搜索
1电视成像制导电视成像制导技术就是指利用位于导弹前部的电视成像系统获得目标的信息，经过一系列算法的处理，从而制定出相应的控制命令，导引武器的运行，达到精确命中目标的制导技术。指令制导指令制导这种制导方式是利用武器外部的电视成像探测设备捕获目标信息，经过测算形成控制指令之后，发送给武器导引系统，从而命中目标。遥控制导遥控制导这种制导方式是利用武器本体携带的电视成像探测系统，探测到目标信息之后，发回到地面控制中心，由控制中心测算形成控制指令之后发送给武器，从而准确命中目标。寻的制导寻的制导这是由武器本体携带的电视成像系统完成目标识别与跟踪，结合控制导引系统，形成控制指令，最后导引武器命中目标的等一系列过程的制导方式。这种方式脱离了人工的参与，大大节省了资源，制导效果良好。红外制导红外成像制导是利用目标和背景的热辐射温差，形成图像来实现白动导引，具有分辨率高、抗干扰能力强，隐蔽性好、白主捕获目标，昼夜工作能力强等特点。目标的热辐射和周围环目标的热辐射和周围环境的差别越大，红外制导的精度越高，所以它对目标的热辐射能力有非常高的依赖性。2光纤制导光纤制导是指导弹距离目标较近时，光纤导引头将目标及背景的图像信号采集下来，经过光纤双向传输系统传回地面的导弹轨迹监视系统，通过操作员对图像进行搜索、识别和捕获目标，生成的控制指令经过上行线传到导弹，控制导弹精确命中目标的制导技术。基于图像的目标识别与跟踪被认为是电视成像制导的核心技术，是捕获目标信息的关键手段，被大量应用于武器装备的末制导中。基于图像的目标识别与跟踪技术分为以下几类：基于模板的跟踪与识别基于模板的识别与跟踪方法是比较典型的图像处理方法，它利用预定义的一系列模板或者模型，在得到的电视成像即图像序列中寻找目标，即在一幅大图像中搜寻与模板有相同的尺寸、方向的图像，通过一定的算法可以在图中找到目标，确定其坐标位置，更先进的一些算法可以融合其他高效的预测算法，根据目标在相邻图像间的位置不同，预测出一张图片中可能出现的位置，缩小模板匹配的范围，从而缩小匹配时问，提高实时性和精确度。基于统计学的跟踪与识别基于统计学的方法是通过对大量的样本和非样本进行学习和统计，得到一系列的统计特征，根据得出的这些统计特征来判断图像中是否有和样本中很接近的目标，从而达到检测目标的目的。因为它的统计特征都是从样本当中获取的，不会依赖先验的模型，避免了先验模型不完整不精确等错误，同时具有一定的在线学习，实施扩展的能力，在算法的鲁棒性上有明显的优势，所以成为了当前比较热门的识别方法，常见的有神经网络、支持向量机和BOOSC等方法，但是它的缺点就是必须在检测和识别目3标之前，进行样本学习的训练，形成有效的样本统计特征，这种样本的训练往往是比较费时的。基于运动的跟踪与识别基于运动的识别与跟踪方法也是常见的图像处理方法，它根据检测相邻图像当中像素值的发生变化的部分以及变化的方向，来确定运动的物体或者目标的位置和速度等信息，在检测目标的同时还给出了时间维度上的信息，因此应用也相当广泛，算法非常多，其中比较常见和成熟的算法有差分法、光流法和meanshift算法。差分法因为其简单快速的特点得到很好的应用，但是它的缺点也很明显:得到的目标信息的准确度不能保证，而且对光照很敏感；光流法原理是通过赋予图像中每个像素点一个速度矢量，根据相邻图像之间的变化，确定这些速度矢量，如果它们在图像中不是连续变化的，那么就可以通过这些像素点确定运动的物体，但是光流法最大的瓶颈在于它的计算复杂度，很难在实时的环境中运用;meanshift算法近年得到很多的关注，它的实时性和鲁棒性都趋于平衡，能够较好检测目标的位置信息，在将它扩展到连续图像中时，就形成了camshaft算法，和meanshift算法一样，它利用图像中的颜色信息来捕捉目标，将上一时刻得到的结果传递到下一时刻中，所以继承了meanshift算法的一些优点，但是主要适用于与背景存在色彩差异的彩色目标，识别跟踪效果良好。