红外图像

红外图像（通用9篇）

红外图像 篇1

采用红外探测器的红外制导空空导弹、红外告警系统等武器系统,其探测距离不仅与目标的辐射强度有关,而且与所处的天空背景环境密切相关。对于同一目标而言,在不同的天空背景下,其探测距离可能不同。为了更好地研究天空背景对红外探测器探测距离的影响,需要不同天候的天空背景红外图像,由于天候环境非常复杂,并且对于不同高度、不同距离,用红外探测器拍摄的图像都不同,且工作量大,成本太高,最好通过仿真的方式获取该分布图像。

以往对天空背景的研究大多建立的仅仅是云雨气溶胶的模型,把天空背景模型和探测器模型分别单独研究,没有考虑探测器看到的天空背景情况,建立准确有效的从天空背景到探测器焦平面辐射传输模型[1—5],而影响天空背景辐射的因素有很多,要生成探测器接收到的背景红外辐射功率分布图像,就需要对天空背景各影响因素做全面深入的分析,建立准确的背景辐射到探测器光学系统焦平面的辐射能量传输模型,以生成探测器焦平面上天空背景红外图像。

本文以MODTRAN为基础,根据红外辐射传输能量守恒定律,并考虑光学系统透过率及探测器响应等因素建立了准确的背景辐射到探测器光学系统焦平面的辐射能量传输模型,最后编写了仿真软件,生成不同天候下探测器焦平面上的天空背景红外图像,并对其进行了分析评估。

1图像生成原理

天空背景红外图像生成方法如图1所示,在导引头垂直视场中选择若干典型点,利用MODTRAN计算每个点对应角度入射到导引头上的大气背景辐射亮度值,然后对每个角度计算的大气背景辐射亮度进行积分,利用插值的方法得到垂直方向每一个像素对应的大气辐射亮度值。由于空空导弹导引头视场较小,可认为水平方位具有较高一致性。因此认为同一俯仰角,不同方位角的辐射亮度相同,从而获得最终天空背景图像。

2 天空背景红外图像仿真建模方法

2.1 天空背景辐射计算

影响天空背景辐射的因素有太阳天顶角、观察高度、温度、地面材质、海拔高度、气溶胶云、雨、风速、太阳方位角、区域性差异,不同天数、不同时间等[6]。

MODTRAN软件把天空背景辐射分为路径热辐射、热散射、表面辐射、太阳散射、单一散射、总的地面反射、直接地面反射、反射太阳的辐射几部分。

对天空背景辐射测定计算,分两种情况。首先是同一模型下,对0～93°天顶角范围内的一年里天数、区域、时间、方位角、海拔高度各个考察,如对时间、方位角进行测定计算,需在同一地点、同一海拔高度、观测高度、气溶胶条件下对当天不同时刻以及不同太阳方位角进行测量计算,方位角的测定方法可通过角度仪测定(下同);其次在93°～180°天顶角范围考察除以上各因素外的边界层温度和地面背景两参数,如图2、图3所示,均以中纬度夏季模型为例考察天空背景的辐射散射,计算路径为倾斜至太空,执行在观察者位置的多重散射。温度、压力、水汽、臭氧、甲烷、一氧化碳等气体都采用中纬度夏季模型里的默认参数,二氧化碳混合比为365×10-6 U(ppmV),能见度为50 km。积云气溶胶,观测高度6 km。其光谱响应范围为8～14 μm,天数为第200 d,时间12:00,方位角为180°,经纬度以39°N98°E为例,在93°～180°天顶角范围时,边界层温度为300 K,地表反照材质为沙漠,考察的天顶角为80°和120°。

从图2、图3中可以看出,当大气模型确定以后,天顶角在0°～93°范围内,天空背景辐射主要跟路径热辐射有关,其它因素对总辐射影响较小;在93°～180°范围内,对天空背景辐射起主要影响的是路径上的热辐射和表面辐射,其它因素影响较小。在0°～93°天顶角范围内,天空背景辐射主要考察的是大气分子的辐射散射,而在93°～180°天顶角内,由于会看到部分的地面背景,所以地表温度和地面材质就会影响路径上的热辐射。

图4、图5是对影响天空背景辐射的天顶角、天数、区域、时间、方位角等因素各个考察时的辐射曲线。从中可以看出,天顶角的变化对天空背景辐射影响最大,其它影响因素影响较小。这主要因为不同天数、区域、观测时间以及不同太阳方位角在MODTRAN里影响的主要是表面辐射、热散射、太阳散射,单一散射,总的地面反射、直接地面反射、反射太阳辐射、在观察者处的太阳辐射,而这些参数对天空背景辐射影响较小。

当考察不同模型时的天空背景辐射时,以中纬度夏、冬两季积云天空为例进行研究,表1为中纬度夏、冬两季80°天顶角典型波段的总辐射值对比表,观察波段为8～14 μm的典型值,对应不同有积云的季节,其辐射值单位为W/(cm2·str·micr·10-4)。可见不同季节在有云情况下对背景辐射也会引起较大变化。

2.2 天空背景辐射影响因素分析结果

综上所述,在0～93°,影响天空背景辐射的主要因素就是路径热辐射,而天顶角的变化是影响路径热辐射的主要原因;在93～180°,路径热辐射和表面辐射一起成为影响天空背景辐射的主要因素,而边界层温度和地表反照率以及天顶角是影响路径热辐射和表面辐射的,所以此时主要考虑这三方面因素的影响;其它因素在上述情况中之所以表现得不太明显,主要是跟MODTRAN软件的建模方法有关,它做不到完全细致的对天空背景辐射的模拟计算。

当大气模型发生变化时,也会对总辐射造成较大影响,这主要是季节变化会引起大气温度整体变化,从而影响大气分子、微粒的辐射散射特性。

2.3 天空背景辐射传输建模方法

上一节为我们提供了如何利用MODTRAN软件准确计算天空背景辐射亮度的思路和方法,要生成导引头所观察到的天空背景红外辐射图像,需要把MODTRAN计算的不同天顶角天空背景辐射亮度转化成辐射功率,通过插值计算,利用水平方向上辐射亮度的一致性,最终生成天空背景红外图像。

天空背景经过光学系统后得出的辐射亮度在实际应用中很重要。天空背景通过透射系统所形成的像的辐射亮度,可以从基本辐射亮度守恒定理得出,但由于可能存在相差,因此会引入某些微小差别[7]。如图6所示,天空背景发出的红外辐射 经过大气及导引头光学系统,最终传到探测器。对于天空背景辐射,设其辐射亮度为L,辐射功率为P1,由于它距光学系统的距离很远,故可认为其到达光学系统AB的辐射光线是平行的,且与光学系统AB水平轴的夹角为θ,光学系统接收到的辐射功率为P12,辐射亮度为L2, 像平面A3接收到的辐射功率为P23,辐射亮度为L3。

如果忽略空气和光学系统对红外辐射的吸收和散射影响,则由能量守恒定律可知,天空背景辐射功率P1(λ)、光学系统接收到的功率P12(λ)和像平面接收到的功率P23(λ),这三者相等,即

P1(λ)=P12(λ)=P23(λ) (1)

如果考虑光学系统的透过率为τ0,则

P23(λ)=P12(λ)τ0=P1(λ)τ0 (2)

根据互易定理,像面源A3的辐射亮度为L3,则

P2→3=P3→2 (3)

即光学系统与接收面A3之间相互传递的辐射功率相等。而接收面A3向光学系统发射的辐射功率为

P3→2=∫ΩL3A3cosθdΩ (4)

立体角元dΩ=sinθ0dθ0dφ,则(4)式可写成

P3→2=∫${}_0^{2\text{π}}$dφ∫${}_0^{\text{θ}{}_0}$L3A3sinθcosθdθ=πL3A3sin2θ0 (5)

设轴外像点A′3与探测器光学系统之间的距离为d,d与光轴夹角为θ,且光学系统孔径为D,焦距为f,则面积A2=πD2/4。处于焦平面的探测源面积A3=a×b,其中a和b为探测元的长、宽。由于

$\sin {}^2\theta {}_0=\left(\frac{D/2}{f}\right){}^2=\frac{1}{4}\left(\frac{D}{f}\right){}^2(6)$

又因为出射光瞳可以认为是朗伯辐射面,所以轴外像点的辐射强度为

I′3=I3cosθ (7)

式(7)中I0为出射光瞳沿轴方向的辐射强度。

假定出射光瞳的直径和出射光瞳离开像平面的距离比较是很小的,则

$E^{\prime }{}_{A^{\prime }{}_3}=\frac{{{\rm I}}^{\prime }{}_3}{d{}^2}\cos \theta (8)$

d与焦距f的关系为

$d=\frac{f}{\cos \theta }(9)$

轴外像点的辐射照度与轴上像点辐射照度关系为

E′3=E3cos4θ (10)

则轴外像点的辐射功率为

${\rm P}{}_{23}=\frac{\pi }{4}L(\lambda )a\cdot b\cdot \left(\frac{D}{f}\right){}^2\cos {}^4\theta (11)$

