CN112330739A - 一种基于光学概率图模型的卫星探测方法 - Google Patents
一种基于光学概率图模型的卫星探测方法 Download PDFInfo
- Publication number
- CN112330739A CN112330739A CN202011164488.3A CN202011164488A CN112330739A CN 112330739 A CN112330739 A CN 112330739A CN 202011164488 A CN202011164488 A CN 202011164488A CN 112330739 A CN112330739 A CN 112330739A
- Authority
- CN
- China
- Prior art keywords
- optical
- light
- probability map
- satellite
- original image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于光学概率图模型的卫星探测方法,该方法包括:输入卫星观测到的原始图像;构建光学概率图模型;获得原始图像的联合概率分布;根据联合概率分布形成原始图像的掩膜,确定原始图像中目标物的位置;将多个原始图像按时序进行排列,并根据时序排列后各个原始图像中目标物的位置,确定目标物的运动速度和方向;调整卫星的拍摄角度,对目标物进行实时探测跟踪。该方法利用光学概率图模型对卫星图像进行快速有效的处理,实现对目标物体的快速跟踪。整个方法在图像处理过程中充分利用了光学计算的高速性、低能耗以及概率图模型的高效性和高质量性的优势,促进卫星探测向着实时化、高效化、低能耗化方向发展。
Description
技术领域
本发明涉及图像处理和目标物追踪技术领域,更具体的说是涉及一种基于光学概率图模型的卫星探测方法。
背景技术
目前,通过卫星对地面或海面弱小目标进行探测跟踪以其数据连续性更佳等优势已经在很多领域得到广泛应用,但是,在应用过程中,传统的通过卫星对地面或海面弱小目标进行探测跟踪的过程也显现出如下几个问题:
(1)无法实现准确追踪:目前较为成熟的算法对图像的质量具有一定的要求,高噪声的图像会使得算法的效果较差,无法实现准确的追踪。
(2)能耗大:由于成像距离较远,图像会不清晰,需要采用更为精细、复杂的算法对图像进行处理,进而在图像中探测到目标点,并根据图像来对其运动轨迹进行预测,从而实现实时探测及捕捉,实现探测过程能耗较高。
(3)无法实现实时追踪:在对卫星图像滤波处理时,由于受到电子计算速度的限制,很多有效的滤波方法无法对高速运动的目标物进行有效的实时跟踪。
因此,如何提供一种能够实时、准确的进行目标物追踪,且能耗更低的卫星探测方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于光学概率图模型的卫星探测方法,该方法基于光学运算和概率图模型实现目标物的检测,进而实现准确实时探测跟踪,解决了现有的卫星探测方法无法实现准确追踪、能耗大以及无法实现实时追踪的问题。
为了实现上述目的,本发明采用如下技术方案:
一种基于光学概率图模型的卫星探测方法,该方法包括:
输入卫星观测到的原始图像;
构建概率图模型,并基于所述概率图模型进行光学运算,得到光学概率图模型;
将所述原始图像中的标记变量输入所述光学概率图模型,获得所述原始图像的联合概率分布;
根据所述联合概率分布形成所述原始图像的掩膜,对原始图像进行分割和特征提取,确定所述原始图像中目标物的位置;
将多个所述原始图像按时序进行排列,并根据时序排列后各个原始图像中所述目标物的位置,确定所述目标物的运动速度和方向;
根据所述目标物的位置、运动速度和方向调整卫星的拍摄角度,对目标物进行实时探测跟踪。
进一步地,图概率模型是一种计算大量变量联合概率分布的标准且功能十分强大的方法,其图中的每个元素都依赖于周围的其他元素,也就是说,其中的每一个元素特征都可以通过周围元素特征来计算获得,具体的概率图模型为:
其中,p是目标像素节点的概率分布,k是标准化因子,mn是与目标像素节点临近的像素节点的信息。
进一步地,基于所述概率图模型进行光学运算,得到光学概率图模型的过程,具体包括:
将原始图像中的像素节点信息进行光学信息编码,得到光学节点信息;
将所述光学节点信息输入所述概率图模型,并依次对所述光学节点信息进行对数运算、求和运算、指数变换以及光学归一化运算,得到光学概率图模型。
本发明中光学概率图模型通过和积信息传递算法的方式来实现,即光学实现上述概率图模型主要是实现其乘法和除法的过程。具体通过双光子吸收(TPA)的方式来实现对光的对数运算,并利用光相干的特性实现光的加法运算,利用饱和吸收材料来实现指数变换,最后利用吸收泵浦技术来实现归一化除法。
进一步地,所述指数变换通过饱和吸收材料实现,具体包括:
构建饱和吸收方程;
将所述饱和吸收方程嵌入非线性吸收微分方程,得到变形方程;
根据所述变形方程得到所述光学节点信息中入射光和出射光之间的指数运算方程以及入射光与出射光之间的对数运算方程,对数和指数运算相结合实现概率模型算法所必需的乘法运算。
进一步地,所述饱和吸收方程为:
α(I)=α0/(1+I/Isat)
其中,α0为弱场饱和,α(I)为随光强变化的吸收度,I为光强,Isat为饱和峰值辐照度。
进一步地,所述变形方程为:
其中,α(I)为随光强变化的吸收度,I为光强。
进一步地,所述入射光和出射光之间的指数运算方程为:
进一步地,所述入射光与出射光之间的对数运算方程为:
其中,Iout为出射光光强,Iin为入射光光强,α0为弱场饱和,L为饱和吸收材料的厚度,Isat为饱和峰值辐照度。
进一步地,所述光学归一化运算通过增加或减少泵浦光的强度实现,运算公式为:
C′=P0A/(A+B)
D′=P0B/(A+B)
其中,A和B代表探测光中的泵浦光,C′和D′代表探测光被归一化后的光束,P0代表可调整功率。
进一步地,所述光学概率图模型为:
其中,p是目标像素节点的概率分布,k是标准化因子,mn是与目标像素节点临近的像素节点信息。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于光学概率图模型的卫星探测方法,该方法通过光学运算实现概率图模型,利用光学概率图模型可以对卫星图像进行快速有效的处理,实现对目标物体的快速跟踪。整个方法在图像处理过程中充分利用了光学计算的高速性、低能耗以及概率图模型的高效性和高质量性的优势,促进了卫星探测向着实时化、高效化、低能耗化方向发展。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种基于光学概率图模型的卫星探测方法的实现流程示意图;
图2为本发明实施例中概率图模型下的图像处理原理示意图;
图3为本发明实施例中光学运算的实现原理示意图;
图4为本发明实施例中光学归一化过程的实现原理示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见附图1,本发明实施例公开了一种基于光学概率图模型的卫星探测方法,该方法具体包括:
S1:输入卫星观测到的原始图像;
S2:构建概率图模型,并基于概率图模型进行光学运算,得到光学概率图模型;
S3:将原始图像中的标记变量输入光学概率图模型,获得原始图像的联合概率分布;
S4:根据得到的联合概率分布形成原始图像的掩膜,对原始图像进行分割和特征提取,确定原始图像中目标物的位置;
S5:将多个原始图像按时序进行排列,并根据时序排列后各个原始图像中目标物的位置,确定目标物的运动速度和方向;
S6:根据目标物的位置、运动速度和方向调整卫星的拍摄角度,对目标物进行实时探测跟踪。
针对实际工程中,卫星探测目标图像数据多,目标图像小,对目标物体进行实际跟踪探测等,要求检测速度快、能耗低的问题,本实施例提出一种光学概率图模型,可以实现即时、有效以及低能耗地探测目标物体。
下面先介绍现有的概率图模型,概率图模型以其带有节点和结构性的多维度信息的优势,能够更好的对图像进行处理,提高了图像处理的速度和质量。当对图像进行分割、分析时,其像素点周围每一个节点的信息都能通过连接关系传递到目标节点中,从而使得到的信息更加准确,所需要的计算算法也得到了相对应的简化。
具体地,上述描述的概率图模型为:
其中,p是目标像素节点的概率分布,k是标准化因子,mn是与目标像素节点临近的像素节点携带的信息。对于一张图,每一个变量都可以通过一个节点表示,节点与节点之间的联系可以通过边来表示,也就是说,原始图像中的每一个像素信息都可以通过对周围像素信息的处理来得到。
参见附图2,原始图像可以作为一个图网络,每一个像素周围有4个像素与其相连接,使用概率图模型利用像素间的连接关系,从而计算出图像的联合概率分布,实现图像分割及目标确定。
接着利用上述概率图模型构建光学概率图模型,通过光学运算实现上述概率图模型主要是实现其乘法和除法的过程,即将上述算法考虑成对数加和的方式通过光学运算来实现。
首先,节点信息通过光强、光频的光学信息编码,作为整个模型的输入,参见附图3,本实施例通过双光子吸收(TPA)的方式来实现对光的对数运算,并利用光相干的特性实现光的加法运算,最后利用饱和吸收材料来实现指数变换,运算表达式为:
其中,mn是与目标像素节点临近的像素节点对应的光学节点信息。
上述提到的利用饱和吸收材料来实现指数变换的过程,具体通过以下步骤实现:
首先,构建饱和吸收方程,饱和吸收方程为:
α(I)=α0/(1+I/Isat)
其中,α0为弱场饱和,α(I)为随光强变化的吸收度,I为光强,Isat为饱和峰值辐照度。
然后,将上述饱和吸收方程嵌入非线性吸收微分方程,得到的变形方程为:
其中,α(I)为随光强变化的吸收度,I为光强。
最后,得到入射光和出射光之间的指数运算,具体为:
以及入射光与出射光之间的对数运算,具体为:
其中,Iout为出射光光强,Iin为入射光光强,α0为弱场饱和,L为饱和吸收材料的厚度,Isat为饱和峰值辐照度。
之后,利用吸收泵浦技术来实现归一化除法,具体原理可以参见附图4。吸收泵浦技术即通过增加或减少泵浦光的强度来控制材料的饱和程度,从而增加或减少探测光束的强度,从而达到光学的归一化(除法)运算,即:
C′=P0A/(A+B)
D′=P0B/(A+B)
其中,A和B代表探测光中的泵浦光,C′和D′代表探测光被归一化后的光束,P0代表可调整功率。
由此,本实施例完成了概率图模型的整个光学建模过程,通过光学运算实现了概率图模型的和积信息传递算法,即:
其中,p是目标像素节点的概率分布,k是标准化因子,mn是与目标像素节点临近的像素节点对应的光学节点信息。
这样,本实例通过对图像中的标记变量进行概率分布的建模,从而建立图像的联合概率分布,通过概率分布形成图像的掩膜,对图像进行分割和特征提取,从而找到目标物在图中的位置。另一方面,通过对多张时序图片进行上述处理,确定每张图片中目标物的位置,进一步根据目标在时序图像中的位置和不同图像对应的时间分析出目标物的速度和方向参数。卫星根据探测出来的这些物理信息调整追踪拍摄角度,实现对目标物体的实时探测跟踪。
综上所述,本发明实施例公开的上述微型探测方法,与现有技术相比,具有如下优点:
1、降低了卫星在探测目标物体时的能耗。
光学概率图模型网络是一种有效且低功耗的网络,相比于传统的电子运算,光之间的计算几乎没有热损耗等能耗问题,极大的降低了能耗。
2、实现了对目标物的实时追踪。
该方法在光学计算的基础下,设计了概率图模型的算法,利用概率图模型综合考虑图像像素节点的特征以及各节点之间的关系这一优越性,实现对图像的分割及目标物体识别,进而实现了实时且有效的卫星探测和追踪的目的。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于光学概率图模型的卫星探测方法,其特征在于,包括:
输入卫星观测到的原始图像;
构建概率图模型,并基于所述概率图模型进行光学运算,得到光学概率图模型;
