高分辨率数据（精选九篇）
高分辨率数据 篇1
高分辨率自然伽马测井仪, 采用多晶体探测技术, 克服了单晶体自然伽马测井仪对储集层所释放出来的伽玛射线探测不充分的缺点, 尤其是薄差层, 受围岩及薄差层自身特点等的影响, 不能很好地反映这些储层的真实信息。通过增加晶体数量, 能够有效地将地层中所释放的伽玛射线探测出来, 从而大大提高自然伽马的探测精度;尤其是薄差层的探测精度。如何充分利用、处理各晶体所探测到的自然伽玛信息, 提高薄差层的响应精度, 最终形成一条稳定的、能够真实反映储层岩性特征的高分辨率自然伽马测井曲线, 是我们需要解决的一个重大难题。
目前, 在数据处理中, 为了得到稳定的响应信号, 通用的做法就是进行数字滤波。主要的滤波方法有卡尔曼滤波法、维纳滤波法、切比雪夫滤波法、平滑滤波法等诸多方法。这些方法均不是解决高分辨率自然伽马测井仪测井响应问题的关键。以卡尔曼滤波法为例, 对此加以说明。高分辨率自然伽马测井仪自研制开发以来, 其主要问题是测井响应不稳定, 出现假峰、假值现象, 对薄差层的分辨率、响应能力不够。这些问题的产生, 使得人们误以为是由于晶体尺寸发生变化, 导致统计涨落误差过大, 造成高分辨率自然伽马测井仪测井响应不稳定。统计涨落是微观世界的一种自然现象, 它不会因为测量手段、测量环境改变而发生改变。由于统计涨落的存在, 使得放射性测井曲线不再光滑, 但它会在某一均值附近上下波动, 但也不会偏离太远。高分辨率自然伽马测井仪测井响应不稳定在很大程度上不是由于统计涨落引起的误差, 而且我们采用的是多个晶体探测器, 统计涨落是瞬间发生的, 不可能多个晶体同时产生涨落误差 (伽玛射线在地层中穿行距离是有限的) 。问题的核心是我们对多个晶体所探测出来的信息利用不够, 对多个信号的合成、处理方法存在问题。如果我们对多个探测器的信号进行滤波处理, 在一定意义上将会损失大量地层的真实信息。以卡尔曼滤波为例, Kalman滤波是一种非常好的滤波方法, 现已被广泛应用于动态大地测量数据处理中。在Kalman滤波理论中, 暗含着一条基本假设, 就是假设已经提供了一个适当的数学模型, 这个模型充分精确地描述了被研究系统的动态特性。而自然伽马测井响应是随机过程, 不可能用数学模型来描述。其二, Kalman滤波[1]中, 即:设计Kalman滤波器通常使用的数学模型为:
式中Xk是k时刻系统的n维状态向量, Yk是k时刻系统的m维观测序列, Wk是p维系统过程噪声序列, Vk是m维观测噪声序列, Υk, k-1是系统的n×n维状态转移矩阵, Γk, k-1是n×p维噪声输入矩阵, Hk是m×n维观测矩阵。
有一个最基本的假设条件, 即假定系统过程噪声和观测噪声的统计特性如下:
统计涨落误差 (过程噪声) 、测量误差 (观测噪声) 确实很难满足这一条件 (尤其是第三条) 。即使满足这一条件, 前提必须是进行长时间定点测量, 这时的统计涨落误差和测量误差才能满足前两个条件。而自然伽马的测量工艺、测井过程不允许这么做。如果强行对测量信号进行滤波处理, 不但克服不了统计涨落误差的影响, 反而将地层的真实信息滤掉。其三, Kalman滤波是利用k-1时刻值预测k时刻的测井响应, 根据预测值与测量值之间的误差来不断调整状态转移矩阵的大小, 以达到跟踪和滤波的作用。这样在每一步迭代计算中, 滤波值误差主要由残留误差 (I-KkHk) Υk, k-1ΔXk-1和新增误差Dk控制。即使系数矩阵和随机模型均没有误差, 一旦初始值或迭代计算中某一步滤波值存在误差, 则后续计算的滤波值也均会受到残留误差的影响, 导致最终的滤波结果不能很好反映地层的真实信息。应用Kalman滤波以及其它滤波方法, 还存在许多其它问题, 在此不一一列举。
为从根本上解决高分辨率自然伽马测井响应问题, 对高分辨率自然伽马的测量原理、响应特征, 以及测量方式等进行详细深入分析研究, 最终确定采用多变量非递归自适应非线性组合技术对此问题加以解决;以期更加充分地利用各个晶体的探测信息, 将能够反映储层真实信息的有用信号提取出来, 并加以有效整合, 最终形成一条能够很好地反映储层自然伽马射线强度, 尤其是薄差层自然伽马射线强度的高分辨率自然伽马曲线。
多变量非递归自适应非线性组合技术是自适应信号处理的基础, 在自适应数据处理系统中, 它是独一无二的最重要的元件。其本质是一个时变非递归数字处理系统 (完全符合自然伽马测井响应规律) 。以其优越的性能, 独特的属性、独特的自适应调整方法以及采用不同的实现形式等, 使得所处理的资料具有广泛的适用性和可靠性。
1 多变量非递归自适应非线性组合技术一般形式[2]
多变量非递归自适应非线性组合技术的一般形式如图1所示:它有一个由元素x0、x1、…, xn组成的多输入信号向量 (多个晶体的自然伽马测井响应) , 与之相应的可调增益调整权w1、w2、…, wn, 求和单元的单输出信号y (输出的高分辨率自然伽马曲线) 。用于调整权或自适应权的方法称为增益调整权算法 (根据多个晶体测井响应的自相关性, 自动调整权的大小, 以期将反映目的层真实的伽马响应提取出来) 。对于一组固定的权值, 它的输出是输入分量的线性组合, 因而组合后的输出信号是输入信号的线性组合。然而, 当这些权处于实时调整过程当中时, 即它们是输入分量的函数, 组合后的输出信号不再是输入信号的线性函数, 而是非线性的了。
对于多输入单输出的非线性系统可用如下向量表示:
多输入信号:
增益调整权:
单输出信号:
在需要的情况下, 可增加一个可变偏置的偏置权, 使得所得输出信号能够更好地满足生产、工程上的需要。针对高分辨率自然伽马测井仪器输入信号的特殊性及自然伽马的响应原理, 还将采用单位延迟单元的概念, 以使输出信号能够更好地、真实地反映各储层的自然伽马放射性强度, 尤其是薄差层的自然伽马放射性强度。
2增益调整权的确定方法
增益调整权的确定是本项目研究的核心。如果不能实时准确地确定出各输入变量的增益调整权的大小, 将直接影响输出信号自然伽马的响应特性。为此, 我们拟采用多维空间牛顿法进行增益调整权的确定。所谓的多维空间牛顿法是指在多维空间中, 运用多维二次型性能表面函数求取最佳权的方法。该方法将会充分利用各输入变量的相关关系, 即充分利用多个晶体在同一目的层的测井响应特征, 根据梯度向量的变化, 确定最佳的权向量, 从而得到多个晶体在同一目的层的最佳测井响应。具体表达式如下[2]。
式中:
μ为调整收敛速度及控制稳定度常数, 0< μ<1;
ᐁk为k时刻增益调整权的变化梯度。
w*为K时刻最佳权系数。
由此, 通过输入信号的自相关特性, 运用维 纳-霍普夫方程误差函数, 得到输出信号的最佳增益调整权, 从而得到最佳的输出响应, 即最佳的高分辨率自然伽马测井响应。
3效果分析
根据多晶体高分辨率自然伽马测量的资料, 采用上述处理技术, 处理大庆油田5口井测井资料。通过与高分辨率声波、微电极测井资料对比, 该套方法处理效果稳定, 对储层的岩性信息反应敏感, 分辨率与高分辨率声波相当, 达到了对0.02 m厚储层的响应能力。具体效果如图2、图3所示。
从图中可以看出, 高分辨率自然伽马 (HRGR) 曲线的分辨率明显增强, 对钻井剖面岩性的变化反映更加清晰, 满足了油田后期开发对测井资料的要求。同时, 也为高分辨率测井系列, 又增添了新成员。
摘要：自然伽马曲线主要用于地层岩性划分及泥质含量求取。由于我国陆上油田绝大多数已到了油田开发的中后期, 对薄差储层的开发逐渐成为油田开发的重点。而目前的自然伽马曲线的分辨率只有 (0.5—0.6) m, 很难满足油田开发的需要。常规的通过数据处理方法提高测井曲线分辨率不能从根本上解决测井曲线的分辨率问题, 且存在众多不确定因素。为此, 设计生产了多晶体高分辨率自然伽马测井仪器, 并采用非递归自适应组合技术对所测数据进行处理, 得到了一条分辨率可以达到0.02 m的高分辨率自然伽马曲线。通过大庆油田多口生产井取芯井检验。该套方法效果稳定, 曲线分辨率高, 有效地满足了油田后期开发的需要。
关键词：自然伽马,Kalman,维纳滤波,自适应
参考文献
[1]张贤达.现代信号处理.北京:清华大学出版社, 1998:60—63
[2][美]维德罗B, 史蒂恩斯S D.自适应信号处理.王永德, 龙宪惠, 译.成都:四川大学出版社, 1991:9—20
高分辨率数据 篇2
CBERS-02B星高分辨率数据在土地利用动态遥感监测中的应用评价
CBERS-02B星于2007年成功发射,星上首次搭载了一台自主研制的高分辨率HR相机,其分辨率高达2.36米,是目前国内最高分辨率的`民用卫星.HR是全色单波段相机,其光谱范围是0.5-0.8微米,影像空间分辨率高,易于判读,在土地利用动态遥感监测等应用方面有重要的应用潜力.本文以嘉善县为试验区,通过与SPOT5数据的对比,对CBERS-02B星高分辨率HR数据在土地利用动态遥感监测中的应用进行分析评价.
