高空间分辨率

高空间分辨率（精选十篇）

高空间分辨率 篇1

关键词：高空间分辨率遥感影像,建筑物提取,地物提取

1、引言

随着遥感技术的不断进步, 光学卫星影像的空间分辨率不断提高 (目前军用卫星已经达到厘米级) , 与同类中低空间分辨率的遥感影像相比, 高空间分辨率光学卫星影像上地物的光谱特征更明显, 景观的结构、形状、纹理和细节等信息突出, 使得研究城市内部建筑分布细节成为可能。从20世纪90年代以来高空间分辨率光学卫星影像逐渐进入商业和民用领域, 在地图更新、土地管理、城市规划、资源调查、环境监测、灾害评估等方面得到广泛应用, 逐步成为一种主要的地理空间数据获取和更新途径, 针对高空间分辨率光学卫星影像的信息提取研究也随之兴起, 但高空间分辨率影像信噪比低的特点限制了建筑提取的精度, 人工解译仍然是最普遍的提取方式, 其费时费力的弱点成为制约高分辨率卫星影像大范围应用的瓶颈。如何从高分辨率卫星遥感影像上自动、快速、精确地提取地物 (道路、建筑、植被和水体等) 信息并制作专题图, 为各类工程提供服务成为遥感应用领域的一个重要研究方向[1]。目前对绿地和水体的自动提取已经比较成熟, 而道路和建筑物由于其自身的复杂性导致自动提取困难, 国内外很多学者在高分辨影像道路和建筑提取方面做了很多相关研究, 在提取理论和方法方面取得了一定的成果。本文就高空间分辨率遥感影像建筑物提取研究现状进行总结, 在此基础上提出目前遥感影像建筑物提取研究的热点及其发展趋势。

2、建筑物提取的研究历史

快速准确地获取不同类型城市建筑的空间位置、形状等信息具有极其重要的意义, 在城市规划、城市动态监测、城市三维建模、地形图更新、地籍调查等方面有广泛的应用。目前, 对自动建立城市三维模型和实现城市虚拟现实的需求越来越多, 利用大比例尺航空影像获取城市建筑物的三维几何信息和表面纹理, 是实现三维城市建模的有效途径之一。由于航空影像高信噪比的特点, 目视解译提取建筑边界信息相对容易, 虽然有很多相关研究成果, 但至今仍无针对各种航空影像全自动提取各类建筑物的普适性方法, 同时航空影像获取成本高、更新周期不确定等缺点也限制了它的应用。

卫星遥感平台及对应传感器的出现, 是遥感史上的重大突破, 光学卫星影像是目前最重要的遥感数据源, 很多学者开始利用卫星影像研究城市变化, 提取城市下垫面地物信息。在早期, 城市下垫面目标提取主要是利用中低分辨率遥感影像, 由于受分辨率的限制, 城市对象提取只能够停留在对城市边界、居民地等信息的提取, 很难得到有关城市内部的细节信息, 无法满足城市相关的应用需求。

迄今为止, 利用高分辨率航空相片或卫星影像提取建筑物等人工地物信息的方法大体分为两类:其一, 利用图像信息结合高程信息进行建筑物信息提, 通过建筑物与周围环境之间的高差进行屋顶边界的提取, 大多需要一定的辅助数据如DEM、DSM等。其二, 利用高空间分辨率遥感影像数据结合计算机视觉、图像处理与分析、人工智能等学科领域的新方法实现对建筑物顶部信息的半自动甚至全自动识别与提取。此方法不需要多景影像数据, 也不需要其它的外部信息源, 具有更为广泛的应用前景和范围, 但是其缺乏对识别建筑物表面高度信息, 只是利用的是图像的光谱信息、灰度信息以及建筑物的形态信息和一部分先验知识, 难度要更大, 此方法仍处于探索研究阶段。在城市环境中由于受到建筑物结构复杂性的影响, 建筑物常常被人造目标或者自然目标包围, 给提取建筑物带来干扰, 常见的典型情况有: (1) 房屋边缘与道路平行且相邻, 边缘检测后的影像中道路和房屋边缘相互混淆; (2) 因为拍摄角度导致建筑物彼此的遮蔽, 影像上丢失了被遮蔽建筑物的信息; (3) 建筑物阴影的灰度接近建筑物的灰度, 很难区分二者的边界, 对提取产生干扰。此外利用成像质量、光谱范围等多方面因素影响的遥感影像提取建筑物信息, 出现信息的丢失以及失真, 从而增加了建筑物提取的难度。图1分别从影像数据、分辨率与方法几个方面概括了建筑物提取的发展历史。

3、建筑物提取的常用方法

遥感影像进行建筑物提取的基础理论研究始于20世纪80年代, 在数十年的发展历程中, 各种有关建筑物提取的方法相继提出。按照其自动化程度, 分为人工 (目视判读) 提取、半自动提取、自动提取三个层次。其中人工提取方法主要依据专家经验, 应用历史最长, 已经比较成熟;部分半自动提取方法的精度也能满足工程实践的要求, 目前研究的重点是如何在保证精度的前提下提高自动化程度, 即如何实现全自动提取。在现阶段, 从遥感影像中自动提取建筑物主要是基于影像的基本特征以及一部分先验知识, 而对识别建筑物最有帮助的表面高度信息, 因其信息获取的技术难度大, 成本高而缺失, 影响了从遥感影像获取建筑物信息的精度。因此, 全自动提取在技术仍然处于尝试和探索阶段, 具有一定的挑战性, 因此商业化的软件平台尚未出现。目前国内外有许多研究机构和研究人员从事建筑物自动提取的研究工作, 其中较有代表性的有美国Mc Keown实验室、瑞士“Amber”项目组、德国波恩大学和慕尼黑技术大学、奥地利格拉茨大学、法国地理院以及中国解放军信息工程大学、武汉大学和国防科技大学ATR实验室等[2], 他们在提取理论和方法方面取得了一定的成果。从遥感影像提取建筑物的原理出发可以分为三大类, 基于区域分割的方法、利用辅助知识的方法以及基于直线和角点检测与匹配的方法。

