【摘要】：迷彩服作為用于軍事偽裝的作訓服,由橄欖綠、黑、土黃、棕褐等顏色的不規(guī)則保護色圖案組成,其偽裝效果的好壞直接關系著士兵的生死存亡和戰(zhàn)爭的勝敗榮辱。顏色是衡量迷彩面料偽裝效果的重要因素,迷彩面料的顏色與目標背景環(huán)境的光譜反射率越貼合,士兵的傷亡率愈低,軍隊整體戰(zhàn)斗力愈高,因此迷彩面料顏色的質量檢測顯得至關重要。迷彩面料圖案是依照各種復雜的地理環(huán)境設計出來的,圖案尺寸的大小不一、形狀以及排列方式的多樣性等問題使得傳統(tǒng)顏色評估或測量方法存在一定的局限性。為了獲取準確的迷彩顏色信息,本論文提出了基于多光譜圖像的迷彩面料顏色測量方法。通過獲取圖像的像素點響應值信息,利用光譜重建算法重建出迷彩面料的光譜反射率,進而實現(xiàn)了迷彩顏色測量。首先,對現(xiàn)有的面料顏色測量評估方法進行了分析。通過對迷彩顏色的實際測量,發(fā)現(xiàn)分光光度測色方式,對于迷彩色塊過復雜、過小的區(qū)域無法測量,又因其為接觸式測量,測量效率偏低;DigiEye圖像測色系統(tǒng)只能測量劃定區(qū)域內顏色。其次,本文搭建基于LED可調光源和數碼相機的多光譜圖像采集系統(tǒng),可快速獲得迷彩面料的彩色圖像和(405nm、425nm、450nm、475nm、505nm、525nm、595nm、635nm、660nm)九種窄帶波長下的多光譜圖像。研究了圖像處理技術實現(xiàn)迷彩顏色色塊的分割方法,提出了基于彩色圖像和多光譜圖像結合的分割方法,利用圖像濾波、圖像分割等技術得到彩色圖像的分割結果,再將其像素點位置信息映射到多光譜圖像,研究結果發(fā)現(xiàn)mean shift聚類可快速實現(xiàn)多張同類多光譜圖像的分割。接著本文研究了基于學習算法的光譜重建方法。針對不同訓練集對迷彩預測樣本光譜重建的影響,提出兩種訓練樣本集:DCC標準彩板的全局樣本集和基于迷彩顏色自身的局部訓練樣本集,通過四種光譜重建方法的對訓練集光譜再現(xiàn)結果對比,發(fā)現(xiàn)違逆法和主成分分析法的精度結果遠遠不及BP神經網絡回歸和支持向量機回歸,且支持向量機回歸最好,故選擇支持向量機回歸用于迷彩顏色重建。最后依據迷彩光譜反射率結果探討發(fā)現(xiàn)基于自身訓練的局部樣本集重建迷彩顏色精度較高,采用基于LSSVM算法的局部訓練回歸方法,實現(xiàn)了五種迷彩面料的顏色重建,并與Datacolor測色結果相比,平均色差結果分別為4.16、3.24、2.65、3.54、2.36;與DigiEye測色結果相比,平均色差結果分別為3.06、3.58、3.71、3.77、3.34。結果表明,本文提出的多光譜技術測量方法對于迷彩顏色評價是可行的。
【學位授予單位】：江南大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TS941.4;O657.3
【圖文】：

圖 1-1 本文研究框架圖Fig1-1 The studies framework of this paper要研究內容包括以下三個方面：通過搭建多光譜成像系統(tǒng)拍攝多個通道下的迷彩面料多光譜圖像，利用聚類算迷彩面料圖像的不同顏色圖案，以便于提取迷彩織物的不同色塊顏色響應信息提出以光譜反射率表征出迷彩面料的顏色信息，利用光譜重建算法來獲取迷彩率與多通道相機響應值之間的關系。取不同迷彩顏色色塊圖像的多通道相機響應值，重建出迷彩面料的光譜反射率與 Datacolor 分光光度法、Digieye 圖像測色法得到的色度信息值對比分析。文創(chuàng)新點：針對現(xiàn)有測色方法對迷彩面料顏色測量存在的局限性，提出利用多光譜成像技法實現(xiàn)其顏色測量，即利用光譜重建算法將迷彩面料的多通道相機響應值轉換射率，再利用色度公式完成其他色度信息的獲取，從而達到迷彩面料的顏色測量

海洋迷彩、野戰(zhàn)迷彩。觀察迷彩面料的顏色配形成不同風格，如 1#迷彩面料的暗綠、土黃穿梭于陸地地面和茂林地段的士兵隱藏，而，由黑色慢慢過渡到淺灰，邊界不明顯，使顏色所形成的色塊圖案可方可線可圓可尖，，毫無規(guī)則可言，卻是迷彩面料最特殊的性色測量方法的顏色測量儀器為美國的 Datacolor 650 分光測色儀[36]，色器和光電探測器三大部分組成，當光源器偵測到樣品被光柵或者三棱鏡分離的反率為基礎，軟件部分可實現(xiàn)如色度坐標 x y 白度測量以及配色等功能。