作 者：王善华 作者单位：浙江省土地勘测规划院刊 名：浙江国土资源英文刊名：ZHEJINAG LAND & RESOURCES年，卷(期)：2009“”(11)分类号：P2关键词：
高分辨率数据 篇3
据调查资料可知, 目前我国已经成为矿产品生产和消费大国, 矿山资源开采是我国开发矿产资源最主要的方法, 是指能够单独从事采掘矿石的生产经营单位开发矿产资源的过程[1]。随着开采深度的增加, 地表和地下地质条件都发生了很大的变化。地质和地形数据在时间空间都非常得滞后和缺乏, 并且调查大多依赖于常规方法, 如手动测量来更新地形图。
地形测图是为城市、矿区及各种工程提供不同比例尺的地形图, 以满足城镇规划和各种经济建设的需要[2]。现有的问题是, 工作周期长, 资金投入大, 人的因素等, 制约着更新速度, 从而制约了对矿山生产所依赖的地质地形的深入了解。这种情况下, 很难满足各种矿区生产的要求, 对矿业生产保障和技术发展造成了很大影响。
文章通过遥感数据与技术来探讨和解决所面临的问题。遥感技术作为人类研究地球资源环境的一种技术手段, 遥感图像计算机分类是遥感技术应用的重要组成部分[3]。近年来许多学者对图像分类进行了大量的研究和探索, 并提出了多种方案。如Huang等人[4]通过获取图像颜色的空间相关性等信息, 通过用分类树来对图像进行分类。卫星遥感数据通常用来分析地质构造的空间分布格局, 一般作为蚀变识别的显著手段。然而, 这些数据是唯一的信息来源, 并且是“信息”和“噪音”的混合物。从遥感数据提取、处理、分析信息是要提供有用的信息的必要手段, 为了快速准确的获取矿山环境信息知识, 以及有效获取关于的矿山资源的地形特性数据, 以达到安全生产、合理利用和地形资源保护, 迫切需要开展这方面的研究工作。
1 数据预处理
几何校正:卫星传感器在成像过程中会受到诸如遥感平台位置和运动状态变化, 地形起伏, 地球表面曲率, 大气折射, 地球自转等因素的影响, 使得所获取的图像在几何位置上发生了变化, 产生行列不均匀, 像元大小与地面大小对应不准确, 地物形状不规则变化等畸变[5]。所以要对高分辨率遥感数据进行几何校正。地形图也存在一定的变形, 并且需要和遥感图像进行坐标吻合, 也需要进行几何校正。
首先对地形图进行几何校正, 然后用纠正的地形图作为参考影像纠正遥感图像。
2 研究方法
信息提取实验。
2.1 canny算法直接提取
传统解决减少边缘效应的方法是, 对图像进行傅立叶变换, 使其边界平滑。目的是得到一个初始信息, 如图3所示。图像边缘提取主要是测试提取效果。选取一部分数据来进行实验, MATLAB实现如下:
f=imread ('D:lwsj.tif') ;fr=f (:, :, 1) ;g=edge (fr, 'canny') ;imshow (f) ;
可以看出在各种信息混合图中, 建筑物和道路信息并不明显。
2.2 拉普拉斯滤波算法与腐蚀操作相结合
由于地形图的亮度是用具有一定范围的数值表示的, 每个特征值对应于不同亮度。因为建筑物和道路是相同的材料, 因此, 建筑物和道路的光谱特性和亮度值相似, 即主要集中在一个特定的强度范围。因此, 利用建筑物和道路的亮度值来提取所述图像中的主要建筑物和道路信息。然而, 由于各种因素的影响, 该图像具有“不同的特征存在相同的频谱”的现象, 存在建筑和道路的噪音, 所以通过逻辑和腐蚀操作等过滤器去除建筑物和道路信息的噪声。最后, 边缘提取操作是为得到更清晰的建筑和道路信息的图像, 进而得到建筑物和道路的边缘信息。
实施步骤和MATLAB实现:
步骤1:读取图像, 把它的值赋给指针F。F=imread ('lwsj.tif') ;%读取图像。
步骤2:根据统计算法获得的图像中道路的亮度范围, 在图像中获得道路信息。并且将提取的信息分配给指针dr, 结果是二值图像, 该图像其可以通过亮度反转以获得二进制图像fz。
在MATLAB实现如下:
fr=f (:, :, 1) ;%第一波段
dr=roicolor (fr, 270, 350) ;%提取建筑物和道路的主要信息
fz=imcomplement (dr) ;%图像反转
imshow (fz) ;%显示二值图像
阈值270和350是由统计方法得到的, 它含有大部分图像中的道路信息, 而且还包含噪声 (白点, 在黑色区域中的白色区域的黑点) 的信息。
步骤3:用拉普拉斯算法对源图像做空间滤波来进行过滤操作。
在MATLAB实现如下:
f1=fspecial ('laplacian') ;%Laplace滤波器;
iltered=filter2 (f1, fr) ;
imshow (filtered) ;
步骤4:逻辑运算和腐蚀运算消除噪声信息
在MATLAB实现如下:
se=strel ('diamond', 1) ;%膨胀
l=imopen (filtered, se) ;%然后腐蚀
result=bwselect (l, c, r, 4) ;imshow (result) ;
图中, 除了少部分因树木遮挡或阴影因素未能除去的噪声, 道路和建筑物信息是显而易见的。
步骤5:用canny滤波器进行边缘提取的结果图像。
在MATLAB实现如下:
gr=im2double (result) ;
result1=edge (gr, 'canny')
与图3相比, 结果显示, 图像过滤和腐蚀能降低噪音。
4 结束语
本研究是通过高分辨率数据更新河南某矿区的地形。利用高分辨率遥感数据影像自动识别和提取建筑目标, 是一个非常棘手的问题, 需要许多人经过长时间的不断努力才能实现。信息提取包括很多内容, 比如, 从陆地环境中提取卫星观测需要使用的定量模型来解释收集在空间中的辐射数据信息[6], 基于衍射增强成像CT重建肝脏的图像的信息提取。
实验表明了从高分辨率数据快速获取地面数据的现有潜力。从不同的相位和分辨率的图像中提取信息, 可以长期更新多种稳定性的具有不同分辨率的地形数据, 为不同规模地形图的更新提供了新的途径, 使矿山地形实现持续更新成为可能。
参考文献
[1]李胜丰.浅谈矿山测量技术的创新[J].企业技术开发, 2014 (19) :1.
