高分辨率卫星

高分辨率卫星（精选十篇）

高分辨率卫星 篇1

本世纪初, 随着IKONOS、Quick Bird等地面采样间隔优于1 m的高分辨率遥感影像的问世, 航天遥感影像的几何处理进入到一个新的发展阶段, 利用卫星遥感影像测绘和更新大比例尺地形图成为可能。而且, 随着遥感应用领域的扩大, 对遥感影像的几何处理要求越来越高。作为遥感对地目标定位和地球空间信息提取理论基础的遥感影像几何处理模型, 已成为摄影测量与遥感领域的新的研究热点。与传统框幅式传感器成像不同, 高分辨率卫星传感器多为C C D线阵列推扫式成像。由于成像模式的改变, 高分辨率卫星遥感影像的几何处理必须发展一套适合自身特点的几何处理模型和方法。

1 高分辨率卫星遥感影像的主要误差源

众所周知, 由不同传感器获取的遥感影像具有与其自身几何特性相对应的一系列几何变形, 包括与姿态、位置和速度等相关的因素, 同时还与用户最终所选择的投影方式、影像覆盖地形等条件有关。

Toutin将引起影像几何变形的误差源分为两类[1]:源于影像获取系统的误差和源于被观测物体的误差, 详细列于表1。

表1所包含的各种误差源大多是可预测的, 且产生的影像变形均为系统性误差。卫星遥感影像几何处理模型就是要在尽可能准确地模拟并改正这些影像变形的基础上, 正确地描述每一个像点与其对应物点坐标间的严格几何关系, 以便对原始影像进行高精度的几何纠正及对地目标定位, 从而实现由二维遥感影像反演地表空间位置。由于各种传感器特性的不同, 不同的几何处理模型间势必存在着严密性、复杂性、准确性等多方面的差异。当前所采用的遥感影像几何处理模型大体上可以分为严格物理模型和经验模型两大类。

2 严格物理模型

虽然每个传感器的特性不相同, 但是绝大多数的光学影像成像过程仍然满足中心投影的严格共线条件。事实上, 在线阵列C C D传感器采用推扫式成像技术获取的连续影像条带中, 每一扫描行影像与被摄物体之间具有严格的中心投影关系, 并且都具有各自的外方位元素。为了完全再现成像瞬间各项条件与原始影像间的对应函数关系, 严格物理模型需要对各项误差源建立与之相应的数学模型。这就涉及到平台模型、传感器模型、大地模型和投影模型。

与传统摄影测量方法相似, 恢复摄影瞬间光线的位置、姿态等定向参数依然是高分辨率卫星遥感影像几何处理的关键技术。根据影像定向参数建模方式的不同可以将严格物理模型分为两类。

2.1 扩展的共线方程模型

加拿大学者Kratky提出了对共线条件方程扩展而成的严格物理模型[2]。假定卫星运行轨道满足轨道摄动方程, 将传感器位置表达成标准卫星轨道参数的函数, 而传感器的姿态角则视具体情况采用一至三次多项式函数进行拟合。该模型先后被用于SPOT[3]、MOMS[4,5]和JERS-1[6]等卫星遥感影像的几何处理, 并被用于推扫式卫星遥感影像模拟、D E M提取及正射影像的制作等[7], 均取得了很好的结果。

在Kratky模型基础上, 瑞典学者Westin简化了由于地球自转、地球曲率和地球引力所造成的影响, 提出了Westin模型[8]。Westin模型的优势在于形式简单, 仅使用一个地面控制点就可以对轨道参数进行改正, 其缺点是假设卫星运行轨道为圆形, 没有考虑轨道摄动力的影响。

瑞士苏黎世联邦技术大学 (ETH) 的Poli提出了更为通用的扩展共线方程模型[9], 可适用于航空/航天单线阵或多线阵推扫式遥感影像的几何处理。对于航空遥感影像, 飞机的飞行轨迹由分段多项式函数描述, 分段数取决于控制点和连接点的数目及分布情况;对于卫星遥感影像, 可直接采用2次或3次拉格朗日多项式表示, 并可将卫星的运行轨道特征当作约束条件。

加拿大遥感中心 (CCRS) 的Toutin提出了3D物理模型, 模型中每一个参数的物理几何意义是由几个相关几何变量的“联合”数学抽象表达, 这些参数组成了相互独立的参数集, 最大限度地减少了参数相关性对参数估值的影响[10], 在多源遥感影像的联合平差中得到了较好的结果[11]。

总体说来, 扩展共线方程模型都是以共线条件方程为基础的, 在假设卫星运行轨迹满足轨道摄动方程的条件下, 用轨道参数的函数来表示影像外方位线元素, 用多项式来拟合影像外方位角元素。通过光束法平差, 整体解求包括影像外方位元素、自检校参数等的影像严格物理模型参数, 从而实现卫星遥感影像的高精度几何处理。由于扩展共线方程是经典摄影测量理论在新型遥感传感器上的推广应用, 对各项误差源分别建模并纳入平差模型中, 有效地顾及了各项误差所引起的影像变形, 理论上是最为严密的。但是, 如何克服影像定向参数与各种误差改正参数间的强相关性、根据严格物理模型进行多重覆盖影像的区域网平差、并利用尽可能少的地面控制点来消除定位结果中的系统误差, 是值得深入探讨的。

2.2 定向点/片模型

定向点/片模型主要用于三线阵推扫式遥感影像的几何处理, 最早由德国汉诺威大学的Ebner教授提出[12]。该模型与扩展共线方程不同之处在于无需采用严格数学模型对每个扫描行影像的外方位元素进行拟合, 而仅仅是对定向点 (orientation point) 所在的扫描行影像外方位元素进行最小二乘估计, 其余扫描行影像的外方位元素则由其内插得到。

以定向点几何模型为基础, 德国航宇中心的Kornus提出了定向片 (orientation image) 模型[13], 主要用于MOMS-2P的三线阵推扫式遥感影像几何处理。利用MOMS-NAV导航数据 (导航精度约5 m) , 仅用4个控制点就可以达到平面8 m、高程10 m的定位精度。

西安测绘研究所的王任享院士提出了与定向片模型相类似的等效框幅式影像EFP (equivalent frame photo) 模型[14]。利用该模型平差时, 只需计算EFP时刻 (类似于定向片时刻) 的影像外方位元素。

定向片模型一定程度上避免了由于参数间的强相关所带来的法方程解奇异问题, 提高了影像几何处理的精度。但仅对数量有限的定向点所对应的影像外方位元素加以估计而无法顾及到整个航线模型存在的扭曲。因此, 大多数模型都引入了带附加参数的系统误差模型, 与定向片外方位元素同时解求, 在平差过程中自检校并消除系统误差的影响。这就是许多文献中提到的C C D传感器的在航检校 (i n-f l i g h t calibration) 方法[15]。定向点/片方法为解决推扫式遥感影像的几何处理提供了一种新的思路, 这种仅对特定扫描行的外方位元素进行估计, 通过内插获得任意扫描行外方位元素的方法应用于航空推扫式影像的几何处理 (如:ADS 40) 同样获得了较好的结果[16]。

3 经验模型

与严格物理模型不同, 经验模型不会直观反映误差源与影像变形间的具体关系, 无需影像获取系统 (包括:平台、传感器、投影方式等) 的任何先验信息, 完全独立于具体的传感器。经验模型一方面可以有效地避免传感器和轨道参数等核心信息的泄漏;另一方面在很大程度上减少了高分辨率卫星遥感影像几何处理的复杂性。

3.1 一般多项式模型

一般多项式模型形式较为简单, 常用的有形如式 (1) 的2元和3元多项式:

式中:a为多项式系数; (x, y) 为像点坐标;X, Y, Z为地面点的物空间坐标。

一般多项式模型的阶数通常不应超过3阶[17], 因为更高阶的多项式模型往往不能提高影像几何处理精度, 反而会产生过度参数化, 从而降低影像几何处理的精度。一般多项式模型只能应用于影像畸变较小且较为简单的情况[18], 如垂直下视影像、覆盖范围较小的影像、地势较为平坦的影像等。一般多项式模型的定向精度与地面控制点的数量、精度、分布以及实际地形有关[19]。同时, 采用一般多项式模型进行影像定向时, 控制点附近的地面点坐标拟合较好, 但其他位置可能存在明显的偏差, 与相邻的控制点不协调, 即会在某些点上产生震荡现象[20]。一般多项式模型在早期的中低分辨率卫星遥感影像的几何处理中应用比较广泛, 但由于其理论上的局限性无法满足高分辨率卫星遥感影像几何处理的需求, 逐步被形式上较为相近的有理多项式函数模型所取代。

3.2 仿射变换模型

仿射变换模型最早是为了克服窄视场角和大主距所带来的卫星遥感影像定向参数之间的强相关性而提出的[21]。这种模型假设在窄视场角的影像获取时, 仿射投影可以近似代替中心投影, 从而用线性的仿射变换模型建立像方与物方对应坐标的几何关系式 (2) 。需要指出的是, 仿射变换模型利用的是局部坐标系和椭球高表示物方坐标, 因此需要补偿由于地球曲率所带来的高程误差:

式中:a, b为仿射变换参数;α为中心扫描行的倾斜角; (x, y) 为像点坐标, (x0, y0) 为中心扫描行的像点坐标; (X, Y, Z) 为地面点的物空间坐标。

仿射变换模型是根据高分辨率卫星遥感成像的几何特性对严密共线条件关系的一种近似表达, 将行中心投影影像转化为相应的仿射投影影像后, 以仿射影像为基础进行目标点的空间定位, 大大减小了模型中各参数之间的相关性, 在保证几何处理精度的同时, 简化了计算的复杂性。如何在实际应用中区分和界定这种假设的适用范围, 根据不同传感器的成像机理完善假设的不严密性, 是需要研究的。

3.3 直接线性变换模型

直接线性变换模型 (directlinear transformation, DLT) 是直接建立像平面坐标与物空间坐标关系的一种数学变换公式。最早用于近景摄影测量和航空遥感影像的几何处理中, 具有运算量小、无需初始值等优点。用于卫星遥感影像的处理不需要卫星轨道参数和传感器参数, 但没有考虑到每扫描行影像外方位元素随时间变化的特点, 将线阵推扫式遥感影像等同于框幅式影像进行处理。研究表明, 将DLT模型用于S P O T影像的几何处理, 亦可获得子像素级的定位精度[22], 与用于IRS-1C影像几何纠正的精度相当[23]。此外, Wang在DLT模型中加入了自检校参数, 提出了自检校直接线性变换模型SDLT[24]。该模型在卫星遥感影像飞行方向加入改正项后, 使框幅式直接线性变换模型也能用于对推扫式线阵卫星遥感影像的几何处理, 经用于S P O T和M O M S影像的几何处理获得了较好的精度。

3.4 有理函数模型

最早利用有理函数模型 (rational function model, RFM) 进行影像定位的方法出现在1980年代[25,26]。

R F M模型将地面点的物方坐标D (Latitude, Longitude, Height) 与其对应的像点坐标d (line, sample) 用比值多项式关联起来。为了增强参数求解的稳定性, 将物方和影像坐标正则化到[-1, 1]之间。对一幅影像定义了如下的比值形式:

式中: (s, l) 为正则化的像点坐标; (P, L, H) 为正则化的物方坐标。

有理函数模型实质是用纯数学模型来对严格物理模型进行拟合, 同时也可以看成是对成像地区实际地形的一种数学逼近。因此, 有理函数模型从其构建的方式可以分成“与地形无关”和“与地形相关”两种方案[27]:与地形无关的方案是因为用于解算有理函数多项式系数的控制点是通过严格物理模型计算得到的虚拟格网点, 并非真实的地面控制点;与地形相关的方案类似于一般多项式模型的构建方法。有理函数多项式系数的求解依赖于地面测量所获得的大量地面控制点, 其精度很大程度上受控制点分布的影响[28], 往往需要很多的控制点来提高参数的解求精度, 而这样的要求通常难以实现。

然而, 近年来用于不同高分辨率卫星影像上 (SPOT-51A, EROS-A1, IKONOS Geo, Quick Brid-2) 的有理函数模型却难以取得一致的结果[29,30], 有时甚至会存在定位精度较差的情况。现有的研究均表明, 有理函数模型用于平坦地区影像处理时能够获得比较理想的结果, 但对地形起伏较大地区的定位精度较低。因此, 仍然需要进一步研究有理函数模型在实际应用中的适用性和局限性, 特别是在大地形起伏的情况下。

4 展望

从1970年第一颗民用遥感卫星发射至今, 遥感影像几何处理的需求发生了深刻的变化。特别是近十年来建立数字地球的需要, 多源对地观测数据的整合与分析对遥感影像几何处理提出了新的挑战。经过数十年的不断发展, 已形成了一套较为完整的适合自身特点的成像模型和几何处理方法。当前, 高分辨率卫星遥感影像的几何处理模型主要分为严格物理模型和经验模型两大类。

严格物理模型能够反映影像成像时的几何物理过程和各种几何畸变的成因, 是根据实际成像几何关系构建的, 具有理论严密、解算复杂的特点, 能够获得很高的几何精度。并且由于模型中各个参数物理意义明确, 处理结果存在的误差可以比较容易发现并加以解释, 是高精度遥感对地目标定位的首选。但是, 由于严格物理模型往往仅针对某一种或一类传感器, 不能适用于不同传感器和不同地形条件, 因此, 建立一套能够广泛适用于各种影像数据 (包括不同成像方式所获得的数据) , 并且能够对各种影像误差源 (包括几何畸变和辐射畸变) 进行建模分析的物理模型具有重要的理论意义。如何充分利用高精度的遥感成像参数, 利用多源、多时相遥感影像构建强健的区域网进行整体平差, 以削弱模型参数间的相关性, 实现缺少控制点或无地面控制的对地目标定位具有广阔的应用前景。

经验模型是对像点与地面点之间的变换关系进行纯粹的数学模拟, 不需要任何有关传感器和平台的先验信息, 各个参数也没有明确的物理意义, 在保密性、普适性和便捷性上较严格物理模型具有明显的优势, 而且其定位精度也能够满足相应的地形测图要求。经验模型作为一种广义的高分辨率卫星遥感影像几何处理模型, 无疑具有很好的应用前景, 在实际生产中常常被用于取代严格物理模型。然而, 为了充分发挥经验模型的优势, 分析模型参数间的相关性, 对各个参数进行显著性检验, 将强相关的参数项以及对结果影响不大的参数项进行合并和剔除, 进一步简化经验模型的形式, 应该是今后研究的重点, 对发展适合我国高分辨率卫星遥感影像几何处理的经验模型具有特别重大的意义。

摘要：高分辨率遥感影像的几何处理是多源遥感影像数据融合、分析、应用的前提和关键。本文分析了导致遥感影像产生几何畸变的误差源, 对当前广泛应用于遥感影像几何处理的数学模型进行了归纳和比较, 并针对它们的缺点提出了进一步研究和完善的若干思考。

高分辨率卫星 篇2

CBERS-02B卫星高分辨率相机的在轨调焦方法

卫星发射时的.振动、由空气到真空环境的转变、微重力的影响等因素都可能会改变相机的焦面位置,导致相机焦面位置发生变化.CBERS-02B卫星在轨测试期间,对高分辨率相机进行了在轨调焦,并取得了明显效果.文章对高分辨率相机的在轨调焦方法和调焦结果进行介绍.