基于区域的识别与跟踪基于区域的识别与跟踪方法是根据图像全局信息之间的联系，来确定相邻图像相应部分的确定关系，从而确定目标的一类方法，这样的算法相对消耗时间要长，所以在实时处理中很难运用，需要结合其他多种信息。近年出现了一种新的基于区域的识别方法:显著性区域检测，这是根据人类视觉习惯和特点发展起来的一种方法。4基于特征的识别与跟踪基于特征的识别与跟踪算法建立在多种多样的图像特征点上，通过检测这些特征点，来确定具有某种特征的目标是否出现在图像上。常用的特征检测算法有SIFT/SUFT,Haar和FAST等等，其中Haar是相对比较成熟的一种特征检测算法，它应用非常广泛，可以充分描述目标的特征，计算方便，常常与AdaBoost算法结合起来，形成以Haar特征为基础的学习过程，输出学习大量样本之后的结果，作为目标检测的有效训练集。基于图像的目标识别与跟踪技术的难点：1.图像质量的下降对目标识别跟踪的影响。在图像采集和传输等过程中，不可避免地要受到各种噪声的污染，这些噪声会导致图像质量下降，目标特征的模糊，影响识别跟踪的精度，因此图像去噪一直是基于图像的识别跟踪领域研究的重点。2.天气等不可抗因素对目标识别跟踪的影响。在真实的战场环境中，天气环境等因素瞬息万变，加上各国对天气武器的研制力度持续加大，未来战争中，天气因素的影响将进一步加强，如何在恶劣的天气环境下保证精确打击武器的精确度，将成为图像制导技术或者其他受环境影响的制导技术研究的新的热点和难点。3.基于图像的目标识别跟踪算法的实时性。实际试验中，图像数据、大量传感器数据以及频繁的控制指令数据都是在并发进行的，对飞行器机载的处理系统要求很高，在硬件条件一定的情况下，如何选择一个快速的并且不影响传感器和控制指令数据传输的识别算法显得很重要。图像预处理噪声的产生大部分出现在成像，数字化和传输的过程当中，这时的图像往往5表现为模糊不清，特征不明显，而在恶劣天气条件下(雾，烟，雨等)进行的拍摄，由于天气的影响，无法拍摄出对比度高的图像，同时由于空气中颗粒的增加，大气散射增加，会使图像整体效果偏向灰白色，在这种情况下对后续的操作处理会产生不利的影响，甚至会无法进行下去，所以图像增强在图像预处理中显得十分重要。图像去噪与锐化针对图像质量退化的情况，可以从几个方面入手：一是让色彩分布更均衡白然；二是增加图像的对比度，使图像具有丰富的细节；三是使图像内物体的边缘更加清晰。图像去噪噪声可以理解为“妨碍人们感受器官对所接受的信息理解的因素”，在理论上可以定义为“不可预测，只能用概率统计的方法来处理的随机误差”。噪声对图像的输入、采集和处理的各个环节以及最终的输出结果都会产生一定的影响，特别是在前期产生的噪声，那么一定会对其后的处理以及最终的结果产生较大影响，有的图像处理方法对噪声很敏感，必须在执行之前做去噪处理，所以图像去噪一直以来都是图像预处理领域的研究重点。常见的噪声有高斯噪声、椒盐噪声(脉冲噪声)和伽马噪声等，常见的噪声处理算法有均值滤波和中值滤波。1.均值滤波均值滤波也称为线性滤波，对图像中的高斯噪声有很好的去除效果，算法的主要思想就是求取像素点的邻域平均值，然后用这个平均值来代替原图像中的像素点值，例如原图像中的一个像素点(X,Y)，选择一个以其为中心的模板，这个模板由(X,Y)相邻的若干像素点组成，求得模板中所有像素点值的均值之后，用这个均值替换(X,Y)的值，公式表示为:6式中，avg(x,y)为均值滤波后的结果，N为模板当中像素总数，v为模板中的像素点值，M(x,y)为以(x,y)为中心的模板。均值滤波对高斯噪声确实存在很好的去噪效果，但是随着滤波窗口的增加，虽然高斯噪声越来越少，图像的边缘也变得越来越模糊了。2.中值滤波中值滤波是一种非线性的滤波算法，它是基于排序统计理论的一种图像去噪算法，对图像中的脉冲噪声或者椒盐噪声有很好的去除效果，其原理是将原图像中，以某个像素点为中心的模板内的所有像素值以大小排序，然后选取序列的中间值作为输出的像素值，代替原来的中心像素，这样做就可以让与周围像素值差距比较大的像素修改成与周围像素差不多的值，消除图像中的“椒盐”。