高空间分辨率（共11篇）
高空间分辨率 篇1
数字全息使用ccd或者cmos图像传感器来记录全息图,通过计算机来数字重构物体复振幅,可以用来显示透明的物体,如细胞形状等。由于ccd或者cmos图像传感器的像素尺寸大且数量少,分辨率和大小都远远不如传统的全息干板。为了能够同时实现高分辨率和高重构速度,研究重构算法是非常重要的,特别在一些需要实时动态测量的领域,如活体细胞的观察测量。
从空间带宽积的角度出发,得到了可以使用傅里叶快速再现待测物体复振幅的系统配置。还有,为了快速高分辨再现物体,分别比较了细分菲涅尔再现算法和细分卷积再现算法在同等条件下的重构质量和速度。具体来说,无论记录距离长短,只要满足待测物体的空间带宽积不大于图像传感器的空间带宽积的条件,就可以用快速傅里叶算法来重构待测物体的全息图。重要的是,文中研究结果拓展了快速傅里叶算法的使用范围,为数字全息的再现提供了一个实用的方法。
1 理论
1.1 数字全息分辨率与记录光路
在数字全息中,系统的成像能力,从阿贝定律或者瑞利判据[1]的观点来看,取决于系统的分辨率,有下式
其中,λ是波长;NA是系统的数值孔径。该定律指出了系统分辨细节的能力与波长成正比,与数值孔径成反比,然而很少研究把注意力放在保证这一分辨率的同时,能对多大的物体进行成像。在数字全息记录再现系统中,一方面,作为记录全息图和数字再现载体的图像传感器,由于其固有的缺陷(如像素大,尺寸小),描述其信息容量的空间带宽积受到限制。因此,在记录和再现的过程中,如何充分利用这个有限的空间带宽积来记录待测物体的信息是关键。另一方面,在再现过程中,由于菲涅尔全息再现算法的数学描述跟傅里叶变换有形式相似的性质,可以借助FFT算法来快速重构物体,解决数字全息再现速度的问题,然而菲涅尔全息再现算法需要满足记录距离比较大的条件,因而阻碍了系统分辨率的提高。在图像传感器不能大幅度提像素高分辨率的情况下,如果需要提高记录系统的分辨率,通常可以采用增加数值孔径的方法来实现:近距离记录[2]和合成孔径[3],然而这种情况下,菲涅尔近似的条件不再满足,所得的全息图只能用卷积再现算法来重构,如基尔霍夫-菲涅尔积分公式[4]或者索末菲积分公式[5]来重构物体复振幅。然而,这种方法会消耗大量的内存,使运算量大大增加,运算速度减慢。因此,如何提高系统分辨率和再现速度,成为研究的热点问题[4,6,7]。
空间带宽积一方面可以用来度量待测物体的信息量,另一方面,对于记录系统来说,也可以衡量系统接收信息量的能力,具体到显微数字全息中,可以用来衡量系统成像能力,即系统可以测量物体的大小和细节的能力。为简单化,仅考虑空间坐标一维的情况,待测物体的空间带宽积NI可以表示为
其中,xo表示待测物体的大小;Δvo为物体最小分辨距离Δxo对应的带宽。在一定程度上表示了需要获取的信息容量。同样,在显微数字全息系统中,对获取信息的图像传感器而言,代表空间带宽积的像素数可以表示为
其中,xH是图像传感器的尺寸大小;ΔvH是像素大小ΔxH对应的带宽。上述空间带宽积用魏格纳表(wigner chart)来描述,它们的wigner chart是具有一定大小的矩形[8],然而物光经过各种干涉光路与参考光干涉作用后,从原来的长方形变为与干涉光路有关的各种形状[8,9],使得其不再是规则的矩形。因此,干涉图的非矩形wigner chart通过矩形的wigner chart时,超出矩形wigner chart部分的信息将被丢失,不能被测量系统所获取。为了最大限度地利用测量系统的空间带宽积,可以通过配置不同的记录光路,来最大限度地匹配图像传感器的空间带宽积。当采用同轴无透镜傅里叶变换光路来记录时,物体的wigner chart可以保持长方形的形状[10],对图像传感器的空间带宽积要求最低[11],也就是说,对于空间带宽积一定的图像传感器,使用此光路能获得最多的信息量,此时,有下式
从得知xo与Δvo成反比,利用图像传感器上获得的NY来重构物体复振幅时,可以通过减小记录物体尺寸来提高分辨率,即减小系统对于记录物体的有效视场范围(FOV)来满足wigner chart的大小不超过图像传感器的wigner chart。当满足采样定理的条件,并且图像传感器像素尺寸一定时,由文献[11]得知,同轴记录光路的FOV(即待测物体大小范围)为
其中,ZOH为待测物体到图像传感器之间的记录距离;λ为测量使用的激光波长。为了获得较小的FOV,必须减小记录距离ZOH。
假设要求系统能够分辨的细节为Δx,根据信号与系统,其对应的带宽为π/Δx,在已知图像传感器的空间带宽积为NY的情况下,根据式(4),在能最大利用图像传感器的空间带宽积的条件下,待测物体最大范围为
在此条件,图像传感器记录到的衍射光场表示为
其中,U0(x0,yo)为物光场;rOH为物面点到记录面任一点的距离,作泰勒级数展开取出第三项后面的高次项后为
记录面上的参考球面波可以表示为
其中,rRH为参考光平面到记录平面的距离,同样,用泰勒级数展开为
此时,在记录平面上记录的全息图包含了物体的再现像、共轭像和背景项,可以使用相移方法将共轭项与背景项去除,得到只包含了物体信息的相移全息图Ips。
1.2 数字全息的再现与再现速度
根据全息原理,当再现光与参考光相同时,即可完整地再现原来记录的物体,其再现光场表示如下
其中,xI,yI为再现像所在平面。
将式(8)、式(10)代入式(11)可得再现光场为
如果直接用卷积再现算法计算式(12),将非常困难。当再现光与参考相同时,再现像与待测物体一样,因此式(12)中的第二个相位因子可以表示为
当物体的尺寸满足式(5)时,式(13)中相位因子的影响可以忽略不计,此时,式(12)中的再现光场表示为
从式(14)中的傅里叶变换形式可以看出,该式可以使用快速傅里叶变换的方式来提高计算速度。
因此,当配置系统光路为同轴无透镜傅里叶变换光路并且缩短记录距离时,在图像传感器上获得的满足上述空间带宽积要求的干涉图就是傅里叶全息图,更为重要的是,物面和图像传感器记录面之间是傅里叶变换关系,在使用菲涅尔再现算法再现物体的过程中,通过数值模拟参考光,可以只用一次快速傅里叶变换,就再现出物体的复振幅,从而避免了使用卷积再现算法带来的计算量巨大和计算速度慢的问题。
2 实验证明
根据空间带宽积要求设计的短记录距离同轴无透镜傅里叶变换光路如图1所示。
其中,xoyo面表示物体所在物平面;xHyH表示图像传感器所在的记录平面。
实验测量了1951 USAF分辨率板,为了获得短的记录距离,设置记录距离ZOH为13.78 mm,所用的图像传感器像素数NY为300×300,像素大小ΔxH为10μm,为了获得较小的FOV,在分辨率板上贴上限制物体大小Δx的直径为0.5 mm的透光圆形掩膜,阻止在此圆孔外的光通过。实验所获得的干涉图之一如图2所示。
在实验中,采集了四幅相移干涉图,通过相移技术[12]消除零级像和共轭像后的再现像如图3所示。
同时采用了细分再现算法[13]来更精细地显示全息图的细节,如图4所示。
从图4可以看到,分辨率板的第七组第三个元素已经清晰地再现出来,其分辨率为161.3 lp/mm,对应的Δx约为3μm,接近根据式(1)定义的极限分辨率。根据式(6),理论上能再现的物体大小Δx为0.573 mm,与实验中使用的0.5 mm直径的圆孔基本符合。
卷积算法由于没有作近似,通常被认为是在近距离记录时的无误差再现算法,因此,为了作对比,用卷积再现的算法再现了分辨率板,如图5所示。
从图4、图5的对比可知,使用FFT快速算法来再现满足空间带宽积要求的物体,其再现效果跟使用卷积再现的方法几乎是一样的。在相同条件下,从计算时间上看,前者只需要1 s,后者需要22 s,只要由于卷积算法至少需要进行4次傅里叶变换运算,直接用傅里叶变换的菲涅耳再现算法则只需要进行一次傅里叶变换运算。因此卷积细分再现算法的运算量和计算机存储资源的占用量都远大于傅里叶细分再现算法。
3 结论
利用空间带宽积的概念,从信息容量的角度,指出在数字全息中系统中,图像传感器规格一定的条件下,其获得的信息量由图像传感器的空间带宽积决定,能够再现的物体大小范围跟细节是成反比的,可以通过减小待测物体的范围来换取更高的分辨率。在这个基础上,指出了短记录距离下的傅里叶全息光路是一种能够高效满足图像传感器空间带宽积的光路,此光路可以通过减小待测物体范围来获得高分辨率的同时提高再现物体复振幅的速度。最后,从实验上证明了记录光路采用短记录距离下的傅里叶全息光路来记录全息图,用快速傅里叶变换来再现物体复振幅,能够获得与使用传统卷积再现算法几乎一样的效果。总之,只要满足空间带宽积的要求,不论记录距离能否满足菲涅尔近似条件,都可以使用快速傅里叶变换算法来实现待测物体的高分辨率快速重构。
高空间分辨率 篇2
基于地震地质模型的高分辨率处理方法
根据层序地层学理论并利用钻井、测井和地震已知信息,对油田和探区的地震层序模型进行了研究,建立了有效的地震地质模型.将地震地质模型用于地震资料的联合反演,提高了地震资料的分辨率.这种基于地震地质模型的`高分辨率处理方法能补偿地震记录的高频成分并拓宽低频成分,有效地扩展了信号的有效频带.在提高分辨率的同时,改善了资料的信噪比,从而提高了用地震时间剖面解决地质问题的能力.