作 者：何红艳 王小勇 曾 He Hongyan Wang Xiaoyong Zeng Yong  作者单位：何红艳,王小勇,He Hongyan,Wang Xiaoyong(北京空间机电研究所,北京,100076)

曾,Zeng Yong(中国资源卫星应用中心,北京,100830)

刊 名：航天返回与遥感 英文刊名：SPACECRAFT RECOVERY & REMOTE SENSING 年，卷(期)： 29(4) 分类号：V4 关键词：中巴地球资源卫星   高分辨率相机   在轨调焦方法  

高分辨率卫星 篇3

关键词：TerraSAR-X；TanDEM-X；高分辨率；多极化.

中图分类号：TN955 文献标识码：A 文章编号：1674-7712 （2014） 18-0000-01

星载合成孔径雷达SAR（Synthetic Aperture Radar）是一种现代高分辨率侧视成像雷达，能够适合于民事和军事应用的有效监视工具，具有全天候、全天时、穿透力强、大面积的成像探测能力，空间分辨率可达米级甚至亚米级的全球地表信息。德国的高分辨率星载SAR卫星-TerraSAR-X携带一颗高频率的X波段合成孔径雷达传感器，不仅影像分辨率高，而且具有多种成像模式和多种极化方式，以其独特的优势在测绘、资源探测、灾害相应等领域得到了广泛的应用。

一、TerraSAR-X的系统特性

TerraSAR-X卫星在距地524km高的极地轨道上围绕地球运转，太阳同步轨道，轨道周期为94.8分钟，能进行左右侧视。该卫星具有以下几个特点：灵活的分辨率（1m/3m/18.5m）和覆盖区域、任何其他的商业星载传感器都无法比拟的几何精度、极高的辐射精度、高度的重访周期、独特的敏捷性、成像和极化模式的快速切换。

二、成像模式

高分辨率聚束式高分辨率聚束式（High Resolution SpotLight，HS），最高分辨率达1m，一景影像大小为5到10km（宽）×5km（长）。聚束式（SpotLight Mode，SL）：分辨率高达2m，一景大小为10km（宽）×10km（長）。这两种成像模式具有可变的距离向分辨率和景幅大小，这两种成像模式利用电磁波在方位向上的延迟来提高成像时间，例如，雷达直径越大，方位向分辨率越高，但是景幅的方位向越小[1]。

SAR影像的基本拍摄模式为条带成像模式（Stripmap Mode，SM）。通过固定天线指向来实现，天线在卫星运行时照射的区域表面形成一个条带。单极化方式最高分辨率约为3m，双极化为6m，景幅宽约为30km×长50km。以入射角固定的波束沿飞行方向推扫成像，主要特点是几何分辨率高、覆盖范围较大、入射角可选。其数据产品加上精密轨道数据，也可以用于重复轨道干涉测量，并获得观测目标区域的数字高程模型。

宽扫描成像模式（ScanSAR，SC），天线（雷达波束）在成像时沿距离向扫描，使观测范围加宽，同时也将降低方位向分辨率，可应用与大面积纹理分析。这种模式的主要特点是中等几何分辨率、覆盖率高、入射角可选。其极化方式为单极化方式（HH或VV），成像分辨率约为16m，数据采集范围为15°～60°，全效率范围为20°～45°，景幅大小约为100km×150km[2]。

三、TerraSAR-X产品

TerraSAR-X的有4种标准数据产品1b级数据产品（CEOS Level 1 date Products）单视斜距复影像（Single look Slant range Complex，SSC）、多视地距影像（Multilook Ground range Detected，MGD）、椭球校正地理编码产品（Geocoded Ellipsoid Corrected，GEC）和增强型椭球改正产品（Enhanced Ellipsoid Corrected，EEC）[3]。

SSC产品是聚焦雷达信号的单视基本产品，在斜距向和方位向上有相等的像素分辨率，数据由复数表示。每个像素点被处理成零多普勒坐标即垂直卫星飞行方向，没有地理编码，具有全宽带和相位信息，数据格式为DLR COSAR的二进制格式。主要用于科学研究，例如：SAR干涉测量和全极化测量。

MGD产品是对SSC数据进行多视处理，影像上的距离比率与实际地点间的距离比率一致，将WGS-84模型和平均地形高程投影到地面。低相干斑噪声和近似正方分辨单元的多视产品，影像中没有地理坐标信息，没有插值和影像旋转校正，像素定位精度低于地理编码类产品，并且只有角点和中心点附带坐标说明，不能用于干涉计算，数据格式为XML+GeoTiff，与ERS卫星的PRI数据格式相近。

GEC产品采取多视处理，利用WGS-84模型和平均高程重采样，没有地形改正。投影种类有UTM和UPS。像素定位精度的变化取决于地形，山区、丘陵地区等高差变化较大的区域，引起的误差比较明显。可选者空间增强或辐射增强产品（SE或RE），山区地形产生的变形值较大，可适用于几何校正，数据格式为XML+GeoTiff。

EEC产品采取多视处理，利用外部的DEM数据（目前使用的DEM数据为90m网格的SRTM数据）对影像进行纠正，有效地克服了透视缩进现象。采用WGS-84模型进行重采样，使用UTM和UPS投影，可现实地面的阴影和遮蔽部分。采用像素地位准确（达到米级，但效果取决于DEM质量），该产品为基本产品中最高几何校正级别产品，能够快速解译并与其他信息融合，数据格式为XML+GeoTiff。

四、应用领域和前景

至2007年6月15日发射成功以来，TerraSAR-X成功回传了超过45000个数据集。TanDEM-X于2010年6月21日成功发射，它与TerraSAR-X近距离编队飞行，构成一个高精度雷达干涉测量系统。该系统传回的数据经处理后得到的影像产品质量非常高，为水文地理学、地质学、气候学、海洋学、制图学、环境或灾害监测、干涉测量研究等领域提供多模式X波段高分辨率SAR数据，为今后星载SAR任务制定了新标准。

参考文献：

[1]http：//www.dlr.de/tsx/documentation/Satellite.pdf[OL].

[2]倪维平，边辉.TerraSAR-X 雷达卫星的系统特性与应用分析[J].雷达科学技术，2009（01）：29-34.

[3]侯瑞，谭志祥，黄国满.新型高分辨率星载SAR卫星-TerraSAR-X[J].中国科技论文在线，2009（02）：1475-1480.

[作者简介]侯瑞（1982-），女，河南郑州人，教师，硕士研究生，研究方向：遥感影像处理，工程测量；邓艳芬（1982-），女，山东郓城人，硕士研究生，研究方向：地理信息。

高分辨率卫星 篇4

2016年8月10日6时55分,我国在太原卫星发射中心用长征四号丙运载火箭成功发射高分三号卫星。这是我国第一颗分辨率达到1米的C频段多极化合成孔径雷达(SA R)卫星,其主要技术指标达到或超过国际同类卫星水平。这是继高分一号、高分二号以及高分四号之后,我国高分辨率对地观测系统重大专项的又一颗高分卫星。

据悉,高分三号卫星具备12种成像模式,涵盖传统的条带成像模式和扫描成像模式,可“不眠不休”地对全球海洋和陆地信息进行实时监视检测。该卫星成像幅宽大,与高空间分辨率优势相结合,既能实现大范围普查,也能详查特定区域。此外,该卫星还是我国第一颗设计使用寿命8年的低轨遥感卫星。

高分三号卫星由中国航天科技集团公司所属空间技术研究院研制。长征四号丙运载火箭由中国航天科技集团公司所属上海运载火箭技术研究院研制。此次发射任务是长征系列运载火箭的第233次发射。

高分辨率卫星 篇5

一种从低分辨率图像序列获取高分辨率图像的算法

在某些应用领域,常常需要得到目标的高分辨率图像,考虑到在这些应用场合中,往往可以获得对同一景物或目标的多帧图像,本文提出了一种基于亚像素级图像配准与类似于中值滤波插值的从多幅低分辨率(LR)图像中获取一幅高分辨率(HR)图像的算法.算法首先采用梯度方法计算出LR图像之间的.位移量,经过图像配准后,每个HR像素点被赋予其作用域内所有LR像点值的中值.仿真结果表明,该算法简单有效,既能提高图像分辨率,又能较好地去除非线性噪声.