[2]周晓林, 等.测绘工程施工现场操作技术规范与执行标准实用手册[M].吉林:银声音像出版社, 2004.
[3]孙家槟.遥感原理与方法[M].武汉:武汉大学出版社, 2003.
[4]Vapnik V N.The Nature of Statistical Learning Theory[M].New York Spring-Verlag, 1995.
[5]马广彬, 章文毅, 陈甫.图像几何畸变精纠正研究[J].计算机工程与应用, 2007 (9) .
高分辨率数据 篇4
报道了一种基于光纤激光器波长扫描寻址的高分辨率的光纤光栅传感解调方案.光纤激光器的扫描寻址过程由微机来控制.微机控制光纤激光器波长扫描的同时,同步采集、处理传感信号,并通过曲线拟合给出传感光栅的中心反射波长值.本解调方案的`波长移动分辨率为0.1 pm,可实现高分辨率的温度及应变测量.
作 者：关柏鸥 余有龙 葛春风 刘志国 董孝义 谭华耀 Guan Baiou Yu Youlong Ge Chunfeng Liu Zhiguo Dong Xiaoyi Hwa Yaw Tam 作者单位：关柏鸥,余有龙,葛春风,刘志国,董孝义,Guan Baiou,Yu Youlong,Ge Chunfeng,Liu Zhiguo,Dong Xiaoyi(南开大学现代光学研究所,天津,300071)
谭华耀,Hwa Yaw Tam(香港理工大学电机工程系,香港)
刊 名：光学学报 ISTIC EI PKU英文刊名：ACTA OPTICA SINICA 年，卷(期)： 20(11) 分类号：O4 关键词：光纤光栅 传感器 解调
高分辨率数据 篇5
1 总体思路
1.1 数据源的选择
首先要根据实际需要购买遥感影像数据源。影像分辨率是决定影像精度的一个重要指标, 影像精度要满足相应比例尺地图对于影像识别能力和成图精度要求, 同时又要考虑成本。冗余的分辨率会增加卫星影像购买成本和加重数据处理的负担而若分辨率达不到一定要求, 就无法判读细小的地物、降低卫星影像图视觉上形象、逼真的效果, 满足不了成图精度。因此我们在选择数据源时, 并不是分辨率越高就越好而是要针对现实情况, 综合考虑成本、数据的可得性、成图比例尺等因素。Quick Bird遥感影像, 重访周期1~6天, 现势性好, 地面分辨率高 (全色波段为0.61米, 多光谱为2.44米) , 空间纹理清晰息。其多光谱波段光谱信息丰富, 进行屏幕矢量化时, 成图比例尺可达1∶10000或1∶5000;全色波段分辨率高达0.61米, 但因影像上地物颜色比较一致, 无法准确分辨地面复杂地物。因此, 有必要进行二者之间的数据融合, 在保留Quick Bird多光谱影像丰富的光谱信息的前提下提高其分辨率, 增强图像的视觉效果, 提高地物判读准确性, 一般来说, 融合后的数据可以满足精度1∶2000比例尺图件成图的需要。
其次, 遥感影像分辨率的选择除了考虑不同比尺成图对影像分辨率的要求, 还要考虑现有可获的遥感影像产品规格, 在好几种遥感数据都能满足成图比例尺的情况下, 要考虑的是数据源的稳定性、性价比以及选择这种卫星的何种等级的数据产品。
再次, 遥感影像的拍摄时间、拍摄时的天气状况也是选择数据源时要考虑的。在土地整理工作中制作项目区地形图, 为保证现势性, 我们要尽量使用最新日期拍摄的数据为保证地面地物不被遮盖, 要尽量选择无云或云量尽可能少的数据源。
1.2 遥感数据处理
这里所说的遥感数据处理是指供应商提供的影像到提供给作业员进行影像解译之间的一系列处理, 影像处理的质量也直接影响更新精度。影像提供给用户之前一般都会根据用户的要求进行各种不同级别的处理。作为地形图测绘, 首先是要将影像处理成正射影像, 这时就需要供应商提供IA级的处理 (经过辐射校正、CCD探测器阵列均衡化处理) , 其它校正由用户完成。
2 实现过程
2.1 室内解译
解译标志是遥感图象上能直接反映和判别地物信息的影像特征, 它是室内解译的依据。主要从目标地物的大小、形状、阴影、色调、纹理、图型和位置与周围的关系等推断出目标地物的属性等相关信息。外业调查是内业解译的基础。通过实地调查, 了解研究区的自然、社会、经济状况和水土流失特点、水土保持治理措施等情况, 并建立实际地类与影像的对应关系, 即影像解译标志。对于Quick Bird这样的高分辨率影像的解译标志比较好判断, 从图像上基本可以辨别出地物类别。我们在土地整理工作的实际操作也只需要将居民点、道路、沟渠、林地、园地、旱地等地类特征直接沿影像特征的边缘准确勾划出地类界线, 进行图斑勾绘。
2.2 外业调绘
室内解译过程结束后, 要将解译结果带到野外进行实地验证, 验证的主要内容是检查解译图各图斑的划分与实际情况的一致性和范围界限的准确性, 对解译有误的地方重新进行解译与修改;利用GPS先布设好图根控制点, 实测控制点坐标, 采集图斑实地边界和新增线状地物的坐标数据及相关几何数据, 并实地调查该变化图斑的位置、土地利用状况等属性, 将其填写外业记录表上.并绘制外业调绘图。
2.3 地形图的制作
将野外采集的各种数据上传至电脑中, 在GIS平台下利用数字成图系统, 对变化图斑和新增图斑以及新增线状地物进行矢量勾绘, 并建立完整的拓扑关系, 利用软件相关功能计算出图斑变化面积, 再根据外业调查、量测情况, 经过添加高程信息, 进而编绘生成地形图。主要技术流程, 见图1。
3 应用中要注意的问题
在利用高分辨率遥感影像数据进行土地整理的地形图制作时, 有以下两点问题需要注意。
(1) 目前土地利用数据信息或图斑变化主要依靠目视解译方法来判读, 造成了它易受人为因素影响的局限性, 例如:一条干涸的小河流就有可能在卫星遥感图上被误判为一条沙石路;公路两侧的干沟渠被误判为道路等, 这就要求作业人员具有丰富的专业知识和作业经验。 (2) 室内解译完成之后一定要进行外业调绘, 尤其是一些新增的线状地物或零星地物, 决不能主观臆断, 一些在图上难以判断的图斑必须到实地去调查是否变化及测量变化前后的面积, 其位置无法在图上直接标出时必须进行实地的野外测量。
4 结语
随着遥感技术的发展, 遥感技术将成为土地调查的重要手段, 高分辨率遥感影像数据具有现势性好、空间、时间分辨率高等优点, 能及时、准确、快速地反映土地利用变化情况, 将成为获取土地利用变化的重要信息源。与传统的土地调查方法比较, 利用高分辨率遥感影像调查具有快速、省时、省力等特点, 能基本满足现代土地利用调查的需要。
参考文献
[1]党安荣, 王晓栋, 陈晓峰, 等.ERDAS IMAGINE遥感影像处理方法[M].北京:清华大学出版社, 2003.