作 者：宋建国 作者单位：石油大学地球资源与信息学院,山东东营,257061刊 名：石油大学学报(自然科学版) ISTIC EI PKU英文刊名：JOURNAL OF THE UNIVERSITY OF PETROLEUM，CHINA(EDITION OF NATURAL SCIENCE)年，卷(期)：26(3)分类号：P631.443关键词：地震地质模型 地震资料处理 高分辨率 信噪比 层序地层学 联合反演
高分辨率遥感影像分割方法综述 篇3
关键词：影像分割；面向对象；高空间分辨率
1. 引言
高分辨率遥感影像包括高空间分辨率、高时间分辨率和高光谱分辨率。其中，高空间分辨率影像能够为我们提供丰富的地物形状、纹理等信息，因此对于提升地物识别的精度有很大帮助，如今，多颗卫星都可以有偿提供空间分辨率高达米級和亚米级的遥感影像数据，本文的高分辨率遥感影像主要是指高空间分辨率的遥感影像。
近年来，面向对象的遥感影像分析和处理方法得到广泛应用，这种方法与传统的基于像元的分析方法不同，它是将若干像元按照一定的规则合并为“对象”，再对对象进行分类的方法。显然，如何合理地把像元合并为对象，是面向对象方法成败的关键。把像元合并为对象这一过程，在遥感中，称为影像分割。影像分割是指将影像分割为若干对象区域，每个对象区域内的像元之间具有较好的相似性，同时保证对象区域之间有较大的异质性。这种相似性通常是指灰度、色彩、形状和纹理等特征。在计算机视觉领域，已经产生了很多种图像分割算法，但是这些算法往往难以直接应用到遥感影像上，这是因为遥感影像的成像方式具有特殊性。对于高分辨率遥感影像而言，其空间分辨率高、纹理信息非常丰富，但是其光谱信息相对不足，再加上遥感影像的分析通常要从不同的尺度着手，因此如何更好地对高分辨率遥感影像进行分割是亟待解决的问题。本文主要总结了适合高分辨率遥感影像的分割方法，并在此基础上提出了未来的热点和发展趋势。
2. 高分辨率遥感影像分割方法
遥感影像的分割方法大体上可以分为两类：自上而下型和自下而上型。自上而下型又称为知识驱动型，是根据知识规则和先验模型来直接指导分割过程。自下而上型又称为数据驱动型，是根据影像数据自身的特征直接对影像进行分割，通常所说的遥感影像分割多属于这一类型。
然而，更多学者倾向于从分割原理入手对分割算法进行分类。按照分割原理来分，可将遥感影像分割方法分为四类：一是传统的基于像元的分割方法，包括阈值法、最近邻法、聚类法等；二是基于边缘检测的分割方法，包括Canny算子，Sobel算子等；三是基于对象或区域的分割方法，包括像元合并等；四是基于物理模型的分割方法，这类方法由于原理复杂，通常较少采用。除此之外，在这些方法的基础上，又衍生出一些新的数学方法，也获得了广泛的应用。由于遥感影像通常是多波段的灰度图像，因此灰度图像分割方法扩展到彩色空间即可应用于遥感影像[1]。
2.1 基于像元的分割方法
阈值法是最简单的图像分割算法，一般单波段影像是由不同灰度级的像元所组成的，这一点可以从图像的直方图上明确看出，不同的灰度级都有对应的像元数量，选择合理的阈值就可以将图像分割为若干对象区域[2]。这种方法原理简单，不需要先验知识，设计容易且速度快，特别是当影像上感兴趣目标所在区域的灰度值与周围相差很大时，能有效地执行分割。但是当影像中像元间的灰度差异较小，或者灰度范围重叠较大时，这种方法的结果往往不够理想。根本原因，就是阈值法只考虑了像元灰度这一单一属性，忽略了其他诸多信息，所以这种方法在对高分辨率遥感影像进行分割时，难以扩展到多波段彩色空间，因此较少被采用[3]。
2.2 基于边缘检测的分割方法
基于边缘检测的分割方法通常是寻找影像中灰度值突变的地方来确定局部区域的边缘。这种突变可以通过对影像灰度变化求导来检测到边缘位置，例如一阶导数的峰值点和二阶导数的零点位置。常用的一阶算子有Roberts， Prewitts， Sobel算子等，二阶算子有Laplacian，Canny等。由于这些算子对噪声异常敏感，因此在对图像进行边缘检测前要先进行影像滤波，但实际上滤波会在一定程度上降低边缘检测的精度。边缘检测法的另一个难点是在于生成一个封闭边界，特别是在边界模糊或者边界过多时，很难获得一个理想的闭合边界。
2.3 基于区域的分割方法
基于区域的分割方法主要是依据像素之间的相似性来形成局部区域，从而获取分割结果。这类方法按照分割方向可分为两类，一类是区域生长，另一类是区域分裂（与合并）。区域生长是从影像中选取若干像元作为种子，然后从这些种子出发，选取适当的相似性度量，来对种子邻域的像元进行判断，将相似的邻域像元与对应种子连接，如此重复，直到所有像元被归并到相应的种子区域中。而区域分裂是从整幅影像出发，将同质性较差、异质性较强的区域分裂开，形成子区域，然后继续对子区域进行区域分裂，如此重复，直至所有子区域都被视为满足条件的同质区域，则分裂停止，在分裂的基础上，也可以结合区域合并共同应用。基于区域的方法对噪声不敏感，而且容易扩展到多波段的遥感影像上，因此，这类方法在遥感中常常被采用。
该类方法随着德国Definiens Imaging公司商业化遥感影像处理软件易康（eCognition）的诞生，而引起了广泛的关注。易康软件中基于面向对象的思想提出了一种分形网络演化算法（FNEA），结合模糊分类的理论，通过多参数的调节来不断的优化多尺度分割的结果，是目前该类算法中效果最好的。
2.4 基于物理模型的分割方法
影像的物理模型是从影像的成像过程得来的，物理模型描述了影像数据与真实地表特征、大气作用、光照条件及成像硬件设备等因素之间的关系。对于高分辨率影像而言，由于其丰富的地表细节信息，使得外界条件变化，包括太阳光照射、阴影等因素，对其成像过程产生较大影响，加之“同物异谱”和“异物同谱”现象的存在，使得获取较好的影像分割结果变得异常困难。因此，通常的基于物理模型的方法，都要求满足一定的约束和条件，因此在应用中受到很大局限。但是，由于物理模型具有严格的解析意义，因此仍然是一个值得研究的方向。
2.5 其他方法
数字影像在实际处理中，往往被视作一幅影像矩阵，因此，可以结合矩阵论的思想来对基本分割方法进行扩展，以此提升分割结果的准确性。
基于数学形态学运算的分割方法已经被广泛应用到遥感影像中，包括腐蚀运算、膨胀运算、开运算和闭运算等。但是这种方法显然只能应用于单波段图像处理，因此往往要对多波段遥感影像获取主成分，然后对包含所需信息最多的主成分进行形态学运算。形态学最著名的分割方法就是分水岭算法[4]，其实质就是一个对二值图像进行连续腐蚀的过程，速度快但是容易产生过分割现象[5]。
基于马尔科夫随机场的分割方法，从统计学角度对原始影像进行重建，例如提取影像的纹理特征参数等[6]。
基于小波变换的分割方法，可以将数字信号转换为频率进行运算处理，可以较好地保持影像数据的结构信息。
深度学习的方法近来也被应用到影像分割中。深度学习是基于神经网络的方法，神经网络很早以前就被应用到图像处理和模式识别中。深度学习是将影像分割转化为其他问题，例如分类和能量极化等。但是深度学习方法需要大量的训练样本，而且训练时间较长，对于数据量较大的遥感影像，其效率会很低。
3. 结论与展望
遥感影像分割一直是遥感预处理过程中重要的一环，尤其是在进行影像分类时，如何提高分割精度始终是个难点。本文在调研了国内外诸多遥感影像分割方法的基础上，对其进行了归纳总结。事实上，对于高分辨率遥感影像而言，一个好的分割算法应该具有如下特点：首先，依据不同的应用目的，能够获得准确的地物边界；其次，在不同的尺度上，都能获得相对一致的邊界；第三，能够利用遥感影像的多维特征，例如空间、光谱、时间特征等；第四，算法效率较高，毕竟遥感影像的数据量较为庞大。
近年来，遥感技术的不断发展，使得遥感影像的空间分辨率已经进入亚米级时代，很多传统的分割方法已经无法满足高分辨率影像信息提取的要求。因此，遥感影像分割的未来发展方向应集中于以下几点：第一是在像元基础上，形成多尺度以及多层次的对象或区域，利用多尺度和多层次来丰富可用的影像特征；第二是将不同数据源的分割结果利用数据融合方法有机统一起来，形成更准确的分割结果体系；第三是将单波段的方法较好的扩展到多波段的彩色空间，甚至到高光谱数据中。
参考文献：
[1] V. Dey， Y. Zhang， and M. Zhong， A review on image segmentation techniques with remote sensing perspective： na， 2010.
[2] J. Jiang， Z. Zhang， and H. Wang， "A new segmentation algorithm to stock time series based on PIP approach，" in Wireless Communications， Networking and Mobile Computing， 2007. WiCom 2007. International Conference on， 2007， pp. 5609—5612.
[3] Y. Tarabalka， J. Chanussot， and J. A. Benediktsson， "Segmentation and classification of hyperspectral images using minimum spanning forest grown from automatically selected markers，" Systems， Man， and Cybernetics， Part B： Cybernetics， IEEE Transactions on， vol. 40， pp. 1267—1279， 2010.
[4] Y. Tarabalka， J. Chanussot， and J. A. Benediktsson， "Segmentation and classification of hyperspectral images using watershed transformation，" Pattern Recognition， vol. 43， pp. 2367—2379， 2010.
[5] M. Pesaresi and J. A. Benediktsson， "A new approach for the morphological segmentation of high—resolution satellite imagery，" IEEE transactions on Geoscience and Remote Sensing， vol. 39， pp. 309—320， 2001.
