【技术实现步骤摘要】
本专利技术涉及高动态条件下弹载图像处理，具体涉及高动态条件下弹载图像稳态方法及系统。
技术介绍
1、公布号为cn113947589a的现有专利技术专利申请文献《一种基于对抗生成网络的弹载图像去模糊方法》，该方法利用对抗生成网络对模糊的弹载图像进行去模糊处理，设计包括生成器—鉴别器的深度卷积生成对抗网络模型，生成器采用编码—解码结构，构联合损失函数，不断训练以生成弹载模糊图像的复原图像，通过鉴别器辨别清晰图像和生成器伪造的图像，通过生成器逼近清晰图像混淆鉴别器，经过两个网络对抗训练使网络模型达到预期指标，将对抗训练后的网络模型移植到弹载计算机，用于弹载图像去模糊。公布号为cn106408565a的现有专利技术专利申请文献《一种弹载图像质量评价方法》，该方法包括：建立原始基准图像数据库(1)，子块质量敏感特征提取单元(2)提取原始基准图像的质量敏感特征因子，构建基准mvg模型单元(3)根据质量敏感特征因子，获取待评价图像数据单元(4)获取待评价图像数据，子块质量敏感特征提取单元(5)提取待评价图像质量敏感特征因子，构建待评价mvg模型，子块质量评价单元(7)比较基准mvg与待评价mvg特性，计算各子块质量得分，图像质量评价单元(8)计算各个子块评价分值的平均值作为整幅图像的最终得分。前述现有技术在匹配的点，在拍摄装置高速旋转、剧烈抖动状态下，匹配点存在显著减少的情况，同时配准图像易发生重影。
2、综上，现有技术存在非稳态特征难以排除，导致弹载图像检测精度以及模型优化速度较低的技术问题。
技术实
1、本专利技术所要解决的技术问题在于：如何解决现有技术非稳态特征难以排除，导致弹载图像检测精度以及模型优化速度较低的技术问题。
2、本专利技术是采用以下技术方案解决上述技术问题的：高动态条件下弹载图像稳态方法包括：
3、s1、在高动态条件下，提取得到多向尺度自适应图像局部稳定极值特征集；
4、s2、根据多向尺度描述，生成图像局部特征多维描述向量；
5、s3、使用基准图像的多为描述向量作为基准，利用随机一致性模型对配置参数进行初次优化，以得到初优化参数，采用粒子群算法，再优化初优化参数，以得到配准参数，对弹载图像进行角度、位移、尺度的归一化调整，据以对图像局部特征多维描述向量进行稳态处理，以得到稳态弹载图像。
6、本专利技术针对弹载图像在高动态条件下存在的高速旋转、剧烈抖动、几何畸变等问题，采用选取弹载图像序列中成像质量较好的图像作为基准视图，提取图像的局部特征，在此基础上对后续图像进行基于基准视图的特征配准，以此剔除高动态条件下空对地图像的非稳态特征，生成稳态图像，提高了弹载图像检测精度。
7、本专利技术在随机一致性模型之后加入二次优化，使得前步得出的参数更为精确，采用粒子群优化算法对配准参数进行优化，易于找到全局最优，也易实现并行计算，以提高优化速度。
8、在更具体的技术方案中，步骤s1包括：
9、s11、利用预置逻辑处理弹载图像，以得到尺度空间的极值点，根据弹载图像的尺度值，得到最接近该尺度值的高斯平滑图像；
10、s12、计算高斯平滑图像中，所有点的梯度方向和大小；
11、s13、以极值点为中心，在预置范围内的邻域窗口内采样，以得到领域像素点；
12、s14、利用直方图统计领域像素点的邻域像素信息，以得到多向尺度自适应图像的局部稳定极值特征集，以作为多向尺度描述。
13、在更具体的技术方案中，步骤s2包括：
14、s21、对于每张新采集到的弹载图像，使用高斯模糊方法生成可见光图像的多尺度空间序列，计算公式使用二维高斯函数，σ取值为1.5；
15、s22、获取所有点的梯度方向和大小，所有点的梯度方向和大小，；
16、s23、以极值点为中心，在预置范围内的邻域窗口内采样，以得到领域像素点；
17、s24、利用直方图统计领域像素点的邻域像素信息，以得到多向尺度自适应图像的局部稳定极值特征集，以作为多向尺度描述；
18、在更具体的技术方案中，步骤s11中，利用高斯变换的目标尺度分层估计算法，处理弹载图像，以得到尺度空间的极值点。
19、在更具体的技术方案中，步骤s13中，邻域窗口内采样的范围的具体取值区间是根据目标的大小和预期的检测或跟踪精度进行选择。
20、在更具体的技术方案中，步骤s14中，邻域像素信息包括：领域像素点的梯度方向以及像素点贡献。
21、在更具体的技术方案中，步骤s14中，利用直方图的峰值，表示极值点处邻域梯度的主方向，以作为预设区域内，图像像素点对该主方向生成的像素点贡献。
22、现有技术没有采用直方图统计邻域像素点信息的主要原因是由于直方图统计需要对邻域窗口内的所有像素点进行遍历和计数，这会导致计算量较大，并且在实时应用中可能会造成性能上的瓶颈。此外，直方图统计还可能受到噪声、光照变化等因素的影响，使得统计结果不准确。
23、为了克服这一技术难题，本申请提出了一种新的方法。该方法基于深度学习技术，利用卷积神经网络(cnn)对邻域窗口内的像素点进行特征提取和表示学习。具体来说，本申请提出了一种基于卷积神经网络的邻域特征提取方法，通过训练一个卷积神经网络模型，将邻域窗口内的像素点作为输入，输出对应的特征表示。
24、相比于传统的直方图统计方法，基于卷积神经网络的邻域特征提取方法具有以下优势：1.自动学习特征表示：卷积神经网络可以自动学习输入数据的特征表示，避免了手工设计特征的繁琐过程。
25、2.高效计算：卷积神经网络可以通过并行计算和参数共享等技术，提高计算效率，适用于实时应用。
26、3.对噪声和光照变化的鲁棒性：卷积神经网络在训练过程中可以通过数据增强和正则化等方法，提高模型对噪声和光照变化的鲁棒性。
27、在更具体的技术方案中，步骤s14包括：
28、s141、将极值点、对极值点存在像素点贡献的像素点，作为目标匹配依据；
29、s142、根据目标匹配依据，提取多向尺度自适应的多维图像局部稳定极值特征集；
30、s143、根据多向尺度自适应的多维图像局部稳定极值特征集，生成多维特征描述子。
31、在更具体的技术方案中，步骤s2中，进行主成分分析操作，以减少多维特征描述子的维数。
32、本专利技术采用降维的方法,即将在保证不显著降低描述子的匹配效果的同时,减少描述子的维数，减少了计算量，保证了匹配的实时性，提高了模型优化速度。
33、在更具体的技术方案中，主成分分析操作中，将多维特征描述子与投影矩阵相乘，以投影极值点周围的邻域建立描述子。
34、本专利技术选择用主成分分析的方法，该方法通过与投影矩阵相乘，投影极值点周围的邻域建立描述子。最后将多维特征描述子的维数降低，同时保证匹配的点对不会显著减少。
35、在更具体的技术本文档来自技高网...
【技术保护点】
1.高动态条件下弹载图像稳态方法，其特征在于，所述方法包括：
2.根据权利要求1所述的高动态条件下弹载图像稳态方法，其特征在于，所述步骤S1包括：
3.根据权利要求2所述的高动态条件下弹载图像稳态方法，其特征在于，所述步骤S11中，利用高斯变换的目标尺度分层估计算法，处理所述弹载图像，以得到尺度空间的所述极值点。
4.根据权利要求2所述的高动态条件下弹载图像稳态方法，其特征在于，所述步骤S13中，根据目标的大小和预期的检测、跟踪精度，选择邻域窗口内采样范围的具体取值区间，使用固定大小窗口，在所述固定大小窗口内进行采样操作。
5.根据权利要求2所述的高动态条件下弹载图像稳态方法，其特征在于，所述步骤S14中，所述邻域像素信息包括：所述领域像素点的所述梯度方向以及像素点贡献。
6.根据权利要求2所述的高动态条件下弹载图像稳态方法，其特征在于，所述步骤S14中，利用所述直方图的峰值，表示所述极值点处邻域梯度的主方向，以作为预设区域内，图像像素点对该所述主方向生成的像素点贡献。
7.根据权利要求1所述的高动态条件下弹
8.根据权利要求1所述的高动态条件下弹载图像稳态方法，其特征在于，所述步骤S2中，进行主成分分析操作，以减少多维特征描述子的维数。
9.根据权利要求8所述的高动态条件下弹载图像稳态方法，其特征在于，所述主成分分析操作中，将所述多维特征描述子与投影矩阵相乘，以投影极值点周围的邻域建立描述子。
10.高动态条件下弹载图像稳态系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.高动态条件下弹载图像稳态方法，其特征在于，所述方法包括：
2.根据权利要求1所述的高动态条件下弹载图像稳态方法，其特征在于，所述步骤s1包括：
3.根据权利要求2所述的高动态条件下弹载图像稳态方法，其特征在于，所述步骤s11中，利用高斯变换的目标尺度分层估计算法，处理所述弹载图像，以得到尺度空间的所述极值点。
4.根据权利要求2所述的高动态条件下弹载图像稳态方法，其特征在于，所述步骤s13中，根据目标的大小和预期的检测、跟踪精度，选择邻域窗口内采样范围的具体取值区间，使用固定大小窗口，在所述固定大小窗口内进行采样操作。
5.根据权利要求2所述的高动态条件下弹载图像稳态方法，其特征在于，所述步骤s14中，所述邻域像素信息包括：所述领域像素点的所述梯度方向以及像...
【专利技术属性】
技术研发人员：陈栋，石胜斌，凌冲，王书宇，闫小伟，田宗浩，
申请(专利权)人：中国人民解放军陆军炮兵防空兵学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。