3.1 基于区域分割的提取方法

以分类为基本手段的建筑自动提取方法其过程一般为:先利用监督、非监督或面向对象的分类方法对影像进行初步分类;再对建筑所在的类别根据建筑自身的几何形状、空间位置、方位走向等特征提取具体的建筑物目标。基于区域分割的面向对象分类是其中常用的信息提取方法。

该方法提取建筑物的流程是先通过区域分割将房屋信息从背景中分离出来, 再以基于影像对象的分析处理提取所需要的信息。其中初始分割是影响后续信息提取精度的重要制约因子, 目前分割技术在生物、医学领域的应用远远多于遥感领域, 在遥感影像分割中的应用多集中于中低分辨率遥感影像[3]。在各类文献中, 相关的研究主要针对TM, SPOT, SAR等影像数据类型。黄慧萍[4]提出多尺度分割法则, 以任意尺度生成属性信息类似的影像多边形对象, 运用模糊逻辑方法获得每个影像对象的属性信息, 并以影像对象为信息提取的基本单元, 实现类别信息的自动提取, 但精度有待提高;陆关祥等[5]在复杂构造区域遥感图像的地质信息提取方法研究中, 采用了小波变换的多层次TM图像分割;张煜等[6]利用几何约束与影像分割相结合的方式, 对航空影像半自动房屋提取方法进行了改进, 提高了房屋边缘模糊像素的提取精度, 取得了一定的效果;Liu[7]等在对高分辨率影像进行多尺度分割时, 综合考虑了对象的色调, 纹理, 形状和上下文等信息, 分割后利用模糊决策树分类器对其进行分类, 最后利用随机Hough变换提取屋顶的边缘线;Baatz和Schpe[8]提出了一种影像多尺度区域分割和决策树分类相结合的方法, 把光谱、纹理及上下文信息结合起来用于目标地物的识别, 该方法在针对高分辨率影像的分类应用研究中取得了较好的结果。

3.2 利用辅助知识的提取方法

由于建筑物本身结构和周围环境的复杂性, 为了提高建筑物提取精度, 很多学者提出了通过挖掘图像中的阴影、纹理、几何结构特征, 结合语义网、上下文等相关信息辅助提取建筑的方法。其中R.B.Irvi, 以及yuh-tay liow等利用阴影提取建筑物的研究属于此类方法的开拓性成果。此后, Liow研究了阴影面积和周围地物的遮盖关系等多种因素限制对建筑物提取精度的影响;Yanfeng Wei等先用直方图分割法提取出影像中的阴影作为待提取建筑候选区的辅助判据, 并利用Canny算子和Hough变换提取建筑边界;Sohn和Dowman[9]提出了基于窗口傅立叶变换和二分树 (Binar Space Partitioning, BSP) 技术并结合建筑物单元形状 (Building Unit Shape, BUS) 的知识推理形成建筑物多边形的流程;Fable和Hinz等尝试了基于语义网络的遥感影像线性特征解译和提取, 利用上下文信息建立了影像提取模型;翟辉琴等提出了利用小波变换和数学形态学识别和提取高分辨率遥感影像上面状居民地的方法。Duan等研究了以1:10000数字地图和高分辨率卫星影像为数据源, 以GIS数据为指导, 通过模糊分割提取房屋信息的方法;Sebastien等通过引入形态学辅助提取高空间分辨率遥感影像上的建筑物信息。此外, 在城市三维建模研究过程中, 已经发展了以立体航空影像或D E M作为辅助信息结合遥感影像提取三维建筑物的方法。

3.3 基于直线和角点检测与匹配的提取方法

基于线状特征的边缘提取方法是利用边缘检测算法得到图像中的边缘, 根据空间关系对图像中已经提取的边缘线段进行分组, 搜索平行线, 进而搜索符合建筑物空间结构和轮廓的矩形, 得到建筑物的位置。Taejung Kim (1999) 等[10]将边缘线段组成线段空间关系图, 按照图的搜索方法, 找寻可能的建筑物结构, 即可以构成建筑物轮廓的线段集合。Kim[11]等根据建筑屋顶边缘多呈平行线走向的特点, 利用投票策略选定直线最多的方向为房屋边缘走向, 从而达到识别建筑的目的。Todd[12]等利用模糊集推理的方法进行影像滤波、边缘检测和跟踪, 在高斯滤波预处理过程中, 利用基于局部像素特征的模糊推理控制其平滑度, 边缘跟踪时使用模糊推理进行引导。基于边缘的提取方法在遮蔽少、房屋独立和形体较为简单的情况下效果较好, 但它在边缘提取与直线跟踪拟合等步骤中使用了许多阈值, 这些阈值难以适应不同的情况, 包括不同的房屋类型、影像条件, 实用上受到限制。此类方法都是由底层的线搜索开始, 一层一层地逐步推演获得更高层的目标信息。其主要优点在于基于空间几何关系搜索可能的目标, 大大弥补了基于灰度方法的漏检、误检等常见的缺陷, 充分利用了图像中目标边缘著特征, 通过多种理论方法解决搜索问题, 大大了精确度。这类方法的劣势表现两个方面:其一, 此方法很难排除一些干扰信息;其二, 线段搜索耗时长, 算法时间效率差。

基于角点检测和匹配的方法是依据遥感影像上建筑物一般具有较为明显的角点信息而提出的建筑物提取方法, 该方法先独立提取房屋角点, 再根据一定的规则进行角点匹配, 达到提取房屋信息的目的。文献中该方法的研究仍不多见。徐芳[13]在其学位论文中实现了基于角点检测的航空影像房屋半自动提取;J u n g a n d Schramm[14]提出利用窗口Hough变换先提取矩形屋顶的角点, 然后通过几何形状限制确定矩形中心点和方向, 最后达到提取矩形类屋顶的目的。基于角点检测和匹配方法的缺点在于房屋的整体的几何约束信息及直线边缘没有充分利用, 而且由于相互独立的角点提取和匹配这些约束条件不易引入, 因某些角点背遮蔽或者模糊等原因引起的角点匹配和提取的错误将导致整个提取的失败。