高空间分辨率 篇4
阴影是高空间分辨率遥感影像上最常见的问题之一,它是指成像光线被障碍体完全或者部分遮挡的成像区域。与被遮挡区域不同,影像阴影区域内仍有信息,只是亮度和颜色与周边的影像不一致,在经过适当的处理以后,影像质量可以得到一定程度的改善,从而提高目标信息的提取精度。因此如何有效地减少或去除阴影的影响,在遥感影像的预处理中是十分重要的问题。本文首先分析了遥感影像阴影的几何特征和光谱特征;然后利用光谱中的亮度阈值进行阴影检测;接着对检测出的阴影区域利用灰度线性映射的方法进行阴影补偿;最后对2组样本数据进行了实例分析。
1 高空间分辨率遥感影像阴影处理的研究现状
目前,关于阴影的研究成果主要体现在阴影检测和阴影消除2个方面。
在阴影检测方面的研究成果主要分为2类,分别为基于物体形状特性和基于阴影特征的阴影检测[1]。基于物体形状特性的检测方法是通过已知场景和目标物的三维空间结构特征和光源特性的角度等信息来检测图像中的阴影区,利用这些条件可以比较精确地计算出阴影的形状和位置,但是在实际中操作起来很困难;而基于阴影特征的检测方法具有较普遍性,识别阴影的依据是非阴影区图像所表现出来的亮度特征,几何结构特征以及色彩特征与非阴影区域的差异性,方便易操作。
对于影像中的阴影消除一般采用补偿阴影区域信息和基于积分的阴影去除方法。阴影区域信息补偿法是通过亮度信息,对阴影区域的RGB分量进行调整,以达到阴影补偿的目的,方法简单效果不错,是一种被推广的研究方向;而基于积分的阴影去除方法的优点在于能够保留阴影区域中图像的细节,具有较好的视觉效果,缺点在于算法复杂度高,并可能造成部分图像失真,甚至导致图像具有人工痕迹(artifacts)[2]。
2 高空间分辨率遥感影像阴影的检测与补偿
2.1 遥感影像阴影的特征分析
一般来说,由于阴影区域光线被部分遮挡,阴影区域较非阴影区域具有较低的灰度值[3]。而且在遥感图像中,阴影区和非阴影区灰度直方图呈双峰曲线。在如图1(b)的示例中,双峰之间的谷值可以认为是区分阴影区与非阴影区的阈值。
2.2 遥感影像阴影的检测
由阴影特征可知,非阴影区的亮度值比阴影区域的亮度值高,图像中的某像素点的亮度值和背景像素亮度值相减为正数的像素点不可能是阴影,图像中某点的像素与背景像素点的亮度值差分低于一定值t(t为负)时,则将该像素点认为是阴影,所有阴影像素点的集合区域,即为阴影区域[4]。基于亮度的阴影检测公式为:
式中:(x,y)为像素坐标;1为阴影点,0为非阴影点;IF(x,y)为被检测图像像素点的亮度值;I(B(x,y))为背景图像像素点的亮度值;t为考虑噪声设定的灰度阈值。
计T=t+I(B(x,y)),故当IF(x,y)<T 时,待检测点即为阴影点。因此本算法的关键是计算阈值T并保证其可靠性。
根据基本原理,阈值T的选取是非常重要的。可以利用包含阴影区域的遥感影像呈现出双峰特性的特点,得出遥感影像直方图中的阈值T来检测图像中的阴影。
图1(b)是一幅带有阴影的遥感影像的灰度直方图,由图1(b)可以很清晰地看出,图中有非常突出特征的双峰曲线,在这2个峰值区域,靠近较高的峰值区域是图像信息集中的主要区域,也是图像中非阴影区域部分。由于正常无阴影的遥感影像,其灰度直方图应该近似为平滑曲线,或亮度信息均匀分布。所以,靠左边的峰值区域可以认为主要是阴影区域造成的,而事实也确实如此,基于亮度的提取,正是基于这一特点,以双峰之间区域的灰度值为分界点,将低于该灰度值的像素判为阴影区域。对于双峰之间区域阈值的选取主要依赖于直方图的分析。
对于直方图的分析主要依照以下2个原则:①如果直方图中的高低波峰距离较远,那么在两波峰之间必然会出现一个波谷,此波谷的位置所对应的灰度值即可作为区分阴影区和非阴影区的阈值;②如果直方图中的高低波峰之间的距离较近,那么在两波峰之间可能会出现另一个小波峰,该波峰的位置所对应的灰度值也可作为区分阴影和非阴影的阈值[5]。
2.3 遥感影像阴影的消除
遥感影像亮度等信息的太阳光直射函数和地物反射函数具有不同的波谱特性[6]。阴影主要是因为遮挡物挡住了太阳光,使得太阳直射光照不足引起的,从而造成对应区域像素点亮度小、色彩信息缺乏等特点,就相当于对阴影区的地物反射函数经过一个较小函数变换[7,8]。因此只要在原始图像阴影区域反射函数的基础上,乘以一个较小的补偿函数,并顾及色彩信息,就可以实现对阴影区的信息补偿。
阴影补偿的实质是对图像的阴影区域进行增强,包括对于亮度的增强和对色彩的增强。阴影区域增强的方法分为空间增强方法和频率增强方法两类,空间增强是以对图像的像素点进行直接处理为基础的增强。空间域处理可用下式表示:
式中:f(x,y)为输入图像像素点亮度函数;g(x,y)为处理后的图像像素点的亮度函数;A为对f一种函数操作;(x,y)是图像像素点对应的位置。
由于影像上亮度值是局部均匀的,因此对于亮度的补偿应该采用分段线性变换的方式,即:
式中:M为图像区域的最大亮度;k1、k2、k3为分段直线的斜率,通过对a、b控制参数(b≥a)的调整,可实现对任一亮度区间的扩展或压缩。一般情况下a为图像灰度直方图的左峰峰值;b为图像灰度直方图的右峰峰值;k为各对应区域临近非阴影像素点与阴影像素点灰度值的比值。
采用上述方法,对图2(a)进行分段灰度线性变换,使图像亮度值得到调整。这里分3个部分进行线性变换,包括左锋区域、中间小峰值区域和右峰区域。左锋区域的灰度区间为[0,60],中间小峰区域的灰度区间为[60,100],右峰区域的灰度区间为[100,180]。将此3部分作为输入图像,通过线性函数映射的处理对应输出图像的灰度值分别为:[0,120]、[120,130]、[130,226],经过灰度级线性变换处理后,图像的整体变亮了,且中间区域缩小了。再次调整进行亮度的分段补偿, 去除中间区域使其分布更均匀,得到最后的处理效果。
图2(a)的灰度直方图,选取合适的分段变换函数,可以使整体亮度右移,结果见图2(b)。
3 阴影处理实验及结果分析
采用基于亮度的阴影检测方法对遥感影像中的阴影部分进行检测,并采用灰度线性映射阴影补偿的方法对阴影进行处理。采用两组样本数据进行实验,第一组是Worldview-2影像,见图3(a)。
图3(a)是一幅Worldview-2的遥感影像图,于2010年3月拍于中国杭州上空,空间分辨率为0.5 m。由于城市道路两旁有大量的高建筑物,遮挡住了直射太阳光而在路面形成了大量的阴影,给阴影区域中的地物信息如(道路,标志标线,车辆等)的识别造成了困难,使得本文后面研究的车辆分类的精度难以保证,因此为了使阴影区域中车辆信息显示更加清楚,尽量减少阴影对后续车辆提取的不利影响,需要对影像中的阴影区域进行检测和处理。
1) 利用基于亮度的检测的方法对此遥感影像进行阴影检测。根据遥感影像的灰度直方图,得到阴影图像的双峰曲线,根据上文中阈值的选定方法认为选取亮度阈值等于40是检测阴影区域的最佳值,检测结果如图3(b)。
在图3(b)中,黑色线条标出部分表示阴影区域的边界,与原影像(图3(a))比较可以看出,图3(a)中的阴影区域大部分都被正确地检测出来了,证明基于亮度的阴影检测方法是有效的;但是,原图中某些亮度较低的非阴影区也被当作阴影检测出来了。
2)利用灰度线性映射阴影补偿的方法进行阴影消除处理利用灰度级线性变换对图像进行增强,选择分段函数适当增强阴影区域,抑制非阴影区。
在图3(c)中,与原始影像(图3(a))相比,非阴影区域的改变甚微,阴影区域却有较大改善,虽然没能完全消除影像中的阴影,但阴影区域的信息已经有所增强,使阴影区域中的地物目标更加清晰,因此说明这种方法是能够有效改善阴影区域信息的。
基于亮度的阴影检测方法和灰度级线性变换的阴影补偿方法在处理本实例影像时,可以很好地把原本阴影所造成的影响很大程度上减弱。
第二组数据是2011年3月11日拍摄于罗马的0.41 m空间分辨率的Geoeye-1遥感影像。阴影处理结果见图4。
由上述2组数据可以看出通过对本研究中所使用影像的道路区域阴影的处理,可以较清楚地看到阴影区域内部的景物,是行之有效的方法。
4 结束语
阴影处理对于阴影区域车辆提取研究来说有着至关重要的作用,是后续研究的基础。阴影检测不仅为后续的阴影消除确定了阴影区域,也为车辆提取限定了研究区域;阴影消除处理更是为了增强阴影区域内车辆信息,方便车辆的识别和分类,保证车辆提取的精度。
参考文献
[1]陈绍武,唐亮.基于边缘特征和模糊理论的阴影检测[J].微计算机信息,2007,23(3):122-124.
[2]程伟,田庆久.高分辨率遥感影像阴影检测与补偿的主成分分析方法[J].遥感学报,2007,10(3):151-159.
[3]高龙华.高分辨率影像阴影校正模型研究[J].计算机工程与应用,2005,41(11):56-60.
[4]黄浩,马雪梅.基于影像融合的IKONOS影像阴影信息自动提取方法[J].遥感信息,2004,4(4):99-103.
[5]虢建宏.遥感影像阴影多波段检测与去除理论模型研究[J].遥感学报,2006,10(2):121-124.
[6]Gevers,Stokman.Transactions on pattern analysisand machine intelligence[J].NSTL,2004,26(1):11-14.