高分辨率数据 篇6
1资料与方法
1.1研究对象收集2012年4—10月疑似耳部疾病于昆明医科大学第一附属医院行颞骨HRCT扫描的60例患者,纳入标准:年龄≥18岁,头部无金属伪影及固定假牙,排除年龄 <18岁及头部有无法取出的金属伪影者。男28例,女32例;年龄19~79岁,平均(46.52±15.01)岁;颞骨骨折9例(听小骨骨折4例、岩部骨折2例、乳突部骨折5例),中耳乳突炎15例,胆脂瘤11例,颞骨发育异常5例,异物2例,正常18例。按照不同图像重建方式分为FBP组及SAFIRE(strength1~5)组。本研究经医院伦理委员会批准,患者均知情同意并签署知情同意书。
1.2 CT检查及重 建方式采 用Siemens SomatomDefinition Flash CT机,应用Innear UHR扫描模式。扫描参数:CARE k V打开,CARE dose4D打开,管电压120 k V,管电流180 m A,球管旋转时间0.5 s,准直128×0.6 mm,螺距0.85,层厚及间距分别为1.0、0.7 mm,窗宽4000 HU,窗位700 HU,扫描范围从乳突尖至鼓室盖上缘。重建技术包括:FBP,扫描完成后机器自动重建和显示;SAFIRE,可选择1~5种强度。
1.3评价指标
1.3.1客观评价选择轴位图上内听道和锤砧关节同时显示的层面,离颞骨、枕骨各约10 mm的区域为感兴趣区(ROI),ROI直径6~8 mm。左右分别测量3次后取平均CT值;噪声(SD)为平均CT值的标准差,自动生成。信噪比(SNR)= 平均CT值 /SD,对比噪声比(CNR)=(平均CT值- CT空气)/SD空气。
1.3.2主观评价由2名主治医师采用双盲法对图像质量进行评分,并取平均值进行比较,评价内容包括图像伪影、颞骨细微解剖结构及病灶显示。评分标准[4]:5分,解剖结构细节及病灶细节显示清晰,无伪影,图像质量佳;4分,解剖结构和病灶细节显示较清楚,图像质量较好,无伪影;3分,大部分解剖结构及病灶能满足诊断要求,但少数图像不能评价,轻度伪影;2分,解剖结构及病灶显示不清,细节显示不良;1分,解剖结构及病灶均显示模糊,细节未见显示,伪影多。3分以上则能满足诊断要求,即不影响病灶的观察。病变细节指病灶的大小、形态、范围、边缘等。
1.4辐射剂量包括容积CT剂量指数(CTDIvol)、剂量长度乘积(DLP)、有效剂量(ED),其中ED=DLP×K,单位为m Sv,K为换算因子,采用欧洲CT质量标准指南头颅平均值0.0023[6]。
1.5统计学方法采用SPSS 17.0软件,不同重建方式的平均CT值、SD、SNR及发现病变数比较采用方差分析,两两比较采用SNK-q检验,不同重建方式图像评分比较采用秩和检验,P<0.05表示差异有统计学意义。
2结果
2.1 6种重建方式平均CT值、背景SD、SNR及CNR比较6组重建图像平均CT值差异无统计学意义(F=3.41,P>0.05),SD、SNR、CNR差异有统计学意义(F=1.78、1.42、3.15,P<0.05)。两两比较结果显示,组间SD差异有统计学意义(q=3.34、3.73、2.87、3.14、3.65,P<0.05),FBP组SD最大,SAFIRE 5组最小,与FBP比较,SAFIRE重建图像SD降低,SAFIRE 1~5组分别降低23.1%、39.2%、42.4%、54.1%、61.2%。SNR及CNR组间两两比较,差异均有统计学意义(q=4.24、3.76、2.79、3.52、3.67,3.63、3.54、2.98、3.88、4.17,P<0.05),SAFIRE组重建图 像SNR及CNR高于FBP组,且随着SAFIRE强度增大,SNR及CNR逐渐增大,SAFIRE 5组SNR及CNR最大,与FBP组比较,SNR分别提高26.6%、40.0%、71.1%、117.7%、153.3% ;CNR分别提高17.4%、33.1%、63.2%、104.1%、147.2%。见表1。
注:#与FBP比较,P<0.05
2.2不同重建方式图像质量主观评分比较6组图像主观质量评分差异有统计学意义(P<0.05)。两两比较结果显示,SAFIRE 1组与SAFIRE 2~4组、SAFIRE 5组与SAFIRE 2~4组、SAFIRE 1组与SAFIRE 5组间差异均有统计学意义(P<0.05),SAFIRE 2~4组间差异无统计学意义(P>0.05)。其中SAFIRE 3组重建细腻度、边缘锐利度较好,主观评分最高,见表1及图1、2。2.3不同重建方式图像空间分辨力比较6组重建所得图像对病灶的显示情况完全一致,分别检出正常、骨折、中耳乳突炎、胆脂瘤、发育异常及异物18例、9例、15例、11例、5例、2例。
图1 男,26岁,外伤后颞骨无明显骨折征象。FBP重建示左侧锤骨及砧骨长脚未见明显骨折征象
图2 女,30岁,左耳外伤行CT扫描。SAFIRE 1~5重建图像显示左侧锤骨及砧骨长脚未见明显骨折(A~E);SAFIRE 3(F)、SAFIRE 5(G)显示镫骨前、后足,未见明显骨折征象
2.4不同重建方式图像辐射剂量比较FBP重建与SAFIRE 1~5重建的CTDIvol、DLP、ED比较,差异均无统计学意义(P>0.05),见表2。
3讨论
颞骨HRCT能够清晰地显示骨性结构及其周围组织,已经成为耳鼻喉科常用的检查方法,但其造成的辐射危害应引起重视。目前高端CT机采用管电流调节及智能最佳管电压扫描等技术能有效降低辐射剂量,结合迭代重建技术,在降低辐射剂量的同时,可以提高图像质量[7,8]。然而目前颞骨的低剂量CT研究仅局限于单纯减小管电流或管电压,存在一定的局限性。CT辐射剂量的影响因素主要包括CT机扫描参数(如管电压、管电流、螺距、层厚等)、设备系统的设计及性能优化(如迭代重建算法、ACTM、CARE k V技术)。而应用迭代重建算法的研究鲜有报道,本研究对颞骨行常规剂量扫描结合SAFIRE重建后,对比FBP与SAFIRE 1~5的重建图像,结果显示不同重建方法的图像SD、SNR、CNR组间差异有统计学意义(P<0.05)。不同重建方法所得图像质量主观评分差异有统计学意义(P<0.05),SAFIRE图像较FBP图像重建细腻度、边缘锐利度较好,其中SAFIRE 3组图像主观评分最高,与既往研究仅选择SAFIRE 3与FBP进行比较一致[9,10,11]。常规颞骨HRCT扫描结合SAFIRE迭代重建能有效减少SD,提高SNR及CNR,改善图像质量,其中SAFIRE 3组图像质量主观评分最高,能使SD降低42.4%,SNR提高71.1%。
目前CT图像重建算法主要有解析算法和迭代算法[12]。解析算法以FBP为代表,因重建简洁、快速、可靠、容易实现等优点,成为CT图像重建的标准[13],然而FBP忽略了焦点、体素和探测器的实际几何大小,具有较高的SD、明显的条纹状伪影和较差的低对比检测性[14,15]。大幅降低辐射剂量会导致图像质量明显下降、SD显著增多。与FBP比较,迭代算法考虑到焦点、体素和探测器的大小,应用低剂量迭代算法重建的图像SD及伪影明显减少。第一代CT机以迭代算法进行图像重建,计算量较FBP迅速,故被FBP取代,迭代算法仅在SPECT和PET等核医学领域中应用[16,17]。近来计算机技术和图像重建算法的不断发展以及低剂量成像的需求,迭代算法技术在CT领域的应用受到广泛关注[18]。SAFIRE技术是图像空间迭代重建技术的改进[19],对投影数据空间和图像数据空间均进行迭代算法,最大程度地保留了图像细节信息,并去除SD,得到校正图像,对此图像投影至原始数据域,用于下次迭代计算,如此进行多次迭代算法[20]。
本研究的局限性在于未采用低剂量条件下对比SAFIRE重建与常规剂量FBP重建图像质量,图像质量5分评分法可能有一些主观因素的影响,将在后续研究中加以完善。