作 者：赵凌君 孙即祥 ZHAO Ling-jun SUN Ji-xiang  作者单位：国防科技大学电子科学与工程学院,湖南,长沙,410073 刊 名：电光与控制  ISTIC PKU英文刊名：ELECTRONICS OPTICS & CONTROL 年，卷(期)： 12(2) 分类号：V274.5 TN911.73 关键词：高分辨率   图像序列   亚像素级   图像配准   插值  

高分辨率卫星 篇6

1 研究区域概况

保定市,位于太行山北部东麓,冀中平原西部。北邻北京市和张家口市,东接廊坊市和沧州市,南与石家庄市和衡水市相连,西部与山西省接壤。全市地势由西北向东南倾斜。地貌分山区和平原两大类。山区按高程及地貌划分,为中山区、低山区及丘陵三类。西部为中山区,中山区东南部是低山区和丘陵区,呈条带形。平原区系由大小不等的冲积扇构成,自北、西、南3个方向,向东部白洋淀倾斜,按成因分山前洪积平原、冲积平原及洼淀区三部分[2]。

2 技术流程及方法

(1)研究所使用的数据以2014年的ZY-3号卫星数据为主,高分1号数据为补充,对数据进行辐射校正、几何精校正和拼接处理后,进行人工目视解译,采用全国二级分类系统:一级分为6类,主要根据土地的自然生态和利用属性;二级分为26个类型,主要根据土地经营特点、利用方式和覆盖特征;耕地根据地形特征进行了三级划分,即进一步划分为平原、丘陵、山区和坡度大于25°的耕地(见图1、2)。

(2)依据环境保护部最新发布的《生态环境状况评价技术规范》(HJ192-2015)分别计算生物丰度指数、植被覆盖指数、水网密度指数、土地胁迫指数、污染负荷指数以及环境状况指数。

生态环境状况指数(Ecological Index,EI)反映被评价区域生态环境质量状况,数值范围0~100。计算公式如下[3]:EI=0.35×生物丰度指数+0.25×植被覆盖指数+0.15×水网密度指数+0.15×(100-土地胁迫指数)+0.10×(100-污染负荷指数)。

(3)数据源分别来自环境质量状况公报、2000年土地侵蚀数据(侵蚀数据),水资源量按照面积加权获得。

3 评价结果

保定地区生态环境状况指数EI为53.73,按级别标准评价结果为一般,25个县区中6个县评价结果为良,其余19个县(区)指数均处于一般水平,良和一般的面积分别占保定地区土地总面积的45.8%和54.2%。25个县区的EI值在43.44~61.56,其中安新县、涞水县、易县、涞源县、阜平县、容城县、望都县和定兴县8个县市的EI值高于保定地区的EI值,北市区的EI值最低(见图3和表1)。

4 结论

结合表1,分析得出如下结论。

(1)25个县区生物丰度指数范围为40.92~17.17,植被覆盖指数范围为85.86~60.21,水网密度指数范围为58.31~8.95,土地胁迫指数范围为15.78~7.32,污染负荷指数范围为11.69~0.06。其中,生物丰度指数和植被覆盖指数各县之间相差较大,且与EI值基本成正比,是影响评价结果的主要因素。

(2)水网密度指数主要是受降水量、河流长度、水资源量、河流面积、湖库面积和水域湿地等多因素影响,从全市整体来看,除安新县、容城县外,其他县区水网密度指数相差不大,对EI值的影响也较小。

(3)污染负荷指数主要受化学需氧量、二氧化硫、固体废物等环境质量数据影响,从指数上看相差较小,对E值的影响较小。

(4)土地胁迫指数由于是使用2000年的水土侵蚀数据,这里暂不做详细评价,其对EI值影响较小。

(5)评价结果为良6个县区的4个县区分布在西部山区,因为西部山区县域面积较大,林地、草地覆盖率高,而建成区面积却很小,耕地面积也较少,环境污染负荷较小;而东部平原地区人口相对比较集中,建成区面积较大,耕地面积也较大,林地、草地面积少,环境污染负荷大,造成了生物丰度指数和植被覆盖指数较低。安新县和容城县分布在保定市东部水资源较为丰富的地区,其水网密度也是目前最高的2个县区。

摘要：利用国产高分辨率卫星遥感数据,依据环境保护部发布的《生态环境状况评价技术规范》(HJ192-2015)中的应用指数评定法,对2014年河北省保定地区生态环境质量状况以县为单元进行了评价,结果表明保定市大部分地区生态环境质量状况为一般。

关键词：卫星影像,生态环境,评价,保定市

参考文献

[1]万本太,张建辉,董贵华,等.中国生态环境质量评价研究[M].北京:中国环境科学出版社,2004:12-21.

[2]保定市统计局.保定统计年鉴2014[M].北京:中国统计出版社,2014.

高分辨率卫星 篇7

移民安置是一项非常重要的工程, 它是水利工程的重要组成部分, 与工程主体具有同等重要的作用, 是水利工程能否顺利完成的重要步骤。过去受到“重工程, 轻移民”思想的影响, 加上我国移民安置起步较晚, 对移民的重视程度不够, 给工程建设带了很多问题。卫星影像技术在大渡河猴子岩水电站建设中涉及的移民安置点选择中的应用, 主要是采用全新的面向对象的图像分类技术来进行影像的分类和信息提取, 然后再结合实地验证的方法对大渡河猴子岩水电站移民安置区域的选择进行分析、比较、优化和确定等, 为今后水库或者水电站建设中涉及的移民安置区域选择提供一种新的方法。

一、大渡河猴子岩水电站及安置点概况

大渡河猴子岩山水电站是大渡河干流多梯级电站中以发电为主的水电工程, 水库正常蓄水位1 842 m, 电站装机容量1500 MW。水库蓄水后, 库区高程1 842 m以下将被淹没, 淹没区的居住人口均需搬迁。其中, 水库淹没影响人口329户共1752人, 其中农业人口1697人, 非农人口55人, 各类房屋12.24万m2, 各类耕园地2065.7亩, 林地9 662.8亩, 各类零星林木3.92万株。枢纽工程建设区位于康定县孔玉乡, 共涉及人口182户808人, 其中农业人口794人, 非农业人口14人, 农村各类房屋5.5万m2, 各类零星林木1.91万株。在进行移民安置过程中, 要根据相关法律法规, 保障移民的合法权益, 满足移民生存与发展的需求, 且确保移民搬迁后的生产、生活水平不低于搬迁前水平, 并与安置区居民基本相当。建设征地移民安置规划工作需要明确的内容包括资料准备和收集、实物指标调查、移民安置规划大纲编制及审批等, 笔者所采用的是社会调查和高分辨卫星影像技术搜集资料, 实地验证的方法。

二、利用高分辨率卫星影像技术进行移民安置区域选择

1.确定猴子岩水电站移民安置范围。猴子岩水电站下一级电站为长河坝水电站, 考虑到孔玉乡以下为长河坝库区, 该区域可供安置移民的土地资源均用来安置长河坝水电站移民, 已无安置猴子岩水电站移民的环境容量;丹巴格宗乡和梭坡乡位于大渡河流域的河谷地带, 土质较好, 天气宜居, 而且有国道通过, 交通便利, 但由于丹巴县不同地区人口的语言、生活习惯、风俗人情等都有较大差异, 考虑到作物生长的高程限制和少数民族地区生活习惯的特殊性, 将大渡河沿岸海拔1 860 m~2 500 m的地区作为移民安置区选择区域。在行政区划上, 将海拔相对较低、风俗习惯相对较接近、交通条件相对较好的孔玉乡、格宗乡、梭坡乡、东谷乡、水子乡和中路乡作为移民安置区选择区域分析范围。