将所述原始图像中的像素所对应的特征向量数据输入所述光学概率图模型,获得所述原始图像的联合概率分布;
根据所述联合概率分布形成所述原始图像的掩膜,对原始图像进行分割和特征提取,确定所述原始图像中目标物的位置;
将多个所述原始图像按时序进行排列,并根据时序排列后各个原始图像中所述目标物的位置,确定所述目标物的运动速度和方向;
根据所述目标物的位置、运动速度和方向调整卫星的拍摄角度,对目标物进行实时探测跟踪。
3.根据权利要求2所述的一种基于光学概率图模型的卫星探测方法,其特征在于,基于所述概率图模型进行光学运算,得到光学概率图模型的过程,具体包括:
将原始图像中的像素节点信息进行光学信息编码,得到光学节点信息;
将所述光学节点信息输入所述概率图模型,并依次对所述光学节点信息进行对数运算、求和运算、指数变换以及光学归一化运算,得到光学概率图模型。
4.根据权利要求3所述的一种基于光学概率图模型的卫星探测方法,其特征在于,所述指数变换通过饱和吸收材料实现,具体包括:
构建饱和吸收方程;
将所述饱和吸收方程嵌入非线性吸收微分方程,得到变形方程;
根据所述变形方程得到所述光学节点信息中入射光和出射光之间的指数运算方程以及入射光与出射光之间的对数运算方程。
5.根据权利要求4所述的一种基于光学概率图模型的卫星探测方法,其特征在于,所述饱和吸收方程为:
α(I)=α0/(1+I/Isat)
其中,α0为弱场饱和,α(I)为随光强变化的吸收度,I为光强,Isat为饱和峰值辐照度。
9.根据权利要求3所述的一种基于光学概率图模型的卫星探测方法,其特征在于,所述光学归一化运算通过增加或减少泵浦光的强度实现,运算公式为:
C′=P0A/(A+B)
D′=P0B/(A+B)
其中,A和B代表探测光中的泵浦光,C′和D′代表探测光被归一化后的光束,P0代表可调整功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011164488.3A CN112330739B (zh) | 2020-10-27 | 2020-10-27 | 一种基于光学概率图模型的卫星探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011164488.3A CN112330739B (zh) | 2020-10-27 | 2020-10-27 | 一种基于光学概率图模型的卫星探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112330739A true CN112330739A (zh) | 2021-02-05 |
CN112330739B CN112330739B (zh) | 2022-05-27 |
Family
ID=74296571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011164488.3A Active CN112330739B (zh) | 2020-10-27 | 2020-10-27 | 一种基于光学概率图模型的卫星探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330739B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8774470B1 (en) * | 2012-04-03 | 2014-07-08 | Google Inc. | Processing a satellite image of a region to determine a terrain boundary included therein |
US20150160785A1 (en) * | 2013-12-11 | 2015-06-11 | Microsoft Corporation | Object Detection in Optical Sensor Systems |
WO2016106954A1 (zh) * | 2014-12-30 | 2016-07-07 | 华中科技大学 | 一种低轨卫星星载图谱关联探测方法与载荷 |
CN110533581A (zh) * | 2019-08-12 | 2019-12-03 | 广东工业大学 | 一种基于雨滴概率图的雨滴消除方法、***和存储介质 |
CN111784560A (zh) * | 2019-04-04 | 2020-10-16 | 复旦大学 | 基于级联残差生成对抗网络的sar和光学图像双向翻译方法 |
-
2020
- 2020-10-27 CN CN202011164488.3A patent/CN112330739B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8774470B1 (en) * | 2012-04-03 | 2014-07-08 | Google Inc. | Processing a satellite image of a region to determine a terrain boundary included therein |
US20150160785A1 (en) * | 2013-12-11 | 2015-06-11 | Microsoft Corporation | Object Detection in Optical Sensor Systems |
WO2016106954A1 (zh) * | 2014-12-30 | 2016-07-07 | 华中科技大学 | 一种低轨卫星星载图谱关联探测方法与载荷 |
CN111784560A (zh) * | 2019-04-04 | 2020-10-16 | 复旦大学 | 基于级联残差生成对抗网络的sar和光学图像双向翻译方法 |
CN110533581A (zh) * | 2019-08-12 | 2019-12-03 | 广东工业大学 | 一种基于雨滴概率图的雨滴消除方法、***和存储介质 |
