板匹配使用多尺度公路模板提取高超声速条件下实时模糊图像I中的公路区域；本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：张天序，刘立，何力，王正，周钢，戴小兵，姚守悝，凡速飞，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。