如果考虑光学系统的透过率为τ0,则

${\rm P}{}_{23}=\frac{\text{π}}{4}\tau {}_a(\lambda )\tau {}_{0}L(\lambda )ab\left(\frac{D}{f}\right){}^2\cos {}^4\theta (12)$

L(λ)是天空背景的辐射亮度。

对于不同的红外探测器而言,其响应频率R也是波长的函数,再考虑响应率的影响,在某一波长范围(λ1,λ2)内,探测器接收到的总功率为

$\begin{array}{l}{\rm P}={\displaystyle {\int }_{\lambda {}_1}^{\lambda {}_2}{\rm P}}{}_{23}(\lambda )R(\lambda )\text{d}\lambda ={\displaystyle {\int }_{\lambda {}_1}^{\lambda {}_2}\frac{\text{π}}{4}}\tau {}_{0}R(\lambda )L(\lambda )ab\times \\ \left(\frac{D}{f}\right){}^2\cos {}^4\theta \text{d}\lambda (13)\end{array}$

3 仿真结果

本文采用中纬度夏季模型,温度、压力、水汽、臭氧、甲烷、一氧化碳等气体都采用MODTRAN对应大气模型里的默认参数,二氧化碳混合比为365×10-6 mV(ppmV);能见度为50 km;其光谱响应范围为8～14 μm;所生成的灰度等级为256,图像大小为256×256。

3.1 中纬度夏季不同天候天空背景红外图像

图7为中纬度夏季在不同天候下的天空背景红外图像仿真,天顶角变化范围45°～93°,观测高度为6 km,括号内为其辐射亮度的数量级。

3.2 中纬度不同季节天空背景红外图像

图8为中纬度夏季和中纬度冬季在有积云时的天空背景红外图像仿真结果,天顶角变化范围在45°～93°,观测高度为6 km,辐射亮度的数量级均为10-4。

3.3 仿真图像与实际图像的比对

图9为中纬度夏季晴空条件下仿真图像与红外热像仪拍摄的实际图像,由于这两幅图直观差异不明显,故给出这两个图像随天顶角变化时辐射亮度、灰度趋势,如图10。由于图10(a)没有考虑探测器因素,所以曲线比较光滑,对比可以看出,仿真图像与实际图像具有很高的一致性。

4 结论

本文通过MODTRAN软件对天空背景辐射的各个影响因素进行分析计算,建立了背景辐射到探测器光学系统焦平面的辐射能量传输模型,给出了天空背景在焦平面上的辐射功率计算方法,生成探测器接收到的背景红外辐射功率分布图像,仿真结果与红外热像仪拍摄的天空背景图像变化趋势有较高的一致性,初步表明建模方法的正确性。

参考文献

[1]朱安宏.基于OpenGL的3D天空仿真.计算机应用.2007;12.82—84

[2]霍娟,吕达仁.晴空与有云大气辐射分布的数值模拟及其对全天空图像云识别的应用.气象学报,2006;64(1):32—37

[3]桑农,刘畅,吴家伟.云背景红外天空图像的统计模型与仿真.华中科技大学学报(自然科学版),2005;33(11):5—8

[4]孙毅义,董浩,毕朝辉,等.大气辐射传输模型的比较研究.强激光与粒子束,2004;15(3):75—81

[5]吴健,杨春平.“天空背景光谱辐射建模及仿真”技术总结报告.四川成都大学学报,2006;8(4):101—107

[6] PC-ModWin Manua1.Ontar Corporation,North Andover.Ma 1845,USA,May.1995

[7]张建奇,方小平.红外物理.西安:西安电子科技大学出版社,2004

红外图像 篇2

为了更加逼真地模拟红外目标及战场背景,基于图像生成及显示计算机、硅桥MOS电阻面阵控制计算机系统、128×128 MOS电阻阵列及电源、实时通讯反射内存网络(反射内存卡及光纤)、目标及背景红外图像实时生成软件和MOS电阻面阵控制软件等6部分组成了某红外图像实时生成系统;该系统采用的高速光纤反射内存实时通讯网络、超大规模D/A控制板等使得帧刷新频率达到了200 Hz以上、长线传输不受环境电磁干扰、更易于向256×256MOS电阻阵列扩展等,同时保证了在五轴转台的恶劣环境下可靠工作.

作 者：张安京 王仕成 张金生 刘志国 高智杰 韩连洋 ZHANG An-jing WANG Shi-cheng ZHANG Jin-sheng LIU Zhi-guo GAO Zhi-jie HAN Lian-yang 作者单位：张安京,王仕成,张金生,刘志国,ZHANG An-jing,WANG Shi-cheng,ZHANG Jin-sheng,LIU Zhi-guo(第二炮兵工程学院301教研室,西安,710025)

高智杰,GAO Zhi-jie(北京市清河大楼,北京,100085)

韩连洋,HAN Lian-yang(第二炮兵驻十院军事代表室,北京,100854)

红外图像 篇3

多波段图像融合可以有效综合各个波段图像中包含的特征信息。针对可见光和红外图像，提出了一种结合红外图像视觉显著性提取的双波段图像融合方法，一方面旨在凸显红外图像的目标信息，另一方面又尽可能的保留了可见光图像的丰富细节信息。首先，在局部窗口内实现红外图像的显著性图提取，并通过窗口尺寸的变化形成多尺度的显著性图，并对这些显著性图进行最大值的优选叠加，以获取能反映整幅红外图像各个尺寸目标的显著性图；其次，通过结合显著性图与红外图实现显著性图的加权增强；最后，利用增强的红外显著性图进行双波段图像的融合。通过两组对比实验，数据表明该方法给出的融合图像视觉效果好，运算速度快，客观评价值优于对比的7种融合方法。

关键词：

图像融合； 红外图像增强； 视觉显著性

中图分类号： TN 911.73文献标志码： Adoi： 10.3969/j.issn.1005-5630.2016.04.005

Abstract：

Dual-band image fusion is able to well synthesize the feature information from the different bands.To fuse visible and infrared images，in this paper，an infrared image visual saliency detection-based approach was proposed.This method aimed to highlight the target information from infrared image，meanwhile preserve abundant detail information from visible one as much as possible.Firstly，visual saliency map was extracted within a local window，and multiple window-based saliency maps could be obtained by changing the size of local window.And the final saliency map was generated by selecting maximum value，and this map could mirror all target information in the infrared image.Secondly，the saliency map was enhanced by combining infrared image and the previous saliency map.Finally，the enhanced saliency map was used for dual-band image fusion.Comparing with other seven methods，the experimental results demonstrate that the proposed approach could rapidly produce fused image with good visual effect，and the objective evaluation is better.

Keywords：

image fusion； infrared image； visual saliency

引言

图像融合旨在将不同图像的信息进行综合，以便进一步的理解和处理。20世纪90年代以来，图像融合技术在军事探测、医疗成像、图像水印等方面都有着广泛的应用[1]。通常情况下，红外传感器检测到发热的区域一般是人们关注的目标物体，但其保持图像细节的能力较差，而可见光图像则包含丰富的细节信息，因而两者互补可以有效综合信息。

较为常用图像融合方法是基于多尺度分解的思路，包括拉普拉斯金字塔变换（LP）[2]、双树复小波变换（DTCWT）[3]、非下采样轮廓波变换（NSCT）[4]、Curvelet变换[5]等方法。这些方法需要进行上采样和下采样，使得图像中的细节容易被平滑。NSCT具有多尺度、多方向选择性、多分辨率分析和平移不变性的特点。但变换过程中各部分的系数选择仍是一个问题，计算速度也相对较慢。

随着神经科学、心理学等学科的发展，在研究人类视觉机制的过程中视觉显著性和视觉注意的概念被提出。观察者能够利用视网膜中央凹的高分辨率感知机构，主动地探索环境中的重要视觉信息[6]，即人眼视觉系统（human visual system，HVS）。视觉显著性反映的是视觉系统从场景中提取一系列视觉信息的能力，其能够像滤波器一样选择感兴趣的信息。由于视觉显著性的提取能够自动化地代替人眼视觉系统快速准确的搜索到场景中的显著目标，其产生的显著性图能够反映人眼视觉系统对不同场景的关注程度，这些都使得视觉显著性的研究具有广阔的应用前景。

在上述研究的基础上，国内外科研人员提出了利用视觉显著性进行图像融合的方法。华中科技大学的陈艳菲等人通过在红外图像和可见光图像中分别提取视觉显著性的方法对双通道图像进行融合，取得了优于传统图像融合方法的结果[7]。浙江大学的研究人员也结合视觉显著性与NSCT进行图像融合[8]，也取得了较好的成果。