2.遥感影像专题信息提取。依据地物要素的影像几何特征及光谱特征, 借助ERDASIMAGINE软件平台在遥感影像上提取出该课题专题地物要素中的各种地物, 即土地资源、土地后备资源遥感调查, 包括库区耕园地、荒山荒坡、河滩地所处高程、面积、范围等基本条件。

3.影像信息的核实和修正。将提取出的地类图与实际信息进行比较和验证, 确定不同地类的位置、范围、面积及地形地貌。最后确定出适合生产安置的区域。还可以利用这些方法得到一些安置区域的特定的信息。

4.比较得到的影像信息, 确定最后的移民安置点。在得到影像信息后对影像信息进行分析比较, 然后实地求证, 做出最后的决策。分析比较的重点有以下几点。

(1) 地形地貌。在收集到各安置区域的信息后, 要对各区域的地形地貌进行比较, 找出适合居住的安置点。地形地貌主要包括地形坡度、地貌类型和海拔高度等。对区耕园地、荒山荒坡、河滩地所处高程、面积、范围等进行统计, 还要对区域内可能形成地质灾害的区域进行评估和预测, 提前做好防备的预算, 这也会最后在选择安置点成本中得到体现。如, 有些安置点会有泥石流侵害的危险, 在选择时要多加注意。

(2) 利用影像估算安置成本等因素。上文提到在选择安置区域时要注重对于地质灾害的预防, 如果在各安置区内都有不同的灾害存在, 那就要人为地对灾害进行预防, 这也会算在安置区建设的成本中。此外, 根据相关法规, 移民安置还要为移民提供生存和生活的便利和保障, 这就需要对安置区的建筑道路等进行规划, 这也是影响安置成本的重要因素。

(3) 影像信息结合风俗习惯。我国地大物博, 造就了各地不同的风土人情, 在进行移民安置时, 应该结合遥感影像信息和风俗习惯来进行移民安置, 这有助于移民安置能够顺利进行, 如将南方地区居民尽量安置在能够种植水稻的安置区。此外, 移民的人数和人群工作性质构成也是必须要考虑的因素。

三、结论

高分辨率自然伽马数据处理技术研究 篇8

高分辨率自然伽马测井仪, 采用多晶体探测技术, 克服了单晶体自然伽马测井仪对储集层所释放出来的伽玛射线探测不充分的缺点, 尤其是薄差层, 受围岩及薄差层自身特点等的影响, 不能很好地反映这些储层的真实信息。通过增加晶体数量, 能够有效地将地层中所释放的伽玛射线探测出来, 从而大大提高自然伽马的探测精度;尤其是薄差层的探测精度。如何充分利用、处理各晶体所探测到的自然伽玛信息, 提高薄差层的响应精度, 最终形成一条稳定的、能够真实反映储层岩性特征的高分辨率自然伽马测井曲线, 是我们需要解决的一个重大难题。

目前, 在数据处理中, 为了得到稳定的响应信号, 通用的做法就是进行数字滤波。主要的滤波方法有卡尔曼滤波法、维纳滤波法、切比雪夫滤波法、平滑滤波法等诸多方法。这些方法均不是解决高分辨率自然伽马测井仪测井响应问题的关键。以卡尔曼滤波法为例, 对此加以说明。高分辨率自然伽马测井仪自研制开发以来, 其主要问题是测井响应不稳定, 出现假峰、假值现象, 对薄差层的分辨率、响应能力不够。这些问题的产生, 使得人们误以为是由于晶体尺寸发生变化, 导致统计涨落误差过大, 造成高分辨率自然伽马测井仪测井响应不稳定。统计涨落是微观世界的一种自然现象, 它不会因为测量手段、测量环境改变而发生改变。由于统计涨落的存在, 使得放射性测井曲线不再光滑, 但它会在某一均值附近上下波动, 但也不会偏离太远。高分辨率自然伽马测井仪测井响应不稳定在很大程度上不是由于统计涨落引起的误差, 而且我们采用的是多个晶体探测器, 统计涨落是瞬间发生的, 不可能多个晶体同时产生涨落误差 (伽玛射线在地层中穿行距离是有限的) 。问题的核心是我们对多个晶体所探测出来的信息利用不够, 对多个信号的合成、处理方法存在问题。如果我们对多个探测器的信号进行滤波处理, 在一定意义上将会损失大量地层的真实信息。以卡尔曼滤波为例, Kalman滤波是一种非常好的滤波方法, 现已被广泛应用于动态大地测量数据处理中。在Kalman滤波理论中, 暗含着一条基本假设, 就是假设已经提供了一个适当的数学模型, 这个模型充分精确地描述了被研究系统的动态特性。而自然伽马测井响应是随机过程, 不可能用数学模型来描述。其二, Kalman滤波[1]中, 即:设计Kalman滤波器通常使用的数学模型为:

式中Xk是k时刻系统的n维状态向量, Yk是k时刻系统的m维观测序列, Wk是p维系统过程噪声序列, Vk是m维观测噪声序列, Υk, k-1是系统的n×n维状态转移矩阵, Γk, k-1是n×p维噪声输入矩阵, Hk是m×n维观测矩阵。

有一个最基本的假设条件, 即假定系统过程噪声和观测噪声的统计特性如下:

统计涨落误差 (过程噪声) 、测量误差 (观测噪声) 确实很难满足这一条件 (尤其是第三条) 。即使满足这一条件, 前提必须是进行长时间定点测量, 这时的统计涨落误差和测量误差才能满足前两个条件。而自然伽马的测量工艺、测井过程不允许这么做。如果强行对测量信号进行滤波处理, 不但克服不了统计涨落误差的影响, 反而将地层的真实信息滤掉。其三, Kalman滤波是利用k-1时刻值预测k时刻的测井响应, 根据预测值与测量值之间的误差来不断调整状态转移矩阵的大小, 以达到跟踪和滤波的作用。这样在每一步迭代计算中, 滤波值误差主要由残留误差 (I-KkHk) Υk, k-1ΔXk-1和新增误差Dk控制。即使系数矩阵和随机模型均没有误差, 一旦初始值或迭代计算中某一步滤波值存在误差, 则后续计算的滤波值也均会受到残留误差的影响, 导致最终的滤波结果不能很好反映地层的真实信息。应用Kalman滤波以及其它滤波方法, 还存在许多其它问题, 在此不一一列举。

为从根本上解决高分辨率自然伽马测井响应问题, 对高分辨率自然伽马的测量原理、响应特征, 以及测量方式等进行详细深入分析研究, 最终确定采用多变量非递归自适应非线性组合技术对此问题加以解决;以期更加充分地利用各个晶体的探测信息, 将能够反映储层真实信息的有用信号提取出来, 并加以有效整合, 最终形成一条能够很好地反映储层自然伽马射线强度, 尤其是薄差层自然伽马射线强度的高分辨率自然伽马曲线。

多变量非递归自适应非线性组合技术是自适应信号处理的基础, 在自适应数据处理系统中, 它是独一无二的最重要的元件。其本质是一个时变非递归数字处理系统 (完全符合自然伽马测井响应规律) 。以其优越的性能, 独特的属性、独特的自适应调整方法以及采用不同的实现形式等, 使得所处理的资料具有广泛的适用性和可靠性。

1 多变量非递归自适应非线性组合技术一般形式[2]

多变量非递归自适应非线性组合技术的一般形式如图1所示:它有一个由元素x0、x1、…, xn组成的多输入信号向量 (多个晶体的自然伽马测井响应) , 与之相应的可调增益调整权w1、w2、…, wn, 求和单元的单输出信号y (输出的高分辨率自然伽马曲线) 。用于调整权或自适应权的方法称为增益调整权算法 (根据多个晶体测井响应的自相关性, 自动调整权的大小, 以期将反映目的层真实的伽马响应提取出来) 。对于一组固定的权值, 它的输出是输入分量的线性组合, 因而组合后的输出信号是输入信号的线性组合。然而, 当这些权处于实时调整过程当中时, 即它们是输入分量的函数, 组合后的输出信号不再是输入信号的线性函数, 而是非线性的了。

对于多输入单输出的非线性系统可用如下向量表示:

多输入信号:$\overrightarrow{X}{}_k=[x{}_{0k}x{}_{1k}\cdots x{}_{nk}]{}^{\text{Τ}};$

增益调整权:$\overrightarrow{W}{}_k=[w{}_{0k}w{}_{1k}\cdots w{}_{nk}]{}^{\text{Τ}};$

单输出信号:$y{}_k=\overrightarrow{X}{}_k^t\overrightarrow{W}{}_k=\overrightarrow{W}{}_k^{\text{Τ}}\overrightarrow{X}{}_k$。

在需要的情况下, 可增加一个可变偏置的偏置权, 使得所得输出信号能够更好地满足生产、工程上的需要。针对高分辨率自然伽马测井仪器输入信号的特殊性及自然伽马的响应原理, 还将采用单位延迟单元的概念, 以使输出信号能够更好地、真实地反映各储层的自然伽马放射性强度, 尤其是薄差层的自然伽马放射性强度。

2增益调整权的确定方法

增益调整权的确定是本项目研究的核心。如果不能实时准确地确定出各输入变量的增益调整权的大小, 将直接影响输出信号自然伽马的响应特性。为此, 我们拟采用多维空间牛顿法进行增益调整权的确定。所谓的多维空间牛顿法是指在多维空间中, 运用多维二次型性能表面函数求取最佳权的方法。该方法将会充分利用各输入变量的相关关系, 即充分利用多个晶体在同一目的层的测井响应特征, 根据梯度向量的变化, 确定最佳的权向量, 从而得到多个晶体在同一目的层的最佳测井响应。具体表达式如下[2]。

$\overrightarrow{W}{}_{{\rm K}+1}=\overrightarrow{W}{}_{{\rm K}}-\mu \overrightarrow{R}{}^{-1}\nabla {}_{{\rm K}}$。

式中:$\overrightarrow{W}$K为增益调整权;

$\overrightarrow{R}$为输入信号的自相关矩阵, 其特征方程为:

$\det [\overrightarrow{R}-\lambda \overrightarrow{{\rm I}}]=0$。

μ为调整收敛速度及控制稳定度常数, 0< μ<1;

ᐁk为k时刻增益调整权的变化梯度。

$\nabla {}_k=\frac{d\xi }{dw}|{}_{w=w{}_k}=2\lambda (w{}_k-w{}^{*}),\xi$为维纳-霍普夫方程误差函数。

w*为K时刻最佳权系数。

由此, 通过输入信号的自相关特性, 运用维 纳-霍普夫方程误差函数, 得到输出信号的最佳增益调整权, 从而得到最佳的输出响应, 即最佳的高分辨率自然伽马测井响应。

3效果分析

根据多晶体高分辨率自然伽马测量的资料, 采用上述处理技术, 处理大庆油田5口井测井资料。通过与高分辨率声波、微电极测井资料对比, 该套方法处理效果稳定, 对储层的岩性信息反应敏感, 分辨率与高分辨率声波相当, 达到了对0.02 m厚储层的响应能力。具体效果如图2、图3所示。

从图中可以看出, 高分辨率自然伽马 (HRGR) 曲线的分辨率明显增强, 对钻井剖面岩性的变化反映更加清晰, 满足了油田后期开发对测井资料的要求。同时, 也为高分辨率测井系列, 又增添了新成员。

摘要：自然伽马曲线主要用于地层岩性划分及泥质含量求取。由于我国陆上油田绝大多数已到了油田开发的中后期, 对薄差储层的开发逐渐成为油田开发的重点。而目前的自然伽马曲线的分辨率只有 (0.5—0.6) m, 很难满足油田开发的需要。常规的通过数据处理方法提高测井曲线分辨率不能从根本上解决测井曲线的分辨率问题, 且存在众多不确定因素。为此, 设计生产了多晶体高分辨率自然伽马测井仪器, 并采用非递归自适应组合技术对所测数据进行处理, 得到了一条分辨率可以达到0.02 m的高分辨率自然伽马曲线。通过大庆油田多口生产井取芯井检验。该套方法效果稳定, 曲线分辨率高, 有效地满足了油田后期开发的需要。

关键词：自然伽马,Kalman,维纳滤波,自适应

参考文献

[1]张贤达.现代信号处理.北京:清华大学出版社, 1998:60—63

[2][美]维德罗B, 史蒂恩斯S D.自适应信号处理.王永德, 龙宪惠, 译.成都:四川大学出版社, 1991:9—20

高分辨率卫星 篇9

自动目标识别系统(ATR)一般都包括以下几个步骤:预处理、目标探测、去除伪目标、图像分割、特征提取与选择、目标识别。如果去除伪目标时,剔除了大量伪目标,那么后续的识别将变得更高效、更准确,所以为了提高识别系统的识别效率、增加识别系统的识别准确率,需要增加一个能拒绝绝大部分的伪目标的先进算法[1]。现有的目标识别系统中,目标探测检测到的伪目标数量往往远超过真目标的数量,可以在图像分割后再进行一次“去除伪目标”,以提高后续识别的准确性。

本文的目标识别体系将采用上而下的知识驱动型策略[2]。先验知识的准确应用既可以保证很高的识别率,又可实现目标的快速、自动识别,是自动目标识别系统真正实用化的关键。以下先验知识是本文算法的基础:

1)飞机目标通常位于机场跑道或停机坪上,飞机的周围一定区域内,背景较简单;2)飞机目标的反射率通常比较高,因此它在图像中的灰度值比较高;3)对飞机目标进行分割时,并不能很好的分割出的所有区域,一般情况下,分割后的区域中,机身的分割效果优于机翼和机尾。分析其原因:对于机身,由于其为拱形,朝卫星接收信号方向反射的能量较多,其在图像上的灰度较亮;对于机翼,由于飞机停泊在地面上时,机翼处于倾斜状态,且表面非常光滑,卫星能接收到的其反射能量相对较少,其在图像上灰度相对较暗。如图1所示。

基于前述先验知识且用于高分辨率遥感影像的飞机目标自动识别算法在国内还非常少见。徐大琦[3]使用先验知识对飞机目标进行自动识别,其采用的特征为几何特征,包括面积、骨架特征,然而他并没有考虑分割飞机目标不完全的情况。当分割不完全时,并不能很好的提取出骨架特征。

2 算法主要流程

本文旨在研究一种飞机目标的快速自动定位算法,适用于高分辨率的遥感图像。本文算法的主要流程如图2所示。

2.1 基于重叠的面积均分法

当目标处于超大的图片中时,背景信息量大,识别非常复杂,需要采用分块策略有效的从背景中分离目标。张千[4]提出了一种基于重叠的面积均分分块识别法,能快速检查全图并分离目标;同时,也对该方法的有效性进行了理论上的证明。该方法的实现过程为:已知目标在图像上的长度和宽度分别为a和b(假设a>b),则用2a×2a大小的正方形以行间距a、列间距a的速度遍历图像,等面积划分超大图片,然后对每块被划分的图片进行识别。由前述的先验知识,在某分辨率的遥感图像上,可以计算出某一型号的飞机在该图像上的长度和宽度,进而对图像采用基于重叠的面积均分法进行分块,以提高检查全图的效率。

2.2 图像分割

徐大琦[3]提出了一种改进的区域分割方法,其主要思想是:进行多次自动阈值分割,在每一次分割之后,对二值图像中为零的像素来说,首先在原图中的同一位置上将原图的该像素灰度值置零,然后将变化之后的原图进行灰度调整,使其灰度范围由[T,255]重新拉伸到[0,255],其中T为上一次分割时所采用的阈值。通过这样的操作可使图像中较高灰度值的部分不断被拉伸,大大增强了该部分的对比度,而且将较低的灰度置零,使其不再参与后续的灰度调整和分割。

2.3 基于辅助直线的Radon变换检测飞机轴线

Radon变换在数学理论上有重要价值,并可用于图像直线特征的提取[5,6],但是Radon变换无法区分长直线和短直线,无法提供线段的端点以及长度信息[7]。Radon变换的原理是将原始图像通过线积分的形式变换到另外一对参数域内。其表达有不同方式,可以定义在任意维空间,定义也存在多种形式。Radon变换在2D空间的定义式为

式中:f(x,y)为图像点(x,y)的灰度,D为整个图像xy平面,ρ为坐标原点到直线的距离;θ为ρ与x轴的夹角;δ为Dirac delta函数。

传统Radon变换检测直线的方法为:对原始二值图像进行Radon变换,取Radon空间中的全局最大值Rmax,依据该最大值定义阈值T(例如:T=0.75×Rmax),找出Radon空间中满足条件(R>T)的所有的点R(ρi,θi),然后将这些点逆变换为图像中的直线。检测直线的能力主要由阈值的大小来决定,如果阈值选择过大,则无法检测出一些长度较短的线段,阈值选择过小,则会检测出一些“伪直线”。

近年来,人们在基于Radon变换的线段检测方面做了不少工作。Yuefeng Zhang[8]通过一种重叠窗口遍历图像,以检测线段。随机Hough变换方法主要是基于点对的方法检测线段[9]。Copeland[10]通过使用局部Radon变换来解决线段的检测与定位问题,首先检测出存在线段目标,然后开窗进行线段积分[6]。以上方法中,前两种非常耗时,第三种首先得到的图像上直线的初始结果,然后将其与原始图像进行后续计算,判断初始结果中满足指定条件的线段,该方法同样存在无法检测较短线段的问题。

可见,应该重新分析飞机轴线检测的实际情况,制定高效的检测方案。本文中,飞机轴线检测的实际情况具有以下特点:

1)由于图像分块,飞机处于一个较小的图像块内,该区域可能有其他较长直线的干扰;

2)由于分块的策略,飞机轴线的长度接近图像区域边长的一半。主要有两个原因:一、在数字图像上,轴线的角度对其长度几乎没有影响;二、飞机尾部像素的影响;

3)图像的大小已知,飞机轴线的长度也已知。

基于辅助直线的Radon变换定长线段检测的基本思想为:由Radon变换的定义式可知,二值图像上的两条线段,如果其长度之比为r,在没有其他线段干扰的情况下,其位于Radon空间中相应点的亮度比也接近r(可能两条线段会互相影响),如图3所示。图中,线段1为图3(a)左边最长的线段,线段2为3(a)中间水平的线段,线段3为3(a)中右边的线段。如果已知图像中一条长度最长(长度为L0)的线段,要检测出指定长度(长度为L1)的线段,设r=L0/L1,只需要求出Radon空间中满足条件式(2)的所有值,其对应的直线即为要检测的线段所在的直线:

鉴于以上原因,本文提出了一种基于辅助直线的定长线段检测方法。其基本思想是通过增加一条辅助直线,来帮助检测飞机轴线,其基本步骤见图4。

1)在原始二值图像(图5(a))上,增加一条与其他线段不相交或相交很少的、长度与图像的高度相等的垂直直线,这点是很容易满足的,得到修改后的图像(图5(b));

(a)为分割后的图像;(b)为添加辅助直线后的结果;(c)为检测到的飞机轴线的中心(a)is the result of segmentation;(b)is a result of added line;(c)is the detecting result of the centers of airplane axes

2)对步骤1的结果进行Radon变换,找到全局最大值点Rmax,根据最大值以及线段长度与辅助直线的长度比的先验知识确定阈值区间[T1,T2],在Radon空间寻找满足条件的局部极大值点;

3)进行Radon逆变换,确定满足条件的线段所处的直线;

4)沿直线搜索,定位飞机轴线的位置(图5(c))。

3 实验结果与分析

本文对所提出的算法,在Matlab平台下的进行了试验,验证了其有效性与实用性。试验数据为美国地区的一个飞机封存/报废处理场的可见光遥感图像(图6(a)),从其中截取了大小为128×281的区域。由于无法得知图像中的飞机类型,只有通过人工给定该图像上的飞机的大小。试验区域共有14架飞机,飞机轴线的长度为15个像素。

本文方法中,对图像采用30×30窗口(轴线的两倍)对图像进行基于重叠的面积均分分块;接着,用改进的OTSU分割方法对目标进行分割;然后,检测飞机区域,采用的阈值为[0.45,0.55]。得到检测结果为图6(b)(注:本文方法检测到的飞机轴线的中心,图中的方框仅表示检测的大致位置,并不表示确定位置,要精确的定位,还需要更优的识别方法)。通过观测检测结果,成功检测到12架飞机,有两架飞机没有检测到,原因在于两架飞机的轴线出现了比较大的断裂,造成飞机轴线的检测不成功。

4 结论

本文提出了一种高分辨率遥感图像的飞机目标定位的改进方法。首先,利用先验知识对飞机目标进行自动分割与定位。然后,考虑到分割过程并不能完全分离飞机的全部区域,且机身的分割效果较好的实际情况,在对图像进行分块和分割后,提出了一种基于辅助直线的Radon变换飞机轴线检测方法,进而剔除部分伪目标,为后续的目标识别的速度和效率提供保障。此外,本文提出的基于辅助直线的Radon变换定长线段检测方法也适用于其它模式识别中的较小线段检测问题,为这类问题提供了一个较好的解决方法。

虽然本文考虑了分割不完全的情况,然而也还存在一些不足。首先、如果飞机轴线出现由于遮挡产生的阴影,本文中没有考虑,不过对于较小的飞机轴线上的阴影,可以通过形态学的运算进行连接。其次、根据轴线确定的飞机目标区域,为了与标准模版进行匹配,还需要对该目标区域进行分割,分割的结果同样存在分割不完全的情况,这对后续的特征提取会产生影响。初步想法为:由于前面的操作,已经将目标所处的范围缩小,背景变的非常简单,对分割十分有利,可以根据第一次分割得到的阈值,选择一个略小于该值的灰度作为阈值。最后,由于本文的研究重点在于飞机目标的定位,而不是飞机的识别,在后续的研究中,我们也将加强飞机识别方面的研究。

参考文献

[1]Chan Lipchen Alex.Dualband FLIR Fusion for Automatic Target Recognition[J].Information Fusion,2003,4:35-45.

[2]潘泓.基于小波矩和小波神经网络的自动目标识别研究[D].南京:东南大学,2004.PAN Hong.Research on Automatic Target Recognition based-on Wavelet Moment and Wavelet Neutral Network[D].Nanjing:Southeast University,2004.

[3]徐大琦.中高分辨率遥感图像中飞机目标自动识别算法研究[J].光学技术,2006,32(6):855-858.XU Da-qi.Study on the Algorithm for Automatic Plane Classification from Remote Sensing Images with Mid_high Resolution[J].Optical Technique,2006,32(6):855-858.

[4]张千.典型军事目标的特征提取和识别技术研究[D].武汉:华中科技大学,2003.ZHANG Qian.Research on Feature Extraction and Recognition of Typical Military Target[D].Wuhan:Huazhong University Science and Technology,2003.