4、结语

本文回顾了建筑物提取的研究历史, 对近年来国内外建筑物提取的方法进行分析, 分类介绍了从遥感影像中自动提取建筑物理论基础与相关方法。各种方法对于高空间分辨率遥感影像建筑物提取的算法各有优缺点, 很多算法在理论上都是全自动的, 但在实际应用中则有很大的差异, 一些算法还停留在试验研究阶段, 离实际应用的距离很远。结合多种提取方法, 适当地利用阴影、语义网等辅助信息是高分辨率影像复杂信息提取的发展趋势之一, 而基于分割的面向对象影像分析方法也不可避免地成为城市建筑提取的重要方法。

大气数值模式空间分辨率的确定方法 篇2

集中讨论了如何决定大气数值模式空间分辨率的问题.首先, 给出模式分辨率的定义和模式各方程都应满足的不等式, 并在此基础上, 用尺度分析和单波的方法推出模式水平和垂直分辨率的.预估公式.还给出针对一般模式, 以预估公式作基础, 选择一系列分辨率, 用比较试验, 结合大气结构特点, 最终确定模式分辨率的方法.并用浅水模式进行了水平分辨率的试验.

作 者：朱禾 孙岚 廖洞贤 ZHU He SUN Lan LIAO Dong-Xian  作者单位：朱禾,ZHU He(中国气象局培训中心,北京,100081)

孙岚,SUN Lan(中国气象局科学研究院,北京,100081)

高分辨率卫星遥感影像 篇3

关键词：高分辨率；土地利用；3S技术；卫星遥感影像；图斑

当前中国经济飞速发展，新农村建设正在积极稳妥的推进，各个乡村城镇的建设也是蒸蒸日上，而对于城镇和乡村来说，土地的意义不言而喻。土地的利用状况也是在每天发生着翻天覆地的变化，与之相关的是违法用地的现象屡次发生，非法占用耕地的想象发生频繁尤其特别的是基本农田，集镇和城市的规划存在着利用不合理、盲目扩张和批后管理严重滞后的现象。为了解决日益突出的国土资源问题，我国的国土资源局必须及时进行土地利用现状更新调查和地籍调查，土地开发整理项目和基本农田保护执行情况进行检测，违法用地现象要及时严厉的查处，土地总体利用情况规划执行等，这么多的工作都需要准确快速的获取土地利用及其相关的变化情况。传统的方法需要的时间长、效率低下、新增加的的道路具体的工作条件没有相关资料参考，传统方法已经满足不了当前的现状。为了这一难题的有效解决，切实提高国土资源相关部门的工作效率，保障实现日常管理的现势性、动态性和准确性，降低各种图件制作和数据库建设的成本支出，必须采用卫星遥感技术进行土地利用调查和动态监测。

1卫星遥感数据的技术优势

遥感卫星数据是遥感卫星在太空探测地球地表物體对电磁波的反射，及其发射的电磁波，从而提取该物体信息，完成远距离识别物体，将这些电磁波转换，识别得到可视图像，既为卫星影像，通俗简单解释：就是卫星在空中给地面拍的照片，地面长什么样，它就能拍出什么样。该技术不受时间和气候的限制，并且数据更加的全面而且准确。现势性很强较能及时的提供土地资源的图形数据，能够全面实现该区域的覆盖。卫星的精度高，分辨率为0.61m，可以满足1：2000、1：5000及以上比例尺图件成图，符合当前土地调查的精度要求，能与航空相片媲美却远低于航拍片的成本。数据易于修改、携带、复制保存，易于跟GIS数据接口实现共享。

2技术方法的实现过程

2.1总体思路。第一、购买卫星遥感影像数据，这些数据已经是经过处理：色彩调整、影像纠正、选取大地控制点、镶嵌等。第二、需要更新的的土地现状图与遥感影像进行迭加对比来观察变化的数据。第三、通过GPS实测确定变化面积属性等，通过室内处理得到更新后的土地利用信息库和利用现状图，根据这些变化来规划出更加合理的测量计划和野外调查。

2.2外业调查与量测。需要搜集更多的补充资料，设立解释的标语，对于变化的图斑进行调查检验：利用GPS先设置好控制点，实测控制点的坐标，收集一些相关数据，实际调查具体变化位置、土地状况等将其填写在记录表，并绘制外业调绘图。

2.3土地利用更新调查表的制作。制作土地调查表需要用到的一个关键平台是MAPGIS平台，把前期收集的各种数据全部上传至电脑，在其平台下利用数字成图系统。对于有改变的图斑来说进行大量的勾画，使之建立完整的拓扑关系，最后生成土地利用的调查地图，根据之前建立的解释标志，参照相关数据库最终绘制成跟新调查图。

2.4对土地利用状况的动态监测。土地利用动态监测是指运用遥感土地调查等技术手段和计算机、检测仪等科学设备，以土地详查的数据和图件作为本地资料，对土地利用的动态变化进行全面系统的反映和分析的科学方法。监测内容主要包括土地利用变化的动态信息、耕地总量的动态平衡情况、农业用地内部结构调整情况和基本农田保护区状况。在监测报告中，一般要对监测内容进行分析，分析的主要内容有地类变更分析、权属变更分析、耕地变化动态分析和土地利用结构变化分析。有了现状图可以进行分析变化特征和未来发展趋势，为日常监测和土地执法提供科学依据。