总之,颞骨HRCT常规剂量扫描结合SAFIRE迭代重建能够有效提高图像质量,具有潜在降低辐射剂量的可能。
摘要：目的 探讨滤波反投影(FBP)与基于原始数据迭代(SAFIRE)重建对常规剂量颞骨高分辨率CT(HRCT)图像质量的影响,为实现低剂量扫描提供参考。资料与方法 60例行颞骨HRCT患者行常规剂量扫描,分别进行FBP及SAFIRE(strength 1~5)重建,比较6组图像的平均CT值、噪声(SD)、信噪比(SNR)、对比噪声比(CNR)、主观评分及病变检出情况。结果 6组图像平均CT值差异无统计学意义(P>0.05);与FBP比较,SAFIRE(strength 1~5)重建SD逐渐下降(F=1.78,P<0.05),分别降低23.1%、39.2%、42.4%、54.1%、61.2%;SNR、CNR逐渐升高(F=1.42、3.15,P<0.05),SNR分别提高26.6%、40.0%、71.1%、117.7%、153.3%,CNR分别提高17.4%、33.1%、63.2%、104.1%、147.2%。6组图像主观评分差异有统计学意义(P<0.05),SAFIRE 2~4较FBP、SAFIRE 1、5评分高,SAFIRE 2~4组间差异无统计学意义(P>0.05),SAFIRE 3重建细腻度、边缘锐利度较好,主观评分最高。结论 颞骨HRCT常规剂量扫描结合SAFIRE迭代重建技术,能有效提高图像质量,具有潜在的降低辐射剂量的作用。
小型无人机载高分辨率物镜设计 篇7
首先根据客户提出的需求推导出光学设计的指标,再根据光学设计指标设计了一款高分辨率的可见光波段折射式无人机物镜,采用小像差互补理念降低了光学系统的公差灵敏度,设计结果很好的满足了光学设计指标要求。
1 系统结构及参数确定
客户要求设计一款小型无人机物镜,实现在晴朗无云的天气下,太阳高度角-2°以上,在1 500 m的高空飞行能分辨地面0.15 m的目标,体积小和质量轻。从以下几方面对系统进行分析,并进而确定其合理的参数。
1.1 接收器件
用于无人机的接收器件主要有两种:一种是胶片;另一种是图像传感器。胶片型无人机照相分辨率高,但实时性差,后续图像处理工作也比较繁琐,故现在一般都不采用。图像传感器又分为CCD与CMOS两种器件,两种器件相比,CMOS器件具有功耗低、集成能力强、体积小、动态范围宽、单个像元尺寸更小等优点;不足之处是信噪比低、光电灵敏度不高。随着现代工艺水平的不断发展,CMOS器件的性能得到很大地改善和提高,不足之处与CCD器件已经相差不大,而其诸多显著的优点被各大科研院所喜爱,已经有逐步替代CCD器件的趋势,如现在的数码单反,其成像器件基本都已经由CCD器件换为CMOS器件。
综上所述,出于CMOS的单个像元尺寸小可以获得高空间分辨率和图像传感器实时性强的考虑,选用像元尺寸为1.75μm的2/3 inch CMOS器件,具体参数见表1。
1.2 焦距
按地面分辨率对应3个像元计算,有下式
式中,H是航高;f'是物镜焦距。
把单个像元尺寸=1.75μm、地面分辨率=0.15 m,H=1 500 m代入式(1)得f'为52.5 mm。
1.3 视场
相机的视场角θ、焦距f'和图像传感器靶面尺寸B的关系如式(2)所示。
把焦距f'=52.5 mm、B=11 mm代入式(3)得θ=12°。
1.4 奈奎斯特频率
式中,a是CMOS单个像元尺寸;把α=0.001 75代入式(3)得N=286 lp/mm。
1.5 相对孔径
物镜的相对孔径的选取需要从光学系统分辨率和光学系统对最小景物照度即能量需求两方面考虑。
1.5.1 相对孔径与光学系统分辨率的关系
由于物镜要与CMOS器件匹配,所以光学系统的分辨率要综合二者一起考虑。由于照相物镜系统属于大像差系统,故物镜的分辨率采用道威判断。
由式(3)和式(4)知,当F数小于6.2时,物镜的分辨率受到CMOS器件的制约,整个光学系统的分辨率为CMOS器件的奈奎斯特频率,反之,F数大于6.2时,整个光学系统的分辨率为物镜在道威判断下的分辨率。为了全部发挥CMOS器件的作用,则要求F数小于6.2,相对孔径大于1:6.2。而从相对孔径与衍射极限传函曲线的高低即反差的匹配情况来看,相对孔径越大,衍射极限传函曲线越高,在光学设计软件ZEMAX可以直观的看到这一点。
图1是相对孔径1:2的调制传递函数图。
从图1可以看出,相对孔径1:2时,在286 lp/mm下,衍射极限传函值为0.59。图2是相对孔径1:4的调制传递函数图。
从图2可以看出,相对孔径1:4时,在286 lp/mm下,衍射极限传函值为0.22。受衍射极限的限制,光学设计结果的传函值是不会大于衍射极限传函值的,所以为了提高光学设计结果的传函值,要尽量增大相对孔径。
1.5.2 相对孔径与最小景物照度需求的关系
相对孔径与最小景物照度需求的关系[4]式为
式中,E为最小景物照度;F是相对孔径的倒数;S与ISO感光度有关,其大小为ISO感光度的四倍;t为曝光时间。表2是不同太阳高度角、不同天气情况下的地面照度变化表。
从表2知,要想在无云的天气下太阳高度角-2°以上工作,E取200 LX。
ISO感光度为800时,S值为3 200,曝光时间t取1/600 s。
把E=200 LX、S=3 200、t=1/600 s代入式(5)得F=2,即相对孔径为1:2。
从上述两方面及对物镜光学系统小型化、结构简单化等方面的综合考虑,取相对孔径为1:2。
综上,得物镜设计指标如表3所示。
2 物镜光学系统设计
2.1 光学系统选型
在光学设计指标给定后,选择光学系统的结构型式是光学设计的首要工作,这需要综合考虑设计指标、加工、装调难度以及加工成本来作出选择。
光学系统有折射式、折反式、反射式三种结构型式,其中折射式系统具有成像质量高、视场角大等优点,缺点是筒长不易做小。
折反式系统具有筒长短的优点,但存在光学遮拦,视场角较小;反射式系统具有宽谱段、筒长短的优点,但加工装调难度大且视场角较小[5]。它又分为同轴反射式和离轴反射式两种,其中同轴反射式由于有中心遮拦,所以像质较低,离轴反射式无中心遮拦,成像质量高。
依据设计指标综合考虑,由于物镜成像质量要求很高,所以只能选择折射式或离轴反射式系统。而离轴反射式系统视场角不能做的太大,所以光学结构采用折射式形式,这样也有利于降低装调难度,提高成像质量。
根据焦距、相对孔径和视场选用双高斯作为初始结构再加以复杂化。
2.2 物镜复杂化方案
由于物镜设计[6,7,8]属于大相对口径系统,视场角相对而言不大,所以校正轴上像差是像差平衡的重点。在光阑位置附近的透镜采用整体弯曲的方法来校正轴上像差。光阑位置置于光路中间附近以控制轴外像差。入射角大的面使其弯向光阑来降低高级像差。
因为本设计物镜的奈奎斯特频率要达到286 lp/mm,相较常规物镜而言,如此高的分辨率不仅光学设计难度大,而且还要保证物镜能够加工、装调,因此在设计过程中就要重点兼顾加工、装调的公差要求。
对物镜初始像差校正阶段采用“小像差互补理念”[9],使得设计与兼顾加工、装调公差可同步进行,此理念是基于初级像差理论提出的,分析了初级像差与公差灵敏度的关系,通过控制初级像差来降低公差灵敏度,在物镜像差校正阶段控制各元件表面均匀承担初级像差,并且各元件表面的初级像差值在满足像质设计要求的前提下尽量要以小像差值相互抵消。最后在优化后期放开对初级像差的控制,用ZEMAX光学设计软件中的TOLR公差敏感度操作数[10]来进行二次优化,此时对前面的“小像差互补理念”起到一个修正作用,消除由于针对初级像差理论推导得出的结论对于大相对孔径系统的精确度问题,若像差校正初始阶段就采用TOLR公差敏感度操作数,则软件计算需要花费的时间太长,所以对于设计开始阶段使用此方法是不可取的。
2.3 物镜设计结果
光学系统如图3所示。系统共由8片透镜组成,面型均为普通球面,没有诸如非球面、衍射面等特殊面型。初级像差分布系数如图4所示。各透镜表面承担的初级像差大小均匀。调制传递函数如图5所示。在奈奎斯特频率286 lp/mm下,各个视场MTF均大于0.4。