[7]Pan F,Wang X Y,Wang Q Q.Human detectionbased on head and shoulde feature in intelligent sur-veillance system[J].Journal of Zhejiang University(Engineering Science),2004,38(4):397-401.
高空间分辨率 篇5
【摘要】目的提高对肺气肿并发肺炎高分辨率CT表现的认识。方法回顾性分析经临床确诊的21例肺气肿并发肺炎和30例单纯肺炎病人的临床资料、CT和HRCT表现，并进行对比分析。结果肺气肿并发肺炎组与单纯肺炎组的临床症状、体征和实验室检查结果差异无显著性，但肺气肿并发肺炎病人中15例吸烟，占71%；单纯肺炎病人中5例吸烟，占17%。21例肺气肿并发肺炎病人的CT和HRCT表现为单发或多发肺实变，实变内伴有假蜂窝征，少见支气管充气征；30例单纯肺炎病人表现为单发的叶段实变，实变内伴有空气支气管征，实变周围伴有腺泡结节和磨玻璃密度影。结论肺气肿并发肺炎与单纯肺炎有不同的HRCT表现，认识这些影像特点对临床诊断和治疗有重要价值。
【关键词】肺气肿；肺炎；体层摄影术，X线计算机
【中图分类号】R725.1【文献标识码】B【文章编号】1005-0019（2015）01-0020-01
肺气肿并发肺炎与单纯肺炎的临床和X线表现不同。CT广泛应用于临床后发现，肺气肿并发肺炎的CT和高分辨率CT表现不同于单纯肺炎，本文对一组肺气肿并发肺炎和单纯肺炎病人的CT和HRCT表现进行对比分析，旨在提高对肺气肿并发肺炎的HRCT征象的认识。
1资料与方法
1.1一般资料临床确诊为肺气肿并发肺炎病人21例，男15例，女6例；年龄41～79岁，平均63.5岁。肺气肿的诊断均符合慢性阻塞性肺疾病诊治规范标准，HRCT上分为小叶中心型、全小叶型和间隔旁型3种亚型。肺炎根据临床症状、体征、影像学表现和实验室检查确诊。
1.2检查方法由肺尖至肺底进行常规螺旋CT扫描后加做HRCT扫描或容积数据高分辨率CT重组。扫描机采用GEMedicalSystemLightspeed16or8多层螺旋CT机。MSCT的扫描方法为：准直1.25mm×8.00mm，螺距1.35，每圈0.8s，120kVp，130mA，每圈13.5mm，获得容积数据。然后进行两种算法重建：标准算法重建，层厚5mm，间隔5mm，视野33cm×33cm，矩阵512×512；骨算法重建，层厚1.25mm，层距10mm，所得图像为VHRCT重组图像。HRCT扫描方法：准直1.25mm，层距10mm，120kVp，200mA，骨算法重建，FOV33cm×33cm，矩阵512×512。获得的图像分别用肺窗和纵隔窗显示，肺窗窗宽为1000～1500Hu，窗位为-600～-700Hu；纵隔窗窗宽为300Hu，窗位为50。在图像存储与传输系统上，由两位医师共同完成阅片。
1.3资料分析由两位高年资胸部影像诊断医师分析病人的临床资料、吸烟史、CT和HRCT表现。CT和HRCT主要观察病灶的部位、形态。将肺气肿并发肺炎时实变区内出现的簇状囊性密度减低区称为假蜂窝征，以与肺间质纤维化时形成的蜂窝征相区别。统计学处理采用计数资料的卡方检验。
2结果
2.1肺气肿并发肺炎和单纯肺炎的临床资料比较肺气肿并发肺炎和单纯肺炎的临床症状、体征和实验室检查结果等的差异无显著性；肺气肿并发肺炎组的吸烟者多于单纯肺炎组，差异有显著性。肺气肿并发肺炎组行细菌培养7例，其中3例检测到G-菌株；单纯肺炎组行细菌培养13例，其中4例检测到G-菌株，未培养出G+菌株。
2.2肺气肿并发肺炎与单纯肺炎的CT和HRCT表现比较肺气肿并发肺炎和单纯肺炎在分布上无不同，但肺气肿并发肺炎组为肺多叶受累，而单纯肺炎组以单叶受累为主，差异有显著意义。两组肺炎的CT和HRCT均表现为单发或多发肺实变，但肺气肿并发肺炎组实变内伴有假蜂窝征，少见支气管充气征；单纯肺炎组叶段实变内伴有空气支氣管征，实变周围伴有腺泡结节和磨玻璃密度影。
3讨论
3.1肺气肿并发肺炎的临床和影像学特征本文结果表明，肺气肿并发肺炎的临床特点与单纯肺炎无明显差别，二者临床上都可见到发热、咳嗽、咳痰、肺部湿音和白细胞升高等，但肺气肿并发肺炎组吸烟率显著高于单纯肺炎组。有研究表明，长期无症状吸烟者肺小叶中心型肺气肿和间隔旁型肺气肿的发生率高于非吸烟者，这些肺气肿的亚型仅在HRCT上可见到，并且往往无肺功能改变。现在公认吸烟是肺气肿的主要病因。吸烟能使支气管上皮纤毛变短、不规则，纤毛运动发生障碍，降低肺泡吞噬细胞的吞噬、灭菌作用。长期吸烟和（或）肺气肿病人感染条件致病菌较易引起肺炎。
3.2肺气肿并发肺炎的诊断和鉴别诊断肺气肿并发肺炎诊断一般不困难。原有肺气肿和长期吸烟史、实变内出现假蜂窝征、实变周围或（和）对侧对称部位的肺内可见小叶中心型肺气肿和全小叶型肺气肿，可诊断肺气肿并发肺炎。但有时肺气肿并发肺炎需与肺结核、肺间质纤维化等鉴别。肺气肿并发肺炎如果呈单发的节段分布，在结核的好发部位和实变内出现假蜂窝征时，在初期不易与肺结核相鉴别。在HRCT上发现病灶的周围区出现小叶中心结节或树芽征、支气管壁增厚等征象时支持肺结核诊断。
参考文献
[1]张荣葆，何权瀛，周述娜，等.肺气肿并发肺炎与普通肺炎的临床特点分析[J].临床内科杂志，2001，18（5）：340-342.
[2]中华医学会呼吸病学分会.慢性阻塞性肺疾病诊治规范[J].中华结核和呼吸杂志，1997，20（3）：199-203.
高空间分辨率 篇6
断层延伸到第四系后, 由于相对落差较小, 埋深较浅, 第四系松软地层未胶结成岩, 层间波阴搞差异较小, 地层深积中薄层、夹层和互层等地质现象多, 各个不同地层界面产生的反射波相互干涉叠加形成复合波, 只有在较高的分辨率和信噪比的时间剖面上才能保证对断层的两侧地层产生的反射波组进行正确追踪, 可靠地确定断层的位置和产状。城市特定的人文环境, 如市区的强烈的背景干扰、密集的建筑物、地下密布的管网等等, 均要求震源具有较强的抗干扰能力。
1 勘探地球物理技术现状
近年来, 随着物探行业装备的发展, 以高分辨率地震、高精度3D地震、叠前偏移成像、山地地震、高精度重磁等为代表的勘探地球物理技术, 在国内外已卓有成效地用于查明各种复杂构造油气藏和隐蔽油气藏, 在油田勘探与开发中正发挥越来越重要的作用。
1.1 高分辨率地震勘探发展
高分辨率地震勘探技术是一个系统工程, 包括地震采集、资料处理、解释等。经“七五”、“八五”和“九五”的技术攻关, 我国的高分辨率地震勘探技术已处于国际前列, 如在野外采集中的激发、接收及录制技术等方面, 以及处理中的去噪、静校正、反褶积和偏移成像等方面, 已形成了与高分辨率地震勘探相配套的实用生产技术。
2 高分辨率地震采集技术的应用
高分辨率地震采集技术现在已成为研究油气层勘探的主要探测方法, 主要进展体现在地震波激发、地震波接收、采集方法论证等, 以及资料分析噪音压制等后期处理方面。
2.1 地震波激发对比
在野外勘探中激发震源是地震勘探的根本, 地震波的质量将直接影响到资料的分辨率, 在高分辨率地震勘探中使用的激发震源产生的子波应满足以下条件:宽频带、高主频、高信噪比, 下面我们就来对近年来城市中施工的主要的几种常用震源进行一下对比分析。
围绕如何能提高高频信号的能量, 并且充分利用炸药的激发能量, 减弱表层干扰波的能量和对地面设施的破坏作用, 我们研制了大量的特殊激发震源。如垂直延迟叠加震源, 利用单点小药量激发高频成分相对丰富的原理, 克服了城区中施工小药量能量不足的缺陷, 从而提高资料品质。可控震源车则通过爆炸能量锤撞击地层, 产生相对较强的地震波能量, 从而带有较好的定向性。这些特殊激发震源的应用, 可以较好地解决普通炸药震源能量转换效率低, 产生次生干扰大的难题。而且这些特殊震源能有效提高激发信号频率, 增加有效波能量, 减少干扰波能量。下面我们对这几种城区施工中常用的几种激发震源做一下资料品质对比。图1-1a为普通炸药震源, 图1-1b为可控震源锤, 图1-1c为延迟叠加震源。
可以明显地看出延迟叠加震源的扫描记录无论频率宽度还是信噪比都是最高的, 爆炸地震锤较之次些, 普通炸药震源最低。
为了采集到深层的地震信号应尽量地选用垂直延迟叠加震源以增加其向下传播的能量等。
3 结果语
虽然在结论上, 迟叠加震源无论频率宽度还是信噪比都是最高的, 但在城区中施工还是会受一定的环境因素所影响, 在实际应用中还要针对不同的地表条件, 选择不同的激发震源。
高分辨率道路影像提取的研究现状 篇7
具有代表性的基于边缘的道路提取方法主要有:贾承丽, 赵凌君等 (2008) 先通过Frost滤波器去相干斑, 然后利用乘性Duda线特征检测算子进行线特征检测, 接着利用Radon变换进行线基元提取, 再利用遗传算法进行线基元连接, 最后利用蛇模型调整道路位置并进行道路鉴别。Sahar Movaghati, Alireza Moghaddamjoo等使用UNSCENTED KALMAN滤波器处理道路的非线性, 从通过UN-SCENTED KALMAN滤波器预先处理当前状态中分解测得的系统, 最后提取一种基于聚类的分类方法沿着路的方向维持道路的形状, 用来跟踪道路。Poz D, Vale A P. (2003) 使用修改了“代价”函数, 并且改进了的动态规划算法提取道路信息, 同时增加了约束条件道路边缘特征, 使之更适用于从中高分辨率影像上提取道路。