受到上述方法启发，本文提出了中心周围像素差异计算局部显著性图，并变化局部窗口尺寸以实现图像的不重叠的显著性提取，能够有效的凸显不同尺寸目标的信息；在进一步增强显著性图的基础上，实现了基于显著性图的红外与可见光图像的融合。通过实验结果的对比分析，本文方法融合效果好，计算速度快。

nlc202309090229

1视觉显著性图提取

对于图像，通常以视觉显著性图来量化表示关注程度的不同，该图的值分布在[0，1]之间，值越大表明人眼越关注该区域。当前，主要利用计算机算法模拟人眼来产生视觉显著性图。因为中心周围像素差异越大的区域，人眼关注的程度越高，所以引入局部窗口概念，使用该思路计算局部显著性图。

对于某一幅图像P，设它对应的显著性图为Sal_P。那么，取一个以（x0，y0）为中心像素，大小为i×j的矩形区域，定义（x0，y0）处的像素值为P（x0，y0），显著性值为Sal_P（x0，y0），计算式为

式中：Mean（ij）为该区域内所有点的像素平均值，该窗口i×j的位置在图像中是任意的，那么将窗口在整幅图像内逐个像素滑动，如图1所示，最终获得与原图P等尺寸的的显著性图Sal_P。局部窗口的尺寸对应于图像中同等尺寸的目标尺寸，取多个尺寸不同窗口可以覆盖不同尺寸的目标。因此通过选择窗口尺寸以重复获得不同结果的显著性图，再将各显著性图叠加并归一化处理以保证显著性图的准确性，也能辅助实现各窗口边缘处平滑过渡。

可见光图像（VI）往往拥有丰富的细节成分，红外图像（IR）则凸显热辐射强的区域，但对其他区域的细节保留较差。如果融合时红外图像的低热辐射区域参与融合，会引入冗余信息导致可见光图的部分细节信息丢失，融合效果较差，因此需要抑制低热辐射区域的显著性，增强高热辐射区域显著性。对于显著性图及红外图像中同坐标的任意一点（x，y）有

式中：S_IRmap为通过节1所述方法获得的红外图像显著性图，IR为红外图像，F_IRmap为经过增强后的红外图像显著性图。通过显著性图与红外图像相乘能够有效的抑制低热辐射区域的显著性。同时为了增强保留的显著性区域，用图2所示的对数变换模型对显著性图进行灰度拉伸。

2.2显著性融合

在本文方法中，根据红外图像的显著性进行融合，可以有效地避免红外图像中冗余信息的引入。红外图像的显著性图遵循以下融合规则

式中：Ffusion为融合结果，IR为红外图像，其中每个点的融合权重值为F_IRmap中对应点显著性值，VI为可见光图像，其对应点权重值为（1-Ffusion）。实验证明按权重融合能够有效地将红外图像中显著性区域融合到可见光图像中，同时尽可能多的保留可见光图的细节信息，使可见光图像信息不被破坏的同时凸显出红外图像的信息。按权重进行融合计算，过程简单、计算量小，能够有效地减少运算时间。

3实验与分析

本文实验采用的图像来自国际通用数据库，两组图像如图3所示，图3（a）与（b）为测试图像1的红外图与可见光图，像素尺寸为320×250；图3（c）与（d）为测试图像2的红外与可见光图，像素尺寸为320×320。

在最终的实验对比中，窗口尺寸选择的规则如下。本文分别选用与原图大小相等的窗口，长、宽各为原图1/2大小的窗口，长、宽各为原图1/5大小的窗口。基本可以保证显著性图的准确性，且窗口边缘过度也较为平滑。

本文中使用的对比方法为现在较常见的一些方法，其中包括拉普拉斯金字塔变换（LP）[2]、低通滤波金字塔变换（RP）[9]、离散小波变换（DWT）[10]、双树复小波变换（DTCWT）[3]、非下采样轮廓波变换（NSCT）[4]、Curvelet变换[5]、平均融合（Average）。为便于比较将基于视觉显著性的算法简称为SF。

所有运算均在同一台电脑上运行，配置1.6 GHz四核CPU，6 GB运行内存，使用MATLAB 2012b。

3.1融合效果评价

采用3种无参考质量评价方法对融合图像进行质量评价，作为主观评价的对应参考，这3种无参考的评价方式分别是信息熵，标准差与空间频率。信息熵是反映一幅图像信息量大小的量，信息熵越大表明信息量越大，相对图像质量也就越好。标准差是反映图像对比度的量，标准差越大表示图像对比越明显，图像也就更清晰。空间频率是反映一幅图像的活跃程度，空间频率越大表示图像越活跃，图像融合质量也相对较好。

3.2融合结果与分析

各算法融合结果如图4与图5所示。从主观上观察，SF即本文方法给出融合图像视觉效果最佳，保留了较多的原始图像的信息，视觉对比也最好。

本文采用了信息熵，标准差与空间频率三个融合评价的指标，此外，运算时间也是衡量一个算法优劣的重要指标，运算时间越短则运算效率越高，算法越好。

客观评价数据如表1与表2所示。根据两组客观评价数据的对比，本文所采用的方法融合结果的3个客观评价指标更佳，证明其在信息量、清晰度以及空间频率等指标方面优于其他算法。在对比数据中，发现低通滤波金字塔（RP）的空间频率值也比较大，仅次于SF方法；综合融合结果图以及空间频率的数学概念分析，这个评价值较高的原因在于低通滤波算法无法剔除高通噪声，造成融合结果空间频率值较大。此外，从运行时间上进行对比，发现本文算法也具有明显优势，仅次于最简单的平均融合方法。

4结论

本文根据红外图像与可见光图的特点，提出一种针对红外图像视觉显著性区域的双波段图像融合算法。利用人类视觉系统的注意机制提取红外图像的显著性图，再经过增强等处理将显著性图作为可见光图与红外图像融合的权值，对可见光图与红外图进行加权融合。根据实验对比分析，本文所采用算法能够有效的保留可见光图像的细节成分、融合红外图像的显著性区域同时抑制红外图像冗余信息的引入。结果表明，本文方法能够使融合图像具有较好的视觉效果，客观评价值高，运算速度快。在接下来的工作中，需要对该算法作进一步的改进优化，以适应不同的场景需求，并进一步实现硬件化。

参考文献：

[1]李茜，郭佳，郭小云.基于边缘检测小波变换的红外与可见光图像融合方法[J].光学仪器，2013，35（1）：18-21，29.

[2]BUTT P，ADELSON E.The Laplacian pyramid as a compact image code[J].IEEE Transactions on Communications，1983，31（4）：532-540.

[3]KINGSBURY N.Image processing with complex wavelets[J].Philosophical Transactions of the Royal Society of London A：Mathematical，Physical and Engineering Sciences，1999，357（1760）：2543--2560.

[4]DA CUNHA A L，ZHOU J，DO M N.Nonsubsampled contourilet transform：filter design and applications in denoising[C]∥IEEE International Conference on Image Processing.Genova：IEEE，2005，1：I-749-752.

远程红外图像系统设计 篇4

红外成像系统接收目标发出并能成像的红外波段射线, 通过红外探测器将光信号转变为电信号, 电信号再转换为能通过卫星传输的微波信号并通过卫星传输到接收端, 卫星信号接收器接收时实信号并转换为可视图象。

远程红外系统由以下三大部分组成:

(1) 红外图像成像系统;

(2) 红外图象发送系统;

(3) 图象接受系统。

2、远程红外系统的设计

红外光学系统设计:系统选用320×240多晶硅探测器, 像元大小是25μm。像面大小是8×6mm, 像面对角线10mm。根据总体要求:7.5°;这样光学系统的焦距:75mm。

根据以上指标光学系统设计方案如下:波长:8~14μm;视场:7.6°;探测器:多晶硅320×240, 25μm;焦距:75mm;F数:1。

按上述光学要求及结构要求, 为减少空间尺寸, 光学系统设计如图一所示:

3、电气接口与操作要求

(1) 具有图像调整、分划调整的按键操作;

(2) 所有操作可通过RS442通讯实现。

4、电气设计

4.1 设置5个按键

(1) 触发菜单, 移动光标;

(2) 减少, 调焦近方向;

(3) 增加, 调焦远方向;

(4) 校正背景, 档片动作, 退出菜单;

(5) 触发分划线菜单。

4.2 M键触发的菜单

在图像的最下方

自动/手动对比度XXX亮度XXX放大1/2热白/热黑

4.3 M键操作

按M键, 跳出菜单, 光标处在第一项, 再按M键, 光标向右移动一项, 当在最后一项时, 再按M键, 菜单重回第一项。

菜单每一项显示的文字, 都为系统当前的数字和状态。

4.4 D键操作

在出现的菜单情况下:在出现光标的位置, 按D键:自动→手动;对比度或亮度减少1;放大为1, 极性为热黑。

在无菜单操作情况下:按D键:调焦向近方向, 按一次动一步, 按住不放连续调焦, 松开后停止调焦。

4.5 U键操作

在出现菜单的情况下:在出现光标的位置按U键:手动→自动;对比度或亮度增加1;放大为2, 极性为热白。

在无菜单操作情况下:按U键:向远处调焦, 按一次动一次, 连续按住, 连续调焦, 松开后停止调焦。

4.6 C键操作

在无菜单情况下, 按C键, 档片动作一次, 校验一次。

在有菜单情况下, 按C键退出菜单。

4.7 F键操作

在无主菜单情况下, 按F键, 跳出分划线菜单:

分划线显示取消X:XXX Y:XXX白黑退出

光标在第一项, 按M键, 移动光标位置。

在光标的位置按D键:在第1项分划线取消, 在X或Y项减少数值1, 在第4项分划线变为黑色, 第5项, 退出分划线菜单。

在光标的位置按U键:在第1项分划线变为显示, 在X或Y项增加数值1, 在第4项分划线变为白色, 第5项, 退出菜单并保存坐标的值。

在有主菜单的情况下, 按F键不起作用。

4.9 说明

(1) 跳出后, 30秒无键操作, 菜单自动消失。

(2) 单消失后, 所有设置自动保存, 下次菜单启动时显示上次的设置。

4.1 0 通讯协议

波特率9600, 1起始位, 8数据位, 1停止位。无奇偶校验, LSB先发送。

采用ASCII模式, 每一帧的格式为:

起始码地址码功能代码数据LRC校验结束符:2个字符2个字符2个字符2个字符ODOA对于热像仪:

数据可以取00 (约定一个字节) ;

地址可以由客户设定 (一个字节) ;

功能代码 (一个字节) 。

当热像仪收到正确的命令后, 即返回一个原来的命令, 若有命令错误, 则在返回命令中, 功能代码的最高位设1。每一帧的数据都由十六进制, ASCII字符:0, 1, 2, ……9, A, B, ……F组成。

5、通讯设计

根据卫星信号要求设计。

6、结构设计

红外图像快速匹配算法的研究 篇5

红外成像制导是精确制导技术中很重要的一种,在各种导弹(空空弹、地空弹)上都得到了广泛的应用,红外图像匹配技术又是红外成像制导技术的关键技术之一,由于匹配制导的高精度,所以,目前许多先进国家都在努力将图像匹配技术应用到其它武器之中,如反舰导弹、空对地导弹等,并取得了很好的效果[1,2,3]。

图像匹配可以分为区域匹配方法(亦称直接匹配方法)、特征匹配方法,区域匹配方法的测度为:亮度、绝对梯度或者相位等。而基于特征的匹配方法是通过从图像中抽取的特征来进行匹配,如角点、接点特征等[4]。本文主要研究基于灰度的图像匹配算法的快速实现。

基于灰度的归一化积相关算法以其高精度得到了广泛的应用[5,6],但是它的计算量很大,如图1所示。

假设模板T的大小为M×M,搜索图S的大小为N×N。模板T叠放在搜索图S上平移,模板覆盖下的那块搜索图叫子图Si,j,i,j为这块子图的左上角点在S图中的坐标,叫做参考点,可以看出i,j的取值范围为1

2 两种改进方案

方案1:

采用傅立叶变换频域相关计算,把图像由空域变换至频域,则模板和图像数据在空间上的相关运算可以转变为在频域上的频谱的复数乘法运算。由傅立叶分析中的相关定理可知,两个函数在空域中的卷积等于它们在频域中的乘积,而相关则是卷积的一种特定形式。由于快速傅立叶变换技术比直接法计算速度提高了一个数量级,为此用FFT进行频域相关计算亦是一种可行的方法。首先需要将图像尺寸延拓至k=2l,总共3次FFT变换,求出所有位置上的相关系数大致需要12 k2log2次乘法与18K2 log2 K次加、减法。因此,当M与N大小相近且均为较大值时,频域计算效率较高;当M远大于N且N很小时,直接用空间域的计算效率较高。

方案2:

对于数字图像,通过每n×n个像元加权平均为一个像元构成第二级图像,再在第二级图像的基础上同理构成第三级图像,如此可以构成一系列的序列:

为M×N维的搜索图像系列

为K×L维的参考图像系列

式中w=1,2,,LI,I是实际应用中的分层层数。将这些序列的图像叠起来很像古埃及的金字塔,因此通常称为金字塔图像或分层结构图像。

利用上述金字塔搜索的思想,先对基准图进行粗匹配,找到匹配位置(x,y),再在此周围的位置进行细匹配。实践证明,这种搜索策略加快了搜索速度,因为相对于遍历的算法,分层搜索减少了不相关象素点的“无为”工作,节省了时间[9]。

3 分层搜索的快速匹配算法

3.1 算法实现框图

综合上述改进方案,提出分层搜索的快速匹配算法,把图像进行多分辨率分层处理,得到分辨率比较低和维数较小的图像。首先在分辨率较低、维数较小的图像上进行粗匹配,得到粗匹配点;然后返回到较高分辨率图像,在粗匹配点的邻域内进行进一步的精匹配,从而得到精匹配点。精匹配部分采用最小平均绝对差距离测度(MAD),给定两个大小为M×N的图像集合A和B,则它们之间的最小平均绝对差距离测度(MAD)定义为:

3.2 仿真结果分析

为了验证上述匹配跟踪方法的有效性,对同一场景中所获取的序列图像进行了仿真实验。图像从1帧到383帧,被跟踪的目标在视场中有平移、旋转、干扰以及光照变化,图像搜索区域尺寸为120×160,图像模板尺寸为31×61,搜索的粗匹配步长为2,精匹配邻域为5×5。试验结果如图4所示。

由图4的跟踪结果显示当受光照、干扰、平移、遮挡以及轻度旋转时,基于分层搜索的快速匹配跟踪算法均能正确地识别目标,其快速性结果分析见表1。

由表1结果表明,基于分层搜索的快速匹配跟踪算法具有不错的快速性,因此本文提出的基于分层搜索的快速匹配跟踪算法具有重要的实用意义。

4 该算法的D SP实现

本文尝试利用硬件优势,改进算法提高匹配速度,选用的DSP型号为TMS320DM642。在图像快速匹配的实现过程中,需要对模板图与搜索图在频域作相关处理,以便为后续的匹配算法做准备。这部分相关处理算法占整个算法的50%左右,即这部分算法要在半秒钟之内完成。基于FFT的相关处理为分层搜索的快速匹配算法中至关重要的一部分,实现流程可由图5表示,首先要对31×61的模板进行二维FFT,然后与视频图的二维FFT图像做对应点的共扼相乘(即相关),最后对相关结果进行二维IFFT变换,就可得到未归一化的相关结果。

计算一个N点基r的FFT,需要有(N/r)×logrN次蝶形运算和2N×logrN次数据访问操作,可见FFT对运算速度和操作数存取速度都有很高的要求,使用DM642实现FFT是可行的。基于FFT的相关处理部分的速度是完成整个处理算法的关键,因此必须对FFT实现本身进行优化,同时还必须充分利用DM642的高度并行处理能力。

基于FFT的相关处理算法的计算流程图如图5所示。由蝶形算法理论可知,无论是FFT还是IFFT,如果其输入为自然顺序排列,则其输出按比特反转的规律排列;如果其输入为比特反转的规律排列,则其输出为自然顺序。而相关处理算法要求输入是自然顺序,输出也是自然顺序。因此如果选择输入是自然顺序、输出是比特反转顺序的FFT,同时选择输入是比特反转顺序、输出是自然顺序的IFFT,那么中间就可省去四次比特反转算法,从而节省运算开销。采用这种算法要求模板图的数据行和列都是比特反转顺序[10]。由于外部存储器中的模板图是事先计算好的,因此这个条件可以满足。

整个算法分三个阶段。第一阶段是读入模板和图像信息,对图像数据进行格式转换,然后进入FFT变换部分;第二阶段对图像和模板先进行行和列的FF T变换、模板图和视频图的相关、列和行的IFFT变换,再对相关结果做归一化处理;第三阶段是对最大相关点邻域计算平均绝对差值,找出目标坐标值。第二阶段可将视频图的列FFT变换、模板图和视频图相关、相关结果的列IFFT变换三个过程合在一起是因为前一个过程的输出数据恰好是后一个过程的输入数据,因此三个过程的合并省去了数据的调入调出,减少了系统开销。读入模板和视频图的信息是通过加载dat文件完成的,数据加载后经过前期的分层处理和格式转换,分别进行FFT变换。模板信息的FFT变换结果可做保存以便为下一帧的匹配做准备,也因此省去了再次寻找模板并计算FFT的时间。

图6为应用DSP实现的分层搜索快速匹配算法的实验结果显示。在目标受光照、干扰、轻微旋转、平移和遮挡时分层搜索的快速匹配算法均能准确地跟踪标定目标,说明该方法在抗干扰、防畸变方面性能良好并对光照变化、轻度旋转有一定的鲁棒性。

5 结束语

本文在对基于灰度的归一化积相关算法充分研究的基础上,提出了基于分层搜索的快速匹配跟踪算法,改进后的匹配算法能很好地满足匹配实际应用中的实时性问题,且能适应匹配对象受一定噪声点干扰、局部整体光照变化以及复杂背景干扰等情况。最后应用DSP图像处理开发平台,结合本课题研究内容,利用DSP的计算优势实现了图像快速匹配。

摘要：本文主要研究红外图像匹配算法的快速实现,基于金字塔分级搜索思想提出了分层搜索的快速匹配方法,并尝试利用硬件优势提高匹配速度,仿真试验结果表明,该算法具有较高的匹配精度和匹配速度。

关键词：图像匹配,互相关,DSP

参考文献

[1]JONES T.L.Development of Automatic Target Recognizers for Army Applications[J].SPIE,2000,IS7:4-13.

[2]曲东才.巡航导弹制导体制、飞行任务规划技术及启示[J].航空兵器,2000,(5):38-40.

[3]RODRIGGUEZ J J and AGGARWAL J R.Match-ing aerial images to 3-D terrain maps.Image[J].IEEE Transon PAMI,2000,12(12):1138-1149.

[4]STUDHOTME C,HILL D,HAWKES D.Automated3-D registration of MR and CT images of the head[J].Medical Image Analysis.1996,1(2):163-175.

[5]VIOLA P,WELLS W.Alignment by maximization of mutual information[J].International Journal of Computer Vision.1997,24(2):137-154.

[6]韩先锋,李俊山,孙满囤.巡航导弹景象匹配算法适应性研究[J].微电子学与计算机,2005,22(7):53-57.

[7]孙仲康,沈振康.数字图像处理及应用[M].北京:国防工业出版社,1985.

[8]曹炬,马杰,谭毅华,田金文.基于像素抽样的快速互相关图像匹配算法[J].宇航学报,2004,25(2):173-178.

[9]STONE H S,MOIGNE J L and MCGUIRE M.The translation sensitivity of wavelet based registration[J].IEEE Trans on Pattern Analysis and Machine Intelligence.1999,21(10):1074-1081.

红外多光谱图像测量技术研究 篇6

现在所广泛使用的红外测温仪器一般有两种:红外测温仪与红外热像仪。前者通过红外传感器接受红外辐射能量, 进行对温度的测量;而红外热像仪则是通过拍摄红外图像, 根据图像的灰度值得到红外辐射能量的信息, 进行温度的测量。上述两种方法都因为各自的特点被广泛应用, 但是仍存在着一些不足。例如, 成像不清晰;不能够快速地对目标进行多次测量;对测温环境的要求较高, 不能有遮挡等[1,2,3]。而红外多光谱测量系统可以较好的解决这些所存在的问题, 使红外测温技术能够更广泛的得到应用。

2、红外多光谱测温理论依据

根据维恩位移定律, 峰值光谱辐射出射度对应的波长与绝对温度的乘积为常数。当温度升高时, 峰值光谱辐射出射度对应的波长向短波长方向移动, 见图1。由图1可知在温度为1667K以上时, 辐射光谱范围是覆盖了可见光域与近红外光域。所以可采用对可见光及近红外光谱敏感的传感器, 对在高温时所产生的辐射进行采集, 从而得到相关信息用于温度测量。

经过黑体辐射亮度计算, 当温度在800℃至2000℃, 波长小于1.1μm时, 维恩公式代替普朗克公式的相对误差δ≤0.1%。但随温度变化, 发射率较难准确获得, 为了避免发射率的求取, 对不同波长λ1和λ2在同时测相同温度点发出的辐射能Mλ1T和Mλ2T, 对于灰体物质将两者相比并取对数得该点的温度为:

3、红外多光谱测温系统设计方法

红外多光谱测量系统的主要设计思路为, 通过设计一个光学系统将被测物体的像分成四个。然后, 利用镀膜透镜使分得的四个图像各显示所要求波段的被测物体的像, 并使得四幅图像可以被光电探测器接收, 并存储起来[4]。最后, 在利用这些图像进行红外多光谱特征融合, 从中提取出所需信息。系统框图如图2所示。通过所得图像的灰度值可以知道对应波长光λ1、λ2、λ3、λ4, 的辐射能M1λT、Mλ2T、M3λT、Mλ4T, 两两带入比色测温公式, 可以得到六个温度值T1、T2、T3、T4、T5、T6。对这六个值进行数学处理得到一个最后的温度值T, 这个温度值即为所求温度。

4、结语

本文对比了现有红外测温技术, 依据黑体辐射学基本原理, 设计了一套基于分光光学系统的红外多光谱图像测温系统, 并对比色测温法理论公式进行了推导, 给出了红外多光谱图像测温系统的系统结构图, 为系统的实现搭建了理论平台, 为下一步对该系统平台的研究奠定了基础。

摘要：通过设计一种新型的红外多光谱测量系统, 对目标进行温度测量。采用的方法是设计光学系统对目标物体进行分光, 使目标物体图像分成多个与原图像相同的图像。然后在通过镀膜技术, 将分得的多个图像各自按不同的光谱成像并被光电探测器接收到, 从而得到对一个物体的多光谱图像, 再对这些图像进行特征的融合, 从中提取出所需温度信息。

关键词：红外多光谱,分光系统,图像融合

参考文献

[1]刘晓东.高温微粒红外辐射特性测量技术研究[D].哈尔滨:哈尔滨工业大学, 2008.

[2]邓建平, 王国林, 黄沛然.用于高温测量的红外热成像技术[J].流体力学实验与测量, 2011, 15 (1) :43-47.

[3]张易凡.多光谱遥感图像融合技术研究[D].西安:西安工业大学, 2006.

一种动态红外烟幕图像仿真方法 篇7

关键词：红外仿真,红外烟幕,动态图像

在红外成像制导对抗技术中,施放烟幕是一种应用广泛、简便有效的无源干扰手段。烟幕剂扩散系数小,所产生的烟幕对光信号有较大的吸收和散射作用,对红外、可见光等均有很强的消光效应,衰减了目标与背景各点的红外辐射能量,使热成像系统的信噪比降低以至于得不到清晰的热图像,从而起到保护目标的目的。

研究红外烟幕对目标的遮蔽能力,不仅受到各种气象因素的影响,而且伴随着外场实验周期长,重复试验次数多等因素的制约[1,2,3]。因此如何进行红外烟幕的模拟仿真,减少昂贵的外场实验,成为了越来越受关注的研究课题。

国外评价烟幕模拟大多采用“物理-化学”法、装备效益法及数学模型法等[4],但由于仿真时计算数据量大,完成一帧的仿真需要很长时间,影响了仿真速度和质量。文中通过粒子系统及Billboard技术相结合的方法,建立了烟幕的扩散模型、消光模型和温度衰减模型,通过调用在GPU中执行的代码来实时计算烟幕各点的红外辐射量,并将其量化显示为仿真红外动态的烟幕图像。通过GPU强大的并行处理数据的能力,提高了仿真速度,满足了实时性和逼真度要求。

1 烟幕物理模型的建立

1.1 烟幕消光模型

烟幕是由固体和液体的微粒悬浮于大气中所形成的烟幕体系。当目标发出的红外辐射入射到烟雾中时,烟幕对其产生吸收和散射,红外能力就遭到衰减。理论研究和实验结果表明,烟幕对红外的消光作用是烟幕微粒对红外吸收和散射共同作用的结果。

按照经典的振子理论,热辐射是由组成物质的原子和分子的热运动产生的一种电磁辐射。每个原子和分子都可看做是在其平衡为主附近振动的振子。当振子发生共振时,就要吸收入射的辐射能量,从而增加振子的振动能量,这就是烟幕的红外吸收作用。这种作用的结果使烟幕介质本身的红外辐射强度提高了。烟幕遮蔽红外辐射原理图,如图1所示。

辐射在红外烟幕中传输时,受到粒子的散射和吸收作用,产生了衰减。红外烟幕对被动红外成像系统产生的干扰反映在光谱透过率上,按照朗伯——比尔定律,透过率可表示为[4]

$\tau {}_{{\rm I}R}=\frac{{\rm I}}{{\rm I}{}_0}=\exp [-\alpha {}_e(\lambda ){\rm N}L](1)$

式中,I0为I分别表示入射光强和透射光强;αe(λ)为烟幕的质量消光系数;λ为辐射波长;N为烟幕的颗粒浓度;L为烟幕的厚度。

由于烟幕质量消光系数计算复杂,通常在8～12 μm的红外波段,在一定的烟幕粒子质量密度下,文中取烟幕粒子质量密度ρ=400 kg/m3,αe(λ)≈0.04[5],为简化计算则式(1)变为

$\tau {}_{{\rm I}R}=\frac{{\rm I}}{{\rm I}{}_0}=\exp [-0.04{\rm N}L](2)$

1.2 烟幕大气扩散模型

大气是烟幕的传播介质,气象条件是制约烟幕在大气中的输送、扩散、稀释、转化、消光的重要因子。因此,评价和预测烟幕的遮蔽/干扰效果,首先要分析研究评价/使用区域的气息背景[5]。

边界层内的大气运动是一种湍流运动,释放到大气中的烟幕在湍流的作用下迅速的分散,这一现象成为烟幕的大气扩散。烟幕扩散的结果造成了烟幕浓度在空间和时间上的分布,进而造成对观瞄器材,制导武器不同的遮蔽及干扰效果。因此,如何建立烟幕的大气扩散模型是整个仿真工作的重点,文中采用高斯扩散模型作为大气扩散模型进行仿真研究。

高斯扩散模式是以梯度传送理论及统计理论为基础的。假设地面无吸收和吸附作用,烟幕本身无沉降被动成分,地面对烟幕的作用相当于一个全反射体,风速>1 m/s,风向恒定,地面水平,可推导出连续点源烟幕浓度高斯扩散的数学表达式[1](风向沿正向,坐标原点为烟幕释放地点对应地平面的点)

$\begin{array}{l}C(x,y,z,{\rm H})=\frac{Q}{2\text{π}u\sigma {}_y\sigma {}_z}\exp \left(-\frac{y{}^2}{2\sigma {}_z^2}\right)\cdot \\ \left\{\exp \left[-\frac{(z-{\rm H}){}^2}{2\sigma {}_z^2}\right]+\exp \left[-\frac{(z+{\rm H}){}^2}{2\sigma {}_z^2}\right]\right\}(3)\end{array}$

σy=γ1xα1 (4)

σz=γ2xα2 (5)

式中,C(x,y,z,H)为点(x,y,z)处的烟幕浓度;Q为源强;u为释放期间的平均风速;H为烟流的有效高度;H=施放点高度H0+烟流抬升高度ΔH;σy为y方向的大气扩散方差(m);σz为z方向的大气扩散方差(m);γ1,γ2,α1,α2为与大气稳定度及地形相关的参数。

为了方便计算,令Q=20 g/s,u=4 m/s,烟幕高度H=10 m,σy=1 m,σ2=1 m计算烟幕的高斯扩散模型。

1.3 烟幕温度衰减模型

在烟幕仿真时,由于烟幕粒子的温度变化,在烟的内部,由于温度高的部分受浮力大,上升速度快。而与之相反,温度低的部分受浮力小,上升速度慢。因此,烟幕在不断扩散的过程中,由于温度的差异,也会表现出烟幕红外辐射特性的变化。

采用以下方程来描述烟幕粒子的温度衰减过程

T(t)=(T0-Te)×e-ct+Te (6)

其中,T(t)是t时刻烟雾粒子的温度;T0是烟雾粒子的初始温度;Te是环境温度;c是温度衰减的控制系数[6]。对于烟幕粒子,温度越高,所受浮力就越大,上升就越快。采用下面公式表示温度对浮力的影响

f=H×(T(t)-Te) (7)

其中,f是t时刻粒子受到的上升力,T(t)为t时刻的粒子温度Te为环境温度,H为上升力的控制系数。

令环境温度Te为300 K,温度衰减系数c为0.005,量化范围设为160～240,计算得到的烟幕温度量化随时间变化曲线,如图2所示。

由图2可见,随着烟幕的扩散,烟幕粒子温度量化值逐渐降低,最终趋于环境温度量化值。

2 烟幕三维建模和动态红外烟幕的仿真计算

2.1 烟幕的三维建模

由于烟幕属于可变流体,没有具体的外形,不能利用普通的几何建模方法来模拟烟幕形状。因此采用了粒子系统与Billboard相结合的技术来建立烟幕的三维模型。

粒子系统是公认的模拟不规则物体最成功的方法之一,1983年Reeves提出了用粒子系统模拟模糊物体[7]。粒子系统的方法是采用某种图元来定义物体的体积而不是采用多边形来定义物体表面的方法。一个粒子系统是由大量称为粒子的图元构成的,每个粒子有自己的属性,粒子不断地改变形状和运动,表现景物的形态和特征变化。Billboard是一种图形渲染技术,它依赖于渲染时摄像机(视口)的方向,既Billboard技术会根据摄像机(视口)的位置调整角度,使得渲染的图元总是近似地朝向摄像机的方向,利用这种技术模拟出三维物体在二维平面中的逼真显示。

通过在Billboard模型上映射图3所示的可见光烟幕纹理,作为粒子系统中所用到的烟幕粒子图元。在程序中实时变换烟幕纹理的纹理映射坐标来模拟烟团的旋转变换效果,同时Bllboard也展现烟幕粒子的细节信息如透过率,不同区域浓度等。

在程序中设置烟幕粒子图元的数量,发射速率和烟幕粒子图元的生命周期,根据高斯扩散模型,通过在一定的区域空间同时显示大量的烟幕粒子图元,模拟出烟幕的整体效果。在仿真过程中发现,通过粒子系统与Billboard相结合的方法建立三维烟幕模型,更加适用于对动态烟幕的仿真研究。

2.2 动态红外烟幕仿真

烟幕表面的辐射随时间不同而变化,形成目标动态红外辐射场,动态红外辐射场的计算是动态红外图像仿真的关键。首先将烟幕的可见光纹理运用纹理映射技术,映射到烟幕的Billboard模型上,形成可见光烟幕粒子图元。然后通过红外纹理生成软件将可见光烟幕粒子图元转换为数据纹理,利用GPU脚本代码对数据纹理进行解析量化,生成红外烟幕纹理图元,最后叠加上大气效应和大气路径辐射,形成真实的动态红外烟幕,具体方法如下。

根据烟幕表面的红外辐射特性,需要生成烟幕粒子图元的表面温度分布,表面发生率分布。由于烟幕温度是随时间变化的,因此先设定烟幕图元的初始温度值,然后通过在粒子系统中对温度衰减模型所生成的温度变化纹理进行采样,体现烟幕的温度随时间变化。而烟团的发射率在文中简单地认为不随时间变化,是一个定值。

烟幕仿真过程中的遮蔽效果体现在烟幕的透过率上。通过在烟幕图元中各像素点计算烟幕的消光模型,并结合可见光烟幕图元各点像素值的调制作用来确定烟幕图元中每一像素点的透过率值,计算方法如式(8)所示。最后在程序中的量化输出,实现烟幕的可遮蔽目标的效果。

$\tau {}_{{\rm I}Ri}=\frac{{\rm I}}{{\rm I}{}_0}=\exp [-0.04{\rm N}L]\times n(i)(8)$

式中,I0,I分别表示入射光强和透射光强;N为烟幕的颗粒浓度;L为烟幕的厚度;n(i)为图元中第i个像素点的像素值。

当添加气象参数(如风的作用效果)时,粒子系统内部通过调用高斯扩散模型预先计算好的二维运动轨迹网格区域,将发射器中每个烟团粒子随机发射到二维空间网格中的任一位置,通过这种方法,逼真的模拟出在气象条件下烟幕的形态。

分析可知,红外烟幕图元中每一个像素都应包含温度辐射信息、发射率信息、透过率信息等。采用Direct3D的DDS纹理格式实现以上数据编码。如上所述,表面红外纹理每个像素应包含烟幕的温度辐射值、发射率、透过率等内容。因此,组织成4通道32位浮点型DDS纹理以保证数据的精度,如图4所示。在纹理像素的G通道保存温度辐射值信息,B通道保存发射率信息,剩余A通道作为烟幕透过率信息,而R通道未定义。

2.3 红外烟幕实时仿真的实现

红外烟幕图元每个像素的G,B,A通道包含了不同的红外数据信息,在仿真过程中,如果对每一红外烟幕图元像素进行实时计算,不仅计算量过大而且严重影响仿真效率。利用GPU强大的并行处理数据的能力,将预先计算好的8～12 μm波段下烟幕红外数据组织成数据纹理,保存到相应的红外纹理通道中,将消光模型,辐射量化计算等写入Cg脚本,在GPU中并行处理每个像素点的红外辐射数据和透过率数据的量化显示。同时在GPU中对烟幕温度衰减模型生成的温度变化纹理,以及预先计算生成的黑体温度-辐射量映射纹理图进行纹理采样,达到提高烟幕仿真逼真度的效果。表1为列出的部分烟雾的红外数据信息。

对于温度衰减模型,由于不同时刻温度变化进行采样速度慢,影响仿真结果,因此通过温度衰减模型预先计算生成一维的温度量化纹理,如图5所示。图中,温度量化范围为160～240 K在烟雾量化输出时,通过GPU内采样器对量化图像进行采样取值,实现烟幕的温度变化。

由于从温度到辐射量需要进行积分过程,在仿真时对每一像素实时积分,工作量大,影响仿真的速度。根据黑体辐射理论,同温黑体同波段的辐射量是相同的,因此计算出仿真波段内不同黑体温度对应的辐射量,并组织成纹理,通过纹理采样器传入GPU,根据实时计算的温度值,查询纹理获取相应的辐射值,该方法能够提高仿真速度。如图6所示为温度范围在273～373 K,间隔0.001 K的黑体温度-辐射量映射表,纵向表示温度的整数部分,横向表示温度的小数部分。