3卫星遥感技术在土地监测中应用

在土地利用调查和动态监测中，卫星遥感技术最大程度上实现了3S技术的集成：鉴于GPS所具有的巨大技术优势，卫星遥感图像采用了GPS技术采集控制点数据进行了前期影像纠正，在外业量测和调绘中也用到GPS测量，业内属性数据处理和图形编辑以MAPGIS土地利用现状变更调查，技术利用已有的详查形成的基础图件，进行实际调查，对变化的地块逐一绘测量。现有常用的两种方法，第一利用经纬仪和皮尺等测量工具进行实地测量，绘制图斑。第二利用航测相片图经外业调绘获取。这种方式精度低而且速度慢，如果测量的范围大成本也是费用高周期长。卫星遥感影像数据实时性强，覆盖面广，已成为获取和更新国家基本比例尺地形图和国家基础信息系统不同种类，不同尺度数据库所需要信息的重要途径。利用卫星遥感影像能够快速的更新土地利用，已经成为最为常用最为重要的调查方法。在其已有的土地上进行提取更新调查测量等一系列的后续活动，最终跟新土地利用的数据库。工作流程主要包括外地实地调查，变化数据后处理、土地利用变化信息的提取和更新土地利用数据库的步骤。

4遥感影像纠正与精度分析

遥感影像的几何纠正是遥感影像处理的基础，如何根据获取的遥感影像参数情况，采取最简单、快速、可靠的方法，在很短的时间内完成了上级下达的任务，是目前测绘生产者一直追求的目标。随着航天技术发展，在较少控制点的情况下，提高遥感影像纠正的速度和精度是当前亟需解决的问题。遥感影像的纠正采用多项式和共线方程进行纠正。而平常所用的共线方程纠正是建立在图像坐标与地面坐标严格数学变换关系基础上的，较大幅度的提高了其纠正的精度。

结语：当前遥感技术正日益成熟，高光谱遥感、雷达影像以及高分辨率影像将会更加广泛的应用于全国各地的土地调查。土地利用管理信息系统和土地利用动态监测体系将日臻完善。

小型无人机载高分辨率物镜设计 篇4

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.

高空间分辨率 篇5

5100MP 采用1.0英寸DMD芯片以及2倍速4色段色轮，标称亮度为3300 ANSI流明，对比度为2500:1。采用PC World中国实验室的测试方法，其测试亮度达到了3400流明，对比度超过750:1(测试方法有所不同，与厂商标称值间没有可比性)。与今年7月份进行的42款投影机横向测试中的同等重量的XGA产品相比，在亮度和对比度方面都具有明显的优势。不过0.73的亮度均匀性不具有优势。

作为高端机型，5100MP的接口配置相当丰富，有视频质量最好的BNC分量视频接口、目前逐渐流行的HDMI接口，还有RGB复合分量视频信号接口、M1数字接口、VGA IN/OUT、S-Video、Video等等，此外还带有网络接口和RS232维护接口。

我们使用其自带的DVI-VGA数据线与电脑相连接进行了测试，5100MP的整体聚焦良好，边角和屏幕的中心都能保持相当的清晰度，不过灰度跟踪略有不足，白屏和灰屏有轻微的偏色现象。画面的色彩还原在DLP投影机中属于正常水平，画面中主要的层次和细节部分均能完整表现。

5100MP提供了垂直和水平方向的梯形校正，垂直方向可以自动进行调节，并且它还具有半自动模式，用户可以随意设定画面中变形最为严重的两条边，将画面尽力设置为矩形。不过这项半自动功能在调节时无法直观地看到真实的画面，并且不允许二次调节，因此普通的用户想要把严重变形的画面调节好，有一定的难度。

高空间分辨率 篇6

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.

一种高分辨率遥感影像道路提取方法 篇7

紧实度:P为区域周长, Π为圆周率。

长宽比:区域的最小外接矩形的长宽比。

矩形度:也有学者称之为充满度。F=S为区域面积, 为最小外接矩形面积。

形状复杂性E:E=L为连通区域周长, S为区域面积。

周长:影像对象边界的总长为像素长度。

面积:道路通常是一段一段相互连接的网状结构, 面积不会太小, 利用此特征可滤除面积较小的干扰物体, 节省后续计算时间。

形状指数:C是区域周长, A为区域面积。

密度:其中协方差矩阵S。

不对称性:m、n分别表示外接椭圆长轴和短轴的长度。

狭长度:其中与表示的最大值和最小值。f (I, j) , θ∈0, Π) 其中N和M分别是图像的行列号上限。

极惯性矩:平面面积对垂直于该平面的轴线之惯性矩称为极惯性矩。

一、传统的长宽比指数存在不足

在图1中左边矩形的区域与右边线型道路拥有同样大小的外接矩形, 利用上述长宽比无法区分两者。苗则朗等对长宽比进行了改进, 改进后的长度为图形外接矩形的对角线L, 宽度W为n/L, 其中n为图形像素个数。后者相对前者是有所改进, 但有些情况仍然存在不足, 如遇到错综复杂的道路, 如图2中, 其外接矩形的对角线长度远小于道路真实长度, 如此造成计算得到的长宽比偏小。

二、改进长宽比指数并结合面积参数从高分辨率遥感影像中提取道路

如图3所示, 在一连通区域内选择一像素点o, 作若干条经过o点的直线, 这些直线要均匀的分布在不同方向上, 直线与连通区域的交线分别为ab、cd、ef、gh、mn……比较各线段的长度, 取最短的线段长度作为该连通区域的宽度W, 该联通区域的长度L=S/W, 其中S代表该区域的面积。在该过程中, 所作直线条数越多, 所求的宽度越接近于区域宽度, 但同时会增大计算量, 减慢计算速度, 此外每条直线可能会遇到区域中有孔洞的地方, 导致计算的宽度偏小。考虑到以上两个因素, 本次实验中对每个连通区域选择通过四个不同的像素点分别作若干条直线, 本文中所作直线分别为东西、南北、西北-东南、东北-西南方向的四条直线, 首先计算通过每个点的四条直线与联通区域的交线, 取其中的最短距离d1, d2, d3, d4, 然后取d1, d2, d3, d4中的最大值作为该区域的宽度。