基于区域分割的道路提取主要方法有:潘建平, 邬明权等 (2008) 先将遥感图像二值化后, 再进行噪声滤除、形态学边缘检测和边缘连接, 得到完整的道路网。朱长青, 杨云等 (2008) 通过改变影像矩形方向、分割阈值和矩形宽度的条件, 从矩形的外部和内部进行整体的匹配, 使得矩形满足最佳匹配原则, 从而提取出道路。A.Grote, M. Butenuth, C. Heipke (2007) 根据目标的色彩信息和边缘信息将影像分割成为很多个较小的区域, 然后依据不同的标准将小区域合并形成道路条带。Youchuan Wan, Shaohong Shen等 (2007) 首先顺着多切不同的方向, 计算与当前点光谱比较相近的线段长度, 然后分别以最短的、最长的长度和光谱矢量来进行分类特征值, 取得粗略道路类。Xuemei Ding, Wenjing Kang等 (2006) 以交叉熵作为分割的基本功能模块, 用其作用于整幅图像及多个不重叠的子图, 分别取得全局阈值及每个窗口的局部阈值, 然后根据一定的准则调整各个局部阈值, 并用局部阈值分割各个窗口的影像。分割结果需要细化以及连接。Ali Mohammadzadeh, Ahad Tavakoli等 (2006) 用人工方法确定一个路面点, 以此点的各波段亮度值作为道路类统计均值的初值, 在初值附近逐步改变数据并计算总体代价函数值, 使得总体代价最小的数值用于分割道路。Qiaoping Zhang, Is-abelle Couloigner (2006) 首先使用K均值法将光谱影像划分为不同种类, 接着再用模糊归类手段来把道路类自动识别, 然后通过计算粗分的道路类的二值多角度纹理值及相应的形状系数, 最后用模糊归类方法区分混分为建筑物的道路的停车场。Jin Xiaoying, DAVISC.H. (2005) 将道路分为了城市道路和郊外道路两个部分, 城市道路采用边缘信息化处理并进行提取, 郊外部分则运用K均值来进行分类, 对分类后的道路再进行后处理以得到郊区道路。汪闽, 骆剑承, 周成虎等 (2005) 利用随机纹理模型与支撑向量机来进行分类的方法提取道路网络。Mingjun Song and Daniel Civco等 (2004) 先将像素划分为非道路和道路两大类 (用SVM方法) , 然后在粗略分类的道路类别中增长进行区域, 相似准则把光谱相似性, 形状相似性都在进行区增长时考虑到了。史文中等人 (2002) 通过一系列的实验确定了一阈值, 先以此阈值把道路影像二值化, 然后把粗糙道路条带使用直线段匹配法处理, 最后使用数学形态学手段来提取道路中心线。
同时利用分割信息和边缘的提取方法研究相对是比较少的, 具有代表性的分别有:
(1) 李晓峰, 张树清等 (2008) 提出一种高分辨率遥感影像上提纯道路信息的方法, 是基于面状道路、相互验证边缘和辅助的思想。
(2) 梅天灿, 李德仁, 秦前清 (2005) 提出了一种结合直线特征和区域识别线状目标的方法。
(3) HELLWICHO, WIEDEMANN C (2003) 强调的是利用融合多源数据的有利之处。
从以上分析可知, 已有的方法都有自己特定的应用范围和局限性, 一般只适用于提取较为简单清晰的道路, 因此非常需要探讨适合提取多数道路的新思路和新方法。
在高分辨率遥感影像中纹理信息的应用是比较丰富的, 遥感纹理的特征使其在高频信息在图像上的空间分布情况有这主要的作用。纹理特征则主要是用来区分目标的作用。用来识别地物和确定地质构造的重要信息的地形、地貌特征, 都是纹理所反映的。在遥感图像纹理分析过程当中引入纹理特征, 把光谱特征和纹理特征很好地结合起来, 增强地质体和地质现象的可区分性。并结合实际的地物情况做出的合理的解释, 所以很多道路边缘信息提取的方法采用基于纹理的分割方法。
参考文献
[1]贾承丽, 赵凌君.基于遗传算法的SAR图像自动道路提取[J].中国图象图形学报, 2008, 13 (6) :1134-1142.
[2]Sahar Movaghati, Alireza Moghaddamjoo, Ahad Tavakoli, Using Unscented Kalman Filter for Road Tracing From Satellite Images[C].Second Asia International Conference on Modelling&Simulation, 2008:379-384.
[3]Renaud P, Thierry R.Multi-resolution snakes for urban road extraction from Ikonos and Quickbird Images[C].Proceedings of the23rd EARSe L Symposium, 2003:69-76.
高空间分辨率 篇8
关键词：遥感卫星,分辨率,微波遥感
1 引言
遥感卫星是对地球大气的各种特色和现象进行观测的人造卫星。包括气象卫星, 地球资源卫星, 海洋观测卫星, 环境监测卫星和侦查卫星等。遥感卫星在空间利用遥感器收集地球和大气目标辐射或反射的电磁波信息, 并记录下来, 由信号传输设备发送回地面进行处理和加工, 判读地球环境资源和景物等信息。遥感卫星由卫星平台, 遥感器, 信息处理设备和信息传输设备组成。
2 世界遥感卫星
世界光学卫星美国领跑, 拥有目前世界最高分辨率 (0.41米) 和定位精度 (3米) 的商业光学卫星Geo Eye-1。以及多颗顶尖高分辨率立体测图卫星;近年来欧洲及亚洲部分国家都陆续拥有了自己的光学卫星, 并积极研制高分辨率光学卫星已取得多项成果。全球雷达卫星百花齐放, 北美以加拿大的RADARSAT卫星最具代表性;欧空局、德国、意大利等以及亚洲的日韩等国家都拥有自己的高质量雷达卫星。
2.1 美国系列遥感卫星
Lansat系列陆地卫星, 70年代开始研制并发射, 星上携带的传感器由Landsat-1~2上的RBV改成Landsat3上的两台并列式, Landsat-4开始取消了这种传感器。Landsat-1~5上都携带的传感器为多光谱扫描仪MSS, 其数字产品是MSS磁带, 地面分辨率是80m。Landsat-4~5上携带的专题绘图仪传感器TM波普范围比MSS大, 工作波段多。IKONOS于1999年发射, 空间分辨率全色波段1m, 多光谱波段4m, 影像光谱频带, 全色波段为0.45-0.90微米, 多光谱波段, 蓝0.45-0.52微米, 绿0.52-0.60微米, 红0.63-0.69微米, 近红外0.76-0.90微米。Quick Bird卫星, 数据成像方式为推扫式成像, 传感器全波段分辨率0.61米, 波长450-900nm, 多光谱分辨2.44米, 蓝、绿、红、近红外波段分别为:450-520nm、520-600nm、630-690nm、760-900nm。
2.2 法国SPOT系列遥感卫星
法国的SPOT卫星系列采用的长线阵CCD探测器, 在遥感器类型及采用的技术等方面具有很强的继承性, Spot1, 2, 3上搭载的传感器HRV具有多光谱XS具和PA两种模式, 其余全色波段具有10m的空间分布率, 多光谱具有20m的空间分布率。Spot4上搭载的是HRVIR传感器和一台植被仪。Spot5上搭载包括两个高分辨几何装置 (HRG) 和一个高分辨率立体成像装置 (HRS) 传感器, 空间分辨率最高可达2.5m, 前后模式实时获得立体像对, 运营性能有很大改善, 在数据压缩、存储和传输等方面也均有显著提高。
2.3 欧空局ERS系列遥感卫星
ERS-1 ERS-2欧空局分别于1991年和1995年发射。携带有多种有效载荷, 包括侧视合成孔径雷达 (SAR) 和风向散射计等装置) , 由于ERS-1 (2) 采用了先进的微波遥感技术来获取全天候与全天时的图象, 比起传统的光学遥感图象有着独特的优点。
2.4 日本JERS卫星
JERS-1载有合成孔径雷达和高分辨率的多光谱辐射仪, 合成孔径雷达的距离分辨率和方位分辨率都为18m;光学传感器有8个波段, 距离分辨率为l8.3m, 方位分辨率为24.2m。
2.5 加拿大RADARSAT卫星
RADARSAT卫星是加拿大于1995年11月4日发射的, 它具有7种模式、25种波束, 不同入射角, 因而具有多种分辨率、不同幅宽和多种信息特征。适用于全球环境和土地利用、自然资源监测等。
3 我国的遥感卫星
中巴地球资源卫星 (CBERS) 是我国第一代传输型地球资源卫星, 包含中巴地球资源卫星01星、中巴地球资源卫星02星和中巴地球资源卫星02B星三颗卫星组成, 中国资源卫星应用中心负责资源卫星数据的接收、处理、归档、查询、分发和应用等业务。三颗卫星分别于1999年10月14日、2003年10月21日、2007年9月19日成功送入太空。星上搭载了CCD传感器、IRMSS红外扫描仪、广角成像仪, 提供了从20米-256米分辨率的11个波段不同幅宽的遥感数据, 02B星是具有高、中、低三种空间分辨率的对地观测卫星, 搭载的HR相机具有2.36米的分辨率。资源三号卫星于2012年1月9日升空, 是利用经过适应性改进的资源二号卫星平台, 装载2.1m分辨率正视全色CCD相机、3.5m分辨率的前后视相机和分辨率为5.8m的多光谱相机, 与现有的资源类遥感卫星相比, 资源三号测绘卫星图像分辨率高、图像几何精度和目标定位精度较高, 并具有的1:5万比例尺的立体测图能力。
4 展望
光学遥感和微波遥感未来的发展方向是:成像光谱仪和合成孔径雷达。成像光谱仪可从几十甚至几百个谱段获得精细的光谱信息, 结合实验室的光谱数据库可直接对地质、植物、水的性质与结构进行分析。合成孔径雷达则能穿透云雾, 甚至部分植被和土壤, 全天候全天时观测, 并能通过多频、多极化、多入射角等手段提高对目标的识别能力, 两种遥感器的应用和相互结合将开创遥感应用的新局面。遥感测量的功能将向探测、跟踪和监视等方面延伸和发展。对地观测将是结合GPS定位的高精度, 包括高、中、低空的立体观测系统, 并形成实时、现势的信息网络。发展遥感卫星对于地域辽阔、资源丰富和灾害频繁的国家有着特殊的意义, 由于遥感卫星能有效地服务于资源和环境方面的工作, 因而在中国可持续发展战略中, 应该对遥感卫星合理定位, 充分发挥其重要作用。
参考文献
[1]李德仁, 童庆禧, 李荣兴, 龚健雅, 张良培.高分辨率对地观测的若干前沿科学问题[J].中国科学, 2012 (6) .