3 仿真结果

在环境温度为300 K、上午12时、波段范围为8～12 μm的仿真条件下,烟幕各仿真结果,如图7～图10所示。

在图7～图10中,以坦克为观察目标,通过仿真的结果图,明显的看出烟幕的干扰效果。透过率消光模型主要反映了烟幕对辐射的衰减作用,并不能反映烟幕对光能的再分配作用,既烟幕遮蔽前后空间频域信息的变化情况。随烟幕厚度的不同,目标识别能力也不同,如在无风条件下,当烟幕厚度达到20 m时,坦克目标几乎不可见。当考虑风的影响时,由于烟幕自身辐射能量降低,导致其对目标干扰效果降低,目标识别能力有所增强。随着时间的变化既发烟点处的烟幕与扩散到一定距离处的烟幕对目标的遮蔽效果也不相同,体现了温度衰减模型对干扰效果的影响。从以上各图看出,文中所述的仿真方法,能够实现红外烟幕仿真中的动态变化。通过各模型的建立,与实拍的红外烟幕图像做对比,发现仿真结果与实际情况符合。但是,文中的仿真方法仅以二维数据场来体现烟幕的辐射信息,没有考虑到三维数据场的情况,并且烟幕粒子图元与周围环境的纹理过度不够平滑,这些都是研究中应当改进的地方。

4 结束语

红外图像 篇8

本文从分析红外图像条带噪声特性入手, 给出了含有列均值和列方差的图像校正公式。进而将分段多项式拟合与中值预处理的思想分别应用于红外图像条带噪声的消除算法中, 得到了改进的多项式拟合滤波法和基于中值预处理的分段拟合滤波法。通过实验对比分析, 本文算法具有去条带效果好, 原始图像信息保留能力好和适应性强的特点。

1 红外图像条带噪声分析

1.1 红外图像条带噪声校正公式

红外焦平面探测器中一般含有多个放大器, 但通常探测器一列或一行输出共用一个放大器, 由此产生了列向或横向的条纹非均匀性, 即条纹噪声[10]。由于红外焦平面探测器的每行像元对应的偏置电压VFID存在噪声, FET (Field Effect Transistor) 栅极得到的栅极电压并不相同, 这造成了即使得到同样的红外辐射, 流过每一行像元的积分电流ip均不同, 这是该类型红外探测器输出的红外图像含有条纹噪声的根源。通过上述分析可知, 红外图像条带噪声产生的原因主要是读出电路的非均匀性以及偏置电压噪声[11]。

假设红外探测单元的响应模型是线性的

式中, Xij表示图像的真实灰度值, Yij表示含有条带噪声图像的灰度值。

因此, 当已知增益系数和偏置系数时, 就能对含有噪声的图像进行恢复, 获得真实图像的灰度值。由于文中假设条带噪声均是沿图像的列方向分布的, 对式 (1) 两边分别按列取均值和方差得

其中, E (Xj) 和D (Xj) 分别表示估计出的真实图像的列均值和列方差, E (Yj) 和D (Yj) 分别表示含有噪声图像的列均值和列方差。

计算增益系数和偏置系数的值与两点定标法的基本原理相似, 可得

将式 (6) 和式 (7) 两式按列代回式 (1) , 可得校正公式

1.2 含条带噪声的红外图像均值方差特性

从校正公式中可以发现, 从图像列均值和方差入手进行图像恢复。对于一幅图像而言, 由于空间相关性的存在, 图像相邻列之间的灰度值具有一定的继承性。假设图像的灰度列均值和列方差分别是一个一维离散信号, 那么由这些离散信号组成的两条曲线应该近似光滑且连续[12]。然而, 条带噪声的存在, 使图像的某些原始灰度值被改变, 出现连续偏高或偏低的现象, 这会进一步对图像的列均值和列方差曲线产生影响, 使其呈现出被噪声干扰的特点。图1分别给出了不含条带噪声和含条带噪声两种情况下, 其灰度列均值和灰度列方差的曲线对比图。

如图3所示, 在不含条带噪声的图像中, 其列均值和列方差的离散信号可近似组成一条连续的曲线, 即曲线上某点的值与其前后位置点的值有关, 不会出现大的波动, 平滑性较好。如图4所示, 在含有条带噪声的图像中, 由其列均值和列方差这两组离散信号组成的曲线连续性较差, 出现了较大的波动性。

从上述分析可知, 条带噪声的出现确实对红外图像的灰度列均值和灰度列方差产生了影响。所以, 可以对列均值和列方差曲线进行消除噪声处理, 近似估计出图像真实的灰度列均值和列方差, 达到提高图像信噪比的目的。

2 红外图像去条带噪声改进算法

2.1 改进的多项式拟合滤波法

红外图像内条带噪声的出现, 主要是由于探测器中各阵列元响应特性不一致所引起的。在假设目标背景较为均一的前提下, 各列探测元输出数据的均值和方差应该近似相等。因此, 可以选取某一行探测元作为参考, 将其它各列探测元的均值和方差分别调整到该参考列的辐射率上。但是, 传统矩匹配法的原理不适合内容较丰富、灰度分布不均匀的图像, 可能产生“带状效应”。所以, 如何根据相邻的列均值和列方差准确地估计出某列的均值和方差, 成为消除红外图像条带噪声的关键。根据以上所述红外图像列均值和列方差曲线, 本文提出了一种能够避免“带状效应”的改进多项式拟合滤波法。

其基本思想是: (1) 对红外图像的列均值和列方差组成的两组离散序列进行插值处理。 (2) 对插值后的离散序列进行分段拟合, 此处采用分段拟合的方法是为了更好地体现出红外图像相邻列的灰度值可能具有明显变化的特点。 (3) 根据拟合得到的列均值和列方差对图像进行消除条带噪声处理。由多项式拟合的最小二乘原理可知, 处理后的图像具有较好的平滑效果[13]。

具体实现过程如下: (1) 计算原始含噪声图像的灰度列均值和灰度列方差。 (2) 分别对列均值、列方差组成的离散序列进行插值。 (3) 利用最小二乘原理对插值后的列均值、列方差序列进行分段拟合。 (4) 根据返回的拟合系数生成新的多项式, 即为平滑滤波后的列均值和列方差。 (5) 用与插值间隔相对应的频率来对平滑滤波后的列均值和列方差进行采样, 得到估计出的列均值和列方差数据。 (6) 将上一步估计得到的列均值和列方差作为校正公式中真实图像列均值和列方差的估计值, 计算出图像消除条带噪声后的灰度值。

用Matlab将上述改进算法分别运用到以下两组含有条带噪声的红外图像中, 其结果对比如图5所示。

由图5可知, 当原始图像内的条带噪声比较少, 且内容比较单一时, 该算法能在消除条带噪声的同时, 基本保持原始图像的灰度连续性, 即当原始含噪声图像内的灰度变化较缓慢时, 该方法处理后的结果图中基本不会出现明显的灰度突变现象。但是, 当原始含条带噪声图像中某一列上的灰度值变化较明显或者该列灰度值与其前、后某列的灰度值具有较大差别时, 结果图中就会产生列方向上的“带状效应”, 出现较明显的灰度突变现象, 如图6所示结果图中圆圈标记处。这是因为在原始图像某列灰度值变化较大, 使得该算法不能准确地估计出原始图像的灰度列均值和列方差, 因此还需进一步对该算法进行改进。

2.2 基于中值预处理的分段拟合滤波法

针对复杂图像内出现灰度不连续的“带状效应”, 提出基于中值预处理的分段拟合滤波法。

其基本思想是:首先采用中值滤波方法对原始图像进行平滑预处理;然后, 按照改进多项式拟合滤波法的流程对图像进行消除条带噪声的处理。其中, 对图像进行预处理的根本目的是依据条带噪声的分布方向对相应方向的均值和方差进行准确估计, 因此, 最终选择的窗口形状应该为线状, 并且具有与条带噪声的分布方向相同的滤波方向。整个算法流程如图7所示。

用Matlab对基于中值预处理的分段拟合滤波法进行仿真实验, 并把实验结果分别与传统的多项式拟合滤波法[14]和改进多项式拟合滤波法仿真结果进行比较, 如图8所示。

从图8可以看出, 基于中值预处理的分段拟合滤波法则能更好地保持了原始图像的灰度连续性, 在结果图中没有出现灰度突变的“带状效应”。因此, 该算法能够适应内容丰富、灰度分布不均匀的红外图像。

3 图像质量定量评价

为了更客观地对本文算法进行评价, 针对去除红外图像内条带噪声的问题, 采用图像的灰度均值和灰度方差来评价一幅图像的整体质量和被噪声污染的状况[15]。采用信噪比 (SNR) 对消除噪声的图像效果进行评价。信噪比或峰值信噪比的值越高, 则表示图像的质量越好。表1为对图8进行评价的结果。