2.4 公差分析
在286 lp/mm处,采用3个视场传函的平均值作为评价标准,标准值为0.456 781 85。根据厂家加工、装调的能力,在286 lp/mm处针对光圈变化1个、局部光圈变化0.2个、透镜中心厚度变化0.02 mm、透镜间隔变化0.02 mm、光学零件表面中心偏0.01 mm、装调透镜光轴与机械轴偏差0.01 mm、折射率变化0.000 5、阿贝数变化0.5综合误差作用下,在ZEMAX软件模拟上述变化,得到如表4所示结果。
由表4可知,由于加工装调误差引起的下降后的MTF传函值最小为0.347 119 64,满足设计指标中MTF传函大于0.3的要求。
3 结论
设计了一种应用于低空的小型无人机物镜,首先根据客户提出的要求,对小型无人机载物镜的指标参数进行了计算,从而得到物镜的光学设计指标,然后依据指标确定了光学系统的结构型式,在设计物镜的同时兼顾了加工、装调的公差,最后根据厂家的加工、装调实际能力对物镜设计结果进行了公差分析,公差分析结果表明很好的满足了设计指标要求。
摘要：首先根据客户提出的要求,对小型无人机载物镜的光学指标参数进行了计算,从而得到物镜的光学设计指标,然后依据指标设计了一款焦距为52.5 mm、相对孔径为F/2、视场角为12°、奈奎斯特频率为286 lp/mm的可见光波段折射式小型无人机物镜,接收器件选用单个像元尺寸为1.75μm的CMOS器件,采用“小像差互补理念”降低了光学系统的公差灵敏度,然后对设计结果进行了公差分析。公差分析结果表明很好的满足了光学设计指标要求。
关键词：无人机物镜,光学设计,公差分析
参考文献
[1]IBRAHIM A W N,PANG W C,GERALD S G L,et al.Moving objects detection and tracking framework forUAV-based surveillance[C]//2010 Fourth Pacific-RimSymposium on Image and Video Technology,Singapore,2010:456-461.
[2]CHAO H Y,AUSTIN M J,HAN Y D,et al.Aggie Air:Towards low-cost cooperative multispectral remote sensingusing small unmanned aircraf systems[M].Advances ingeoscience and remote sensing,2009:463-490.
[3]YI L,JUHA H,ANTTONI J.Mini-UAV-borne LIDAR forfine-scale mapping[J].Geoscience and Remote SensingLetters,2011,8(3):426-430.
[4]刘仲宇,张涛.超小型无人机相机系统关键技术研究[J].光电工程,2013,40(4):83-84.
[5]Muller K.Fast and accurate three-dimensional reconstruc-tion from cone-beam projection data using algebraic meth-ods[D].The Ohio State University,1998:32-43.
[6]ZHOU Hua-peng,CHEN Wei-jian,TANG Shao-fan.Opti-cal system design for lens with relative aperture of 1:1[J].Journal of Applied Optics,2007,28(1):55-57.
[7]YANG Li-hua,FAN Xue-wu,ZOU Gang-yi.Design oflarge-aperture camera lens working in wide spectral range[J].Journal of Applied Optics,2009,30(6):925-928.
[8]Li Yu-yao,Tang Yong,Lin Zhao-heng,et al.Design ofapochromatism objective lens aerial camera based onlarge frame array CCD[J].Acta Optica Sinica,2009,29(11):3183-3185.
高分辨率数据 篇8
自动目标识别系统(ATR)一般都包括以下几个步骤:预处理、目标探测、去除伪目标、图像分割、特征提取与选择、目标识别。如果去除伪目标时,剔除了大量伪目标,那么后续的识别将变得更高效、更准确,所以为了提高识别系统的识别效率、增加识别系统的识别准确率,需要增加一个能拒绝绝大部分的伪目标的先进算法[1]。现有的目标识别系统中,目标探测检测到的伪目标数量往往远超过真目标的数量,可以在图像分割后再进行一次“去除伪目标”,以提高后续识别的准确性。
本文的目标识别体系将采用上而下的知识驱动型策略[2]。先验知识的准确应用既可以保证很高的识别率,又可实现目标的快速、自动识别,是自动目标识别系统真正实用化的关键。以下先验知识是本文算法的基础:
1)飞机目标通常位于机场跑道或停机坪上,飞机的周围一定区域内,背景较简单;2)飞机目标的反射率通常比较高,因此它在图像中的灰度值比较高;3)对飞机目标进行分割时,并不能很好的分割出的所有区域,一般情况下,分割后的区域中,机身的分割效果优于机翼和机尾。分析其原因:对于机身,由于其为拱形,朝卫星接收信号方向反射的能量较多,其在图像上的灰度较亮;对于机翼,由于飞机停泊在地面上时,机翼处于倾斜状态,且表面非常光滑,卫星能接收到的其反射能量相对较少,其在图像上灰度相对较暗。如图1所示。
基于前述先验知识且用于高分辨率遥感影像的飞机目标自动识别算法在国内还非常少见。徐大琦[3]使用先验知识对飞机目标进行自动识别,其采用的特征为几何特征,包括面积、骨架特征,然而他并没有考虑分割飞机目标不完全的情况。当分割不完全时,并不能很好的提取出骨架特征。
2 算法主要流程
本文旨在研究一种飞机目标的快速自动定位算法,适用于高分辨率的遥感图像。本文算法的主要流程如图2所示。
2.1 基于重叠的面积均分法
当目标处于超大的图片中时,背景信息量大,识别非常复杂,需要采用分块策略有效的从背景中分离目标。张千[4]提出了一种基于重叠的面积均分分块识别法,能快速检查全图并分离目标;同时,也对该方法的有效性进行了理论上的证明。该方法的实现过程为:已知目标在图像上的长度和宽度分别为a和b(假设a>b),则用2a×2a大小的正方形以行间距a、列间距a的速度遍历图像,等面积划分超大图片,然后对每块被划分的图片进行识别。由前述的先验知识,在某分辨率的遥感图像上,可以计算出某一型号的飞机在该图像上的长度和宽度,进而对图像采用基于重叠的面积均分法进行分块,以提高检查全图的效率。
2.2 图像分割
徐大琦[3]提出了一种改进的区域分割方法,其主要思想是:进行多次自动阈值分割,在每一次分割之后,对二值图像中为零的像素来说,首先在原图中的同一位置上将原图的该像素灰度值置零,然后将变化之后的原图进行灰度调整,使其灰度范围由[T,255]重新拉伸到[0,255],其中T为上一次分割时所采用的阈值。通过这样的操作可使图像中较高灰度值的部分不断被拉伸,大大增强了该部分的对比度,而且将较低的灰度置零,使其不再参与后续的灰度调整和分割。
2.3 基于辅助直线的Radon变换检测飞机轴线