[2]梁家琳.国内外遥感卫星发展动态[J].测绘技术装备, 2001 (2) .
[3]安培浚, 高峰, 曲建升.对地观测系统未来发展趋势及其技术需求[J].遥感技术与应用, 2007 (6) .
[4]李海峰, 郭科.对地观测技术的发展历史、现状及应用[J].测绘科学, 2010 (6) .
高分辨率液晶显示器的EMC设计 篇9
作为高分辨率液晶显示器,应具有高可靠性,能够在娱乐、工业、交通、教育等各个领域的各种复杂电磁环境下,正确地、不受干扰地工作。文章针对高分辨率液晶显示器应满足的电磁兼容要求,提出了高分辨率液晶显示器的电磁兼容设计方案。
1 环境分析和设计要求
在信息时代,复杂电磁环境特征主要表现在四个方面:信号密集、样式复杂、冲突激烈和动态交迭[1]。
高分辨率液晶显示器的电磁兼容设计时,不仅要考虑高分辨率液晶显示器与其他分系统能够正常工作,并具有不受其他设备的干扰,同时又不对其他设备产生严重干扰的能力;还要考虑雷电、静电放电、强电磁脉冲等各种复杂电磁环境对液晶显示器的影响。
目前复杂电磁环境适应性实验[2]分为四个方面:雷电类、静电放电类、电磁兼容类、强电磁脉冲类。根据目前已有相关的电磁兼容标准和高分辨率液晶显示器可能遭受的电磁兼容环境,高分辨率液晶显示器应满足的电磁兼容试验,主要包括:
(1)雷电类
由于在日常环境中不可避免会遭遇到雷电环境,例如要使一架具有现代化大规模集成电路、数字化设备的飞机出现灾难性故障,只需百万分之一焦耳级的能量。雷电的危害分为直接效应和间接效应[3,4]。由于高分辨率液晶显示器一般在建筑或设备的内部,需要对其进行雷电间接效应试验,即雷电感应瞬态敏感度试验。
(2)静电放电类
由于在正常操作和飞机维护时,可能有来自人体接触高分辨率液晶显示器的静电放电,静电放电可能损害高分辨率液晶显示器的敏感元器件,因此需要进行静电放电敏感度试验。
(3)电磁兼容类
作为高分辨率液晶显示器,应满足目前相关电磁兼容标准中的电源线传导发射试验、电源线传导敏感度试验、磁场辐射发射试验和电场辐射发射试验。
(4)强电磁脉冲类
强电磁脉冲类试验适用于安装在加固(屏蔽)的平台或设施的外部设备或分系统,而高分辨率液晶显示器一般位于建筑或设备的内部,因此不适用于高分辨率液晶显示器。
综上所述,高分辨率液晶显示器应满足的电磁兼容试验如表1所示。
2 电磁兼容设计方案
2.1 设计思想
电磁兼容设计的第一步,明确电磁干扰源并明确其影响大小。首先,屏蔽所有可能的电磁干扰源,然后依次有选择的暴露每一个潜在的干扰源,量化每个干扰源的影响,再采取相应的技术措施加以解决。航空器的液晶显示器的电磁兼容总体设计采用的技术主要有屏蔽、接地、滤波和设置保护器等。
2.2电磁干扰抑制技术
(1)屏蔽和接地
对于干扰源或敏感源(电路或组件)进行屏蔽,能有效地抑制干扰并提高电子设备的电磁兼容性。因此利用屏蔽体成为阻止或减少电磁能量传输的一种措施。
在屏蔽分析中,往往把屏蔽体当作理想导体,但实际屏蔽体具有一定的阻抗。屏蔽体自身阻抗越大,其屏蔽效能就越差。所以屏蔽体的材料应选用良导体,如铜、铝等。屏蔽体的厚度,一般取决于结构需要。
实际上,理想的屏蔽体是不存在的。显示模块的机壳有不同程度的屏蔽作用,尽管它并非是理想的屏蔽体。显示模块的机壳上通常有电源线、信号线、控制线等出入孔,出于操作、调节、显示、通风散热等目的,还需要在机壳的相应部位开孔。机壳又是由腔体和板等各种结构件构成的组合体,各结构件的连接处难免有缝隙存在。所有这些都会造成电磁能量的泄漏,降低机壳的屏蔽效能[5]。
针对高分辨率液晶显示器的结构,屏蔽机壳的电磁能量泄漏途径可归纳为下列2种:显示窗口和缝隙。
a) 显示窗口的屏蔽
显示屏窗口是电磁波泄露的主要途径,也是容易受外部电磁波干扰的主要窗口。在液晶显示屏前复合一层窗口屏蔽材料,以获得较完善的屏蔽。
目前,根据屏蔽材料不同,液晶显示屏窗口电磁屏蔽层技术主要有2种:采用透明金属丝网玻璃;采用具有AR减反/EMI屏蔽的镀膜屏蔽玻璃。
导电金属丝网的屏蔽效能与金属丝网的目数相关,目数越大,屏蔽效能越高,其优点是在频段10MHz~1GHz屏蔽效能达到40dB~60dB,在频段1GHz~7GHz屏蔽效能达到30dB~40dB;缺点是透光性率差,为80%左右,镜面反射率高,为2%~3%,漫反射率高,为0.5%~0.7%左右。
镀膜玻璃的屏蔽效能与其表面镀层的电阻率有关。电阻率越小,屏蔽效能越高,表面透光性就越差。其优点是透光性率高,为92%左右,镜面反射率低,为0.4%,漫反射率低,为0.02%左右。缺点是在频段10 MHz~1GHz屏蔽效能达到25dB~45dB,在频段1GHz~7GHz屏蔽效能达到20dB~30dB。
所以在选择窗口屏蔽材料时必须根据具体应用情况,兼顾上述要求,选择经济性、实用性最佳的。
b) 缝隙屏蔽
影响屏蔽完整性的另一个主要因素是屏蔽体上的接缝。要提高屏蔽体的屏蔽效能,就要求每一条接缝都应该是电磁密封的。实际由于接合表面不平,紧固件(如螺钉)之间存在不密封的空隙等,都会在金属板的接合处留下一些细长的缝隙,改善这些缝隙的电接触对屏蔽结构设计是至关重要的;提高缝隙屏蔽效能的结构措施有[5]:减小缝隙长度,在接合面加入导电衬垫;缩短螺钉间距。
(2)滤波
滤波技术是目前抑制电磁干扰常见、有效且经济的一种手段。显示器设计主要考虑电源滤波及信号滤波。
电源滤波器的主要作用不仅是消除传导干扰,对于抑制辐射干扰发射也是必要的。在模块的各级电源输入和输出端设计有滤波电容,确保电源输出稳定性和可靠性。在电路设计时,旁路电容尽量靠近芯片,减少噪声电压,减少电磁辐射源的影响。
电源滤波器安装在屏蔽壳体的电源入口处,并对电源滤波器加以屏蔽,屏蔽体应与外壳良好搭接[5],其安装结构如图1所示。
(3)设置电涌保护器
电涌保护器是电子设备雷电防护中不可缺少的一种装置。常用的电涌保护器的基本元器件有:充气放电管、压敏电阻、抑制二极管等。保护原理是:迭加在信号上的尖峰干扰信号首先由放电管去除,再由瞬态抑制器(压敏电阻)箝位,从而得到稳定的信号,如图2[6]。
(4)设置静电防护
静电防护的措施有两种基本方法:阻塞和转移[7]。
a)阻塞———静电放电容易在辅助电缆上产生共模电流和差模电流,为了阻塞共模感应电流,可以将共模扼流圈安装在PCB的电缆入口,如图3。
b)转移———利用齐纳二极管(瞬态抑制器)来转移电流,如图4。
2.3 明确高分辨率液晶显示器的干扰源及初步处理措施
根据上述设计原则,首先明确高分辨率液晶显示器的干扰源,根据干扰源的特点确定对应的抑制措施,具体如表2所示。
3 试验结果
在采取以上设计措施后,针对高分辨率液晶显示器进行上述电磁兼容试验。各项试验表明:高分辨率液晶显示器的各项电磁兼容指标满足表1的要求;电磁兼容测试要求及试验结果详见表3;图7为电源线传导发射测试曲线,实测曲线明显低于测试限值(红色),说明高分辨率液晶显示器采用的电源滤波器有效抑制了传导干扰,结果合格;图8为电场辐射发射测试曲线,实测曲线明显低于测试限值(红色),说明高分辨率液晶显示器采用的屏蔽、滤波和接地措施有效抑制了辐射干扰,结果合格。
4 结论
以高分辨率液晶显示器为研究对象,提出了高分辨率航空液晶显示器的电磁兼容设计方案。基于各种复杂电磁环境分析高分辨率液晶显示器需要满足的电磁兼容试验,主要提出了以下措施:
(1)高分辨率液晶显示器的外壳采用铝合金,高分辨率液晶屏显示面采用镀膜屏蔽玻璃,在镀膜屏蔽玻璃和外壳之间填充导电材料并确保导电连续,电缆端口采用屏蔽接头,外壳良好接地,通过了电磁场发射试验和电磁场抗扰度试验。
(2)电源滤波器安装在电源入口且电源滤波器需要屏蔽,该屏蔽体应与外壳良好搭接,通过了电源线传导发射试验和电源线传导敏感度试验。
(3)在电源滤波器与电源板之间上设置电涌保护装置和设置静电保护装置,通过了雷电感应瞬态敏感度试验和静电放电敏感度试验。
试验证明上述措施是有效可行的。在实际应用中,要注意镀膜屏蔽玻璃与外壳的导电搭接、电源滤波器的安装方式、壳体的可靠接地,才能使上述设计的作用得到有效发挥。
参考文献
[1]张先立,吕斌.复杂电磁环境下电磁兼容性设计[M].兰州:甘肃科学技术出版社.2006:3-18.