通过对表1列出的评价参数进行对比, 发现本文提出的两种算法消除条带噪声后图像的方差与原始图像相比没有明显变化。这说明对灰度分布比较均匀的红外图像进行消除条带噪声处理时, 采用本文提出的两种改进算法去除条带噪声后, 保留了原有的大部分信息。从信噪比这一数据作对比, 可以发现利用本文提出的改进算法, 能有效地消除红外图像的条带噪声, 在提高图像信噪比的能力上, 优于传统的多项式拟合滤波法, 这符合文中的研究目的。其中, 基于中值预处理的分段拟合滤波法比改进多项式拟合滤波法的消除条带噪声能力更强、信噪比更高。

4 结束语

通过分析含条带噪声红外图像均值和方差曲线特点, 在已有去条带噪声算法的基础上, 提出了两种去红外图像条带噪声的改进算法。既有效地去除了条带噪声, 又能较好地恢复和保持原始图像信息。从主客观两个方面对仿真结果进行了对比、评估, 验证了本文算法的良好效果。但对于结果图中出现的细节模糊, 还需进一步研究。

摘要：由于红外焦平面阵列中各探测单元的响应特性不完全一致, 导致像元之间存在一定的非均匀性, 使红外图像中出现深浅相间的条纹状噪声, 这种噪声严重影响了红外图像的质量和解析度。针对红外图像条带噪声的产生机理, 在传统距匹配法的基础上, 文中从图像灰度均值和方差的角度入手, 结合红外图像数据量小、图像内容丰富的特点, 将分段多项式拟合和中值预处理的思想分别应用到红外图像条带噪声的消除算法中, 得到了改进的多项式拟合滤波法和基于中值预处理的分段拟合滤波法。理论分析和实验结果表明, 文中提出的两种算法具有原理简单、实用性强的特点, 能够有效地消除红外图像的条带噪声, 提高图像信噪比。

单幅红外图像上的地雷检测 篇9

目前世界上的地雷多种多样,使用过的就有2 000多种,最常用的有反坦克地雷和防步兵地雷。此类地雷通常结构简单、体积小,外壳一般由塑料或木头等非金属制成,所以一旦这种地雷被埋在地下,将很难被发现。同时地雷武器在作战中的客观效应,一方面刺激了各国军队地雷武器的不断发展,另一方面也刺激了地雷探测技术与手段的进一步发展[1]。现有的地雷探测技术主要有:生物探测[2]、地磁学或磁学探测[3]、核四极矩共振探测[4]、声纳成像探测[5]、雷达探测[6]、红外探测[7,8,9,10]等地雷探测技术。其中,核四极矩技术、探地雷达、红外成像有着较好的发展前景。但是还没有一项技术能够在考虑到大小重量费用的前提下,独立的高可靠高效率的完成地雷探测工作。因此多种技术通过信息处理技术,有机的综合在一起来完成这项工作成为了当前地雷探测的发展趋势。

文中将红外探测技术与信号检测技术相结合,提出了一种单幅红外图像上的地雷检测算法。它利用自回归(AR)模型对红外背景图像背景进行预测,然后采用信号检测中广义估计—相关器在除去背景的红外图像上进行地雷信号的检测,从而实现单幅、单波段红外图像上的地雷探测。

1 数据模型

传统的信号检测从研究噪声中信号的统计检测出发的,即利用假设检测的方法设计一个最佳检测器,用以判断噪声中是否有信号或者区分噪声中的不同信号。而图像中的目标检测问题与传统的一维信号检测问题却是有很大区别的。因为在此背景也是信号,但不是要检测的信号。将红外图像上每一像素点的灰度值都看作是这一点上我们感兴趣的信号的灰度值与其他信号的灰度值的叠加,如果将图像上我们不感兴趣的信号减去,仅留下感兴趣的信号,则图像上的目标检测问题就可以用传统的一维信号检测方法来处理了。

根据需要,我们将采集到的红外图像i(x,y)定义为

其中:H0是没有地雷的情况,H1是有地雷的情况。i(x,y)定义为采集到的红外图像在点(x,y)处像素的灰度值,t(x,y)定义为埋藏的地雷信号在点(x,y)处像素的灰度值,b(x,y)定义为背景及噪声信号在点(x,y)处像素的灰度值。

1.1 地雷信号模型

由于环境因素的影响,即使是相同的地雷在不同的情况下在红外图像上的描述也是会有所不同的。考虑外界环境不变时的同种地雷,则地底温度的变化在红外图像上将会表现为亮度的变化,如果地雷埋藏的浅,则红外图像上的地雷信号较强;如果地雷埋藏的深,那么红外图像上的地雷信号就比较微弱,并且由于受外界环境因素的影响在红外图像上看起来也比较模糊。对于地雷信号模型的建立一般采用的都是有限元分析的方法[9,10],在此选用文献[10]中的地雷模型:

其中:θt=[cd]T,c和d均是可变的参数,与地雷的种类及其埋藏条件有关。当c和d取不同的数值时,可以实现对不同种类以及不同埋藏条件下地雷的探测。

1.2 背景信号模型

在图像的随机描述中,一幅红外自然背景图像可以看作是遍历的平稳随机过程[11],同时在随机过程理论中,平稳的随机过程可以看作是用白噪声激励一个线性时不变系统而产生的,而这个线性时不变系统又可以用一个模型为AR模型的差分方程来描述[12],这样就将红外背景图像同AR模型联系到了一起,即红外自然背景图像可以描述为由白噪声激励一个AR模型而得到的信号:

其中:e(x,y)为白噪声(也是预测误差),为点(x,y)处背景像素灰度值的预测值,ak,l为AR模型的模型参数,定义其向量形式为:θb=[a01,,a0,2,…,aK-,1L-1]T。

2 参数计算

如前节所述,在采集到的红外图像上的地雷探测问题可以视为图像中的目标检测问题。一般的图像检测过程可以分为一下两个步骤:1)在一帧图像上确定一些目标(最起码是候选目标);2)利用序列图像来确定真实的目标。本文的工作是单幅图像上的目标预处理及预检测,即前述两个步骤中的第一步。

2.1 自回归模型参数的计算

当在假设条件H1下时,地雷信号用式(2)来表示,包含噪声的背景信号由式(3)来表示。根据式(1)和式(3)经过变换后,可以将采集到的红外图像i(x,y)改写为以下形式:

这样可以使用最小二乘法对AR模型的参数及地雷模型参数进行估计:

在式(5)中有两组未知的参数:AR模型的参数θb和地雷模型的参数θt。一般情况下,采集到的红外图像的信噪比都比较低,所以可以假设c=0,先估计参数向量θb。在计算参数向量时,可以使用Levinson递推法[12],并用FPE准则来确定AR模型参数的阶次。当完全确定了AR模型的阶数及系数后,利用(x,y)点前的m个背景点的像素灰度值b(x,y-1),…,b(x-k,y-l),k+l=m就可以预测出点(x,y)的背景像素灰度值

对整幅图像进行处理后可以预测出没有地雷存在时的背景图像bˆ(x,y)。

2.2 地雷模型参数的计算

将求出的AR模型的参数代入到式(5),可以得到地雷模型参数的表达式:

其中。在求解c和d时,可以将c表示为d的函数再进行计算。

在上述讨论中,我们先假设c=0即是已知的,求解而当信噪比较高的时候也可以认为是已知的,而求解,这时一般假设{ak,l}=0为初始值开始计算。

将我们预测出的背景信号及地雷信号代入到式(1)中,则就可以将其表示为传统的信号检测问题了:

其中r(x,y)表示去除预测背景后的红外图像。

3 地雷检测

针对式(8)的二元假设检验问题,可以使用白噪声中确定性信号的检测方法检测地雷信号[13]。这里使用仿形—相关检测器进行信号检测(如图1)。其检测器的表达式为。当T(r)>γ时,判定式(8)中H1成立,即认为有地雷存在。否则,判定式(8)中H0成立,认为没有地雷存在。

4 处理结果与结论

看一下对几幅实际拍摄的红外图像进行检测的结果。图像采集时间为20:30,环境温度25℃,天气晴朗。拍摄红外图像所用的红外热像仪为实验室自行研制的FLIR红外热像仪,热像仪的相面大小为320×240,CCD像元尺寸为40µm,热像仪的噪声等效温差(NETD)为85 mK,焦距f为90 mm,视场角为10°。拍摄的对象为放置在热像仪前方5 m处被干沙土所覆盖的圆形塑料似雷物。图2是在只有一个似雷物存在时所拍摄的三幅红外图像,图4是在有两个似雷物存在时所拍摄的三幅红外图像。

在对图2及图4中从不同方位拍摄到的红外图像进行预处理的时候,由于所拍摄图像的低信噪比特性,所以在对AR模型进行求解的过程中,都做了地雷信号不存在的假设,即认为c=0,然后利用FPE准则对AR模型定阶,最后为了获得高对比度图像,采用了仿形—相关器对地雷信号进行检测。