基于大气散射模型的机场雾图定量化模拟方法技术

本发明专利技术涉及基于大气散射模型的机场雾图定量化模拟方法，包括步骤：基于初始大气散射模型确定透射率和雾图仿真的计算公式；通过透射率计算公式对一张无雾图像多次调节大气散射系数，基于有雾图像计算公式生成多张不同含雾程度的有雾图像；分别计算各张有雾图像的平均梯度，通过曲线拟合建立平均梯度与能见度之间的映射关系；基于平均梯度与能见度之间的映射关系，通过曲线拟合构建能见度与大气散射系数之间的映射关系，从而通过调整大气散射系数得到指定能见度的图像；使用训练好的神经网络模型对能见度与大气散射系数之间的映射关系进行检测，以降低该映射关系的误差。以降低该映射关系的误差。以降低该映射关系的误差。

【技术实现步骤摘要】
基于大气散射模型的机场雾图定量化模拟方法


[0001]本专利技术涉及雾图定量化模拟
，特别涉及一种基于大气散射模型的机场雾图定量化模拟方法。

技术介绍

[0002]在航空客运方面，承运人秉承安全、经济、舒适、便利的原则组织旅客实现快速位移，安全是航空公司一切工作的奠基石。造成安全事故的因素有很多，如天气原因、空管原因、机场原因等。据调查显示，40％以上的飞行事故发生在航空器起飞降落阶段，低能见度是造成航班延误和飞行事故征候发生的重要原因。
[0003]雾是造成能见度降低的主要天气因素，由于大气中的悬浮粒子对光的吸收和散射，会导致机场区域的监控系统在采集视频图像时，产生色产亮度低、纹理模糊不清、细节丢失等问题，这会干扰空中交通管理人员在塔台对航空器的识别及距离判断。对机场图像进行去雾，提高安全运行效率非常重要。低能见度下的目标识别在监控航空运行并保证其安全和效率方面发挥着至关重要的作用，不同能见度的机场雾图清晰化处理就显得尤为重要了。机场雾天数据集的获得是图像清晰化的前提，若人为收集不同能见度的真实机场雾天图像，耗时成本高；若用机场监控系统收集，然而受到天气不确定性的影响，机场低能见度雾图的获取具有随机性，使得采集的数据不准确，阻碍了相关研究的进展。
[0004]因此，创建一个定量化机场雾图数据集，便于学者研究在指定能见度下机场监控、目标识别以及跟踪等问题，同样也可用于机场图像清晰化处理，是非常重要的。