(一) 提取道路的流程

1.统计图像道路像素RGB值, 初步选择道路。本文在道路上均匀选取40个像素点, 统计他们的RGB值范围为93<R<154, 111<G<170, 124<B<190, 利用MATLAB编程序提取影像中像素值处于该范围的像素。图4为原始影像, 要提取的道路已在图中标出, 图5为提取后的二值影像。从图中我们可以看到, 提取出的地物, 除了有目标道路, 还有同谱异物的房屋和部分地面。

2.从图5中可以看到每个连通区域有很多小孔, 为减少对获取连通区域宽度的影响, 对图2进行先膨胀后腐蚀的操作, 减少孔洞的数量, 然后根据前述的长宽比定义获取每个连通区域的长宽比, 消除长宽比小于阈值的连通区域, 此次实验所取阈值为10。得到图6, 从图中可以看到大部分零星地物已被消除, 右下角矩形建筑也被消除。

由于腐蚀的作用使得道路变窄, 中间的孔洞也变大, 因此滤除小面积地物后再采用矩阵B对图像进行3次膨胀处理, 最终得到的主干道路图像如图8。

(二) 结论与不足

结论:本文提出一种新的长宽比的定义, 并利用该定义结合面积参数成功从高分辨率遥感影像提取主干道路。

不足:连通区域里的孔洞会影响长宽比的获取。

摘要：总结了道路提取常用的形状指数, 提出一种新的长宽比指数, 采用该长宽比和面积指数结合光谱特征从高分辨率遥感影像中提取道路。实验证明采用新的长宽比指数能有效的将线状道路与面状房屋区分开来。

关键词：高分辨率,遥感影像,道路提取

参考文献

[1]罗庆洲, 尹球, 匡定波.光谱与形状特征相结合的道路提取方法研究[J].遥感技术与应用, 2007, 22 (2) :339-344.

[2]李晓峰, 张树清, 韩富伟.基于多重信息融合的高分辨率遥感影像道路信息提取[J].测绘学报, 2008, 37 (2) :178-184.

[3]雷小奇, 王卫星, 赖均.一种基于形状特征进行高分辨率遥感影像道路提取方法[J].测绘学报, 2009, 38 (5) :457-465.

[4]申真.基于面向对象的高分辨率遥感影像道路提取研究[D].赣州:江西理工大学, 2012.

高空间分辨率 篇8

随着精确制导武器的大量使用,精确打击作战体系已成为现代高技术信息化战争的一个主要特征,而打击效果评估是现代精确打击作战体系必不可少的一部分[1]。对目标进行打击后,指挥员最关心的是武器是否击中目标及目标被击中后的被毁情况,以便决定是否对目标进行补充打击,以及如何制定补充打击方案。因而,及时准确的打击效果评估已经成为影响作战运用、决策与运筹的必不可少的内容。

本文主要研究如何从高分辨率光学图像中提取目标特征信息,特别是对特定的军事目标如建筑物、桥梁等进行打击效果的评估,提出了一个基于高分辨率光学图像的打击效果评估系统,系统经过适当地扩展可以用于各种不同人造目标的打击效果评估。

1 高分辨率光学图像目标打击效果评估系统

目前,基于遥感图像的打击效果评估常用的是基于象素级的变化检测的方法[2]。这一方法对图像配准精度要求极高;同时由于打击造成的碎片以及诸如车辆等目标的移动都会造成图像的变化。由于这些变化难于和由打击造成的损伤区分开来,这就使得传统的方法的虚警率较高。

基于上述考虑,提出一种新的思路进行目标损伤评估,避免在象素级对损伤前后的图像直接进行比较。这一方法的关键是目标特征的提取,首先在打击前图像上提取目标的一组特征,以这一组特征为先验信息,然后在打击后图像上提取同一目标的一组相应特征,最后对两组特征进行比较,根据两组特征之间的变化,对目标损伤程度进行评估。这种目标损伤评估方法可以分为四部分,其流程图如图1所示。

2 图像配准

以打击前的图像为基准图像,将打击后的图像与其进行配准。在进行图像配准时要考虑到打击前后图像分辨率有可能不同,以及卫星的飞行姿态、天气等因素所造成的遥感图像灰度的不同。本文采用一种feature-based和region-based相结合的方法对两幅图像进行配准,可达到亚象素级精度[3]。

3 目标识别

现有的建筑物检测方法主要有基于边缘的方法和基于区域的方法,本文将这两种方法相结合,其流程图如图2所示。

首先进行边缘检测,在边缘检测的基础上提取直线段,然后提取平行线,最后搜索矩形区域。建筑物目标检验主要是对已获得的可能是目标的矩形区域进行验证,若条件满足则认为其是建筑物目标,否则,则认为其为虚警。检验是在原始图像中对潜在的目标区域进行验证。检验条件如下。

(1)判断目标周围是否有阴影存在。

目前人们对建筑物的阴影检测已进行了一定的研究[4,5,6,7]。阴影会使所投射地表表面的光照强度降低,但不会改变原有地表、目标表面的光照特征;阴影属于图像中的局部黑区域;阴影区域内的灰度方差一般小于其他非阴影区域,不同阴影区域之间的灰度值具有较强的一致性;阴影区域的灰度均值与方差受阴影所投射的地表性质影响并不十分明显。利用以上特征,可以在潜在目标区域周围进行阴影的检测。

(2)判断目标区域灰度一致性。

通过对大量图像观察表明,建筑物顶部灰度均匀,通过判断潜在目标区域的灰度一致性可以有效的排除虚警。

(3)判断目标区域面积是否在一定的范围内。

建筑物目标面积应该在合理的范围内,随着面积的增大或减小,区域属于建筑物的可能性均减小。

(4)判断目标区域的长宽比。

建筑物目标一般比较方正,其长短轴长度比较接近,而道路等形成的区域比较狭长,其长短轴长度比值较大。

若目标区域符合以上条件,则认为其是建筑物目标,否则,则认为其是虚警。

4 特征选取

打击效果的评估要以特征信息的提取为核心,所以合理有效的评估系统要尽量选择能反映目标特性的一组特征。在选好特征后,分别在打击前后图像上提取目标的各个特征,为下一步的损伤评估打下基础。