[5]Walsh D.Accurate and Efficient Curve Detection in Images:the Importance Sampling Hough Transform[J].Pattern Recognition,2002,35(7):1421-1431.

[6]王立.Radon变换在低信噪比图像中的线段检测[J].红外与激光工程,2003,32(2):163-166.WANG Li.Radon Transform for Line Segment Detection in Low SNR Image[J].Infrared and Laser Engineering,2003,32(2):163-166.

[7]杨文.星载SAR图像船舶及航迹检测[J].武汉大学学报:信息科学版,2004,29(8):682-685.YANG Wen.Detection of Ships and Ship Wakes in Spaceborne SAR Imagery[J].Geomatics and Information Science of Wuhan University,2004,29(8):682-685.

[8]ZHANG Yuefeng,Robert Webberb.A Windowing Approach to Detecting Line Segments Using Hough Transform[J].Pattern Recognition,1996,25(2):255-265.

[9]Bandera A.Mean Shift Based Clustering of Hough Domain for Fast Line Segment Detection[J].Pattern Recognition Letters,2006,27:578-586.

基于广义S变换的地震高分辨率分析 篇10

Stockwell等提出的S变换是以Morlet小波为基本小波的连续小波变换的延伸。在S变换中,基本小波是由简谐波与Gaussian函数的乘积构成的,基本小波中的简谐波在时间域仅作伸缩变换,而Gaussian函数则进行伸缩和平移。这一点与连续小波变换不同.在连续小波变换中,简谐波与Gaussian函数进行同样的伸缩和平移。与连续小波变换、短时Fourier变换等时间-频率域分析方法相比,S变换有其独特的优点,譬如:信号的S变换的时-频谱的分辨率与频率(即尺度)有关,且与其Fourier谱保持直接的联系,基本小波不必满足容许性条件等等。

2 S变换

Stockwell的S变换表述如下

设函数RLth2)(∈(RL2表示能量有限函数空间)),(th)的S变换定义为:

在S变换中,基本小波函数为:

定义

其中:

式中，Wf(t)为广义S变换中的小波函数(或称为核函数)，gf(t)为其模，h(t)为待分析的信号(或函数)，f,t和τ均为实数。(1)式可写为：

记高斯函数为

h(t)的S变换谱与其Fourier变换谱有如下关系:

这里,h(f)表示h(t)的Fourier变换。S变换的逆变换为

由于S变换中的基本小波是固定的,使其应用范围受到限制。在地震资料处理中,准确的确定反射界面的位置是十分重要的。用S变换进行薄层探测,效果不是很令人满意。因此,有必要对S变换加以发张和推广。

3 广义S变换

在实际地震记录中,不同地区、不同时间采集的地震记录,记录的幅值是不同的,地震震源激发的地震子波能量延迟也不同。并且,随着地震波传播距离的增大,其能量和频率随之衰减。针对地震信号的这些特点,把基本小波推广为:

式中,A为基本小波的振幅,α为能量衰减率(α>0),β为能量延迟时间,f0为基本小波的视频率,定义

其中gf(t)=Afexp[-α(ft-β)2]

定理1:设h(t)∈L2(R),w(t)由(9)式给出,h(t)相对于w(t)的广义S变换定义为:

则广义S变换的反变换公式为:

式中,IFT表示逆Fourier变换。y(f)由下式定义:

表示h的Fourier变换。

更进一步我们可以对定理1中的基本小波加以推广,有如下结果:

定理2:设2,取基本小波为:

这里

h(t)相对于w(t)的广义S变换定义为:

其中:

广义S变换高斯函数为:

4 S变换及广义S变换用于地震高分辨率相应分析

4.1仿真实验

为了更好的系统的研究广义S变换在地震高分辨处理方面的能力,首先从理论上分析广义S变换对时频进行分析的能力。图1(a)为合成信号是由10HZ,30HZ,50HZ的三个信号组合形成,对该合成信号进行广义S变换,得到图1(b)为合成信号的广义S变换的时-频图,从图中可以很清楚的看出,它不仅具有很好的时间分辨率,而且具有很高的频率分辨率。广义S变换进行时频分析的有效性表明了,它可以作为一种有效地工具用于地震的高分辨处理。

Ricker子波在地震资料分析中是很常用的地震子波,为了清楚的比较S变换及广义S变换的频率分辨率,产生一道由不同频率(10HZ,20HZ,30 HZ,40 HZ,50 HZ,60HZ)及位Ricker小波生成的信号,通过S变换和广义S变换进行不同频率分辨率对比演示(如图2所示)。

由图2可见,两种变换均具有较高的精度。为了对比分辨率,同时给出了S变换及广义S变换中对比相应分量可见,当频率较高时,S变换的能量分布曲线发生畸变,而广义S变换的能量分布曲线有很好的局部化特性。由于,广义S变换基函数的调幅部分包含频率因子,对信号的高频成分有相对的补偿作用,应用广义S变换对地震道进行时频分析,能够单独突出其高频段的能量,因此,广义S变换较S变换有更好的分辨率。

a)广义S变换地震高分辨处理检测应用实例

为了进一步比较二者对地震高分辨检测能力,设计一个合成地震信号模型(如图4所示),用主频分别为1O,30和50Hz的Ricker子波分量(如图3(a)所示)叠加而成的一维复杂地震记录模型。图3(b)是S变换分析的结果,窗口函数选取(6)式定义的高斯函数,从变换结果来看,S变换能较好的反映局部特征,分辨率能随频率调节,但由于窗口形态不变,地震信号模型的时频分布不太理想。图4(b)是广义S变换分析的结果,窗口函数选取(17)式定义的高斯窗函数,其中γBHY=8.1,γFHY=8.0,从变换结果来看广义S变换能很好的反映局部特征,不但分辨能力能随频率调节,而且窗口的形态任意改变,突出对反射系数的检测能力,分辨率极高,广义S变换谱中很清晰地显示出了地震信号模型的时频分布,时频谱中能量最大的区域对应的时间与时域信号波峰中心出现的时间也是一致的,它对应于地震波反射的出现时间。由此可看出广义S变换所具有的良好的时频的聚集性能和提供的高质量的时频谱信息在提高地震资料的分辨率,改善地层结构的可视化,地层(尤其是薄层)的厚度估计,噪声压制以及油气的直接显示等方面都可获得较深入的应用。

前面仿真实验中,我们使用的地震子波均是Ricker子波,在上述仿真实验中,我们可以精确地确定厚度为(λ为地震波长)的薄层中反射界面位置,Ricker子波的波峰及波谷较大,而在实际记录中子波振荡周期数较多,而且主极和次极大幅度差别较小,这些就增大了薄层探测的难度。

b)实际资料处理

利用广义S变换的高频信息指示薄层顶底界面的信息,研究出基于广义S变换的高分辨率的剖面,主要步骤如下:(1)计算单道地震记录的广义S变换;(2)特定某一高频率值,提取其单频曲线,拾取其峰值,这样就得到了薄层的顶底界面位置;(3)循环计算所有的道,则得到所有薄层顶底界面的位置信息的剖面。对大庆油田某地区的一条过井剖面进行了基于广义S变换的主频率分析,实际地震剖面如图6所示,对比这2张剖面可以清楚的看出,图5(b)拓展了地震记录的主频,有效地提高了分辨率,在图5(a)中,由于地震波的频率较低,同向轴出现调谐的现象,但是在图5(b)中,由于地震波主频的提高,同向轴式非常清晰的。随着频率的不断增大,高频信息在各瞬时频率剖面得以显示,重构后的地震剖面信噪比和分辨率也会得到明显的改善。在图中可以清晰地看出,由于采用广义S变换进行计算,计算得到的主频率剖面具有很高的纵向分辨率。

6 结束语