技术实现思路

[0005]本专利技术的目的在于创建一个定量化机场雾图数据集，便于学者研究在指定能见度下机场监控、目标识别以及跟踪等问题，同样也可用于机场图像清晰化处理，提供一种基于大气散射模型的机场雾图定量化模拟方法。
[0006]为了实现上述专利技术目的，本专利技术实施例提供了以下技术方案：
[0007]基于大气散射模型的机场雾图定量化模拟方法，包括以下步骤：
[0008]步骤1，基于初始大气散射模型确定透射率和雾图仿真的计算公式；
[0009]步骤2，通过透射率计算公式对一张无雾图像多次调节大气散射系数，基于有雾图像计算公式生成多张不同含雾程度的有雾图像；分别计算各张有雾图像的平均梯度，通过曲线拟合建立平均梯度与能见度之间的映射关系；
[0010]步骤3，基于平均梯度与能见度之间的映射关系，通过曲线拟合构建能见度与大气散射系数之间的映射关系，从而通过调整大气散射系数得到指定能见度的图像；
[0011]步骤4，使用训练好的神经网络模型对能见度与大气散射系数之间的映射关系进行检测，以降低该映射关系的误差。
[0012]更进一步地，所述步骤1具体包括以下步骤：
[0013]初始大气散射模型为：
[0014]I(x)＝J(x)t(x)+A(1
‑
t(x))(1)
[0015]式(1)中，I(x)表示初始有雾图像，J(x)表示初始无雾图像，A表示大气光值，t(x)表示透射率，J(x)t(x)表示入射光衰减模型，A(1
‑
t(x))表示大气光成像模型；
[0016]t(x)＝e
‑
βd(x)
(2)
[0017]式(2)中，β表示大气散射系数，d(x)表示场景深度；
[0018]令row表示图像的宽度，col表示图像的长度，雾化中心C为：
[0019][0020]雾化尺寸S为：
[0021][0022]将式(3)、式(4)带入式(2)，进一步得到透射率t(x)：
[0023][0024]将式(5)带入式(1)，得到有雾图像：
[0025]J
f
(p,q,c)＝J
t
(p,q,c)t(x)+A(1
‑
t(x))(6)
[0026]式(5)、式(6)中，c∈R,G,B；J
t
(p,q,c)表示图像J
t
在c颜色通道第p行第q列的像素值；J
f
表示加雾后的有雾图像。
[0027]更进一步地，所述步骤2具体包括以下步骤：
[0028]选择一张无雾图像，通过调节k次式(5)中大气散射系数β的值，改变透射率t(x)；通过式(6)生成k张不同含雾程度的有雾图像J
f,i
，J
f,i
表示第i张有雾图像，i∈k；
[0029]分别计算k张有雾图像的平均梯度：
[0030][0031]式(7)中，g
i
表示第i张有雾图像的平均梯度；m
×
n表示有雾图像的大小，p表示像素行，q表示像素列；x、y分别表示有雾图像的水平方向和垂直方向；
[0032]通过曲线拟合建立平均梯度与能见度之间的映射关系：
[0033]v
i
＝f(g
i
)(8)
[0034]式(8)中，v
i
表示第i张有雾图像的能见度。
[0035]更进一步地，所述步骤3具体包括以下步骤：基于式(5)、式(6)、式(7)、式(8)，构建能见度与大气散射系数之间的映射关系：
[0036]β
i
＝h(v
i
)(9)
[0037]式(9)中，β
i
表示第i张有雾图像对应的大气散射系数。
[0038]更进一步地，所述步骤4中训练的神经网络模型为：
[0039]利用神经网络模型检测图像能见度：
[0040]v＝f(x；η)
[0041]其中，x为图像，v为能见度，η为模型参数；
[0042]通过基函数将f(x；η)展开，得到：
[0043]f(x；η)＝Wφ(x；η2)+b
[0044]其中，η＝(η1,η2)，η1＝(W,b)；W为权重，b为偏置；
[0045]经过L次递归运算后，得到L个嵌套函数的堆栈：
[0046]f(x；η)＝f
(L)
(...(f
(2)
(f
(1)
(x,η1)))...)
[0047]其中，f
(l)
＝f
(l)
(x；η1)表示第l层的函数，最底层的函数为：
[0048]f
(L)
＝f
(1:L
‑
1)
(x；η
L
‑1)；
[0049]第l层的神经网络模型为：
[0050][0051]其中，d表示能见度v，d
(l
‑
1)
表示第l
‑
1层输出的能见度。
[0052]与现有技术相比，本专利技术的有益效果：
[0053]本专利技术通过建立大气散射系数与能见度的映射关系来模拟定量能见度的机场有雾图像。在机场实测数据上训练了一个用于图像能见度检测的神经网络模型来验证该方法的准确性，得以下结论：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于大气散射模型的机场雾图定量化模拟方法，其特征在于：包括以下步骤：步骤1，基于初始大气散射模型确定透射率和雾图仿真的计算公式；步骤2，通过透射率计算公式对一张无雾图像多次调节大气散射系数，基于有雾图像计算公式生成多张不同含雾程度的有雾图像；分别计算各张有雾图像的平均梯度，通过曲线拟合建立平均梯度与能见度之间的映射关系；步骤3，基于平均梯度与能见度之间的映射关系，通过曲线拟合构建能见度与大气散射系数之间的映射关系，从而通过调整大气散射系数得到指定能见度的图像；步骤4，使用训练好的神经网络模型对能见度与大气散射系数之间的映射关系进行检测，以降低该映射关系的误差。2.根据权利要求1所述的基于大气散射模型的机场雾图定量化模拟方法，其特征在于：所述步骤1具体包括以下步骤：初始大气散射模型为：I(x)＝J(x)t(x)+A(1
‑
t(x))(1)式(1)中，I(x)表示初始有雾图像，J(x)表示初始无雾图像，A表示大气光值，t(x)表示透射率，J(x)t(x)表示入射光衰减模型，A(1
‑
t(x))表示大气光成像模型；t(x)＝e
‑
βd(x)
(2)式(2)中，β表示大气散射系数，d(x)表示场景深度；令row表示图像的宽度，col表示图像的长度，雾化中心C为：雾化尺寸S为：将式(3)、式(4)带入式(2)，进一步得到透射率t(x)：将式(5)带入式(1)，得到有雾图像：J
f
(p,q,c)＝J
t
(p,q,c)t(x)+A(1
‑
t(x))(6)式(5)、式(6)中，c∈R,G,B；J
t
(p,q,c)表示图像J
t
在c颜色通道第p行第q列的像素值；J
f
表示加雾后的有雾图像。3.根据权利要求2所述的基于大气散射模型的机场雾图定量化模拟方法，其特征在于：所述步骤2具体包括以下步骤：选择一张无雾图像，通过调节k次式(5)中大气散射系数β的值，改变透射率t(x)；通过式(6)生成k张不同含雾程度的有雾图像J
f,i
，J
...

【专利技术属性】
技术研发人员：周睿，孟双杰，李明，邱爽，
申请(专利权)人：中国民用航空飞行学院，
类型：发明
国别省市：