4.1 建筑物打击前后图像特征

建筑物的典型特征是具有明显的外形轮廓,在遥感图像上表现为灰度及其结构的规则性和有序性。打击使建筑物的规则结构受到破坏,其影像特征与打击前相比,具有非规则性和紊乱性的特点,主要体现在波谱特征(灰度)和结构特征(纹理)两方面。

在波谱特征方面,打击前,遥感图像上建筑物灰度值一致性较好,且灰度一般比背景要亮;打击后,建筑物的倒塌和破坏引起地表粗糙度和反射率发生变化,反映在遥感图像上就是影像的灰度值的变化,一般建筑物损伤区域灰度较低。在结构特征方面,打击破坏以前,建筑物个体及其组合呈规则分布,图像结构(纹理) 规律性显著,而遭受打击破坏的建筑物,其规则形状及其布局均会发生改变,在遥感图像上表现为建筑物轮廓模糊不清,组合图案零乱,纹理韵律不规则等特征。

由于目标打击后极不规则,在图像上无法直接识别出目标。因此只有在打击前图像上识别出目标,利用图像配准技术,把打击前后图像进行配准,根据打击前图像上目标的位置信息在打击后图像上得到相应的目标区域。因此目标的几何轮廓特征就无法作为打击前后图像上目标的特征进行分析比较。

基于上述分析,本文着重提取目标的灰度纹理特征进行分析比较。

4.2 特征选择

从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的,这个过程叫特征选择[8]。这里的特征选择指的是从一组特征中选择出最能反映目标打击前后变化的特征。根据上述分析,特征选择主要是从图像灰度和纹理信息两方面进行。

遥感图像的灰度反映了地物某种物理测度值大小。遥感图像上用于反映建筑物打击前后变化的灰度特征包括灰度平均值和灰度方差。灰度平均值反映的是地物的平均反射强度,不同时间拍摄的遥感图像,由于气候、卫星姿态等原因,其灰度值往往具有较大的差异,因此灰度无法作为特征来对目标是否受到打击进行判断。灰度方差描述了像元值的离散性。建筑物打击后而破碎、倒塌,原有灰度一致性被破坏,反映在遥感图像上就是灰度方差增大。但是如果建筑物被完全摧毁为一片瓦砾,那么其原有结构性降低,趋于均一化,反映在遥感影像上就是灰度离散性递减,其方差反而减小。可见只要目标受到破坏,其灰度方差总会发生变化。基于上述原因,本文选择了灰度方差作为建筑物打击效果评估的特征。

遥感图像的纹理结构反映了灰度的空间变化特征。建筑物遭受打击破坏后原有结构会发生改变,不同损伤程度的建筑物影像灰度在空间上的起伏变化,将表现为一定纹理差异,具有一定的统计规律,因此纹理特征是识别建筑物损伤的重要依据。这里要选用的纹理特征必须具有以下特点:如果目标没有损伤,则其值在打击前后图像上变化不大;而目标一旦受到损伤,则其值会有较大的变化。经试验,本系统选择了基于灰度共生矩阵的熵、能量、对比度、均匀性和分形维数作为特征。

基于上述分析,本文共选择了目标灰度方差、熵、能量、对比度、均匀性、分形维数六个特征组成目标的特征向量。

5 损伤评估

利用前面提取的建筑物目标在打击前后的特征量,就可对目标的打击效果进行评估。先计算上述各个子特征的距离度量,再将这些子特征距离进行组合得到全局相似距离。

设特征向量的第K个特征值为Vk,用以下公式将其极差归一化到区间[0,1]之间。

$V{}_k=\frac{V{}_k-\min (V{}_k)}{\max (V{}_k)-\min (V{}_k)}(1)$

其中,max(Vk)、min(Vk)是特征Vk的最大值和最小值。

在对各特征值进行归一化处理的基础上,采用打击前后图像上目标特征向量的欧氏距离来分析目标打击前后的相似性。

两个特征向量的欧几里德距离定义为:

$D(x,y)=\sqrt{\underset{i=1}{\overset{n}{{\displaystyle \text{Σ}}}}(X{}_i-Y{}_i){}^2}(2)$

其中,Xi是目标打击后的特征值,Yi是对应的目标打击前的特征值。由上式计算出的距离大小可以说明目标的摧毁情况,该值越大,说明摧毁程度越严重。图3和表1中是建筑物损伤评估的示例。从图3和表1可以看出,随着目标损伤程度加大,其特征向量的欧氏距离也随之增大。目标没有受到损伤时,其欧氏距离较小,如图3目标(f)所示,其距离为0.153054;而目标受到一定损伤时,其欧氏距离随之增大,如目标(a),(b),(d),其欧氏距离为0.836928、0.562595、0.358038;当目标完全摧毁时,如目标(c),(e),其欧氏距离明显较大,为1.119447、0.964999。

根据建筑物损伤的程度及目标打击前后特征向量的欧氏距离,可以认为目标损伤程度和其打击前后欧氏距离具有如表2所示关系。

基于表2所示建筑物损伤分级标准,就可根据目标打击前后特征向量的欧氏距离大小,对目标的损伤程度进行分级评估。

6 结束语

针对传统的基于变化检测的目标打击效果评估模型对图像配准的要求极高,并且对多时相图像进行变化检测易产生大量虚警的缺陷,本文提出了一种基于目标识别和特征分析的打击效果评估模型,并对建筑物的打击效果评估进行了试验,结果表明该系统可有效评估建筑物目标的摧毁程度。本系统的核心是目标特征的选择和提取。若所选择的特征能最大限度的表征目标结构,则系统能很精确的反映目标的摧毁程度。特征提取的精度也直接决定了评估的精度,所以特征提取要尽可能的精确。另外,图像分辨率的提高也有助于提高目标特征量的精度,所以评估系统要尽量使用高分辨率的图像。本系统主要是针对建筑物的打击效果评估而设计的,但通过适当的改进和扩展,也可用于其他各种人造目标的打击效果评估。