Radon变换在数学理论上有重要价值,并可用于图像直线特征的提取[5,6],但是Radon变换无法区分长直线和短直线,无法提供线段的端点以及长度信息[7]。Radon变换的原理是将原始图像通过线积分的形式变换到另外一对参数域内。其表达有不同方式,可以定义在任意维空间,定义也存在多种形式。Radon变换在2D空间的定义式为
式中:f(x,y)为图像点(x,y)的灰度,D为整个图像xy平面,ρ为坐标原点到直线的距离;θ为ρ与x轴的夹角;δ为Dirac delta函数。
传统Radon变换检测直线的方法为:对原始二值图像进行Radon变换,取Radon空间中的全局最大值Rmax,依据该最大值定义阈值T(例如:T=0.75×Rmax),找出Radon空间中满足条件(R>T)的所有的点R(ρi,θi),然后将这些点逆变换为图像中的直线。检测直线的能力主要由阈值的大小来决定,如果阈值选择过大,则无法检测出一些长度较短的线段,阈值选择过小,则会检测出一些“伪直线”。
近年来,人们在基于Radon变换的线段检测方面做了不少工作。Yuefeng Zhang[8]通过一种重叠窗口遍历图像,以检测线段。随机Hough变换方法主要是基于点对的方法检测线段[9]。Copeland[10]通过使用局部Radon变换来解决线段的检测与定位问题,首先检测出存在线段目标,然后开窗进行线段积分[6]。以上方法中,前两种非常耗时,第三种首先得到的图像上直线的初始结果,然后将其与原始图像进行后续计算,判断初始结果中满足指定条件的线段,该方法同样存在无法检测较短线段的问题。
可见,应该重新分析飞机轴线检测的实际情况,制定高效的检测方案。本文中,飞机轴线检测的实际情况具有以下特点:
1)由于图像分块,飞机处于一个较小的图像块内,该区域可能有其他较长直线的干扰;
2)由于分块的策略,飞机轴线的长度接近图像区域边长的一半。主要有两个原因:一、在数字图像上,轴线的角度对其长度几乎没有影响;二、飞机尾部像素的影响;
3)图像的大小已知,飞机轴线的长度也已知。
基于辅助直线的Radon变换定长线段检测的基本思想为:由Radon变换的定义式可知,二值图像上的两条线段,如果其长度之比为r,在没有其他线段干扰的情况下,其位于Radon空间中相应点的亮度比也接近r(可能两条线段会互相影响),如图3所示。图中,线段1为图3(a)左边最长的线段,线段2为3(a)中间水平的线段,线段3为3(a)中右边的线段。如果已知图像中一条长度最长(长度为L0)的线段,要检测出指定长度(长度为L1)的线段,设r=L0/L1,只需要求出Radon空间中满足条件式(2)的所有值,其对应的直线即为要检测的线段所在的直线:
鉴于以上原因,本文提出了一种基于辅助直线的定长线段检测方法。其基本思想是通过增加一条辅助直线,来帮助检测飞机轴线,其基本步骤见图4。
1)在原始二值图像(图5(a))上,增加一条与其他线段不相交或相交很少的、长度与图像的高度相等的垂直直线,这点是很容易满足的,得到修改后的图像(图5(b));
(a)为分割后的图像;(b)为添加辅助直线后的结果;(c)为检测到的飞机轴线的中心(a)is the result of segmentation;(b)is a result of added line;(c)is the detecting result of the centers of airplane axes
2)对步骤1的结果进行Radon变换,找到全局最大值点Rmax,根据最大值以及线段长度与辅助直线的长度比的先验知识确定阈值区间[T1,T2],在Radon空间寻找满足条件的局部极大值点;
3)进行Radon逆变换,确定满足条件的线段所处的直线;
4)沿直线搜索,定位飞机轴线的位置(图5(c))。
3 实验结果与分析
本文对所提出的算法,在Matlab平台下的进行了试验,验证了其有效性与实用性。试验数据为美国地区的一个飞机封存/报废处理场的可见光遥感图像(图6(a)),从其中截取了大小为128×281的区域。由于无法得知图像中的飞机类型,只有通过人工给定该图像上的飞机的大小。试验区域共有14架飞机,飞机轴线的长度为15个像素。
本文方法中,对图像采用30×30窗口(轴线的两倍)对图像进行基于重叠的面积均分分块;接着,用改进的OTSU分割方法对目标进行分割;然后,检测飞机区域,采用的阈值为[0.45,0.55]。得到检测结果为图6(b)(注:本文方法检测到的飞机轴线的中心,图中的方框仅表示检测的大致位置,并不表示确定位置,要精确的定位,还需要更优的识别方法)。通过观测检测结果,成功检测到12架飞机,有两架飞机没有检测到,原因在于两架飞机的轴线出现了比较大的断裂,造成飞机轴线的检测不成功。
4 结论
本文提出了一种高分辨率遥感图像的飞机目标定位的改进方法。首先,利用先验知识对飞机目标进行自动分割与定位。然后,考虑到分割过程并不能完全分离飞机的全部区域,且机身的分割效果较好的实际情况,在对图像进行分块和分割后,提出了一种基于辅助直线的Radon变换飞机轴线检测方法,进而剔除部分伪目标,为后续的目标识别的速度和效率提供保障。此外,本文提出的基于辅助直线的Radon变换定长线段检测方法也适用于其它模式识别中的较小线段检测问题,为这类问题提供了一个较好的解决方法。
虽然本文考虑了分割不完全的情况,然而也还存在一些不足。首先、如果飞机轴线出现由于遮挡产生的阴影,本文中没有考虑,不过对于较小的飞机轴线上的阴影,可以通过形态学的运算进行连接。其次、根据轴线确定的飞机目标区域,为了与标准模版进行匹配,还需要对该目标区域进行分割,分割的结果同样存在分割不完全的情况,这对后续的特征提取会产生影响。初步想法为:由于前面的操作,已经将目标所处的范围缩小,背景变的非常简单,对分割十分有利,可以根据第一次分割得到的阈值,选择一个略小于该值的灰度作为阈值。最后,由于本文的研究重点在于飞机目标的定位,而不是飞机的识别,在后续的研究中,我们也将加强飞机识别方面的研究。
参考文献
[1]Chan Lipchen Alex.Dualband FLIR Fusion for Automatic Target Recognition[J].Information Fusion,2003,4:35-45.
[2]潘泓.基于小波矩和小波神经网络的自动目标识别研究[D].南京:东南大学,2004.PAN Hong.Research on Automatic Target Recognition based-on Wavelet Moment and Wavelet Neutral Network[D].Nanjing:Southeast University,2004.
[3]徐大琦.中高分辨率遥感图像中飞机目标自动识别算法研究[J].光学技术,2006,32(6):855-858.XU Da-qi.Study on the Algorithm for Automatic Plane Classification from Remote Sensing Images with Mid_high Resolution[J].Optical Technique,2006,32(6):855-858.
[4]张千.典型军事目标的特征提取和识别技术研究[D].武汉:华中科技大学,2003.ZHANG Qian.Research on Feature Extraction and Recognition of Typical Military Target[D].Wuhan:Huazhong University Science and Technology,2003.
[5]Walsh D.Accurate and Efficient Curve Detection in Images:the Importance Sampling Hough Transform[J].Pattern Recognition,2002,35(7):1421-1431.
[6]王立.Radon变换在低信噪比图像中的线段检测[J].红外与激光工程,2003,32(2):163-166.WANG Li.Radon Transform for Line Segment Detection in Low SNR Image[J].Infrared and Laser Engineering,2003,32(2):163-166.
[7]杨文.星载SAR图像船舶及航迹检测[J].武汉大学学报:信息科学版,2004,29(8):682-685.YANG Wen.Detection of Ships and Ship Wakes in Spaceborne SAR Imagery[J].Geomatics and Information Science of Wuhan University,2004,29(8):682-685.
[8]ZHANG Yuefeng,Robert Webberb.A Windowing Approach to Detecting Line Segments Using Hough Transform[J].Pattern Recognition,1996,25(2):255-265.
[9]Bandera A.Mean Shift Based Clustering of Hough Domain for Fast Line Segment Detection[J].Pattern Recognition Letters,2006,27:578-586.
基于广义S变换的地震高分辨率分析 篇9
Stockwell等提出的S变换是以Morlet小波为基本小波的连续小波变换的延伸。在S变换中,基本小波是由简谐波与Gaussian函数的乘积构成的,基本小波中的简谐波在时间域仅作伸缩变换,而Gaussian函数则进行伸缩和平移。这一点与连续小波变换不同.在连续小波变换中,简谐波与Gaussian函数进行同样的伸缩和平移。与连续小波变换、短时Fourier变换等时间-频率域分析方法相比,S变换有其独特的优点,譬如:信号的S变换的时-频谱的分辨率与频率(即尺度)有关,且与其Fourier谱保持直接的联系,基本小波不必满足容许性条件等等。
2 S变换
Stockwell的S变换表述如下
设函数RLth2)(∈(RL2表示能量有限函数空间)),(th)的S变换定义为:
在S变换中,基本小波函数为:
定义
其中:
式中，Wf(t)为广义S变换中的小波函数(或称为核函数)，gf(t)为其模，h(t)为待分析的信号(或函数)，f,t和τ均为实数。(1)式可写为：
记高斯函数为
h(t)的S变换谱与其Fourier变换谱有如下关系:
这里,h(f)表示h(t)的Fourier变换。S变换的逆变换为
由于S变换中的基本小波是固定的,使其应用范围受到限制。在地震资料处理中,准确的确定反射界面的位置是十分重要的。用S变换进行薄层探测,效果不是很令人满意。因此,有必要对S变换加以发张和推广。
3 广义S变换
在实际地震记录中,不同地区、不同时间采集的地震记录,记录的幅值是不同的,地震震源激发的地震子波能量延迟也不同。并且,随着地震波传播距离的增大,其能量和频率随之衰减。针对地震信号的这些特点,把基本小波推广为:
式中,A为基本小波的振幅,α为能量衰减率(α>0),β为能量延迟时间,f0为基本小波的视频率,定义
其中gf(t)=Afexp[-α(ft-β)2]
定理1:设h(t)∈L2(R),w(t)由(9)式给出,h(t)相对于w(t)的广义S变换定义为:
则广义S变换的反变换公式为:
式中,IFT表示逆Fourier变换。y(f)由下式定义:
表示h的Fourier变换。
更进一步我们可以对定理1中的基本小波加以推广,有如下结果:
定理2:设2,取基本小波为:
这里
h(t)相对于w(t)的广义S变换定义为:
其中:
广义S变换高斯函数为:
4 S变换及广义S变换用于地震高分辨率相应分析
4.1仿真实验
为了更好的系统的研究广义S变换在地震高分辨处理方面的能力,首先从理论上分析广义S变换对时频进行分析的能力。图1(a)为合成信号是由10HZ,30HZ,50HZ的三个信号组合形成,对该合成信号进行广义S变换,得到图1(b)为合成信号的广义S变换的时-频图,从图中可以很清楚的看出,它不仅具有很好的时间分辨率,而且具有很高的频率分辨率。广义S变换进行时频分析的有效性表明了,它可以作为一种有效地工具用于地震的高分辨处理。
Ricker子波在地震资料分析中是很常用的地震子波,为了清楚的比较S变换及广义S变换的频率分辨率,产生一道由不同频率(10HZ,20HZ,30 HZ,40 HZ,50 HZ,60HZ)及位Ricker小波生成的信号,通过S变换和广义S变换进行不同频率分辨率对比演示(如图2所示)。
由图2可见,两种变换均具有较高的精度。为了对比分辨率,同时给出了S变换及广义S变换中对比相应分量可见,当频率较高时,S变换的能量分布曲线发生畸变,而广义S变换的能量分布曲线有很好的局部化特性。由于,广义S变换基函数的调幅部分包含频率因子,对信号的高频成分有相对的补偿作用,应用广义S变换对地震道进行时频分析,能够单独突出其高频段的能量,因此,广义S变换较S变换有更好的分辨率。
a)广义S变换地震高分辨处理检测应用实例
为了进一步比较二者对地震高分辨检测能力,设计一个合成地震信号模型(如图4所示),用主频分别为1O,30和50Hz的Ricker子波分量(如图3(a)所示)叠加而成的一维复杂地震记录模型。图3(b)是S变换分析的结果,窗口函数选取(6)式定义的高斯函数,从变换结果来看,S变换能较好的反映局部特征,分辨率能随频率调节,但由于窗口形态不变,地震信号模型的时频分布不太理想。图4(b)是广义S变换分析的结果,窗口函数选取(17)式定义的高斯窗函数,其中γBHY=8.1,γFHY=8.0,从变换结果来看广义S变换能很好的反映局部特征,不但分辨能力能随频率调节,而且窗口的形态任意改变,突出对反射系数的检测能力,分辨率极高,广义S变换谱中很清晰地显示出了地震信号模型的时频分布,时频谱中能量最大的区域对应的时间与时域信号波峰中心出现的时间也是一致的,它对应于地震波反射的出现时间。由此可看出广义S变换所具有的良好的时频的聚集性能和提供的高质量的时频谱信息在提高地震资料的分辨率,改善地层结构的可视化,地层(尤其是薄层)的厚度估计,噪声压制以及油气的直接显示等方面都可获得较深入的应用。
前面仿真实验中,我们使用的地震子波均是Ricker子波,在上述仿真实验中,我们可以精确地确定厚度为(λ为地震波长)的薄层中反射界面位置,Ricker子波的波峰及波谷较大,而在实际记录中子波振荡周期数较多,而且主极和次极大幅度差别较小,这些就增大了薄层探测的难度。
b)实际资料处理
利用广义S变换的高频信息指示薄层顶底界面的信息,研究出基于广义S变换的高分辨率的剖面,主要步骤如下:(1)计算单道地震记录的广义S变换;(2)特定某一高频率值,提取其单频曲线,拾取其峰值,这样就得到了薄层的顶底界面位置;(3)循环计算所有的道,则得到所有薄层顶底界面的位置信息的剖面。对大庆油田某地区的一条过井剖面进行了基于广义S变换的主频率分析,实际地震剖面如图6所示,对比这2张剖面可以清楚的看出,图5(b)拓展了地震记录的主频,有效地提高了分辨率,在图5(a)中,由于地震波的频率较低,同向轴出现调谐的现象,但是在图5(b)中,由于地震波主频的提高,同向轴式非常清晰的。随着频率的不断增大,高频信息在各瞬时频率剖面得以显示,重构后的地震剖面信噪比和分辨率也会得到明显的改善。在图中可以清晰地看出,由于采用广义S变换进行计算,计算得到的主频率剖面具有很高的纵向分辨率。
6 结束语
【高分辨率数据】相关文章：
高分辨率卫星05-07
高空间分辨率08-19
高分辨率卫星遥感影像05-21
基于高分辨率遥感影像的人口信息的提取综述09-10
过高分辨率导致电脑黑屏的一个解决方法04-14
高分辨力CT05-06
高分辨率CT在肺气肿诊断中的应用09-11
高对比度分辨力09-08