"贡献因子"算法:一种快速的舰船红外辐射仿真算法

舰船红外仿真研究对舰船的红外隐身设计和提高舰船红外对抗能力而言具有重要意义.由于仿真计算量大、耗费计算时间过长,舰船红外仿真平台在实际应用中受到了不少限制.提出了一种基于"贡献因子"的辐射场计算算法,大幅度的降低了仿真程序的计算量,缩短了计算时间."贡献因子"算法已经在船舶系统工程部开发的RIS(Real-time Infrared Simulator,实时海面舰船红外热像仿真平台)1.0版的计算程序中得到了具体应用,大大提高了RJS红外仿真计算的速度.     

实时海面舰船红外热像仿真平台

实时海面舰船红外热像仿真平台(Real-time Infrared Simulator,RIS)是针对舰船红外抑制和红外对抗研究开发的一款具有自主知识产权的舰船红外仿真系统。该系统集成了船体辐射场、排气烟羽辐射场、海天背景辐射、大气传输计算和红外导引头等功能模块。RIS仿真计算的光谱分辨率达到了20 cm-1,保证了大气、烟羽等气体辐射传输计算的精度。利用RIS能够模拟各种天气状况和气象条件下沿不同视角方向观测时经大气传输后的红外热像。在此基础上,可以对舰船的红外隐身效果、不同红外抑制和红外对抗装置的使用效果以及经济成本进行仿真分析。海上航行实验的测量结果验证了RIS仿真结果的精度。     

红外仿真中的海面发射率模型

海面作为舰船的主要背景,其红外辐射特性对于舰船红外仿真研究具有重大意义。介绍了三种海面发射率的计算模型：灰体模型、经验模型和理论模型,并针对红外仿真中舰船辐射场和海面背景红外热像模拟两方面的计算要求,分析比较了它们的计算结果。结果显示,对于舰船辐射场计算而言,使用经验模型已经具有足够的精度;而在模拟海面背景红外热像时,在天顶角较大的情况下必须使用理论模型。     

基于深度学习的红外舰船目标识别

本文采用深度学习技术中的YOLOv3(You Only Look Once Version 3)目标识别算法对红外成像仪从海面采集的红外图像中舰船进行识别。红外成像仪采集图像的频率高达50帧/s,为了能减少网络计算时间,本文借鉴YOLOv3的一些思想,采用全卷积结构和LeakReLU激活函数重新设计一个轻量化的基础网络,以此加快检测速度。输出层根据采集回来的红外图像的特点采用Softmax算法回归,在提高检测速度的同时,也兼顾了检测精度。     

红外仿真中的海面辐射模型

作为海面目标的主要背景,海面的红外辐射特性对于舰船红外仿真研究具有重大意义。建立了三种海面辐射计算模型：漫射灰体、平静海面和波浪海面,并针对红外仿真中舰船辐射场和海面背景红外热像模拟两方面的计算要求比较分析了三种模型的计算结果。结果表明,对于舰船辐射场计算而言,使用经验模型已经具有足够的精度;而在模拟海面背景红外热像时,波浪的影响不可忽视,必须采用波浪海面模型模拟海面辐射亮度。     

利用反演可见光图像的方法实现红外图像的获取

为了取得较逼真的红外图像,提出了一种利用可见光图像反演红外图像的新方法.首先,将可见光图像分割为"物体"和"大气"两个区域,由各区域与环境辐射的关系计算出在特定波段内进入仿真红外热像仪的总辐射出射度.然后,模拟红外热像仪的内部工作参数,根据红外热像仪的工作原理计算出各区域自身的辐射出射度,从而得到各区域的温度值.最后,由红外图像温度值与灰度值的映射关系,将各区域的温度值以灰度值的形式表现出来,即得到了仿真的红外图像.实验结果表明,此方法可有效地提高反演效果,具有较强的实用性.     

红外图像光学特征仿真系统的研究

文章从图像处理仿真系统出发,首先介绍了图像处理对仿真系统的要求,接着对红外图像处理仿真系统的构成进行了分析,然后利用理论模型对仿真系统的光学特性仿真部分,也即目标与背景的红外辐射特征进行了计算,生成了目标与背景的红外热图像。试验结果表明,本文提出的红外图像仿真系统能满足红外目标识别算法评价的要求,有利于提高红外目标识别算法研究的速度和识别算法的稳定性。     

基于改进Sobel算子的红外图像边缘提取算法

针对红外热像仪采集的图像边缘信息模糊,图像显示多样性,边缘信息难提取的特点,提出了一种基于Sobel算子梯度相乘的边缘提取算法.该算法首先对红外热像仪图像进行待识别目标的高温区域提取,然后分别利用增加了6个方向模板的Sobel算子和Roberts算子对图像进行边缘提取,再将得到的两幅梯度幅值图像进行梯度相乘,最终得到边缘提取图像.最后,用MATLAB对图像进行了仿真,仿真结果表明,该算法能够快速有效地提取红外热像仪图像的边缘,弥补Sobel算子的不足及提高了Sobel算子边缘检测的性能,计算简单,具有良好的检测精度,而且得到的边缘较细,极大的改善了图像边缘提取的效果.     

基于空间联合的红外舰船目标数据增强方法

针对红外舰船目标图像数据少、获取难度高等问题,结合图像的几何变化以及金字塔生成对抗网络的特征拟合,提出一种几何空间与特征空间联合的红外舰船目标图像数据增强方法。首先,利用基于几何空间的几何变换、混合图像及随机擦除等图像变换方法对红外舰船目标图像进行增强;然后,根据红外舰船图像特点,改进金字塔生成对抗网络（SinGAN）,在生成器引入In-SE通道间注意力机制模块,增强小感受野特征表达,使其更适合用于红外舰船目标;最后,在数据集层面联合基于几何空间的几何数据变换和基于特征空间的生成对抗网络两种方法,完成对原始数据集的数据增强。结果表明:以YOLOv3、SSD、R-FCN和Faster R-CNN目标检测算法为基准模型,开展红外舰船图像数据增强仿真实验,采用增强数据训练的网络模型的舰船目标检测平均精度（mAP）均提高了10%左右,验证了所提方法在小样本红外舰船图像数据增强方面的可行性,为提高红外舰船目标检测算法提供了数据基础。     

基于ROI灰度压缩的电路板红外图像配准

电路板红外图像配准技术是电路板红外热成像故障检测系统的核心。针对传统图像配准算法精度和效率较低等不足,为了提高电路板红外图像配准精度和效率,设计了一种基于ROI灰度压缩的图像配准算法。首先,利用Otsu法提取出电路板红外图像ROI。然后,将ROI内灰度值进行线性压缩。最后将灰度压缩后的图像进行互信息量运算和图像x平移、y平移、旋转、缩放变换参数寻优。仿真结果表明,基于ROI的灰度压缩算法能够显著减小配准时间,当两幅图像环境温度差异较大时其配准精度相比其他灰度压缩算法有明显优势。