[2]许雄,汪连栋,曾勇虎,等.装备复杂电磁环境适应性试验问题探[J].航天电子对抗.2014,30(4):30-32.
[3]赵忠义,唐召胜,黄海龙.飞机舱内雷电电磁环境仿真研究[J].电波科学学报.2015,30(2):391-395.
[4]胡平道.机载电子电气系统雷电间接效应防护与验证[J].飞机设计.2009,29(6):48-51.
[5]吕仁清,蒋全兴.电磁兼容性结构设计[M].南京:东南大学出版社,1990:12-66.
[6]霍跃庆,王勃,高栋,等.雷电感应对机上电子设备的危害和保护策略[J].航空计算技术.2009,39(4):123-126.
高空间分辨率 篇10
环境光线调整功能照片模式
“照片”模式允许用户轻松调整被投射影像的质量，提高观看影像时的舒适感。在这个模式下，通过选择简单易用的预置设定，用户即可利用投影机的色彩等级和色彩温度功能精细调整色彩深度和颜色温度。另外，照片模式还具有环境光线调整功能，可针对不同光源类型，如钨丝灯，荧光灯，荧光灯H等和光线的强度(低，中或者高)，对各种环境光线进行补偿。环境光线调整功能非常适用于用户投影时无法控制环境光线的场合，如老师在教室里讲课，摄影家在艺术馆、画廊、艺术研讨会上展示他们自己的作品。“照片”模式允许用户更大限度地控制色彩还原和影像质量。
专用于医学领域的“DICOMSIM”模式
“DICOM SIM”模式是佳能根据医学数字图像通讯标准(Digital Imagingand Communications in Medicine，缩写为DICoM)中有关图像灰度显示标准的要求而开发的专有模式。在医学领域，数字X光片，核磁共振成像和断层扫瞄影像的细微灰度变化都会传递非常重要的信息。当在医学培训、演讲和会议中需要通过大画面向更多的观众展示医学影像中细微变化的时候，利用“DICOM SIM”模式可以帮助行业用户投射出如同胶片一般的，具有出色细节和清晰度的数字x光片，为更多的观众提供了具有专业灰度等级的高分辨率显示图像。
SX7 Mark Ⅱ让用户不再需要借助额外设备即可自行校正投影机灰度等级。新“DICOM SIM”模式中一共提供了21种不同等级的灰度过度。当在教室，会议室或其它需要大型投影展示的地点投射影像时，即使在不同的光线环境下，该模式依然能够帮助用户轻松校正灰度，显示出高分辨率，超平滑，无栅格的细腻影像，令使用更加灵活。
高分辨率LCOS技术和高亮度AISYS系统
SX7 Mark Ⅱ高分辨率投影机配有LCOS(硅基液晶)显示技术和佳能专利的AISYS(AspectualIlluminationSystem)光学系统。这项先进的技术融合了原生SXGA+(1400×1050)高分辨率和3700流明高亮度，投射出非常细腻的，无栅格的运动影像和静止图像。这样的组合使SX7 Mark Ⅱ非常适用于教室，会议室／董事会会议室，摄影工作室和学术研讨会和医学教育。
五款新品
近期，佳能还发布五款适用于教育和商务投影市场的液晶投影机新品。分别是采用了WXGA宽屏幕分辨率(1280×800)，支持16：9画面长宽比，具有3000流明亮度，节能设计和更长灯泡寿命的LV-8310，还有高亮度LCD投影机LV-7385和LV-7380和两款带有自动光圈技术的LCD投影机LV-7285和LV-7280。
高空间分辨率 篇11
高分辨率成像卫星在军事和民用领域的应用越来越广泛,以Worldview、Quick Bird、IKONOS为代表的商业遥感卫星每天都可以获取大量的高分辨率图像,但是实现对全球的动态监视,还必需对海量的遥感数据加以判读和解译。面对复杂多变的目标环境,如何高效准确地检测出感兴趣的目标,一直是遥感图像应用所面临的一个十分重要而又迫切需要解决的难题。尽管研究人员针对不同类型的遥感图像提出了各种各样的自动目标检测与识别算法[1,2],但是这些算法往往仅适用于特定类型图像,或者计算复杂度比较高,这与人在执行此类任务时所表现出稳健性和适应性有较大差距。
视觉注意是人类视觉系统(HVS)所具有的一种基于场景图像自身的显著性(Bottom-up)和基于对场景、目标及其相互关系的知识(Top-down)对视觉信息进行选择和过滤的过程。视觉注意机制能够帮助大脑滤除视觉场景中的干扰信息,并将注意力集中在感兴趣的目标上,从而对有限的信息处理资源进行合理分配,使视觉感知过程具有选择性。
基于显著图的视觉注意模型最初是由Koch和Ulman[3]提出的,后来Itti和Koch[4]建立了相应的计算模型。该模型首先根据场景图像提取颜色、强度、方向等多种底层图像特征,然后根据特征集成理论将这些特征融合起来得到一幅反映场景中各个位置视觉显著性的显著图,显著图中各个位置相互竞争,竞争获胜的位置成为注意焦点;通过对注意焦点的返回抑制实现注意焦点的转移。这种视觉注意模型非常真切的展示了视觉注意机制的一些重要特性,其结构也得到了电生理学领域中一些研究成果的支持[4],在处理真实自然场景图像时表现出非常好的性能,因此在计算机视觉、图像处理领域产生了较大的影响[5,6,7]。但是该算法主要针对自然图像而设计,直接应用于遥感图像时并不能得到预期的结果。张鹏[8,9]根据人类视觉系统的生理结构与认知特点,提出了一个基于自底向上视觉注意的遥感图像分析模型,但是该方法完全是自底向上的,没有使用目标的先验知识,要实现感兴趣目标的提取必须引入目标的有关信息。Kadir和Brady将信息熵与图像显著性相关联,提出了一种稳健的显著性区域提取算法[10],还开发了优化的Go Sal Scale工具包,但是该算法无法确定显著区域是否为感兴趣目标。
本文借鉴人类的注意机制,将自底向上与自顶向下两个视觉通路整合起来,提出了一种适用于高分辨率遥感图像的感兴趣目标提取算法。文章内容安排如下:第1节算法模型描述,其中,1.1描述基于谱残差的显著性表示方法,1.2显著目标的提取与感兴趣目标的鉴别,第2节分析本文方法在不同遥感图像上的实验结果,最后对全文加以总结与讨论。
1 算法描述
目标检测简而言之就是分析场景中的特定位置是否存在感兴趣的目标,一种途径是场景建模,通过分析场景模式,将与场景模式有较大差异的区域判决为目标,传统的统计检测方法可以归入此类。另一途径是目标建模,通过大量样本的学习,得到目标的计算模型,通过在场景中的搜索与匹配完成目标检测。对于高分辨率遥感图像而言,有较强适应性的统一的场景建模难度颇大,而目标建模又受制于学习样本的数量,这成了遥感图像处理系统的一个瓶颈。
针对这种情况,本文提出了一种新的感兴趣目标检测算法,首先通过分析图像的谱残差求取图像全局显著图,再利用视觉注意的全局竞争机制和返回抑制策略快速搜索显著图,即可实现无先验知识的显著目标提取;对于提取的显著目标,首先利用目标可能尺寸和形状等信息加以鉴别,剔除大量无关的显著目标,再利用感兴趣目标和非感兴趣目标在目标子空间上投影能量的差异,对显著目标作进一步鉴别,实现感兴趣目标的检测。算法流程如图1所示。
1.1 基于谱残差的目标显著性表示方法
图像中一个区域的显著性依赖于它自身和环境的差异,即图像中像元之间的相关性。根据视觉系统的基本准则,图像中相似的共同的特征不会得到重视,而不一样的新颖的特征则会突显出来。文献[6]指出自然图像的统计特性具有变换不变性:即将图像从原来的空间坐标变换到频率坐标系中后,图像在空域中具有的统计特性在频域中仍然保留,这种不变性恰好保证了采用能量谱来刻画自然图像空间相关性的可靠性,通过分析输入图像的对数谱(Log-spectrum),在频谱域上提取一幅图像的谱残差,并提出一种在空间域上构建相应的显著图的快速算法。其基本处理过程[6]如图2所示,首先对图像进行傅氏变换,分别得到图像的相位谱P(f)和对数幅度谱Log[A(f)],然后用n×n的均值滤波器H(f)将对数幅度谱加以平滑,从而得到对数幅度谱残差,与相位谱一起构成新的图像频谱,再进行傅氏反变换即得到显著图。
该算法与Itti的算法[4]相比,在计算速度和检测效果上都有一定的优势,但是该方法只考虑了图像的灰度特征且只在一个尺度上进行显著图的分析,难以有效地表征多光谱高分辨率遥感图像中多个潜在目标的显著度。由于不同大小的目标在不同尺度上表现出不同的显著度[7,10],考虑到同一场景中多个感兴趣目标在大小尺寸和光谱特性上可能存在差异,我们分别对c个不同的光谱通道Ci,在s个尺度Sj上分别用谱残差的方法提取相应的显著图S(Ci,Sj|i=1…c,j=1…s),然后通过对各子显著图取最大值来得到最终的目标显著图Smap,即
图3给出了一组高分辨率遥感图像及用不同方法得到的显著图,可以看出在谱残差法得到的显著图中,飞机、车辆以及建筑物的边缘等均成为比较显著的目标,应用全局阈值就可以实现显著目标的提取,且无需目标的先验信息。图3(c)为利用Itti的方法得到的显著图,显然,这样的结果无法直接应用于本文讨论的高分辨率遥感图像中感兴趣目标的检测。
1.2 显著目标的提取与感兴趣目标的鉴别
为了提取显著目标,文献[6]根据经验取显著图均值的3倍作为阈值对显著图进行分割,这种方法适用于场景范围较小的自然图像,但是对于遥感图像,其场景比较复杂,目标类型比较多,即使采用自适应的阈值也难以确保这样分割出的目标是我们真正感兴趣的目标,因此必需引入目标的先验知识。以图3为例,如果我们感兴趣的是飞机,则建筑物、车辆等都是无关的显著目标,本节主要讨论如何快速地提取出显著目标,并对其加以鉴别,找出感兴趣的目标。