摘要：针对传统的基于像素级变化检测的打击效果评估系统的不足,提出了基于变化目标特征向量分析的打击效果评估系统。该系统首先在图像上识别出目标,然后分别在打击前后图像上提取目标特征向量,并对目标特征向量进行分析比较,根据目标特征向量的变化对目标损伤程度进行评估。试验证明该方法有效可行。

关键词：目标识别,图像配准,特征提取,打击效果评估

参考文献

[1]张召忠.打赢信息化战争[M].北京:世界知识出版社,2004.

[2]Ssu-Hsin Yu,Anuj Srivastava,Raman KMehra.Automatic BattleDamage Assessment based on Laser Radar Imagery[J].Proc.SPIE-Int.Soc.Opt.Eng.1999,3707:210-221.

[3]Li H,Manjunath B S,Mitra S K.Acontrol-based approach to mul-tisensor image registration[J].IEEE Trans on Image Processing,1995,4(3):320-334。

[4]何国金,陈刚,何晓芸等.利用SPOT图像阴影提取城市建筑物高度及其分布信息[J].中国图像图形学报,2001(6):425-428.

[5]Thirion J B.Realistic 3D simulatron of shapes and shadows for imageprocessing[J].CVGIP,1992,54(1):82-90.

[6]WangC,HuangL,Rosenfeld A.Detectingclouds and cloud shadowson aerial photograph[J].PRL,1991,12(1):55-64.

[7]Huertas A,Nevatia R.Detecting Buildings in Aerial Images[J].CVGIP,1988,41(1):131-152.

高空间分辨率 篇9

关键词：分辨率,阵列感应,测井仪,应用探讨

当原始的测井技术不能满足目前油气开采程度加深的现状之后, 高分辨率阵列测井仪很好地解决了这一矛盾, 它同常规的测井仪相比优势就在于, 它的垂直分辨率与他的深度是成正比的, 随着深度的加深, 在垂直方向上的分辨率就变高, 由于它可以提供从深到浅的一系列的电阻率的数值, 这就便于信号的处理和数值的分析。根据研究发现, 随着深度的加深, 它收到的井口的干扰反而变小, 这就使得高分辨率阵列测井仪迅速普及并得到很好地应用。

1 高分辨率阵列测井仪的特点

测井技术是一门综合性学科, 它主要是对地球的一些物理反应比如光的传播和重力感应来对得到的数据加以综合分析, 从而知道地下组织的一些特点, 高分辨率阵列感性测井仪具有对信息的处理力强大、测量深度深, 测量数据精准等特点。它的主要工作原理是利用电磁感应来探测电阻率这样一种方法。在测井仪的中间有涡流, 接受线圈和发射线圈分别位于涡流的两端, 发射线圈的内部分布有发射器振荡器, 它的基本子阵列为一个发射2接受3线圈子阵列, 发射线圈和接收线圈都是对称排列的, 主发射和主接受之间的距离为6in., 9in., 12in., 15in., 21in., 27in., 39in., 72in., 各个不同的线圈的分布都使得它们具有不同的测量方式和标准, 这样在探测深浅不固定的井口时, 它就可以作出不同的数据分析,

各个线圈的分布都是按照一定的规律进行有序的排列的, 而不是随意的排列, 线圈之间间隔距离的不准确也会导致最终数据的不准确, 从而引起一系列不良的后果。

2 高分辨率阵列测井仪的原理

高分辨率阵列感应测井仪采用了大量先进的科学技术, 这些技术在计算机科学, 电子设备, 建筑工程学, 数学, 网络等方面都可以寻找到踪迹, 同传统的测井仪不同的是, 它通过这些高科技设备把采集到的数据发送到地面, 通过电脑的这些数据进行分析处理, 再绘制出在不同的深度的时候它的分辨率的图表, 它不仅可以测出地表的电阻率题。

阵列感应测井仪真正产生作用的实际上是电阻电阻测井仪, 它的直接优于其他的测井仪器, 直径味着它以采集到地层深处的电阻率的情况, 这对精确地分析各个不同地层的流体的特性是很有用处的, 因为地层流质情况可以反应出各种各样的地层信息, 高分辨率阵列测井仪可以发出多种不同的频率, 通过软件的分析以及垂直方向上的电阻分布律来改变井口存在的不足, 通过反演术来计算出地层的电阻率和相应测量的深度。

3 测井技术的一些应用范围

阵列感应测井仪在工业上有着非常广泛的应用, 其中对油气层的识别和认识是它的一项基础应用, 它主要可以识别在哪一层有油气的分布, 具体的分布值为多少, 油的纯净指数以及它渗透地表多少, 计算出油的储备量, 这对油气开发方案来说是必不可少的一项测量方法, 以确保在石油天然气的开发过程中可以最大限度的开采他们, 避免开采不合理造成的浪费和资源短缺带来的地球的不安定。

在油气层的识别的过程中, 测井仪会首先对薄层进行测量识别, 薄层周围分布有岩石, 用传统的测井仪测量会使电阻率受到很大影响, 高分辨率测井仪可以避开岩石的影响, 来识别油气层。含有油层的地方都含有水的分布, 而且不同的油层含有不同的泥浆成分和滤液成分, 石油的上层就充斥者大量的水和泥浆, 不同区域泥浆的分布会造成不同特质的流体, 离井眼进的地方分布的泥浆、水和残废的油比较多, 而距离井眼远的地方分布的多为地表渗入水, 越往油井的深处, 地表残余水分布的就越多, 形成的盐的浓度会偏高, 盐是一种电解质, 这时候的电阻率就会变低, 同浅层的形成对比, 它就会形成低阻地带, 但是由于现实测量的地表残余水和泥浆电阻率相差不会很大的这样一种现实状况, 导致低阻带容易被隐藏很难被发现, 由于高分辨率阵列感应仪的直径大测量范围广, 使得它能够有效地识别深处的低电阻的这样一种情况。最后可以采用确定地层测量时,

由于一些现实测量因素的局限比如地层不同分布物的影响会给地层流质的评估造成误差, 而高分辨率测井仪则会用反演运算比较不同地层电阻率来避免这种不利影响。

高分辨率阵列感应仪在测井时会受到地球磁场的影响, 根据电磁的以波形移动的传播原理, 它就会不断的向前发生移动, 电磁波发生震动的振幅会随着距离的变远而相应的减弱。对于浅列测井仪来说, 它测量的电阻率的值的大小会随着工作的频率的变小而变小, 而深处的阵列感应测井仪恰好与其相反, 由此可以得出一个结论:适当的控制测井仪器的工作频率可以让电阻率的值受到较小的影响。

4 结语

高分辨率阵列感应测井仪的线圈由两部分组成, 上部分的线圈和下部分的线圈使得在对井口进行探测的时候, 可以从中间往两边延伸, 而且延伸的部分都一样, 同时它也可以做到不让水平方向上的信号和垂直方向上的混为一团, 可以做出独立的分析, 它主要是利用过滤光线的方法来对不同深度的数据进行处理。到目前为止, 高分辨率阵列感应测井仪在油气深度的开发层、地下土地开发、地层电阻率测量等等开发应用上都充分发挥了它自身的优越性, 理应得到社会的关注和发展, 在以后的领域中, 它的运用会越来越广的!

参考文献

[1]张美玲, 王宏建, 汪爱云.高分辨率阵列感应井眼校正技术[J].测井技术, 2006, (05) [1]张美玲, 王宏建, 汪爱云.高分辨率阵列感应井眼校正技术[J].测井技术, 2006, (05)

[2]张莉, 孙宏智, 张美玲, 唐馨.应用阵列感应资料对复杂侵入现象的解释[J].大庆石油地质与开发, 2005, (04) [2]张莉, 孙宏智, 张美玲, 唐馨.应用阵列感应资料对复杂侵入现象的解释[J].大庆石油地质与开发, 2005, (04)

[3]王建东, 刘吉余, 于润涛, 李艳杰.层次分析法在储层评价中的应用.大庆石油学院学报, 2003, (03) [3]王建东, 刘吉余, 于润涛, 李艳杰.层次分析法在储层评价中的应用.大庆石油学院学报, 2003, (03)

[4]马火林.AIL阵列感应测井原理方法及应用研究.中国地质大学 (北京) , 2007[4]马火林.AIL阵列感应测井原理方法及应用研究.中国地质大学 (北京) , 2007

高空间分辨率 篇10

小莉

近日，Nokia公司推出一款最轻最小的GSM/WCDMA双模手机。新款手机的重量仅为123g，体积为87mm×78mm×18.6mm，配有6.5万色的彩屏。新款手机不但外型轻巧，而且还将3G技术和最新的移动成像功能融于一体。

该手机的主要功能包括：第一，成像功能。该手机不但可以拍照，还可拍摄2.5min的视频短片。在WCDMA网络环境下，该手机甚至能够在通话过程中发送和接收视频短片和图片。用户还可通过移动互联网下载实时音乐视频或电视新闻等。第二，音频功能。该手机的MP3/AAC集成音乐播放器可播放存储在手机内存中的音乐，可存储长达50min的音乐，且音质接近CD。第三，浏览功能。新款手机的用户还可使用XHTML浏览器享受到色彩丰富的移动服务。此外，它的其他功能还包括：合弦铃声、支持Java应用和在WCDMA网络环境下速率高达384K bps的数据连接。该手机在GSM环境下通话时间可达4小时，WCDMA环境下可达2.9个小时，两种环境下的待机时间均可达12.5天。

Philips开发出DVD＋R单面双层技术

小莉

10月5日，Philips公司宣布，该公司已经与日本三菱公司共同开发出一种新技术，该技术可以使可擦写DVD光盘的容量增加一倍。而支持该技术的产品则将在2004年投入生产。

据Philips公司介绍，该技术是在DVD+R光盘的单面实现双层记录，从而将容量从过去的4.7GB提高为8.5GB。该公司称，这项技术可以使消费者在一张光盘上录制4个小时DVD质量的视频，或者12个小时VHS质量的视频。

应用新技术的光盘的基本结构是，在表面形成了两层由有机色素膜和金属反射膜构成的记录层，上面的记录层为半透过层，透过率确保在50%以上。金属反射膜采用极薄的银合金。由于反射率在18%左右，与现行的播放专用DVD介质同等水平，因此即使在现行的DVD播放机上播放也可以确保兼容。

据悉，先锋公司也于2003年10月3日宣布成功开发出单面双层的追记型DVD-R光盘。估计今后“＋R”和“－R”在实用化方面的竞争将会日趋激烈。

Sharp开发高分辨率手机用LCD显示器

晓毅

10月6日，Sharp公司对外宣布，已经成功研制出一款适用于手机的高分辨率LCD显示器，可以使用户在手机屏幕上观看全屏的网页。

Sharp公司称，该LCD显示器的显示尺寸为2.6英寸，其VGA质量为307,220 像素，是目前手机显示器的4倍。因此，它使在手机显示器上观看全屏的网页成为可能，而且能够达到与个人电脑上相同的观看效果，允许消费者观看电子表格、网页或者文本文件。

直到现在，用手机屏幕观看网页只能达到QVGA 的标准，但Sharp公司希望通过新技术扩展手机的用途。该公司还表示，希望将该技术进一步应用到PDA和其他相关设备上。