目标区域局部特征和局部图像质量相结合的激光干扰效果评估

发布时间：2021-12-11 05:07

　　为客观描述光电成像系统激光干扰效果,提出目标区域局部特征和图像质量相结合的干扰效果评估算法。图像的局部特征用特征点描述,图像质量用结构相似度指数描述。该算法利用特征点匹配算法确定场景图像中的目标区域,计算干扰前后目标区域内特征点数量的变化、干扰后目标区域内未饱和面积所占的比重以及目标区域内图像的结构相似度指数,并将上述各参数相乘得到最终的评价指标。利用该方法对典型激光干扰图像进行评估,结果表明:在不同入射功率和不同光斑位置情况下,所提评估指标比单独使用结构相似度的评估指标具有更大的取值范围和更明显的非线性变化特征。这说明:该指标能够反映光电成像系统激光干扰过程的丰富细节,更加适合激光干扰效果的评估。 

【文章来源】：国防科技大学学报. 2020,42(01)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

不同功率密度激光对SURF算法识别目标的影响

为了使研究对象更接近战场实际环境，选取荷兰TNO研究所发布的The search-2图像数据库。该数据库包括44幅含有9种实际军事目标的高分辨自然场景数字图像[12]。该数据库的主要目的是评估和验证各种数字图像的尺度(digital metrics)和人眼在复杂场景下搜索目标的模型有效性。但是，鉴于其贴近实际战场环境的复杂场景以及各种真实军事目标在场景中的隐蔽状态，仍将其用作激光干扰效果评估的背景图像。图1(a)给出了数据库中的第9幅图像，其中一辆M60坦克隐蔽在复杂的丛林中。利用SURF算法对该图像中的目标进行特征点匹配时，首先选中场景图像中包含目标的矩形区域作为目标模板，如图1(b)所示。目标区域是指，以实际目标(即图中坦克)的中心为中心的矩形，其内部包含的像素数是实际目标所含像素数的2倍。然后，运用SURF算法分别对场景图像和目标模板进行特征点检测，分别如图1(c)和图1(d)所示。其中圆圈的直径表示不同提取尺度，圆圈的圆心为特征点位置。不难看出，坦克目标的特征点主要集中在坦克上半部，是区别于周围环境最显著的那些像素点。进一步，将两幅图片中的特征点进行匹配，就能够在场景图像中的识别目标，如图1(e)和图1(f)所示。图1 基于SURF特征点匹配的目标识别

基于SURF特征点匹配的目标识别

【参考文献】：
期刊论文
[1]基于图像特征相关度的激光干扰卫星效果评估[J]. 张阳,刘湘伟,郝成民.  激光与红外. 2017(03)
[2]图像熵在光谱成像干扰效果评估中的应用研究[J]. 高卫,孙鹏,孙奕帆,党东妮.  光学与光电技术. 2016(01)
[3]结合光斑与目标特征的激光干扰效果评估[J]. 钱方,孙涛,石宁宁,郭劲,王挺峰.  光学精密工程. 2014(07)
[4]基于特征点分布特性的激光干扰效果评估算法[J]. 钱方,孙涛,郭劲,王挺峰.  中国激光. 2014(05)
[5]基于小波加权的激光干扰效果评估[J]. 钱方,郭劲,孙涛,王挺峰.  液晶与显示. 2013(05)
[6]对光电成像系统干扰效果的评估方法[J]. 高卫.  光电工程. 2006(02)

硕士论文
[1]红外成像系统激光干扰的图像仿真与效果评估[D]. 高巍巍.西安电子科技大学 2010



本文编号：3534064