显著目标的提取对显著图的分析可以利用视觉注意的全局竞争机制[4]和返回抑制策略[5],前者用于控制注意焦点始终在显著区域间跳转,而后者则确保已经注意过的区域不再成为注意的焦点[9]。我们发现在应用前一节介绍的谱残差法得到的显著图上,绝大多数感兴趣目标的显著度通常比较大,因此合理地设置阈值即可将包含感兴趣目标在内的大多数显著区域完整地提取出来(本文实验中参考最大显著度设置全局阈值)。在对显著度比较小的区域进行掩模后,再利用形态学处理即可得到一系列显著性较大的连通区域。第一个关注的焦点取显著图上显著度最大的点,接下来根据各连通的显著区域的平均显著度来确定注意焦点的转移顺序,同时更新显著图,已经注意过的区域不再重复注意。在每一个注意区域,首先利用尺寸、面积、长短轴比值等简单几何特征对与感兴趣目标明显不符的显著区域予以剔除,否则,进一步通过分析显著区域在目标子空间上的投影能量差异做出更可靠的鉴别。
下面给出利用目标子空间的投影能量差异进行目标鉴别的方法。不失一般性,我们可以事先从同类型图像中截取了n个m×m的目标切片,由于我们试图只用较少的样本提取目标的共性特征,同时也为了减轻计算复杂度,在进行下面的操作以前,将目标切片和待处理的多光谱图像沿光谱维取平均,得到相应的灰度图像。目标特征子空间的求取过程如下:
1)将n个目标切片分别顺时针旋转90°、180°和270°得到4n个训练样本。
2)将所得到的4n个子图像块依次转化为4n个m×m维的列向量,构成样本矩阵X;
3)求解训练样本的均值μx及协方差矩阵Cx;
4)计算Cx的特征值λi及对应特征向量vi,选取前N个最大特征值所对应的特征向量构成目标的特征子空间V=[v1,v2,…,vN]。
建立了目标特征子空间以后,将4n个去均值μx之后的训练样本分别向目标特征子空间投影,得到4n×N维投影系数矩阵W=[w'1,w'2,…,w'4n],其中wi=[wi1,wi2,…,wi N],计算各投影系数矢量之间的距离D和目标类内最大距离DT,即
其中k为大于1的常数,合理设置这一参数可以确保少量样本参与训练的条件下减少错误拒识率。目标类内最大距离DT实质上反映的是目标在其特征子空间投影能量之间的差异,因此可以作为判定待鉴别区域是否为感兴趣目标的依据。
对于简单特征难以区分的注视区域,以注意焦点为中心,根据注视区域范围在经光谱维平均后的灰度图像上取对应区域作为待鉴别区域,首先将其大小调整为m×m大小,然后将其转化为一个m×m维的待测试列向量T,减去均值μx归一化,再将其向目标的特征子空间投影,得到投影系数wt=[wt1,wt2,…,wt N],计算wt到W的最小距离d,与DT进行比较,当d
2 实验结果与性能分析
为了验证本文方法,我们选取了若干包含飞机目标的Quick Bird高分辨率遥感图像,对本文算法进行实验分析。图4给出了其中的3个典型场景。在分辨率优于1 m的遥感图像中,不妨粗略的设定飞机目标的面积在50~1 000,机长与翼展(长短轴)之比小于3。
事先我们从相同分辨率的Quick Bird影像上截取了20个包含不同飞机目标切片构造感兴趣的目标训练样本,首先将其大小调整为64×64,然后利用前文描述的方法求得目标特征子空间V,最大类内距离DT,归一化均值μx以及样本投影系数矩阵W。本实验中,为使目标特征子空间保持95%的目标特征能量,需设置N≥40。图5给出了80个训练样本及构成目标特征子空间的前40维归一化目标特征子图像。
对高分辨率遥感图像,首先利用幅度-相位谱残差方法求得图像的显著图,然后以此为依据进行显著区域的提取,图6(a)、6(b)、6(c)分别给出了对图4中三个场景的显著图以各自最大显著度的30%为阈值分割后的得到的显著区域提取结果。利用全局竞争和返回抑制的注意机制来控制视点在各个显著区域间的转移。对于各个显著区域,首先利用面积和长短轴之比迅速排除易于区分的非感兴趣的区域,然后利用目标特征子空间投影系数距离对成为注意焦点的显著区域加以鉴别,从而得到感兴趣目标。图6(d)、6(e)、6(f)分别给出了图4中三个场景最终的飞机目标检测结果,可以看出经过两个阶段的筛选,不感兴趣的显著区域被有效地剔除,而飞机目标均被可靠地检测出来。
为了将本文算法与Kadir提出的显著性区域检测算法[10]进行了比较,我们用Go Sal Scale工具包[10]对图4中的三个场景进行了实验,尺度参数取5~30,检测结果如图7所示。就显著区域的提取效果而言,本文的谱残差法优于Kadir的方法。综合比较,显然由于增加了利用感兴趣目标的先验信息对显著区域加以鉴别的过程,本文算法的最终检测效果更好,而Kadir方法由于缺乏目标先验信息的指导,主要依靠目标自身的显著尺度来提取一定尺度范围内目标的显著特征,因而背景中大量我们不感兴趣的显著区域则无法剔除。这也进一步说明,完全数据驱动的自底向上的注意模型只能解决一般意义上显著区域的提取问题,要真正实现感兴趣目标的检测,必须充分利用目标的鉴别特征。显然,本文提出的显著区域鉴别方法可以用于对Kadir算法检测结果的后期处理。
3 结论
本文提出了一种适用于高分辨率遥感图像的感兴趣目标注意检测算法。利用幅度谱残差方法构建的显著图在凸显目标区域的同时也对背景进行了有效的抑制,从而借助全局阈值就可以实现显著区域的提取。再利用少量感兴趣目标的切片,构造出目标的特征子空间,利用感兴趣目标与背景和杂波在目标特征子空间上投影系数的差异,对显著区域进行可靠的鉴别,从而实现感兴趣目标的检测。以飞机为感兴趣目标进行了大量实验,并与Kadir的尺度空间显著区域提取算法进行了比较,结果表明本文算法的优效性。而针对其它类型的感兴趣目标,适当调整训练过程的参数即可利用本文算法进行可靠的鉴别。由于不同应用领域所感兴趣的目标差别较大,而本文采用的显著图计算方法只适用于部分类型的目标,这是本文算法的局限性,为此后续我们将考虑利用训练阶段筛选出的感兴趣目标的主要鉴别特征来进行遥感图像的显著性表达,进而设计更灵活的注意检测算法。
参考文献
[1]Chi Hau Chen,Pei-Gee Peter Ho.Statistical Pattern Recognition in Remote Sensing[J].Pattern Recognition(S0031-3203),2008,41:2731-2741.
[2]Arnesen Tonje Nanette,Olsen Richard B.Literature Review on Vessel Detection[R].Norwegian Defence Research Establishment,2004.
[3]Koch C,Ullman S.Shifts in Selective Visual Attention:Towards the Underlying Neural Circuitry[J].Human Neurobiology(S0721-9075),1985,4(4):219-227.
[4]Itti L,Koch C,Niebur E.A Model of Saliency-based Visual Attention for Rapid Scene Analysis[J].IEEE Trans.on Pattern Analysis and Machine Intelligence(S0162-8828),1998,20(11):1254-1259.
[5]SUN Yao-ru,Robert F.Object-based Visual Attention for Computer Vision[J].Artificial Intelligence(S0004-3702),2003,146(1):77-123.
[6]HOU X,ZHANG L.Saliency Detection:A Spectral Residual Approach[C]//IEEE Conference on Computer Vision and Pattern Recognition(CVPR),Egan convention center,Anchorage,Alaska,June24-26,2008:1-8.
[7]Bruce N,Tsotsos J.Saliency,Attention,and Visual Search:An Information Theoretic Approach[J].Journal of Vision(S1534-7362),2009,9(3):1-24.
[8]张鹏,王润生.基于视觉注意的遥感图像分析方法[J].电子与信息学报,2005,27(12):1855-1860.ZHANG Peng,WANG Run-sheng.An Approach to the Remote Sensing Image Analysis Based on Visual Attention[J].Journal of Electronics&Information Technology,2005,27(12):1855-1860.
[9]张鹏,王润生.基于视点转移和视区追踪的图像显著区域检测[J].软件学报,2004,15(6):891-898.ZHANG Peng,WANG Run-sheng.Detecting Salient Regions Based on Location Shift and Extent Trace[J].Journal of Software,2004,15(6):891-898.
【高空间分辨率】推荐阅读：
高空间分辨率影像05-23
高空间分辨率遥感影像06-19
高分辨率卫星08-09
高分辨率图像显示08-07
高分辨率磁共振08-10
高分辨率层序地层09-20
元素沉积通量在重金属高分辨率沉积记录中应用-以洪湖为例07-29
鲁北济阳坳陷东营凹陷南坡沙河街组第四段上亚段高分辨率层序地层格架10-10
系统分辨率07-20
分辨率问题08-03