即一组数N1，N2…Nn，把n个数按照值的大小排列成一个序列，选取中值为:例如:有一个序列为{1，2，5，13，6，4，7}，按照大小重新排序后为{1,2,4,5，6，7，13)，则Med{1，2，5，13，6，4，7)=5即为中值输出以此中值5代替原序列的中问值13，则滤波后的序列为{1，2，5，5，6，4，7}。中值滤波对椒盐噪声(脉冲噪声)确实存在很好的去噪效果，但是随着滤波窗口的增加，虽然椒盐噪声越来越少，图像的边缘也变得越来越模糊了。图像锐化图像平滑往往使图像中的边界、轮廓变的模糊，为了减少这类不利效果的影响，这就需要利用图像锐化技术，使图像的边缘变的清晰。在图像处理中进行图像锐化的目的主要有两个：一是通过图像锐化增强图像的边缘，使模糊的图像变得清晰，这种模糊可能是采集图像的时候就产生了，也有可能是在锐化之前所做的图像处理操作产生的；二是提取目标的边界，方便对图像进行分割，方便对目标物体的识别。执行图像锐化操作之后，使图像的质量7有所改变，变得更加适合人眼的观察或者机器的识别。恶劣天气条件下的图像增强直方图双向均匀化图像的直方图是表示图像当中像素点灰度值的一种分布概率，作为直观表现图像信息的一种方式。假定一幅图像像素点的灰度值从0到255随机分布，那么这幅图像最多具有255个灰度级，直方图就是将图像中每个灰度级的像素点的和统计出来，以横坐标为灰度级，纵坐标为像素个数和表示出来的二维图表。通过直方图的统计，会发现很多图片的绝大部分灰度级都集中在0到255之间的某个区间内，这样的图像灰度级不够丰富，使得对比度较低，直方图均衡化就是通过将图像中的像素点尽量分布到整个灰度级来增强图像的对比度。算法流程如下:1.首先统计各个灰度值上的像素点之和，并计算各个灰度值的概率。2.然后计算各个灰度值得的累计概率分布函数。3.通过累计概率分布函数，求得当前灰度值应该映射到的新的灰度值，从而使灰度值均衡分布双向直方图均衡算法的主要原理是首先对输入图像进行直方图均衡化的处理，然后对经过一次均衡化之后的图像进行统计，找出在整个灰度空间（0-255）中像素个数不为零的灰度值有哪些，这些实际的灰度值之问的间距往往是不相同的，将这些灰度值等间距排列就完成了第二次均衡化，这样因为第一次直方图均衡化所导致的相邻灰度级之问的问距不等的现象就可以很好的解决，避免了第一次均衡化之后部分图像会出现失真的情况。其算法原理：1.首先用直方图均衡化对图像灰度值进行处理，再统计所有灰度值中像素点不为0的实际灰度值。2.把统计出来的实际灰度值进行重新排序，在整个灰度值区间内做等间距排列。原图像受到天气的影响，整体图像偏暗，显得模糊不清，直方图分布集中在8中问区域，经过直方图均衡化之后，图像亮度明显增强，图像边缘更加清晰，直方图分布也覆盖了整个灰度空问，但是有的地方出现了过增强，有失真现象，经过直方图双向均衡化之后，图像的失真现象得到改善，图像灰度过渡更加白然，具有明显的优势。基于暗通道的图像增强算法在雾天天气条件下，不同的悬浮颗粒对光线的散射作用和效果是不同的，结合散射函数，有人提出了大气散射模型。式中I(x)是人眼或者目标探测装置获取到的有雾图像在X位置处的值，J(x)是没有雾的情况下，清晰图像在X处的值，这也是我们需要的结果，t(x)为大气传递系数，它反映了光线穿透大气的能力，值越大说明有越多的光线穿过大气到达人眼或者探测装置，取值范围是[0,1],A是一个常量，称为大气光强，表示在无穷远处的光线强度。通过对大量自然图像的实验研究发现，自然图像在绝大部分区域当中，某些点的RGB三个通道中，至少有一个通道的值很低，也就是说，这些区域中的所有点的三个通道值的最小值往往非常小，甚至接近于0，这就是被称为暗通道的先验理论，用数学方程式表示如下:式中，(x)darkJ是区域中三通道值的最小值，(x)W就是指这个区域