机场飞机目标图像气动光学效应校正方法，属于数字图像处理技术，解决现有机场图像气动光学效应校正方法实时性差、校正效率低的问题。本发明包括两个步骤，地面知识准备步骤包括获取正视影像图和生成正视参考图子步骤；实时遥感飞行处理步骤包括获取实时图像、选取子参考图、透视变换、目标机场光学图像校正、模板匹配提取机场跑道区域、机场跑道图像校正、分割检测疑似飞机目标区域、疑似飞机目标区域校正、疑似飞机目标区域回填、机场跑道区域回填子步骤。本发明将校正范围约束在机场区域内，集中在疑似飞机目标区域上，提高了实时性，改善了校正效果，适用于高超声速飞行器对遥感、探测、导航和制导过程中获取的机场图像进行气动光学效应校正。
1.一种机场飞机目标图像气动光学效应校正方法，包括建立地面知识准备步骤和实时遥感飞行处理步骤，其特征在于：(1)地面知识准备步骤，包括下述子步骤：
从Google卫星图片中获取不同拍摄高度的、包含整个目标机场区域的正视影像图Qk，
由所述正视影像图Qk，生成多尺度下二值的机场跑道正视参考图Lk；
(2)实时遥感飞行处理步骤，包括下述子步骤：(2.1)获取实时图像：
根据高超声速飞行器的飞行高度H(单位：米)，在所述机场跑道正视参考图Lk中选取机场跑道正视参考图Lω，ω＝[H/1000+0.5]；根据高超声速飞行器预先规划的飞行航路，在机场跑道正视参考图Lω中选取机场跑道正视子参考图L；
根据高超声速飞行器的实时飞行姿态参数，将机场跑道正视子参考图L中机场跑道的像素点坐标(x0,y0)转换为机场跑道前视子参考图L′中的对应像素点坐标(X1,Y1)，得到机场跑道前视子参考图L′；
上式中(xc,yc)为L的中心点坐标，R0、C0别为L的行数和列数，φ、 α、θ分别为高超声速飞行器成像仪的纵向成像视场角、横向成像视场角、成像方位角、成像俯仰角；
对所述目标机场光学图像P0进行校正，得到校正后目标机场图像P1；
利用所述机场跑道前视子参考图L′，在所述校正后目标机场图像P1上进行模板匹配，确定机场跑道区域在P1中的位置，提取出机场跑道区域图像P2；包括下述过程：(A)以校正后目标机场图像P1为待匹配图，行数和列数分别为Mr、Nr，Mr＝R，Nr＝C，以机场跑道前视子参考图L′为参考图，行数和列数分别为Ms、Ns，且Ms＜Mr，Ns＜Nr，计算子图 与机场跑道前视子参考图L′间的去均值归一化互相关度量值ρ(u,v)：
所述子图 为P1中以坐标(u,v)为左上角顶点、大小为Ms×Ns的矩形区域；上式中，P1(i+u,j+v)为P1中坐标(i+u,j+v)处的像素点灰度值，L′(i,j)为L′中坐标(i,j)处的像素点灰度值， 与 分别为 与L′的灰度均值，0＜u≤Mr-Ms,0＜v≤Nr-Ns；
(B)从所有互相关度量值{ρ(u,v)}中选取最大值点ρ(u,v)max，将其对应的坐标(u′,v′)为匹配定位点的坐标，匹配定位点对应的子图 为机场跑道区域图像P2；
对所述机场跑道区域图像P2进行校正，得到校正后机场跑道区域图像P3；
在校正后机场跑道区域图像P3中所有机场跑道像素点I′ L上进行分割，对分割后低灰度级区域进行检测，确定疑似飞机目标位置，提取出疑似飞机目标区域图像P4；包括下述过程：(A)在校正后机场跑道区域图像P3上，搜索所有机场跑道像素点I′ L：I′L＝{(x,y)|L′(x,y)≠0}；
其中ZL为机场跑道前视子参考图L′中机场跑道像素点灰度值；
(B)对所有机场跑道像素点I′L应用大津算法(OTSU)进行阈值分割，得到灰度值为1的机场跑道像素点I′L1和灰度值为0的待检测像素点I′ L2；
(C)由于飞机目标灰度级比机场跑道灰度级低，对所有待检测像素点I′L2进行检测，把其中所有相邻的像素点标记为同一个低灰度级分割块Kt，低灰度级分割块的个数t为正整数，计算每个低灰度级分割块Kt的像素点形心Mt，Mt坐标为(Xt,Yt)：其中 为Kt中像素点个数；
(D)判断是否形心Mt∈I′ L，是则继续过程(E)；否则将对应的Kt判定为非疑似飞机目标，放弃；
(E)计算低灰度级分割块Kt内各像素点到形心Mt的距离dt(x,y)，并计算其中最大值dt(x,y)max：计算Mt到BL的距离dBt(x,y)，并计算其中最短距离dBt(x,y)min：(F)判断是否dt(x,y)max＜dBt(x,y)min，是则将对应的Kt判定为疑似飞机目标区域，继续过程(G)；否则将对应的Kt判定为非疑似飞机目标，放弃；
(G)确定疑似飞机目标区域Kt左上角定位点(u1,v1)、右下角定位点(u2,v2)：u1＝Xtmin-5，v1＝Ytmin-5；u2＝Xtmax+5，v2＝Ytmax+5；
其中，Kt中像素点的横坐标最小值Xtmin＝{x|(x,y)∈Kt}min，纵坐标最小值Ytmin＝{y|(x,y)∈Kt}min，横坐标最大值Xtmax＝{x|(x,y)∈Kt}max，纵坐标最大值Ytmax＝{y|(x,y)∈Kt}max；
在校正后机场跑道区域图像P3上，截取左上角定位点(u1,v1)、右下角定位点(u2,v2)的矩形图像，作为疑似飞机目标区域图像P4；
对所述疑似飞机目标区域图像P4进行校正，得到校正后疑似飞机目标区域图像P5；
所述子步骤(2.4)、子步骤(2.6)和子步骤(2.8)中，对各类图像进行校正，包括下述过程：0
其中，f为经0次校正后的结果图像，g是待校正的实时图像，h (x,y)为经0次校正后0
的点扩展函数h中坐标(x,y)处的像素点灰度值，R、C分别为g的行数和列数，1≤n≤50；
对于子步骤(2.8)，g为疑似飞机目标区域图像P4；
(B)经过n次迭代，计算经n次校正后的结果图像f和经n次校正后的点扩展函数h ，n n n nf和h 中坐标为(x,y)的像素点的灰度值分别为f (x,y)和h(x,y)：其中g(x,y)为待校正的实时图像g中坐标(x,y)处像素点的灰度值，Dh＝Df＝{(x,y)|0＜x≤R且0＜y≤C,x∈N,y∈N}，Df为fn的支撑域，Dh为hn的支撑域，(u,v)∈Dh，(i,j)∈Df；
对于子步骤(2.4)，fn为校正后目标机场图像P1；
对于子步骤(2.6)，fn为校正后机场跑道区域图像P3；
对于子步骤(2.8)，f为校正后疑似飞机目标区域图像P5；
将所述校正后疑似飞机目标区域图像P5回填到所述校正后机场跑道区域图像P3中，得到回填后机场跑道区域图像P6；
将所述回填后机场跑道区域图像P6回填到所述校正后目标机场图像P1中，得到校正结果P7。
2.如权利要求1所述的机场图像校正方法，其特征在于：所述子步骤(1.2)包括下述过程：
(A)选取拍摄高度k公里的目标机场正视影像图Qk，作为待定机场跑道正视参考图Lk，人工将其图像像素点分为机场跑道IL像素点和背景IB像素点两类，机场跑道IL包括飞机起降跑道、起降跑道连接道和停机坪，它们的像素点平均灰度值较高；背景IB为目标机场正视影像图中除机场跑道以外的部分，包括植被、水域、建筑、农田，它们的像素点平均灰度值较低；飞机目标IA停在机场跑道IL之上，飞机目标IA从属于所述机场跑道IL；所述机场跑道IL和背景IB之间具有空间约束关系IL∪IB＝Qk，所述飞机目标IA和机场跑道IL之间具有空间约束关系(B)在所述待定机场跑道正视参考图Lk，计算机场跑道IL的各像素点灰度均值，然后赋给待定机场跑道正视参考图Lk中所有机场跑道像素点；所有背景像素点均取灰度值0，构成二值的机场跑道正视参考图Lk；
(C)按照过程(A)、(B)生成所有的机场跑道正视参考图Lk，0＜k≤20。
机场飞机目标图像气动光学效应校正方法
技术领域
[0001] 本发明属于数字图像处理技术，具体涉及一种机场飞机目标图像气动光学效应校正方法，用于高超声速飞行器遥感、探测、导航和制导。
背景技术
[0002] 高超声速飞行器遥感、探测、导航和制导是二十一世纪航空航天事业发展的一个重要领域，在未来的高科技和国民经济发展中具有重要的科学意义和应用价值。但是由于飞行速度高于声速三倍以上，以高超声速飞行器为平台的遥感、探测、导航和制导面临气动光学效应的挑战。
[0003] 气动光学是研究高速绕流对高速飞行器成像探测的影响的一门学科。载有光学成像探测系统的高速飞行器在大气层内飞行时，光学头罩与来流之间形成复杂的流场，对光学成像探测系统造成除热辐射外的光学波前传输畸变或传输干扰，引起被观测对象图像的偏移、抖动、模糊，这种效应就称为气动光学传输效应。这种效应造成图像模糊，降低了图像质量，严重影响了探测精度，甚至导致遥感、探测、导航和制导功能的丧失。因此需要对图像进行气动光学效应校正，以提高图像质量。
[0004] 在高超声速飞行器的遥感、探测、导航和制导中，机场目标是一类重要地物，机场飞机目标图像的气动光学效应校正具有实际意义。现有的校正算法如盲目反卷积算法，针对全图进行校正，采用大量迭代，导致算法耗时长，达不到实时性，且效果不理想。飞行器的高超声速飞行以及成像系统的高帧频特性，对于校正算法的运算效率和性能提出了更高的要求，目前的气动光学效应校正算法并不能满足要求。
发明内容
[0005] 本发明提供一种机场飞机目标图像气动光学效应校正方法，解决现有机场图像气动光学效应校正方法实时性差、校正效率低的问题。
[0006] 本发明所提供的一种机场飞机目标图像气动光学效应校正方法，包括建立地面知识准备步骤和实时遥感飞行处理步骤，其特征在于：
[0007] (1)地面知识准备步骤，包括下述子步骤：
[0008] (1.1)获取正视影像图：
[0009] 从Google卫星图片中获取不同拍摄高度的、包含整个目标机场区域的正视影像图Qk，0＜k≤20，表示拍摄高度为k公里；
[0010] (1.2)生成正视参考图：
[0011] 由所述正视影像图Qk，生成多尺度下二值的机场跑道正视参考图Lk；
[0012] (2)实时遥感飞行处理步骤，包括下述子步骤：
[0013] (2.1)获取实时图像：
[0014] 高超声速飞行器实时获取目标机场光学图像P0；
[0015] (2.2)选取子参考图：
[0016] 根据高超声速飞行器的飞行高度H(单位：米)，在所述机场跑道正视参考图Lk中选取机场跑道正视参考图Lω，ω＝[H/1000+0.5]；根据高超声速飞行器预先规划的飞行航路，在机场跑道正视参考图Lω中选取机场跑道正视子参考图L；
[0017] (2.3)透视变换：
[0018] 根据高超声速飞行器实时飞行姿态参数，将所述机场跑道正视子参考图L经过透视变换，转换为机场跑道前视子参考图L′；
[0019] (2.4)目标机场光学图像校正：
[0020] 对所述目标机场光学图像P0进行校正，得到校正后目标机场图像P1；
[0021] (2.5)模板匹配提取机场跑道区域：
[0022] 利用所述机场跑道前视子参考图L′，在所述校正后目标机场图像P1上进行模板匹配，确定机场跑道区域在P1中的位置，提取出机场跑道区域图像P2；
[0023] (2.6)机场跑道图像校正：
[0024] 对所述机场跑道区域图像P2进行校正，得到校正后机场跑道区域图像P3；
[0025] (2.7)分割检测疑似飞机目标区域：
[0026] 在校正后机场跑道区域图像P3中所有机场跑道像素点I′ L上进行分割，对分割后低灰度级区域进行检测，确定疑似飞机目标位置，提取出疑似飞机目标区域图像P4；
[0027] (2.8)疑似飞机目标区域校正：
[0028] 对所述疑似飞机目标区域图像P4进行校正，得到校正后疑似飞机目标区域图像P5；
[0029] (2.9)疑似飞机目标区域回填：
[0030] 将所述校正后疑似飞机目标区域图像P5回填到所述校正后机场跑道区域图像P3中，得到回填后机场跑道区域图像P6；
[0031] (2.10)机场跑道区域回填：
[0032] 将所述回填后机场跑道区域图像P6回填到所述校正后目标机场图像P1中，得到校正结果P7。
[0033] 所述的机场图像校正方法，其特征在于：
[0034] 所述子步骤(1.2)包括下述过程：
[0035] (A)选取拍摄高度k公里的目标机场正视影像图Qk，作为待定机场跑道正视参考图Lk，人工将其图像像素点分为机场跑道IL像素点和背景IB像素点两类，机场跑道IL包括飞机起降跑道、起降跑道连接道和停机坪，它们的像素点平均灰度值较高；背景IB为目标机场正视影像图中除机场跑道以外的部分，包括植被、水域、建筑、农田，它们的像素点平均灰度值较低；飞机目标IA停在机场跑道IL之上，飞机目标IA从属于所述机场跑道IL；所述机场跑道IL和背景IB之间具有空间约束关系IL∪IB＝Qk，所述飞机目标IA和机场跑道IL之间具有空间约束关系
[0036] (B)在所述待定机场跑道正视参考图Lk，计算机场跑道IL的各像素点灰度均值，然后赋给待定机场跑道正视参考图Lk中所有机场跑道像素点；所有背景像素点均取灰度值0，构成二值的机场跑道正视参考图Lk；
[0037] (C)按照过程(A)、(B)生成所有的机场跑道正视参考图Lk，0＜k≤20。
[0038] 所述的机场图像校正方法，其特征在于：
[0039] 所述子步骤(2.3)包括下述过程：
[0040] 根据高超声速飞行器的实时飞行姿态参数，将机场跑道正视子参考图L中机场跑道的像素点坐标(x0，y0)转换为机场跑道前视子参考图L′中的对应像素点坐标(X1，Y1)，得到机场跑道前视子参考图L′；
[0041] X1＝R0/2+(δ-θ)×R0/φ，
[0042]
[0043] 中间变量
[0044] 上式中(xc，yc)为L的中心点坐标，R0、C0别为L的行数和列数，φ、 α、θ分别为高超声速飞行器成像仪的纵向成像视场角、横向成像视场角、成像方位角、成像俯仰角。
[0045] 所述的机场图像校正方法，其特征在于：
[0046] 所述子步骤(2.4)、子步骤(2.6)和子步骤(2.8)中，对各类图像进行校正，包括下述过程：
[0047] (A)令f0＝g， 设定迭代次数n；0 0
[0048] 其中，f为经0次校正后的结果图像，g是待校正的实时图像，h (x，y)为经0次0
校正后的点扩展函数h中坐标(x，y)处的像素点灰度值，R、C分别为g的行数和列数，
1≤n≤50；
[0049] 对于子步骤(2.4)，g为目标机场光学图像P0；
[0050] 对于子步骤(2.6)，g为机场跑道区域图像P2；
[0051] 对于子步骤(2.8)，g为疑似飞机目标区域图像P4；n
[0052] (B)经过n次迭代，计算经n次校正后的结果图像f和经n次校正后的点扩展函n n n n n数h，f和h 中坐标为(x，y)的像素点的灰度值分别为f (x，y)和h(x，y)：
[0053]
[0054]
[0055] 其中g(x，y)为待校正的实时图像g中坐标(x，y)处像素点的灰度值，Dh＝Df＝n n{(x，y)|0＜x≤R且0＜y≤C，x∈N，y∈N}，Df为f 的支撑域，Dh为h 的支撑域，(u，v)∈Dh，(i，j)∈Df；
n
[0056] 对于子步骤(2.4)，f为校正后目标机场图像P1；n
[0057] 对于子步骤(2.6)，f为校正后机场跑道区域图像P3；n
[0058] 对于子步骤(2.8)，f为校正后疑似飞机目标区域图像P5。
[0059] 所述的机场图像校正方法，其特征在于：
[0060] 所述子步骤(2.5)中，在所述校正后目标机场图像P1上进行模板匹配，包括下述过程：
[0061] (A)以校正后目标机场图像P1为待匹配图，行数和列数分别为Mr、Nr，Mr＝R，Nr＝C，以机场跑道前视子参考图L′为参考图，行数和列数分别为Ms、Ns，且Ms＜Mr，Ns＜Nr，[0062] 计算子图 与机场跑道前视子参考图L′间的去均值归一化互相关度量值ρ(u，v)：
[0063]
[0064] 所述子图 为P1中以坐标(u，v)为左上角顶点、大小为Ms×Ns的矩形区域；上式中，P1(i+u，j+v)为P1中坐标(i+u，j+v)处的像素点灰度值，L′(i，j)为L′中坐标(i，j)处的像素点灰度值， 与 分别为 与L′的灰度均值，0＜u≤Mr-Ms，0＜v≤Nr-Ns；
[0065] (B)从所有互相关度量值{ρ(u，v)}中选取最大值点ρ(u，v)max，将其对应的坐标(u′，v′)为匹配定位点的坐标，匹配定位点对应的子图 为机场跑道区域图像P2。
[0066] 所述的机场图像校正方法，其特征在于：
[0067] 所述子步骤(2.7)包括下述过程：
[0068] (A)在校正后机场跑道区域图像P3上，搜索所有机场跑道像素点I′ L：
[0069]
[0070] 搜索机场跑道的边界像素点BL：
[0071] 且
[0072] 其中ZL为机场跑道前视子参考图L′中机场跑道像素点灰度值；
[0073] (B)对所有机场跑道像素点I′L应用大津算法(OTSU)进行阈值分割，得到灰度值为1的机场跑道像素点I′L1和灰度值为0的待检测像素点I′ L2；
[0074] (C)由于飞机目标灰度级比机场跑道灰度级低，对所有待检测像素点I′L2进行检测，把其中所有相邻的像素点标记为同一个低灰度级分割块Kt，低灰度级分割块的个数t为正整数，计算每个低灰度级分割块Kt的像素点形心Mt，Mt坐标为(Xt，Yt)：
[0075]
[0076] 其中 为Kt中像素点个数；
[0077] (D)判断是否形心Mt∈I′ L，是则继续过程(E)；否则将对应的Kt判定为非疑似飞机目标，放弃；
[0078] (E)计算低灰度级分割块Kt内各像素点到形心Mt的距离dt(x，y)，并计算其中最大值dt(x，y)max：
[0079]
[0080] 计算Mt到BL的距离dBt(x，y)，并计算其中最短距离dBt(x，y)min：
[0081]
[0082] (F)判断是否dt(x，y)max＜dBt(x，y)min，是则将对应的Kt判定为疑似飞机目标区域，继续过程(G)；否则将对应的Kt判定为非疑似飞机目标，放弃；
[0083] (G)确定疑似飞机目标区域Kt左上角定位点(u1，v1)、右下角定位点(u2，v2)：
[0084] u1＝Xtmin-5，v1＝Ytmin-5；u2＝Xtmax+5，v2＝Ytmax+5；
[0085] 其中，Kt中像素点的横坐标最小值Xtmin＝{x|(x，y)∈Kt}min，纵坐标最小值Ytmin＝{y|(x，y)∈Kt}min，横坐标最大值Xtmax＝{x|(x，y)∈Kt}max，纵坐标最大值Ytmax＝[y|(x，y)∈Kt}max；
[0086] 在校正后机场跑道区域图像P3上，截取左上角定位点(u1，v1)、右下角定位点(u2，v2)的矩形图像，作为疑似飞机目标区域图像P4。
[0087] 本发明包括地面知识准备步骤和实时遥感飞行步骤，基于机场跑道IL和背景IB之间的空间约束关系IL∪IB＝Qk，利用不同尺度下的机场跑道正视参考图Lk将气动光学效应校正任务约束在实时图像的机场跑道区域；根据飞机目标IA和机场跑道IL之间的空间约束关系 在校正后的机场跑道区域图像上检测出疑似飞机目标区域进一步校正，从而使校正任务集中在疑似飞机目标区域。实验表明，本发明能将校正范围有效约束在机场区域内，集中在疑似飞机目标区域上，降低了校正耗时40％，既提高了校正的实时性，又改善了校正效果，适用于高超声速飞行器对遥感、探测、导航和制导过程中获取的机场图像进行气动光学效应校正。
附图说明
[0088] 图1为本发明实施例的流程示意图；
[0089] 图2(a)为选取的拍摄高度8km目标机场区域的正视影像图Q8；
[0090] 图2(b)为选取的拍摄高度5km目标机场区域的正视影像图Q5；
[0091] 图2(c)为选取的拍摄高度3km目标机场区域的正视影像图Q3；
[0092] 图3(a)为机场跑道正视参考图L8；
[0093] 图3(b)为机场跑道正视参考图L5；
[0094] 图3(c)为机场跑道正视参考图L3；
[0095] 图4为实时获取的目标机场光学图像P0；
[0096] 图5为根据飞行航路选取的机场跑道正视子参考图L；
[0097] 图6为机场跑道前视子参考图L′；
[0098] 图7为透视变换成像模型示意图；
[0099] 图8(a)为校正后目标机场图像P1；
[0100] 图8(b)为目标机场图像校正的点扩展函数；
[0101] 图9为机场跑道前视子参考图模板匹配结果；
[0102] 图10为机场跑道区域图像P2；
[0103] 图11(a)为校正后机场跑道区域图像P3；
[0104] 图11(b)为机场跑道区域图像校正的点扩展函数；
[0105] 图12为校正后机场跑道区域图像上的阈值分割结果；
[0106] 图13为检测到的疑似飞机目标区域；
[0107] 图14为疑似飞机目标区域图像P4；
[0108] 图15(a)为校正后疑似飞机目标区域图像P5；
[0109] 图15(b)为疑似飞机目标区域图像校正的点扩展函数；
[0110] 图16为回填后机场跑道区域图像P6；
[0111] 图17为校正结果P7。
具体实施方式
[0112] 以下结合附图和实施例对本发明进一步说明，以下实施例仅是用于解释本发明，并不构成对本发明的限定。
[0113] 如图1所示，本发明的实施例，包括地面知识准备步骤和实时遥感飞行步骤：
[0114] (1)地面知识准备步骤，包括下述子步骤：
[0115] (1.1)获取正视影像图：
[0116] 从Google卫星图片中获取拍摄高度分别为8km、5km、3km，包含整个目标机场区域的正视影像图Q8、Q5、Q3，分别如图2(a)、图2(b)、图2(c)所示；
[0117] (1.2)生成正视参考图：
[0118] 由所述正视影像图Q8、Q5、Q3，生成多尺度下二值的机场跑道正视参考图L8、L5、L3；包括下述过程：
[0119] (A)选取拍摄高度8km的目标机场正视影像图Q8，作为待定机场跑道正视参考图L8，人工将其图像像素点分为机场跑道IL像素点和背景IB像素点两类，机场跑道IL包括飞机起降跑道、起降跑道连接道和停机坪，它们的像素点平均灰度值较高；背景IB为目标机场正视影像图中除机场跑道以外的部分，包括植被、水域、建筑、农田，它们的像素点平均灰度值较低；飞机目标IA停在机场跑道IL之上，飞机目标IA从属于所述机场跑道IL；所述机场跑道IL和背景IB之间具有空间约束关系IL∪IB＝Qk，所述飞机目标IA和机场跑道IL之间具有空间约束关系
[0120] (B)在所述待定机场跑道正视参考图L8，计算机场跑道IL的各像素点灰度均值，然后赋给待定机场跑道正视参考图L8中所有机场跑道像素点；所有背景像素点均取灰度值0，构成二值的机场跑道正视参考图L8，如图3(a)所示；
[0121] (C)按照过程(A)、(B)生成机场跑道正视参考图L5、L3分别如图3(b)、图3(c)所示；
[0122] (2)实时遥感飞行处理步骤，包括下述子步骤：
[0123] (2.1)获取实时图像：
[0124] 高超声速飞行器实时获取目标机场光学图像P0，如图4所示，该目标机场光学图像行数R＝256，列数C＝320；
[0125] (2.2)选取子参考图：
[0126] 由高超声速飞行器实时飞行姿态参数知飞行高度H＝2583米，在所述机场跑道正视参考图中选取机场跑道正视参考图L3；根据预先规划的高超声速飞行器飞行航路，在机场跑道正视参考图L3中选取机场跑道正视子参考图L，如图5所示；
[0127] (2.3)透视变换，包括下述过程：
[0128] 根据高超声速飞行器的实时飞行姿态参数，将机场跑道正视子参考图L中机场跑道的像素点坐标(x0，y0)转换为机场跑道前视子参考图L′中的对应像素点坐标(X1，Y1)，得到机场跑道前视子参考图L′，L′大小为137×269，如图6所示；
[0129] X1＝R0/2+(δ-θ)×R0/φ，
[0130]
[0131] 中间变量
[0132] 上式中(xc，yc)为L的中心点坐标，R0、C0别为L的行数和列数；φ和 分别为高超声速飞行器成像仪的纵向成像视场角和横向成像视场角，均为高超声速飞行器成像仪的固定参数；
[0133] 如图7所示，P为高超声速飞行器飞行位置，O为高超声速飞行器成像仪在大地水平面上的水平投影点，H为高超声速飞行器飞行高度，T0为高超声速飞行器成像仪光轴与大地水平面交点，T1为待透视变换点，M点是T1在光轴纵向方向的投影与直线OT0的交点，α和θ分别为高超声速飞行器成像仪的成像方位角和成像俯仰角；
[0134] (2.4)目标机场光学图像校正：
[0135] 对所述目标机场光学图像P0进行校正，包括下述过程：
[0136] (A)令待校正的实时图像g＝P0，经0次校正后的结果图像f0＝g，设定迭代次数n＝5；
5 5 n n
[0137] (B)迭代计算校正后的结果图像f和校正后的点扩展函数h ，f和h 中坐标为n n(x，y)的像素点的灰度值分别为f(x，y)和h(x，y)：
[0138]
[0139]
[0140] 其中g(x，y)为待校正的实时图像g中坐标(x，y)处像素点的灰度值，Dh＝Df＝n n{(x，y)|0＜x≤R且0＜y≤C，x∈N，y∈N}，Df为f 的支撑域，Dh为h 的支撑域，(u，
5
v)∈Dh，(i，j)∈Df；f 为校正后目标机场图像P1，如图8(a)所示；图8(b)为点扩展函数
5
h(x，y)的三维视图；
[0141] (2.5)模板匹配提取机场跑道区域：
[0142] 利用所述机场跑道前视子参考图L′，在所述校正后目标机场图像P1上进行模板匹配，确定机场跑道区域在P1中的位置，提取出机场跑道区域图像P2，包括下述过程：
[0143] (A)以校正后目标机场图像P1为待匹配图，行数和列数分别为Mr＝256，Nr＝320，以机场跑道前视子参考图L′为参考图，行数和列数分别为Ms＝137，Ns＝269，[0144] 计算子图 与机场跑道前视子参考图L′间的去均值归一化互相关度量值ρ(u，v)：
[0145]
[0146] 所述子图 为P1中以坐标(u，v)为左上角顶点、大小为Ms×Ns的矩形区域；上式中，P1(i+u，j+v)为P1中坐标(i+u，j+v)处的像素点灰度值，L′(i，j)为L′中坐标(i，j)处的像素点灰度值， 与 分别为 与L′的灰度均值，0＜u≤Mr-Ms，0＜v≤Nr-Ns；
[0147] (B)从所有互相关度量值{ρ(u，v)}中选取最大值点ρ(u，v)max为机场跑道匹配定位点，其对应的坐标(u′，v′)=(28，44)为匹配定位点的坐标，匹配定位点对应的子图为机场跑道区域图像P2，如图9中白色方框中所示，白色方框左上顶点为机场跑道匹配定位点；
[0148] (2.6)机场跑道图像校正：
[0149] 对如图10所示的机场跑道区域图像P2进行校正，选取迭代次数n=5，方法与步骤5 5
(2.4)完全相同，迭代计算f1(x，y）、h1(x，y)；
[0150] 图11(a)是机场跑道区域图像P2经过5次迭代校正后机场跑道区域图像P3，图5
11(b)是机场跑道区域图像P2经过5次迭代校正得到的点扩展函数h1(x，y)的三维视图；
[0151] (2.7)分割检测疑似飞机目标区域，包括下述过程：
[0152] (A)在校正后机场跑道区域图像P3上，搜索所有机场跑道像素点I′ L：
[0153]
[0154] 搜索机场跑道的边界像素点BL：
[0155] 且
[0156] 其中ZL为机场跑道前视子参考图L′中机场跑道像素点灰度值；
[0157] (B)对所有机场跑道像素点I′L应用大津算法(OTSU)进行阈值分割，得到灰度值为1的机场跑道像素点I′L1和灰度值为0的待检测像素点I′ L2；分割结果如图12所示，黑色区域为未进行分割的背景区域，白色区域为机场跑道像素点I′L1，灰色区域为待检测像素点I′L2；
[0158] (C)由于飞机目标灰度级比机场跑道灰度级低，对所有待检测像素点I′L2进行检测，把其中所有相邻的像素点标记为同一个低灰度级分割块Kt，低灰度级分割块的个数t为正整数，计算每个低灰度级分割块Kt的像素点形心Mt，Mt坐标为(Xt，Yt)：
[0159]
[0160] 其中 为Kt中像素点个数；
[0161] (D)判断是否形心Mt∈I′ L，是则继续过程(E)；否则将对应的Kt判定为非疑似飞机目标，放弃；
[0162] (E)计算低灰度级分割块Kt内各像素点到形心Mt的距离dt(x，y)，并计算其中最大值dt(x，y)max：
[0163]
[0164] 计算Mt到BL的距离dBt(x，y)，并计算其中最短距离dBt(x，y)min：
[0165]
[0166] (F)判断是否dt(x，y)max＜dBt(x，y)min，是则将对应的Kt判定为疑似飞机目标区域，继续过程(G)；否则将对应的Kt判定为非疑似飞机目标，放弃；
[0167] (G)确定疑似飞机目标区域Kt左上角定位点(u1，v1)、右下角定位点(u2，v2)：u1＝Xtmin-5，v1＝Ytmin-5；u2＝Xtmax+5，v2＝Ytmax+5；
[0168] 其中，Kt中像素点的横坐标最小值Xtmin＝{x|(x，y)∈Kt}min，纵坐标最小值Ytmin＝{y|(x，y)∈Kt}min，横坐标最大值Xtmax＝{x|(x，y)∈Kt}max，纵坐标最大值Ytmax＝{y|(x，y)∈Kt}max；
[0169] 计算出的(u1，v1)＝(80，230)，(u2，v2)＝(108，269)；
[0170] 在校正后机场跑道区域图像P3上，截取左上角定位点(u1，v1)＝(80，230)、右下角定位点(u2v2)＝(108，269)的矩形图像，如图13中黑框区域所示，作为疑似飞机目标区域图像P4，如图14所示；
[0171] (2.8)疑似飞机目标区域校正：
[0172] 对如图14所示疑似飞机目标区域图像P4进行校正，选取迭代次数n＝3，方法与3 3
步骤(2.4)完全相同，迭代计算f2(x，y)、h2(x，y)；
[0173] 图15(a)是疑似飞机目标区域图像P4经过3次迭代校正后疑似飞机目标区域图3
像P5，图15(b)是疑似飞机目标区域图像P4经过3次迭代校正得到的点扩展函数h2(x，y)的三维视图；
[0174] (2.9)疑似飞机目标区域回填：
[0175] 利用步骤(2.7)中得到的疑似飞机目标区域左上角定位点(u1，v1)＝(80，230)，将校正后疑似飞机目标区域图像P5回填到校正后机场跑道区域图像P3中，即将像素点P5(x，y)填入到像素点P3(x+u1，y+v1)中，得到回填后机场跑道区域图像P6，如图16所示；
[0176] (2.10)机场跑道区域回填：
[0177] 利用步骤(2.5)中得到的机场跑道匹配定位点(u′，v′)＝(28，44)，将回填后机场跑道区域图像P6回填到校正后目标机场图像P1中，即将像素点P6(x，y)填入到P1(x+u′，y+v′)中，得校正结果P7，如图17所示。