Non-Patent Citations (1)
Title |
---|
沈如松等: "成像侦察卫星识别目标能力分析", 《***仿真学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112330739B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340844B (zh) | 基于自注意力机制的多尺度特征光流学习计算方法 | |
Chen et al. | Haze removal using radial basis function networks for visibility restoration applications | |
Tian et al. | Review of object instance segmentation based on deep learning | |
Li et al. | Adaptive deep convolutional neural networks for scene-specific object detection | |
Moghimi et al. | Real-time underwater image resolution enhancement using super-resolution with deep convolutional neural networks | |
CN112419191A (zh) | 基于卷积神经网络的图像运动模糊去除方法 | |
Kuang et al. | DenseGAP: graph-structured dense correspondence learning with anchor points | |
Dong et al. | Multi-frame blind deconvolution using sparse priors | |
Vint et al. | Analysis of deep learning architectures for turbulence mitigation in long-range imagery | |
Zhang et al. | Single image dehazing based on bright channel prior model and saliency analysis strategy | |
Yeh et al. | Single image dehazing via deep learning-based image restoration | |
Liu et al. | SETR-YOLOv5n: A lightweight low-light lane curvature detection method based on fractional-order fusion model | |
Hua et al. | Dynamic scene deblurring with continuous cross-layer attention transmission | |
Liu et al. | Local multi-scale feature aggregation network for real-time image dehazing | |
Pang et al. | Single image deraining via scale-space invariant attention neural network | |
Xu et al. | Multi-scale dehazing network via high-frequency feature fusion | |
Wan et al. | Progressive convolutional transformer for image restoration | |
CN112330739B (zh) | 一种基于光学概率图模型的卫星探测方法 | |
Gao et al. | Motion deblurring algorithm for wind power inspection images based on Ghostnet and SE attention mechanism | |
Cherian et al. | Improving image resolution on surveillance images using SRGAN | |
Zhao et al. | Multiscale feature weighted-aggregating and boundary enhancement network for semantic segmentation of high-resolution remote sensing images | |
Wang et al. | Single image rain removal with reusing original input squeeze‐and‐excitation network | |
Zhijian et al. | Infrared image super-resolution method based on dual-branch deep neural network | |
Zhang et al. | Coarse-to-fine multiscale fusion network for single image deraining | |
Zhang et al. | DAResNet Based on double-layer residual block for restoring industrial blurred images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |