快速提取范文（精选8篇）
快速提取 第1篇
PDF文件在提供相同的信息容量的情况下, 文件更小, 更便于文件传输, 在网络时代的今天越来越多的收到用户的青睐。但是在上传提交PDF格式论文时, 由于PDF文档是面向显示的, 无法对其内容进行直接编辑处理。如果能找到一套简单实用, 又能获得PDF文档中准确的文字信息和清晰的图片信息的方法, 将极大的推动PDF文件在各个科技期刊编辑工作中的应用, 提高工作效率。本文介绍几种准确提取PDF文档中文字和图片信息的方法, 供参考。
1 PDF的特点
PDF格式的文档资源由于其本身具有操作平台的无关性、文档的视觉显示信息和数据信息之间的独立性以及良好的安全性, 逐渐地受到了人们的青睐, 正慢慢地发展成为电子文档资源在信息系统中共享的主流文档格式[1]。它能保持原文件的排版格式和创建风格, 能高保真压缩, 可不依赖原创应用程序和操作平台显示和打印[2]。目前, PDF在网络出版业的应用越来越多, 国外的几大著名的网络出版集团Elsevier, Spring, IEEE等均采用PDF向网络用户提供原版的期刊论文文件, 国内著名的万方数据网络中心也采用PDF向用户提供期刊论文文件, CNKI数据库也在向用户提供CAJ文件的同时, 提供PDF文件的下载, 使用者可深切感受到PDF带来的便利。随着网络的普及, 电子邮件的广泛利用, 网络用户对信息保真传送的需求逐步增多[3]。相比其它传输文件, PDF文件更小, 所能提供的信息容量更大, 因此使其受到越来越多人的青睐。PDF文件的使用也给编辑的日常工作带来了极大的便利。
但PDF文件的一个弊端是用户不能直接提取该文档中的文字或图片信息, 下面介绍提取PDF文件中的文字和图片信息的几种简便的方法。
2 文字信息提取
PDF文件的文本信息提取相对容易, 其中最简便的是直接将其转换成Word文档文件, 随后只要用Word等文本编辑工具将转换的文本文件打开即可继续编辑。能够将PDF转换成Word文档的工具很多[4,5], 在编辑部的日常工作中, 本文推荐使用以下两种方法:
2.1 在线转换
将PDF转换成Word文档可以通过PDF to Word网站在线完成, 不需安装专门的软件, 进入网站即可看到该操作是100%免费的, 该方法的优势还在于其得到的Word文档能够很好的保持原有的格式。
(1) 在浏览器地址栏输入http://www pdftoword.com/, 按下回车键, 进入PDF to Word Converter网站首页, 在首页左侧会出现如图1所示的操作界面。
(2) 点击“浏览”, 找到需要进行转换的PDF文件, 填写邮箱地址, 单击“Convert to Word”, 系统会自动上传PDF文件, 上传完成后, 会显示如图2所示的界面。
(3) 文件转换完成后, 查看邮箱, 系统会以附件的形式发送转换完成的Word文档, 生成的文档为Word 2003版文件。
2.2 使用转换软件
2.2.1 软件的安装
(1) 软件名称:VeryDOC PDF To Word Converter V2.5汉化版
(2) 双击“ha＿Very DOC-pdf2word25＿cz.exe”文件, 运行安装程序, 按照提示逐步点击“前进 (N) ”进行安装。安装完成后, 在计算机的“开始”菜单下, “程序”栏中会出现“VeryDOC PDF To Word Converter V2.5汉化版”栏, 单击“VeryDOC PDF2Word”图标即可运行该软件。
2.2.2 软件的操作
(1) 进入主程序后, 会显示如图3所示的操作界面。点击“添加PDF文件”, 浏览文件夹所在位置, 添加需要转换的PDF文件, 在右侧“输出选项”栏中选择“仅文本 (无图像) ”, 在“输出格式”栏中选择“微软Word文档 (*.Doc) ”, “页码范围”选择“所有的页”即可;如原始PDF文件有密码保护, 则需要在“PDF密码”输入栏中填入密码。
(2) 以上设置完成后, 点击“转换”按钮, 会出现如图4所示的界面, 建立一个新的Word文档 (在文件名处键入新的文件名) 并选择转换后文档的存放位置, 转换完成后, 会自动显示得到的Word文档。该方法仅得到文档中的文字信息, 便于编辑和排版。
3 图片信息提取
PDF文件中图片信息的提取方法很多, 但不同方法所得到的图片的清晰度不尽相同, 本文推荐以下两种使用方便且提取图片效果较好的方法。
3.1 使用“PDF Extract TIFF”软件
使用“PDF Extract TIFF”软件可以将PDF文档中的所有图标提取出来并保存为TIFF图片格式。
3.1.1 软件的安装
(1) 软件名称:PDF Extract TIFF绿色汉化版V2.0
(2) 该软件是绿色汉化版, 不需安装, 直接找到“pdf2tif.exe”文件, 双击进入主操作界面, 如图5所示。
3.1.2 软件的操作
用PDF Extract TIFF提取PDF中图片时, 启动PDF Extract TIFF, 在主界面中单击“打开”按钮, 在弹出的窗口中选择需提取图片的PDF文件。
随后打开“另存为”对话框, 在此选择好图片文件保存的路径和图片文件名。单击“保存”按钮, 对PDF文件中的所有图片进行提取, 并保存的指定的文件夹中。
3.2 使用“Some PDF Image Extract”软件
3.2.1 软件的安装
(1) 软件名称:Some PDF ImageExtract V1.5
(2) 该软件虽然是全英文版, 但是安装简单, 双击“pdf2word.exe”图标, 进入自动安装程序, 按照提示按“Next”键即可完成安装, 安装完成会运行该程序, 进入到如图6所示的操作主界面。
3.2.2 软件的操作
(1) 点击Some PDF Image Extract界面里的第一个“打开文件”按钮, 在“打开”对话框里选择欲提取图片的PDF文件。如果有多个PDF文件待提取, 可以将它们放在一个文件夹下, 点击界面里的第二个“输入目录”按钮, 选定整个文件夹, 把整个文件夹下的PDF直接导入。
(2) 默认的提取出来的图片保存位置是在PDF文件所在的相同目录下的同名文件夹下。默认提取的图片格式是JPG, 可以在软件界面的右侧的“输出模式”后的下拉列表里重新设置提取的图片格式 (bmp、gif、png、tiff、tga、pcx) 。默认的图片质量是70%, 一般需要将其改成100%, 这样输出的图片更清晰, 但图片体积要大些。点击“输出目录”可以重新设置提取图片的输出目录。
(3) 设置完成后, 点击最左下方的“播放按钮”, 开始提取操作, 当进度条显示“Convert Finished”时提取完毕。
4 结语
在学术期刊编辑工作中, 异地审稿和校对是例行程序。为了实现稿样及其他图文资料从编辑部向审稿人及作者的快速准确的传送, 保证审稿人、作者、编辑看到的文档信息 (文字、图形) 完全相同, 编辑部在日常工作中越来越多的使用了PDF文档。本文针对如何从PDF文件中准确、快速地提取文档信息 (文字、图形) 用于编辑出版的方法进行了阐述, 为PDF文档在编辑工作中的进一步应用奠定了基础。
参考文献
[1]任林涛.PDF格式中文科技论文的有效信息提取方法及分类研究[D], 吉林大学, 2011.
[2]张红林, 胡昌平.PDF在编辑工作中的应用[J].编辑学报, 2001, 13 (5) , 284-286.
[3]张红林.PDF在编辑工作中应用的探讨[J].中国科学技术期刊编辑学会2001年会综合学术年会论文集, 99-102.
[4]陈永杰, 邢宝山, 张祥合, 李桃.利用Adobe Acrobat7.0实现PDF格式文件的转换[J].编辑学报, 2006, 18 (6) , 437-438.
快速提取 第2篇
如何快速提取住房公积金如何快速提取住房公积金一、如何快速提取住房公积金1、事先准备好提取公积金的各种材料。外地人离开一个工作地到另一个地方，这是非常常见的情况，这时候需要的材料有个人身份证、户口簿、离职证明、公积金提取证明等。有时候还需要个人的社保卡等，不过要根据银行的具体要求了，各个地方不同，不过你可以带着，不必到时候麻烦。2、准备一张公积金提取银行的银行卡。公积金的提取需要银行卡，也有人说不需要银行卡，但有银行卡是绝对没错的，而且能够加快提取的速度，有时候银行也可以发现金，但又要办理一段时间的手续了。如果你平时有银行卡就算了，如果没有银行卡可以事先办理一张建行银行卡。3、选择好去提取公积金的适合时间。公积金的.提取也有合适的时间段，周六、周日属于忙时，不管是银行普通业务的人员，还是公积金提取人员等等都非常多，不适合办理。因此，大家可以选择周一到周五的时间，而且最好选择早早地早晨去办理，人很少，一般十来分钟就能完成。4、一般情况下，公积金的提取在中国建行进行，因此，你可以在网上事先查询好公积金提取的建行网点，了解好路线，不要把时间耽误在路上，也不要找到了位置也不能提取。公积金的提取需要在建行进行，但不是所有的建行都能提取，因此，最好事先查询好。二、公积金的提取条件住房公积金的提取必须符合一定的条件，在以下情形之一的可以提取职工住房公积金账户内的存储余额：(1)购买、建造、翻建、大修具有所有权的自住住房的;(2)离休、退休的;(3)完全丧失劳动能力、并且与所在单位终止劳动关系的;(4)出境定居时;(5)偿还购房贷款本息的;(6)房租超出家庭工资收入的规定比例的。三、公积金的提取所需要的材料1、借款人身份证复印件3份、借款人配偶身份证复印件2份;如果有共有人，同时提供共有人身份证复印件3份。2、借款人、配偶及共有人(如果有共有人)户口本复印件各2份。3、借款人及配偶收入证明原件各2份(工资主管部门盖章)。4、借款人结(离)婚证复印件2份。5、借款人为市中心缴存户的提供8位公积金账号，如10xxxxxx，其他公积金户出具申请当月之前6个月的缴存明细表(缴存地打印)。6、《商品房买卖合同》原件3份;《合同信息备案摘要》复印件2份。7、首付款发票复印件2份。8、《房屋预告登记证明》复印件2份(购高新区、经济技术开发区房产除外)。9、《国有土地使用证》(全部)复印件1份。10、《商品房预售许可证》(带附图)复印件1份。11、借款人用于还款的银行帐号。提取住房公积金程序提取住房公积金程序(1)职工提取住房公积金，首先向单位提出申请，经单位审核属实后，填写《住房公积金提取申请书》(一式二联)和《住房公积金提取明细表》(一式二联)，加盖公章及财务印鉴;(2)缴存单位经办人员或职工个人持本人身份证原件及复印件、《住房公积金提取申请书》、《住房公积金提取明细表》及相关证明材料的原件及复印件，到公积金中心办理提取;(3)经办人员或职工个人将转账支票交回单位财务部门，财务部门按所列金额给付职工现金。具体您可以点击《西安市住房公积金提取实施细则(暂行)》进行查看更多关于公积金方面的信息您也可以咨询800j金融中心，咨询电话：87284190。职工偿还个人自住住房贷款的，职工及其配偶均可提取住房公积金，用于偿还贷款本息。每年可提取一次直至贷款结清为止。累计提取总额不得超过贷款本息和。其次，符合下列情形之一，并能按规定提供合法、有效证明的职工，可申请提取个人住房公积金账户内的存储余额：(一)购买、建造、翻建、大修自住住房的;(二)达到国家法定离退休年龄，或已正式办理了离退休手续的;(三)完全丧失劳动能力，并与所在单位终止劳动关系的;(四)出境定居的;(五)偿还购买自住住房贷款本息的;(六)支付自住房屋房租超出家庭月工资收入15%以上部分的;(七)正在享受城镇居民最低生活保障待遇的;(八)本人、配偶及其直系亲属因重大疾病造成家庭生活严重困难的;(九)遇到突发事件，造成家庭生活严重困难的;(十)连续失业两年以上，家庭人均月收入低于本地区最低工资收入，家庭生活严重困难的;(十一)职工在职去世，有继承人或受遗赠人领取的;(十二)职工为农业户口或非本市户口并与所在单位终止劳动关系的。再次，提取额度和次数：属于上述提取条件中第(一)、(五)项提取情形的，账面留存最近三个月缴存额，取至百元位整数。公积金提取收费标准公积金提取收费标准提取住房公积金是不需要收取任何费用的。如果是中介，中介费一般是你提取金额的30%。相关文章：2018如何使用公积金买房 申请公积金贷款具体流程五金一险迎大变化 用公积金贷款买房更容易你知道吗2018年成都积分落户政策：多少分可落户 积分入户分值计算细则广州、深圳、佛山、天津积分入户细则及办理流程什么是信用卡违约金 逾期后违约金计算方法★ 住房公积金提取申请书
★ 住房公积金提取申请书
★ 住房公积金提取承诺书
★ 提取住房公积金申请书
★ 辞职后怎么提取住房公积金
★ 宁波市住房公积金提取申请书
★ 芜湖住房公积金提取申请书
★ 济南市住房公积金提取管理实施细则
★ 公积金提取 委托书
面向重建的结构光中心快速提取方法 第3篇
关键词：逆向工程,光条中心提取,中心法,三维重构
0 引言
根据实体轮廓生成几何模型的方法称为逆向工程[1]。逆向工程与现代设计密切相关, 已成为制造业产品开发中的重要手段。实物表面形状数据的获取是逆向工程的基础。通常获取实体表面形状数据的方法分为两大类, 接触式和非接触式测量方法[2]。三坐标测量仪 (coordinate measure machine, CMM) 是逆向工程中使用最为广泛的传统形状测量设备, 但它存需要一定的工作环境、速度慢、效率低且价格昂贵等弱点[3]。随着计算机及光电技术的发展, 光学式非接触测量方法逐渐占据重要地位。近年来基于结构光的非接触三维测量技术得到了快速的发展, 光切法 (light-section method) [3]是近10年发展起来的一种非接触测量方法。由于三维测量技术的主要任务是光条中心的准确、快速的提取, 因此精确提取光条中心是提高测量精度的关键, 光条中心的提取时间决定算法的实时性能。通常使用的光条中心提取方法有极值法、阈值法、重心法和高斯拟合法等[4,5], 但这些方法在图像数据较大时, 很难达到实时性测量的要求。因此有必要研究一种快速提取光条中心的方法。
由于激光的高强度特点, 一般条件下环境噪音对图像中光条强度服从高斯分布这一特征影响很小[6]。因此光条的中心线理论上是图像中光条的中心线, 通常光条边界点能量较弱难以提取, 本文提出取距离峰值较近的像素为光条的虚拟边界, 并采用光条中心提取方法中的中心法提取光条中心。在处理的图像数据较大时传统的中心提取方法的算法时间复杂度较高。难以达到实时检测的效果。本文基于光条边界的连续性和光条在图像中的位置、形状等分布特征。结合光条边界相邻像素点之间的偏置关系, 判断图像中每列 (行) 开始和终止扫描位置, 根据不同的情况, 使用24种方法实现光条中心的快速提取。并比较不同的两种方法重构动车轮毂模型。
1 改进中心法
在实际操作中, 提出了六组光条提取方法。为了说明各组中心提取方法, 绘制图1所示的光条中心每一列扫描示意图。图中共有八种从图像的不同方向和不同位置扫描每一列光条的上、下边界点的方式。在整幅图像的光条提取中, 根据光条位置、方向和光条质量特征通过结合八种方法, 具体有六种实现方法。
(1) 图像的每一列按照图1中的I方法从上往下扫描找到光条的上、下边界点并计算出光条中心点。同理还可以从下往上扫描找到光条中心点。
(2) 图像的每一列按照V方法从上往下扫描找到光条上边界点, 接着从下往上扫描找到光条下边界点, 通过光条上、下边界点计算出光条的中心点, 同理可以改变V方法的扫描先后顺序找出每一列的光条中心点。
(3) 在图像中先设定一个扫描开始上边界, 扫描开始上 (下) 边界一般取大于光条的最大轮廓矩阵, 从扫描开始上边界的点位置按照II向下扫描找到第一列的光条中心, 从第二列开始以后每一列扫描之前判断上一列的光条上、下边界点是否找到, 如果找到, 此时按照在前一列位置向上偏执若干个像素点按照III方法扫描找到光条上、下边界点并计算出光条中心点, 如果没有找到光条上、下边界点或扫描开始上边界点小于图像上边界点则按照II方法扫描找到该列光条的上、下边界点并计算光条中心。以此方法找到每列的光条中心。同理可以从反方向扫描找到光条中心。
(4) 从扫描开始上边界点位置按照II方法向下扫描找到第一列上、下光条边界并求出光条中心, 从第二列开始以后每一列扫描之前判断上一列的光条上、下边界点是否找到, 如果找到, 此时判断该扫描开始上边界点与上一列的光条上边界点的大小, 如果扫描开始上边界点大于上一列的光条上边界点, 则取扫描开始上边界点等于上一列的光条上边界点位置减去偏置的若干个像素按照IV方法找到光条上、下边界点并计算出光条中心点。如果没有找到上一列的光条上、下边界点, 此时的扫描开始上边界等于图像上边界点并按照I方法计算出光条中心。同理可以从反方向扫描找到光条中心。
(5) 从扫描开始上边界点开始按照VI从上向下扫描找到第一列的光条上边界点, 从第二列开始以后每一列扫描之前判断上列光条上边界点是否找到, 如果找到, 此时的扫描开始上边界点等于上一列的光条上边界点的位置加上偏置的若干个像素按照VII方法从上往下扫描找到光条上边界点。如果没有找到光条上边界点, 此时的扫描开始上边界点等于图像上边界点并按照VI方法从上往下找到光条上边界点。同理反方向按照扫描开始下边界点, 按照VI和VII方法从下往上找到光条下边界点。通过找到的光条上下边界点计算出每一列光条中心点。同理可以先找到光条下边界再找光条上边界计算光条中心。
(6) 从扫描开始上边界点开始向下扫描如II方法找到第一列光条的中心点, 从第二列开始以后每一列扫描之前判断上列的光条中心点是否找到, 如果找到, 此时判断该扫描开始上边界点与上一列的光条上边界点的大小, 如果扫描开始上边界点大于上一列的光条上边界点, 则取扫描开始上边界点等于上一列的光条上边界点位置减去偏置的若干个像素点并按照VIII扫描, 如果没有找到上一列的光条中心点, 此时按照II扫描, 通过找到光条上、下边界点来计算出光条的中心点。同理可以先找到光条下边界再找光条上边界计算光条中心。
2 实验方案
为了测试六组方法在各种复杂光条中心提取中的速度, 构造了如图2、3所示的两幅图像, 图像中的光条有凹凸、间断、内孔等复杂特征, 以模拟各种光条特征。图2和图3的大小分别为1024768和7681024像素。
上述6组方法中的每组在图2中包含从上往下和从下往上两种扫描方法, 在图3中包含从左向右和从右向左两种扫描方法。因此总共有24种不同的方法。利用Visual C++和OPENCV编程实现上述24方法, 并利用图2和图3图像验证方法的精度和速度, 为了降低偶然因素影响, 将每个方法运行1 000次后取平均值作为最后的实验结果。见表1。
实验结果表明:光条中心的轮廓和光条实际中心的轮廓有很好的一致性。图4、5分别为在图2使用方法3和在图3使用方法2提取的光条中心, 由表1实验数据可得, 相同的扫描方法在不同的图像中的运算速度不同, 且图2由于图像存储格式对算法速度有利, 速度比图1明显有优势。方法1在同一幅图像中从下往上、从上往下、从左往右和从右往左扫描所对应的算法时间度不同, 特点是从图像中靠近光条方向处开始扫描的速度大于反方向处开始扫描的速度。方法2和方法3在同一幅图像上无论从哪个方向扫描所得的算法速度大致是一样的。方法3、4、5、6的算法速度大致相同并且与方法1、2相比具有明显的优势。方法3、4、6相比方法5运算速度要快一些。这在图像数据较大时速度优势将更明显。这与最初的使用不同的扫描方法寻找光条中心算法的速度不同和不同图像使用不同的光条提取方法可以提高算法速度的想法得到很好的验证, 同时提出了六种可选择的中心提取方法, 为具有不同特征的光条中心提取提供了多种可选择的快速方法。同时提取的精度可以达到像素级, 可以满足大部分图像的光条中心提。
ms
3 应用实例
将光条提取方法运用于动车轮毂模型的重构项目中, 图6为需要重构的动车1/4轮毂模型。该轮毂模型的半径为19 cm、高为4 cm。搭建实验平台如图7所示, 将轮毂模型放置在运动控制平台上面, 采用线激光, 运动控制平台以1 cm/s移动轮毂, 并触发AVT相机采集轮毂移动位置处的光条图像。拍摄图像格式为640480灰度图像。根据得到的光条图像, 使用本文中光条中心提取方法。通过相机标定、光条提取、三维重建得到图8所示的轮廓三维图。实验结果表明重建的三维轮廓精度为1 mm。在该项目中采用方法1和4, 方法4:单张图像处理时间为0.256 ms。所有图像处理的总时间为48.596 ms, 方法1:单张图像处理时间为1.375 ms, 所有图像处理的总时间为261.246 ms, 结果表明选择不同的扫描方法在图像数据较大时改进的光条提取算法有明显的优势。
4 结论
根据激光光强符合高斯分布, 取距离峰值较近的灰度值为光条虚拟边界, 并利用光条中心提取中的中心法提取。根据图像相邻边界的连续性, 利用相邻像素行 (或列) 的偏置扫描, 通过从不同的方向扫描每行 (或列) 获取光条中心。结合实际光条的特征使用24种方法具体实现, 并使用Visual C++和OPENCV编程测试不同方法的算法速度和提取光条的质量。实验结果表明, 不同的扫描方法在同一图像和不同的图像上算法时间复杂度表现出较大的差异。在动车轮毂模型的三维重建项目中, 使用该方法提取光条中心, 实验结果表明, 利用方法4总时间比方法1少212.650 ms, 运算速度达到了实时检测的要求。并达到系统所需精度。本文中提出的快速光条提取方法在实时性要求比较高的场合下, 具有较强的使用性。
参考文献
[1]成思源, 余国鑫, 张湘伟.逆向系统曲面模型重建方法研究[J].计算机集成制造系统, 2008, 14 (10) :1934-1939.
[2]杨雪荣, 张湘伟, 成思源, 等.基于可变形模型的光条纹中心提取方法研究[J].中国机械工程, 2009, 20 (3) :334-336.
[3]杨雪荣, 张湘伟, 成思源, 等.三坐标测量机与线结构光传感器集成系统的测量模型[J].中国机械工程, 2009, 20 (9) :1020-1023.
[4]雷海军, 李德华, 王建永, 等.一种结构光条纹中心快速检测方法[J].华中理工大学学报:自然科学版, 2003, 31 (1) :74-76.
[5]刘枝梅, 邓文怡, 娄小平.结构光测量系统中光条中心的提取算法[J].北京机械工业学院学报, 2009, 24 (1) :42-45.
快速提取 第4篇
关键词：虚拟驾驶,运动参数估计,块匹配,全局运动估计,小波分解
0 引言
在驾驶环境模拟过程中, 需要对运动物体进行模拟和建模[1], 而运动物体及其相对于背景的运动规律的建模一方面需要对运动实体的运动规律的建立, 另一方面为了更为逼真地仿真现实生活中的目标非线性的运动规律, 在建模过程中常常需要从运动视频影像中提取运动目标的运动参数, 并且转换为模拟环境坐标系下的目标运动参数。本文对视频影像中运动目标进行检测, 并且提取出运动图像坐标系下的对应运动参数, 从而实现虚拟环境中目标运动轨迹的模拟。该方法也可以用于各类飞行器和机车的模拟驾驶环境的建立, 提高驾驶员在各类情况下的驾驶水平[1]。从视频影像中提取运动目标参数的研究较多[2,3,4,5,6,7], 这些研究方法主要应用于视频图像的压缩处理。由于在凝视拍摄过程中, 摄像机以运动目标为视场中心追随运动目标, 此时的视频图像可以看作是具有全局运动特征的图像。图像全局运动参数估计[7]是当前研究的一个热点。
本文针对传统视频数据中目标运动参数估计复杂度高不利于快速处理的问题, 基于小波分层的图像子块分解和匹配的方法, 提出了一种特征级子块匹配准则, 实现了运动目标运动参数的高精度提前, 通过对运动图像实例分析, 验证了本文方法的有效性。
1 视频影像全局运动坐标系模型
现实中的目标是在三维空间中运动, 摄像机处面对着三维空间中的目标对象进行摄录成像产生的二维图像。而由于摄像机和运动对象的相对运动产生了视频图像序列, 在对视频图像描述和处理过程中, 需要考虑3个坐标系: 目标对象所处的三维世界坐标系、摄像机所在的三维坐标系和图像所处的二维坐标系。在对图像目标动态参数提取过程中, 需要通过坐标转换和构建运动参数模型实现对目标对象在三维世界空间坐标系下的运动参数进行提取。在一般的视频图像运动目标参数分析时, 摄像机一般都采用经典的针孔模型。将摄像机坐标系和世界坐标系重合, 将摄像机的光心只与坐标系的原点, 把z轴作为光轴, x轴为水平方向, y轴为垂直方向。如图1所示, 摄像机把三维空间点 ( x, y, z) 映射到二维空间平面点 ( x, y) 上。图像平面与Z轴垂直, 中心坐标为 ( 0, 0, f ) , 这里f表示摄像机的焦距。映射关系可表示为:
摄像机运动模型主要分为: 位移运动、刚性运动、放射变换和透视变换, 其中位移运动模型下的坐标变换关系为:
式中, tx和ty为位移。
刚性运动模型下的坐标变化关系为:
式中, s为缩放; θ为旋转; tx和ty为位移。
仿射变换模型下的坐标变化关系为:
式中, a1和a5为缩放; a2和a4为旋转; a3和a6为位移。
透视变换模型下的坐标变化关系为:
式中, a1, a2, …, a8为模型参数。
2 基于块匹配的运动参数快速提取
2. 1 基本思想和实现步骤
用于运动目标检测及参数提取的传统方法是首先通过对图像进行变化检测处理, 将图像中的静止背景和运动物体区分开来, 然后对运动物体的实际位移进行估计。如果能够较好地将图像中运动目标区域分割出来, 这种方法提取运动参数可靠性较高。但是实现背景与目标分离等算法需要较大的计算量, 不利于快速处理。
为了实现快速图像全局运动参数的快速提取, 基于块的图像提取的基本思想是: 认为图像可以分为多个能够代表图像运动的特征子块, 通过分析子块在视频图像序列中的运动变化位移, 实现对图像整体运动参数的提取, 也就是将图像像素运动转换为子块运动的参数提取, 以实现快速处理。
在块匹配运动参数的快速提取过程中, 首先对视频序列的图像进行子块划分, 将图像划分成互补重叠的众多子块。通过一定规则尽可能实现每个子块内的像素具有相同运动特征, 因此每个子块都可以看作一个具有独有运动特性的物体。然后, 对帧间的子块进行匹配, 为了找到不同帧间子块的移动位置, 需要通过子块匹配进行确定, 子块匹配的准则是块匹配方法的一个重要因素。相邻帧间匹配的过程如图2所示。图2中子块C为前一帧中子块A在当前帧中的位置, 子块B为当前帧中A的最佳匹配子块。C到B的移动反映了运动方向和运动参数。判别子块B为当前帧中A的最佳匹配子块是需要通过在当前帧中搜寻和A满足匹配准则的最佳子块。在帧间子块准确匹配的基础, 再通过计算子块在序列图像空间位置的变化来计算子块的位移参数。最后通过对所有划分的子块的位移参数进行综合处理和分析得到目标的全局相对运动参数。
2. 2 块匹配准则
块匹配准则在块匹配方法中占有非常重要的地位, 准则制定的正确与否关系到块匹配的效果。常用的匹配标准有: 平均平方误差 ( Mean Square Error, MSE) 、平均绝对误差 ( Mean Absolute Difference, MAD) 、最大误差最小函数 ( MME) 和归一化互相关函数 ( NCCF ) 等[8], MSE匹配函数运动估计的精度最高, 但多次乘方运算在实时实现中比较困难;MAD匹配函数略差但相对简单易于快速算法实现;MME匹配函数没有充分利用匹配块所包含的特征信息, 使匹配误差增大, 甚至产生错误匹配。相对而言, MAD准则函数比较实用并的得到广泛运用。绝对平均误差准则 ( MAD) 定义如下:
式中, ( i, j) 为位移量; IK和IK +1分别为当前帧和参考帧的像素值; M·N为宏块的大小。
当目标运动速度较快、背景变化较大时, 上述基于像素差值的准则由于受到光照变化和背景变化的影响, 在应用中会受到一些限制, 容易产生误差和不良影响。因此, 本文提出了基于图像特征的匹配准则 ( FPC) , 称为最大匹配特征数。
式中, K为阈值, 是判断每个像素或归入匹配像素, 或归入非匹配像素的依据。该准则取FPC最大者对应的运动矢量作为搜索结果。上述各公式中, ft ( m, n) ( t =1, 2…) 是对子块处理提取的某种特征, 比如梯度特征、分形特征等参数。
2. 3 子块选择方法
在块匹配方法中的另一个重要问题就是子块尺寸的选择。块匹配法中块的大小受到两个矛盾的约束: 子块选择较大时, 常常遇到“边界块”, 即块内一部分为背景, 一部分为运动物体。此时块匹配法的块内各像素作相同的平移运动的前提假设不成立, 无法估计到精确的运动, 影响估计的精度。子块选择较小时, 则易受噪声影响, 估计不够可靠, 而且运算量增加, 并且当平移运动的物体较大, 即包含了多个子块时, 这些相关子块的运动矢量应该是十分接近的。但由于块匹配法将图像分割成子块, 孤立地逐块进行匹配, 没有利用块间的相关性, 常常造成所求得的运动矢量场一致性不好。因此必须恰到好处地选择块的大小, 以做到两者兼顾。
3 基于小波分层的运动参数提取方法
3. 1基于小波分层的子块划分方法
子块划分是块匹配方法中的一个重要问题, 子块划分关系到块匹配精度和动态参数提取成功与否, 因而在子块划分方法上有较多的研究[10,11,12,13]。本文提出了基于小波多层分解的子块划分方法。在研究和分析图像时, 有时需要一个从粗略到精细、从局部到整体的过程。这时有必要考虑图像的多级分辨率, 小波变换可得到不同频带 ( 子带) 下的子图像, 其中低频平滑子图像保留了原始图像重要的视觉和统计特性。通过对低频子带图像的分析, 可以获得上一级图像的平均统计特性。同时, 对子图像“点”的分析, 实际上是对上一级图像“区域”的分析, 考虑了全局特性, 有效扩大了搜索范围[14]。
小波是具有时频局部化特征的数学化分析工具, 每一个小波都对应着一共轭镜像滤波器对, 对图像进行小波变换就是用低通滤波器 ( 对应分析尺度函数) 和高通滤波器 ( 对应分析小波) 对图像的行和列进行滤波卷积, 然后进行2∶1的抽样。这样进行一次小波变换的结果便将图像分解为4个子带 ( 子图像) , 其中包括低频子带、高频水平子带、高频垂直子带以及高频正交子带。进行第2次小波分解时只对低频子图像进行小波分解, 将最低频子图像进一步分为4个子图像, 所以进行M次变换得到3M+ 1个子带。由于图像经过小波分解后图像信息主要集中在低频部分, 高频部分包含了图像的一些细节信息和边缘信息, 基于小波分层技术就是从最低分辨率图像开始, 逐次对每一层进行运动矢量分析, 由较低分辨率确定运动矢量的粗略估计; 在高分辨率下, 用前一较低分辨率级矢量作为起始估计进行匹配, 以获得更精细的矢量估计。分层参数估计的过程为: 从最下层即最低分辨率级开始, 在每一层进行子块划分并估计运动参数, 将最下层的运动参数估计中的平移结果扩大1倍, 作为上一层的运动参数的初始值, 然后再在上一层进行更精细的匹配, 重复与最下层计算相同步骤, 计算出原始图像的运动参数。本文中以2层小波分解来说明小波分层处理方法:
1对视频图像当前帧f ( x, y) 和参考帧I ( x, y) 进行小波变换, 分别得到图像的低频分量fL ( m, n) 、水平分量fH ( m, n) 和垂直分量fV ( m, n) 以及参考帧图像的低频分量IL ( m, n) 、水平分量IH ( m, n) 和垂直分量IV ( m, n) 。
2将小波分解的低分辨低频图像分量fL ( m, n) 、水平分量fH ( m, n) 和垂直分量fV ( m, n) 以及参考帧图像的低频分量IL ( m, n) 、水平分量IH ( m, n) 和垂直分量IV ( m, n) 进行预分块处理, 为了提高运算效率, 采用将图像和参考图像进行均匀分块, 假定将图像分为M* N个子块, 每个子块按照匹配检测准则在相应参考帧中的子块进行匹配。当前帧和参考帧的小波分解后的低频分量间子块的匹配关系可以通过匹配准则MAD来进行检测, 而小波分解后的垂直分量和水平分量呈现出图像中的细节特征, 因此可以采用基于图像特征的匹配准则MPC。通过匹配处理, 可以得到3个图像分量的对应不同运动矢量的匹配块组, 找到3个分量中具有最多匹配子块的运动矢量参数最为图像的子分量的全局运动参数, 保留具有此全局运动参数的子块组, 因而可以去除其他运动分量产生的不可靠子块。
3将当前帧和参考帧低频分量中获取的对应匹配子块映射到上一层图像f ( x, y) 和I ( x, y) , 如图3所示。与匹配子块相映射的区域比原有子块大4倍, 为了获得更为准确的运动信息, 将当前图像和参考帧图像的对应区域划分为4个子块。由于在低频分量中已经获得了相应的匹配子块对应关系, 因此在图像f ( x, y) 和I ( x, y) 的子块匹配过程中所需要的搜索范围大大缩小, 加快了搜索时间, 同时获得了较高精度的子块间运动参数。
3. 2基于图像运动凝视点的运动参数提取
在完成子块划分后, 研究基于图像运动凝视点的运动参数提取方法。在以运动主体为主线的运动视频图像的拍摄过程中, 一般画面的主要内容是以运动主体为主要内容。比如拍摄某新型军用飞机进行高难度飞行的画面, 这一画面的主体是飞机, 而画面中心设置为会尽可能将飞机的飞行方向的尽头也就是聚焦点, 而飞机的各种运动是基于这个聚焦点来进行的。
本文提出的图像分块参数提取技术就是基于视频图像运动中心聚焦点来开展的。由于场景变化的复杂性, 视频运动中心聚焦点的确定可以通过人工观察测量来确定。在进行了正确的图像分块划分后, 确定运动聚焦点所属子块后, 目标的几何运动可以看作以运动聚焦点为不动参考点所做的运动。
3. 3分块图像运动检测
在进行图像分块运动检测时, 以前一帧图像作为参考图像, 当前帧图像作为被检测图像, 假定图像划分为N* N个子块。通过图像分块匹配后可以得到如图4所示的块运动关系, 其中P点为运动聚焦不动点, 子块C是子块B相邻下一帧的匹配子块, 因此可以计算块运动矢量。
从子块B到子块C的运动矢量定义为T, 其水平分量为TH, 垂直分量为TV。运动矢量T相对于P的运动反映了目标在运动方向上的各种运动变化情况。设运动矢量T与矢量PB的夹角为θ, 这样对N* N个块进行匹配检测获得N* N个运动矢量。其中TH= x·WH/FH, TV= y·WV/FV, TH为B到C水平方向的偏移量, TV为B到C垂直方向的偏移量。x、y分别为水平和垂直方向的偏移像素数, WH、WV分别为水平和垂直视场的场景范围, FH、FV分别为水平与垂直像素数。
根据每个分块匹配后得到的运动矢量参数来计算目标基本动态运动参数, 基本运动参数包括以下4个分量: 水平运动分量MH、垂直运动分量MV、场景伸缩变化Mzoom和旋转分量Mrot。4个分量的计算要通过对N* N个子块的运动参数进行平均得到全局的变化。可以根据下述公式计算相关参数:
3. 4 仿真结果分析
针对多帧视频运动图像, 在Matlab仿真环境对某运动图像进行处理分析, 得到了多个方向的运动参数。对一段汽车在坑洼路面上运行的视频进行了测试, 提取的各个参数波形如图5所示。
从150帧视频数据中运动目标参数的估计结果中可以看出, 运动目标在真实环境下参数的变化非常剧烈, 利用模拟的形式难以实现真实运动目标轨迹的刻画, 而借助真实视频中运动目标的特征参数能够实现虚拟驾驶环境中车辆或飞行器的运动的逼真再现。
4 结束语
数字图像中绿色植物的快速提取方法 第5篇
植物表型组学用于提供植物表现型信息数据, 植物的表现型是生长环境、基因组、遗传变异的必然结果[1,2,3]。对植物表型的研究在基因学、遗传学等微观领域与宏观表象之间构建起连接的桥梁, 在植物育种、改善温室效应和培养新作物等方面提供更为高效的手段与研究方法[4,5,6,7,8]。植物的表型主要是通过光谱图像获得, 其中很重要的部分是可见光图像。受到植物本身的限制如何高效准确地从可见光图像中提取植物部分, 是进行表型分析的前提。本文在高通量表型测量要求的前提下, 提出了从数字图像中提取植物的方法。对植物的可见光图像处理的传统方法是将叶片采摘下来, 通过扫描得到图像进而进行特征提取[9]。本研究的切入点是直接从数字图像中快速查找绿色植物并准确提取。拟解决的关键问题包括如何克服图像中土壤、容器、背景的干扰及不同光照条件对图像的影响。
1 材料与方法
利用数码相机获取植物图像如图1所示。该图像中包括绿色植株区域、白色的花盆容器、泥土、红色的背景。由于叶片上覆盖有蜡质层, 白天在室内光照条件下, 图像中的叶片部分存在反光的情况, 这些都为植物的提取带来了困难。
1.1 图像预处理
获取图像后, 首先需要对图像进行滤波预处理, 降低噪声。由于噪声属于高频信号, 本文选用高斯滤波器去除噪声, 其滤波传递函数的形式如公式 (1) 所示, 其中D (u, v) 是距频率矩形中心的距离, D0是截止频率, 即方差[10]。
经离散化后, 取77高斯模板进行滤波。
1.2 基于色彩的图像分割
预处理完成后, 紧接着进行植物提取。也就意味着将植物从图像中分割出来。常用的分割方法有聚类法、基于区域的方法等。聚类法是对图像中的每一个像素点的色彩特征进行聚类分析;基于区域的方法包括区域生长、区域分裂和聚合等[10]。这些方法运算时间较长, 不能满足高通量环境下的高速运算需要, 且由于图像中包含多种特征区域, 分割算法不稳定。
考虑到植物的色彩表现为绿色, 可以在RGB色彩空间中, 将绿色作为特征, 通过使用阈值的方法将图像分割为绿色和非绿色部分。随后便可以实现植物的提取。在RGB空间中, 任一像素点的颜色可以看作红、绿、蓝三个分量不同比例的组合, 一幅彩色图像即可以看成是红、绿、蓝三个灰度平面组合而成, 如果某点处的三个分量为灰度的最大值则该点表现为白色。但是由于RGB色彩空间受光照影响很大, 为了减少光照的影响, 首先在RGB空间中进行归一化处理。即从图像中提取出绿分量g、红分量r和蓝分量b, 归一化后为R、G、B (见式 (2) ) 。为进行绿色特征的判断, 考虑使用[-1 2-1]模板对图像各点处 (R、G、B) 分量进行处理, 如式 (3) 所示。该模板强调绿色分量, 压制红色和蓝色分量, 且模板和为0。模板具有对称性, 且长度为奇数, 因此具有线性相位, 保证时不变要求。理想情况下, 对于蓝色和红色显著的区域, 使用模板运算后的结果必为负值, 而白色区域使用模板运算后的结果为0, 只有绿色区域在模板运算后表现为大于0的结果。其他颜色区域模板运算结果必为负值, 这个特点非常重要, 只要使用大于0作为阈值判断的依据便可以很方便地将绿色分割出来, 避免了其他算法中阈值的选择, 体现了算法对图像的无关性。由于从归一化到模板运算是对每个像素点使用加法和乘法, 因此该算法可以在数字信号处理器DSP上高效实现, 在保证DSP性能发挥的同时, 也可以实现高速处理, 满足了高通量环境下对处理速度的要求。
1.3 去除杂散点
对图像采用式 (3) 的方法处理后, 用0进行阈值化, 即产生二值图像, 只要大于0便可以判断为绿色区域。此时图像会产生一些杂散点, 可采用形态学算法中的开运算去除[10]。
结构元B对图像A的开运算记作AB, 如式 (4) 所示, 对图像先腐蚀后膨胀。腐蚀可以去除杂散点, 但同时也使叶片区域变小, 故需通过膨胀操作来恢复。
膨胀记作A⊕B, 如式 (6) 所示, 其中, 是B关于原点对称的映像, 是空集。
1.4 图像重构
图像开运算后, 虽然杂散点被完全消除, 但是边缘却会发生变化, 需要利用形态学重构算法进一步恢复图像[10], 即将上述经过开运算后的图像作为标记图像F, 阈值化后没有经过处理的图像作为掩膜图像G, F对G的形态学重构RGD (F) 为:
通过反复迭代, 直至DG (k) (F) =DG (k+1) (F) , 其中:
DG (n) (F) 表示标记图像F关于图像模板G的n次侧地膨胀, B为结构元素, 即将标记图像F的膨胀限定在掩膜图像G中。
1.5 填充孔洞
原始图像中, 叶片反光使图像中的叶片区域表现为白色, 而白色区域中绿分量G、红分量R、蓝分量B相等, 用式 (3) 方法算出的结果为0, 该结果在阈值化后变成背景, 从而导致提取的叶片区域出现孔洞;而叶片之间存在间隙, 用式 (3) 处理并阈值化后也产生孔洞, 两类孔洞混在一起。为消除该影响, 需要对孔洞进行判断, 若是叶片上面的孔洞, 才进行填充。判断方法是读取孔洞所在区域的原始图像的红蓝分量, 若是其值大于定义的阈值, 则该孔洞由原始图像中叶片上的白色区域产生, 需要对其进行填充, 否则是背景, 不进行填充。
孔洞填充算法是从孔洞中的一个给定点X0开始, 按照式 (10) 进行迭代, 直到Xk=Xk-1 (k=1, 2, 3, ) , 迭代结束[10]。
其中A表示一个具有8连通边界的集合, 边界包围孔洞, AC是A的补集, B为结构元素。Xk包含所有被填充的孔洞。
1.6 特征提取
提取出叶片区域后即可对其利用函数进行特征提取, 绘制质心和最小凸多边形[10,11]。
2 结果与分析
图2所示为原始图像和经过滤波预处理后的图像。原始图像的大小为1 024768, 图中植物的叶片与的花盆、泥土和背景形成鲜明对比, 从图中还可以看出叶子的反光情况。
滤波后提取出图像的绿G、红R、蓝B三个分量, 进行归一化, 并用式 (3) 进行处理。处理结果如图3 (a) 所示, 可以发现, 在图3 (a) 中土壤和容器部分也被提取出来, 原因在于光谱中红色与绿色谱线有部分重叠和CCD成像过程中的噪声, 该公式需增加修正项“-1.4R+G”。
用带有修正项的公式处理图像后, 对其进行阈值化, 形成二值图像。当阈值选择过大时, 将导致部分提取出的叶片边缘的点缺失严重, 故选用0作为阈值, 如图4所示。
得到二值图像后, 采用形态学的开运算去除叶片周围的杂散点, 如图5所示。
叶片周围的杂散点已经被完全消除, 但是叶片的边缘却发生了变化, 采用形态学重构恢复边缘。重构后如图6所示, 处理后发现边缘已被较好地恢复。
重构后需要填补图像中叶片区域的孔洞, 首先找出所有的孔洞, 进而判断该孔洞属于背景, 即叶子之间的间隙, 还是叶片本身的反光区。判断方法是读取孔洞对应区域的原始图像的红分量和蓝分量, 若其超过阈值, 则其为白色, 即叶片上面的反光区, 否则就是背景, 即叶片之间的间隙。通过多次实验最终阈值选定为100。结果如图7所示。
获取到完整的植物区域的二值图像后, 将其作为标记, 从原始图像提取出植物, 然后利用区域特征提取方法, 计算出植物的区域描绘子。图8给出了描述植物区域的最小凸多边形及其质心。
3 结语
获取具有复杂背景的绿色植物图像, 对图像进行处理, 包括滤波、色彩分割、去除杂散点、图像重构、填充孔洞等。其中色彩分割运用整幅图像的绿分量、红分量、蓝分量进行处理, 有效地提高了算法的效率。针对叶片反光导致产生孔洞的情况, 通过判断原始图像的红分量和蓝分量是否超过阈值来填充孔洞, 在实验中通过调整参数最终达到最佳效果, 结果表明该算法确实能有效地提取出植物的叶片区域, 以便进行特征提取, 实现了对植物的无损测量。具体程序可参看:http://blog.sina.com.cn s/blog_6beeeed7010133hx.html。
参考文献
[1]Varki A, Altheide T K.Comparing the human and chimpanzee genomes:searching for needles in a haystack[J].Genome Research, 2005, 15:1746-1758.
[2]Oti M, Huynen M A, et al.Phenome connections[J].Trends Genet, 2008, 24 (3) :103-106.
[3]Wu X B, Liu Q F, et al.Align human interactome with phenome to identify causative genes and networks underlying disease families[J].Bioinformatics, 2009, 25 (1) :98-104.
[4]Kelsoe J R, Niculescu A B.Finding genes for bipolar disorder in the functional genomics era:from convergent functional genomics to phenomics and back[J].CNS Spectr, 2002, 7 (3) :215-216, 223-226.
[5]Niculescu A B, Lulow L L, et al.PhenoChipping of psychotic disorders:a novel approach for deconstructing and quantitating psychiatric phenotypes[J].Am.J.Med.Genet.B Neuropsychiatr.Genet, 2006, 141 (6) :653-662.
[6]Hegele R A, Joy T R, et al.Lipodystrophies:indows on adipose biology and metabolism[J].Journal of Lipid Research, 2007, 48 (7) :14331444.
[7]Christophe R, Jan P, Frankard V, et al.Traitmill:a discovery engine for identifying yield-enhancement genes in Cereals[J].Molecular Plant Breeding, 2005, 3 (5) :753-759.
[8]Rajendran K, Tester M, et al.Quantifying the three main components of salinity tolerance in cereals[J].Plant, Cell&Environment, 2009, 32 (3) :237-249.
[9]陈爱军, 李东升, 董光辉, 等.一种基于MATLAB的植物叶片参数测量系统[J].中国计量学院学报, 2010, 21 (4) :310-313.
[10]冈萨雷斯, 伍兹.数字图像处理[M].北京:电子工业出版社, 2011.
一种控制系统性能指标的快速提取法 第6篇
评价控制系统的性能指标要根据工业生产过程对控制的要求来制定,这种要求可概括为稳定性、准确性和快速性。控制系统动态响应的性能,通常用系统对单位阶跃输入的响应来表征,其典型的性能指标通常包括单项性能指标以及积分误差指标。计算系统性能指标对分析系统具有很重要的意义[1]。单项性能指标通常需要进行人工读取和计算才能获得,而积分误差指标除了需要输出响应值的计算外,还要进行复杂的积分运算。控制系统设计时,每调整一次整定参数值都需要进行以上工作,不仅费时费力,而且计算出性能指标也很难保证其准确性。
本文通过在Matlab程序中编写m文件来实现单项性能指标的提取,通过Simulink仿真模块的搭建以提取积分误差指标。性能指标的读取,只需简单地运行程序以及Simulink系统模型就可以直接读出各项性能指标的大小,极大地节省了控制系统设计的时间。
1 控制系统性能指标[2]
控制系统的性能是通过各种性能指标来反映的。控制系统的时域分析通常采用系统对单位阶跃函数的响应所定义的各项指标来表征,而且取初始条件为零。这些指标包括单项性能指标以及积分误差指标。
1.1 单项性能指标
动态性能指标中,常用的单项指标有上升时间tr、峰值时间tp、调节时间ts以及超调量σ%,这些性能指标的定义如下:
上升时间tr:响应从零第一次上升到稳态值所需的时间。上升时间越短,响应速度越快。
峰值时间tp:阶跃响应曲线超过稳态值,到达第一个峰值所需时间。
调节时间ts:响应达到5%或2%稳态误差带范围内所需的最短时间。
超调量σ%:响应的最大值ymax与稳态值y∞的差与稳态值y∞之比的百分数,即:
1.2 积分误差指标
积分误差指标是指过渡过程中被调量偏离其新稳态值的误差沿时间轴的积分。无论误差幅度的增大或是时间的拖长都会使误差积分增大。它是一类综合性能指标,希望其越小越好。
积分误差指标中,常用的有以下四种:
(1)误差平方积分指标(ISE):
J=ISE=∫∞0e2(t)dt
(2)时间乘误差平方积分指标(ITSE):
J=ITSE=∫∞0te2(t)dt
(3)绝对误差积分(IAE):
J=IAE=∫∞0|e2(t)|dt
(4)时间乘绝对误差积分(ITAE):
J=ITAT=∫∞0t|e(t)|dt
实际中应根据对整个过渡过程优良程度侧重点的不同来选择不同的积分误差指标。如ISE侧重于抑制过渡过程较大误差,而ITAE着重惩罚过渡时间过长。
2 基于Matlab/Simulink平台的控制系统性能指标求取方法
通过Matlab程序和Simulink仿真平台相结合[3,4],建立了能够直观读取积分误差性能指标的仿真模块以及直接读取各单项性能指标的方法。性能指标的获取更加直观、准确、高效。
2.1 单项性能指标
各单项性能指标是通过编写m文件来求取的,实际应用中,只需在仿真结束后调用该程序即可立刻获得各项性能指标值。程序如下:
function [yp,ts,tp,tr]=index(output)
%用于计算超调量yp、调节时间ts、峰值时间tp和上升时间tr;仿真时间的选取必须满足使最终响应处于稳定状态。
ymax=max(output); %ymax为第一个波峰值
l=length(output); %l为采样点个数
ys=output(l); %ys稳态值
yp=(ymax-ys)/ys;
time_step=input('Please set the value of time_step:');
error=input('Please set the value of steady-state error:');
for j=1:l
if output(j)>=(1-error)&&output(j)<=(1+error);
cnt=cnt+1;
else cnt=0;
end
end
ts=time_step*(l-cnt);
%稳态误差带error一般取5%或2%,用户可根据提示交互式输入。
%仿真步长time_step应与Simulink中设置的仿真步长一致,用户可根据提示交互式输入。
cnt1=0;
for j=1:l
if output(j+1)>output(j)
cnt1=cnt1+1;
else break;
end
end
tp=time_step*cnt1;
%第j个采样点处,经过j-1个时间间隔
cnt2=0;
for j=1:l
if output(j)<=1
cnt2=cnt2+1;
else break;
end
end
tr=time_step*(cnt2-1);
end
2.2 积分误差指标
积分误差指标的读取是通过在Simulink环境中搭建的模块来提取的。图1是在Simulink仿真平台中搭建的控制系统以及性能指标提取模块的示意图,其中,D(s)为控制器的传递函数,G(s)为系统的传递函数。性能指标模块组子系统如图2所示,主要完成积分误差指标的求取。
其中,性能指标读取模块的原理框图如图3所示。
此处,积分误差性能指标提取模块搭建好后,可以将其任意移植到其它控制系统模型中,只要将Error信号线与控制系统的Error信号线连接即可。仿真过程中可以通过display模块实时观察各项积分误差指标的变化,并在仿真结束时直接读取各项性能指标的大小。
3 仿真实例
本部分通过一个仿真实例来说明控制系统性能指标的读取方法。对于其它控制系统,只需将已搭建好的simulink性能指标提取模块进行移植,即可读取积分误差性能指标的大小。运行m文件,根据命令窗口中显示的等待用户输入信息,即可立刻读取各项单项性能指标的大小。
模型G(s)采用下列表达式:
控制器采用PID调节器,根据PID调节公式有:
分别取PID参数为以下四种情况:
①Kp=2,K1=5,KD=0.5
②Kp=2.5,K1=5,KD=0.5
③Kp=2.5,K1=5.5,KD=0.5
④Kp=2.5,K1=5,KD=0.5
图2为组a的仿真模型,其它各组只需调节对应的PID参数即可。
其中,设定仿真时间为10s,仿真步长为0.005s,PID的参数可根据需要调整,运行Simulink后,误差积分指标通过display模块动态显示,仿真结束后可以直接读取各项积分误差指标的值。
对于单项性能指标,在Matlab平台中运行命令“[yp,ts,tp,tr]=index(output)”,这时会提示用户输入仿真步长,以及稳定误差带的大小。分别输入0.005,0.05,确定后可立即显示四项单项性能指标的大小。当然也可以根据需要控制所要读取性能指标的种类。
各项性能指标的计算结果如表1所示。
由1,2两组数据可以看出,比例系数从2增大到2.5后,各单项性能指标和积分误差指标都降低。表明比例系数的增大加快了调节,减少了误差。
由2,3两组数据可以看出,积分作用的增大使超调量和调节时间都增大,系统稳定性下降,动态响应变慢。
同样,还可以不断改变PID参数的值,通过直接读取的性能指标的对比,逐渐获得更好的控制系统性能。
由以上控制系统设计过程可以看出,本文所提供的控制性能指标的直观读取法,极大地解决了自动控制单项性能指标人工读取效率低误差大,以及积分误差指标计算过程复杂的问题。从而提高了控制系统设计过程的效率。
4 结束语
由以上仿真实例可知,本文采用的通过运行Matlab语言编写的m文件以提取单项性能指标,搭建Simulink仿真模块以提取积分误差性能指标的方法,解决了常规直接读取计算控制系统性能指标效率低,误差大等不足。本文方法具有很强的通用性和人机交互功能。结合具体的生产过程对不同控制系统的要求,选用特定的性能指标,本方法可以进一步改进,比如:通过自动获取的性能指标的变化趋势以及对控制系统的要求,不断自动整定控制系统参数,以获得满意的控制效果。
摘要：提出了一种直观的控制系统时域性能指标的提取方法。该方法是基于Matlab/Simulink平台,通过调用已编写好的m文件提取单项性能指标,运行已搭建好的Simulink模块读取积分误差性能指标。该方法具有很强的直观性和通用性,降低了控制系统性能指标获取的复杂度,提高了性能指标获取的精度。
关键词：控制系统,性能指标,快速计算法,Matlab/Simulink
参考文献
[1]金以慧.过程控制[M].北京:清华大学出版社,2003:8-10.
[2]杨平,翁思义,郭平.自动控制原理[M].北京:中国电力出版社,2006:78-81.
[3]姚俊,马松辉.Simulink建模与仿真[M].西安:西安电子科技大学出版社,2002:51-97.
快速提取 第7篇
关键词：基频分量瞬时值,快速滤波,衰减直流分量,时间常数
0 引言
电力系统的微机保护和线路故障测距中, 通常使用基频电气量。电力系统故障时, 暂态过程中的故障电流除了包含基频分量外, 还可能包含高频分量和衰减直流分量。傅立叶变换可以完全滤除恒定的直流分量和基波的整数次谐波, 因而在计算机保护中被广泛应用[1]。但是, 傅立叶变换是基于周期信号模型提出来的, 无法滤除衰减的直流分量。由于衰减直流分量的存在, 应用傅立叶变换计算得到的电气量必然产生较大的误差[2], 给保护装置的行为造成不利的影响[3]。
为了消除衰减直流分量的影响, 许多研究人员做了大量的研究, 提出了一些改进的傅立叶算法[4,5,6,7,8,9,10,11,12,13]。文献[4]进行两次傅立叶变换, 并用泰勒级数近似代替指数运算, 计算出傅立叶变换中衰减直流分量带来的误差。当基波周期为T时, 算法所需数据窗长为T+T/2。文献[5]计算精度很高, 但算法非常复杂, 算法所需数据窗长也为T+T/2。因为所需数据窗太长且算法复杂, 这两种算法都不适合在保护中采用。文献[6-9]充分利用了正弦函数的特征, 缩短了算法所需的数据窗, 当基波每周期采样点数为N时, 算法所需数据窗长为N+1个采样点。但这些算法需要进行不适合微处理器计算的对数运算或指数运算。文献[10-13]连续进行三次傅立叶变换, 避免了对数运算或指数运算, 算法所需数据窗长为N+2个采样点。
快速切除故障是提高线路传送功率并保证电力系统暂态稳定性的重要措施, 对于500 k V线路, 如果使故障切除时间减小1个周波, 就可以提高线路传送功率约20万k W[14]。重负荷、长距离的超高压、特高压线路希望保护的动作时间在1个基波周期以内。上述所有算法的数据窗长都大于1个基波周期。因此, 国内外许多研究人员致力于超高速的保护算法研究, 提出了变窗长算法、小矢量算法等短数据窗的距离保护算法[15,16,17,18,19]。这些算法都直接使用瞬时值计算, 数据窗长都远小于1个基波周期, 极大地提高了保护的动作速度。这些快速保护算法使用故障初期几个采样点的数据进行计算, 因为数据窗太短, 衰减直流分量和高频分量必然给算法的计算精度带来极大的影响。虽然可以采用低通滤波器滤除高频分量, 但衰减直流分量具有连续频谱, 并且能量主要集中在低频段, 在基频点上其值不为0, 无法使用前置低通滤波器的办法来消除衰减直流分量的影响。文献[1, 2, 4-13]滤除衰减直流分量的算法求取的是故障电流基频分量的相量, 不是瞬时值, 且数据窗长大于1个基波周期, 无法应用于快速保护算法, 寻找直接提取基频分量瞬时值的快速滤波算法就具有十分重要的意义。
本文提出了一种快速滤除衰减直流分量的算法, 只需3个连续采样值就可进行滤波计算, 逐点直接从采样值中提取基频分量瞬时值, 可以满足快速保护算法的需求。
1 直接提取基频分量瞬时值的算法
1.1 算法的推导
设故障时电流信号的表达式为
式中:i (t) 为故障电流在t时刻的瞬时值;I'0为衰减直流分量的初值;τ为衰减时间常数;In为n次谐波电流的幅值;ω为基波电流的角频率;ϕn为n次谐波电流的初相角。
经过低通滤波器滤波后, 故障电流中的高频分量被滤除, 这时故障电流主要包含基频分量和衰减直流分量。因为低通滤波技术无论是硬件电路还是软件算法都已非常成熟, 本文不再作为研究的重点, 本文主要研究低通滤波后故障电流中衰减直流分量的滤除算法。经滤波后的故障电流可表示为
式中:i (t) 为经过低通滤波器滤波后的故障电流;I0为衰减直流分量的初值;I1为基波电流的幅值, ϕ1为基波电流的初相角。当滤波器的增益对基波为1时, 对衰减直流分量的增益并不为1, 因此I0并不等于I'0, 而是I'0的k倍, k通常大于1。
滤波后的故障电流经等采样间隔采样离散化后可表示为
式中:m为采样序号;i[m]为第m个采样点的故障电流采样值;Ts为采样间隔。
若基波周期为T, 基波每周期采样点数为N, 则sT=T/N。令 , i1[m]=I1sin (ωm TS+ϕ1) , 则i1[m]可表示为:i1[m]=i[m]-i0[m], i1[m]就是我们想要提取的第m个采样点的基频分量瞬时值。
同理可得到第m+1个采样点的故障电流采样值为
对式 (2) 求导, 可得
在第m个采样时刻其值为
则
由式 (3) 和式 (4) 可得
将式 (8) 代入式 (7) , 并且令
用 近似取代 , 则
令
若当前采样序号为k, 取m=k-1, 则式 (12) 可表示为
即由当前采样点的电流采样值和与其相邻的前两个采样点的电流采样值, 可以计算出当前采样点的前一个采样点的基频分量瞬时值。
本文算法的推导过程中, 将衰减时间常数τ看作是已知的, 因此算法得以极大地简化。在实际工程应用中, 衰减时间常数τ是未知的。在不同电压等级的电网中, 衰减时间常数τ是不相同的。即使在某一具体电网中, τ也随故障类型和故障点的不同而变化。电网的电压等级在工程应用中是知道的, 但故障类型和故障点却是随机的。在高压、超高压电网故障时τ的变化范围内, 本文算法的计算系数几乎为一常数, 因此在实际应用中, 本文算法无需实时计算衰减时间常数, 只需事先根据线路参数计算出τ的估计值, 进而求出系数k1、k2、k3, 将其作为常数输入装置即可。
1.2 第1个采样点和当前采样点的基频分量计算
从式 (13) 可知, 根据连续3个采样点的值, 就可以计算出中间采样点的基频分量瞬时值, 因此从故障后第3个采样点就可以开始进行基频分量瞬时值的提取计算。随着采样系列{i[0], i[1], i[2], , i[k]}的增加, 逐点计算的基频分量瞬时值构成了一个新的系列{i1[1], i1[2], i1[3], , i1[k-1]}, 新的系列没有包含第一个采样点和当前采样点的基频分量瞬时值。
为了提高保护的动作速度, 第一个采样点的基频分量瞬时值和当前采样点的基频分量瞬时值也应该参与保护计算。由于高压、超高压电网中e-Δt/τ≈1, 因此可以用i0[1]取代i0[0]、i0[k-1]取代i[0k]近似表示第1个采样点和当前采样点的衰减直流分量, 求出第一个采样点和当前采样点的基频分量瞬时值, 即
2 衰减时间常数的处理
公式 (2) 中第一项为衰减直流分量, 含两个未知数:衰减直流分量初值I0和衰减时间常数τ。衰减直流分量初值I0的大小与故障时刻的初相角有关, 衰减时间常数τ与电网结构、线路参数、系统参数、故障类型、故障位置有关。改进傅立叶算法为了滤除衰减直流分量, 需要计算这两个未知数。衰减时间常数包含在指数函数中, 因此改进傅立叶算法计算这两个未知数时需要进行十分复杂的指数或对数运算。
2.1 衰减时间常数τ与计算系数A的关系
当基波每周期的采样点数已定时, 式 (11) 中只有系数A与衰减时间常数τ有关, 其他的系数都是常数。式 (13) 由式 (11) 简化而来, 其系数k1、k2、k3由系数A计算得来, 因此只要分析系数A与衰减时间常数τ之间的关系, 就可以知道τ的估计误差对算法的敏感性。系数A与衰减时间常数τ的关系如式 (9) 所示。表1是N=32时由式 (9) 计算出的A与τ之间的对应关系。
高压、超高压电网故障时, 衰减时间常数τ的变化范围大约为25~200 ms[20], 从表1可见, 此时计算系数A的变化非常小, 因而本文算法对τ值的估计误差不敏感, 即算法的稳定性很高。因此, 在工程应用中不必计算衰减时间常数τ的实际值, 可以用一估计值代替。
2.2 衰减时间常数的估计
衰减时间常数τ的实际值由故障点的位置和故障类型所决定, 可通过故障环路的综合电抗和综合电阻值来计算, 具体表达式为
式中:X∑是故障环路的综合电抗;R∑是故障环路的综合电阻;ω是基波的角频率。
由于电力系统中各元件的阻抗角相差不大, 且线路阻抗是系统等效阻抗的主要部分, 因此可用线路的电抗、电阻参数代入式 (16) 近似计算系统的衰减时间常数, 作为衰减时间常数τ的估计值。
下面以一个工程实例说明这一处理方法的合理性。图1为蔺廉500 k V输电线路的等效电路图。
以线路参数代入式 (16) 得到的衰减时间常数τ的估计值为48 ms, 将τ的估计值代入式 (9) 求得A=0.032 3。当故障点K与母线M之间的距离p从0到100%的范围内变化时, K点发生单相接地故障、两相接地故障、相间故障、三相故障时τ和A随p的变化范围如表2所示。
从表2可见, 在线路上发生任何类型的故障, 当故障点与母线间的距离p从0到100%的范围内变化时, τ的变化范围为27.3~85.6 ms, A的变化范围为0.032 2~0.032 4, 而用τ的估计值计算得到的A=0.032 3。因此, 在实际工程应用中, 由线路参数计算τ作为估计值来求取A是合理的。
3 仿真分析
为了验证算法的正确性和计算精度, 以下面的电流信号作为输入, 对算法进行仿真分析。
式 (17) 中:I0=10;I1=-10;τ=0.03;ω=23.141650;noise为模值不大于基波幅值1%的随机干扰。输入的电流信号i (t) 先经过图2中的低通滤波器滤除高频分量, 再由本文算法组成的衰减直流分量滤波器滤除衰减直流分量, 其输出信号y (t) 即为本文算法提取的基频分量。各信号波形如图3所示。
图3中实线所示的y (t) 为计算的基频分量, 虚线所示的1i (t) 为实际的基频分量。计算的基频分量与实际的基频分量非常接近, 以致两曲线几乎重合在一起。实际基频分量的幅值、相角与计算得到的基频分量的幅值、相角如表3所示。
电流信号的τ取不同值以模拟不同的电力系统故障。不同τ、不同采样率下的基频分量计算误差如图4和图5所示。其中图4为τ取25 ms在N=32、64、128时的计算误差, 图5为τ取60 ms在N=32、64、128时的计算误差。
从图4和图5可知, 无论τ取何值, 计算误差都非常小, 而且随着基波每周期采样点数的增加, 计算的精度也随之提高。
4 动模试验
以4个π型电路模拟100 km的220 k V输电线路, 接线如图6所示, 保护装置安装在发电机侧。在K1、K2、K3、K4点设置各种故障分别模拟保护装置反向出口故障、正向出口故障、线路中间故障、保护范围外故障。
保护装置分别采用两种算法进行对比研究:算法一采用全波傅立叶算法;算法二先进行本文滤波然后进行全波傅立叶计算。在K1、K2、K3点故障时, 分别采用两种算法保护装置都能正确动作。在K4点设置故障进行暂态超越试验时, 采用算法一时保护装置出现误动, 采用算法二时保护装置动作正确。
5 结论
1) 本文提出了一种直接提取基频分量瞬时值的算法, 算法所需数据窗极短, 从故障后第3个采样点就可以进行滤波计算。数字仿真和动模试验验证了算法的有效性和正确性。
2) 算法简单, 计算量小, 只需3次乘法运算和2次加法运算。
3) 算法不需实时计算衰减时间常数, 可将计算系数当作常数事先输入保护装置中, 从而简化保护计算。
快速提取 第8篇
在实际生产工作中, 单一的信息提取方法已完全不能适应需求, 而纯粹应用各种算法方法实施信息提取, 大多具有区域或数据源的局限性, 实施起来困难较大。因此“复合分层分类法”成为工程中较为常用的方法, 即对单一提取方法难以区分的类别, 借助其他信息源进行辅助提取。本文在已有研究基础上, 结合工程需求, 在影像特征提取中, 采用分层方法, 引入外部数据, 对各类地表信息进行提取, 力图通过方法的设计和实验, 为地形复杂地区土地利用/土地覆盖信息提取提供工程技术支持。
1 特征提取方法的确定
遥感影像中像元的亮度值代表该像元中地物的平均辐射值, 是相应地物光谱特性的具体表征。理论上相同的地物应具有相同的光谱特征, 而不同的地物光谱特性不同。但由于地物成分和结构的综合性、多变性、遥感过程光谱传输机理的复杂性, 以及传感器光谱范围、时空分辨率差异, 使得所接收的地物光谱信息既有多重复杂的变化, 并具有一定的不确定性, 且在不同的传感器上有不同表现, 故目前还不可能做到直接利用光谱特征从影像中一次性提取精度合适的特征信息。
通常一幅影像上反映的地物种类很多, “同物异谱”和“同谱异物”现象明显, 因此在本文中针对区域特点及地物特征分别进行信息处理[5]。采取的主要方法有:
(1) 分层提取:当一种地物被提取后, 将其从原始影像中剔除, 即在每次处理中只针对一个或两个少量的目标地物类别进行提取, 按照提取难易程度分别处理。
(2) 利用数字高程模型。根据本地地形图高程点数据, 建立数字高程模型 (digital elevation model, DEM) , 将影像划分为不同高程带, 分区实现影像特征提取。
(3) 植被指数分离法。具有均一的灰度和纹理分明地区比较容易识别, 对于均一灰度区域, 其影像的灰度值反差很小, 统计直方图均值及标准偏差, 计算地物归一化植被指数 (normalized difference vegetation index, NDVI) , 根据指数确定阈值, 判别地物。
(4) 纹理知识参与。主要针对异质性较强的光谱特征, 如居民点等由于建筑物类型、高度及分布, 在影像上表现出信息的不规则性特点, 通过纹理组合提取地物。
2 信息提取与结果验证
研究区域为陕西省佛坪地区, 位于秦岭中段南麓, 东经107°40'~107°55', 北纬33°33'~33°46'之间, 属于国家级自然保护区。地形复杂, 高差很大, 海拔高度为201~3 500 m, 相对高差达3 300 m。具有古老的地质构造和复杂的地貌、湿润的气候和发育良好的土壤, 保存有相对完好的森林植被, 土地利用/土地覆盖类型丰富。在低海拔的盆地地区, 人为活动非常强烈, 而在两侧山区, 植被类型的垂直梯度非常显著。根据中国《土地利用现状调查技术规程》, 同时考虑土地利用的分类依据、利用方式和覆盖特征等因素, 本着区分差异性、归纳共同性、从高级到低级逐级划分, 经过野外调查和目视解译确定研究区5月主要土地覆盖为耕地 (01) , 林地 (03) , 草地 (04) , 水域 (11) , 居民用地 (07) 和其他土地 (12) 六大类, 其中林地可以分辨出针叶林, 阔叶林和混交林三子类。
所用的遥感数据资料为Landsat TM数据, 成像时间为2010年5月12日。影像解译和几何校正所用地图资料为1∶50 000地形图。影像特征信息的提取流程见图1。影像预处理主要涉及到根据获取的地形图资料进行几何校正, 精度控制在3个像元内, 以保证为计算机监督分类提供准确的训练区样本信息, 也为分类结果验证提供实地数据。
2.1 水体提取与分区
研究区域水体较为单一, 主体为贯穿影像不同混浊度的河流。
取TM影像的5, 4, 3波段进行彩色合成, 通过波段变换公式 (ρtm5-ρtm3) / (ρtm5+ρtm3) 将水体与陆地进行分离 (其中ρtm5为TM数据中红外波段反射率, ρtm3为TM数据红色波段反射率) 。经过此变换的影像, 水体基本落入一定值域范围, 利用影像的掩膜技术提取水体, 得到水系层信息。建立二值图, 与原始影像进行逻辑运算, 从原始影像中去除水体信息。后续工作将直接对除水体外的二次影像进行处理。
2.2 DEM分割影像
“同物异谱”和“同谱异物”是遥感数据的一个普遍特征, 在遥感影像解译过程中, 如何最大限度的快速避免“同物异谱”和“同谱异物”干扰一直是遥感研究的重点内容。虽然本幅数据上的地物类型复杂多样, 但是表现为较明显的垂直地带性, 因此可以将地面数据与遥感数据进行集成, 提高信息提取的精度。目视解译与实地踏勘表明, 山脉森林植被地区和平原地区都有不同程度的其他土地, 在有林地区植被与其他土地的灰度值明显表征不同, 可以分离;在佛平地区, 该季节草地和其他土地的色调容易混淆, 需要按照不同方法对不同海拔地区的其他土地进行提取。
根据研究区1∶50 000地形图提取等高线, 在此基础上建立数字高程模型[6], 根据高程值范围对影像进行分割:低海拔地区 (1 500 m以下) :主要以人为活动为主的地物类别, 包括城市居民点用地、耕地、水体、荒草和其他土地类;高海拔地区 (1 500 m以上) :地物类别主要为阔叶林、混交林, 出现针叶林, 2 000 m以上开始出现高海拔裸岩荒地。
2.3 耕地提取
耕地主要集中在低海拔地区, 在影像上表现出较鲜艳的绿色, 其表现出的影像灰度值与其它土地, 居民地差异较大, 故选择使用监督分类直接提取。并在该地区影像中剔除该项。
2.4 植被提取
在整幅影像中, 植被主要包括针叶林, 阔叶林和混交林三类。
植被指数是提取植被信息的有效手段[2], 目前较为常用的植被指数[7]有:
差值植被指数 (difference vegetation index, DVI) DVI=ρNIR-ρR, 归一化植被指数 (normalized difference vegetation index, NDVI) NDVI= (ρNIR-ρR) / (ρNIR+ρR) , 垂直植被指数 (perpendicular vege-tation index, PVI) , 比值植被指数 (ratio vegetation index, RVI) RVI=ρNIR/ρR, 土壤调整植被指数 (soil-adjusted vegetation index, SARVI) SARVI= (ρNIR-ρR) /[ (ρNIR+ρR+L) (1+L) ]。上述表达式中, ρNIR表示近红外波段反射率, ρR为红色波段反射率, a是土壤基线与ρNIR截距, b是土壤基线与ρR的夹角, α和b为参数, L为土壤调节系数。
本文对数据进行了DVI, NDVI, RVI, SARVI等方法提取, 结果比较表明, SARVI的效果最差, 无法分辨大部分针叶林和阔叶林;RVI效果一般, 阔叶林和混交林间混淆度较高;相比之下经过NDVI处理后影像中各地物差异较大。其他学者研究中也肯定了NDVI在消除山体阴影方面很有优势, 生长在阳坡和阴坡的植被可以通过NDVI得到较好的提取[3], 因此采用NDVI为主进行特征提取。对照野外调查数据, 在图上确认各植被类型指数:针叶林0.21~0.8, 阔叶林0.8~0.9, 混交林0.9~1, 草地0.21~0.16, 其他土地设置为0.16以下。
2.5 其他土地、草地与居民地的提取
在低海拔地区影像中, 对数据的8个纹理进行特征分析与空间优先[8—10]。从单一纹理、纹理组合、方向及波段叠加等方面进行综合分析, 最终信息提取结果见表1。
对于不同方向得到的纹理特征, 虽然协同性和相异性值随角度相对发生了相对偏移, 但样本地类的响应曲线基本没有发生变换。有研究者建议取全方向的均值来弥补方向带来的问题, 但从分层提取思路来讲, 选取最大精度的方向即可。均值、方差和熵是所有纹理中最能反映分类精度的特征, 方差反映数据的异质性, 熵衡量数据的无序性, 两者与均值结合, 可以提供常用窗口下的纹理特征分析。因此根据分析结果构造成员函数, 提取居民点信息。
其他土地类别色调多显示为品红, 洋红色。部分草地由于地表覆盖尚不完全, 会显示出和其他土地类似的光谱视觉特色, 在经过前几项处理后的影像上, 进行 (ρtm5-ρtm3) / (ρtm5+ρtm3) 变换, 与原始影像和野外实地数据联系, 确定草地范围为-0.226~0之间, -0.226以下的为其他土地。
注:表中分类代码为中国土地利用现在分类标准, 由于针叶林, 阔叶林和混交林在其中无代码标示, 故分别设定为03_1, 03_2, 03_3。
2.6 分类结果与精度分析
将提取的各个图层进行叠加和拼接, 得到实验区域的土地利用/土地覆盖分类信息结果, 如下图2。
以KAPPA矩阵对信息提取结果进行精度验证, 检验中的验证点来源有三类:野外实地调查点, 解译图上的调查点和现有地形图上的特征点。
可以看出:采用波段运算得到的水域信息最为完善, 提取效果最好, 得到的用户精度和生产精度都是最高;以DEM分区后的提取的草地、其他土地的生产精度为0.88和0.83, 大部分信息能够识别;采用纹理构造成员函数, 提取居民点得到的用户精度达到0.8, 符合一般信息提取的精度要求;针叶林、阔叶林和混交林的区分较为困难, 虽然采用了不同的指标指数进行分析, 但由于遥感数据分辨率的限制, 相对识别精度最低, 其中针叶林的用户精度最低, 为0.64, 混交林的生产精度最低, 为0.63。
3 结束语
有针对性的对特定目标进行分层处理, 是解决土地利用/土地覆盖中专题信息提取的有效方法。本文研究的区域特点是地表植被覆盖垂直性明显, 因此在信息提取中, 先将特征明显的水域层提出, 再以DEM分割影像, 按照不同方法对预先确定的目标类型进行提取。使用该信息提取流程的精度检验表明, 借助于DEM的分层方法识别影像特征效果较好。同时, 该方法只需要结合本地区地形图进行区域划分, 所需外部数据少, 极大的减少了遥感数据的处理内容, 提高了数据提取的速度, 适用于工程实践生产。
国内外关于Landsat影像的地表植被覆盖研究中, 中等分辨率遥感影像进行植被的二级划分还是一个较为热门的研究, 在后续的研究中, 将进一步从分析光谱信息的角度来区分各类植被, 以提高高海拔地区的植被分类精度。
摘要：遥感图像快速识别是遥感数据应用于土地利用/土地覆盖动态监测的难点问题。根据海拔高差大地区地表覆盖的垂直性特点, 利用数字高程模型分割影像, 分析各区域的光谱特征和纹理特征, 采用植被指数和纹理组合对不同区域地表信息进行提取, 并根据野外实测数据进行精度验证。结果表明, 该方法能有效提高地物识别精度, 有一定实用价值。
关键词：分层,数字高程模型,植被指数,纹理,Landsat
参考文献