圖 2-2 測色條件設定Fig2-2 Color measurement condition setting白板、綠板校正儀器，如圖 2-3 所示一遍;圖 2-3 儀器校正過程Fig2-3 Instrument calibration process

【相似文獻】

相關期刊論文 前10條

1 馬啟明;;多光譜圖像技術在食品品質檢測中的應用研究[J];食品界;2017年04期

2 孫根云;張愛竹;王振杰;;基于數據場模型的多光譜圖像邊緣檢測[J];東南大學學報(自然科學版);2013年S1期

3 ;我國研制出同時獲取立體和多光譜圖像方法[J];現(xiàn)代科學儀器;2011年02期

4 ;我國研制出同時獲取立體和多光譜圖像的方法[J];光學儀器;2011年03期

5 李嬋;萬曉霞;謝偉;李天庭;梁金星;;照明光源對多光譜圖像采集精度影響的研究[J];激光雜志;2016年12期

6 李云;楊海清;;多光譜圖像技術在土壤酸堿度檢測中的應用[J];紅外;2014年03期

7 黃云仙;李祥;艾未華;;多光譜圖像的無損壓縮方法[J];計算機工程與科學;2010年04期

8 李云松;孔繁鏘;吳成柯;雷杰;;基于分布式信源編碼的干涉多光譜圖像壓縮[J];光學學報;2008年08期

9 鄧黎;李元祥;;基于整數小波變換的MODIS多光譜圖像無損壓縮[J];解放軍理工大學學報(自然科學版);2007年01期

10 王海文;李杰;萬曉霞;盧玲;阮渭平;壽偉克;毛立洪;李云霞;;面向高保真復現(xiàn)的多光譜圖像融合算法[J];數字印刷;2019年02期

相關會議論文 前10條

1 孫根云;張愛竹;王振杰;;基于數據場模型的多光譜圖像邊緣檢測[A];2013年中國智能自動化學術會議論文集（第三分冊）[C];2013年

2 黃云仙;李祥;艾未華;;多光譜圖像的無損壓縮方法[A];2009第五屆蘇皖兩省大氣探測、環(huán)境遙感與電子技術學術研討會專輯[C];2009年

3 陳海永;楊佳博;王慶;王濤;陳鵬;劉坤;;復雜背景太陽能電池片表面缺陷多光譜圖像融合[A];2018中國自動化大會(CAC2018)論文集[C];2018年

4 邸(韋冿);;基于三維高斯馬爾可夫隨機場模型的多光譜圖像目標自動檢測[A];第十五屆全國遙感技術學術交流會論文摘要集[C];2005年

5 張憲偉;宋建社;張紅蕾;廖增為;;SAR圖像與多光譜圖像融合方法研究[A];第三屆全國數字成像技術及相關材料發(fā)展與應用學術研討會論文摘要集[C];2004年

6 姜偉杰;孫明;孫潔瓊;;基于光譜分析及光譜圖像技術作物長勢檢測研究綜述[A];紀念中國農業(yè)工程學會成立30周年暨中國農業(yè)工程學會2009年學術年會（CSAE 2009）論文集[C];2009年

7 劉吉平;郭艷柳;;一個基于慣量橢球的遙感圖像匹配新算法[A];第十七屆中國遙感大會摘要集[C];2010年

8 王海華;張彥娥;郭威;;基于多光譜圖像的玉米營養(yǎng)監(jiān)測技術研究[A];中國農業(yè)工程學會2011年學術年會論文集[C];2011年

9 蔣年德;王耀南;;基于小波包變換融合TM多光譜圖像與SPOT全色圖像[A];第十五屆全國遙感技術學術交流會論文摘要集[C];2005年

10 況軍;羅建書;黃志雄;;基于三維自適應預測的多光譜圖像的無損壓縮算法[A];計算機技術與應用進展·2007——全國第18屆計算機技術與應用（CACIS）學術會議論文集[C];2007年

相關重要報紙文章 前2條

1 記者 詹媛;首批高分辨率衛(wèi)星影像圖發(fā)布[N];光明日報;2013年

2 電子系;清華技術精準鑒別鈔票真?zhèn)蝃N];新清華;2011年

相關博士學位論文 前10條

1 陳書界;多光譜圖像配準與去模糊方法研究[D];浙江大學;2018年

2 翟林;自適應多光譜圖像稀疏逼近濾波算法研究[D];山東大學;2018年

3 張凱;基于稀疏矩陣分解的遙感圖像融合[D];西安電子科技大學;2018年

4 隋延林;基于張量的多光譜圖像云檢測與在軌實時處理研究[D];中國科學院大學(中國科學院長春光學精密機械與物理研究所);2019年

5 金劍秋;多光譜圖像的融合與配準[D];浙江大學;2005年

6 梁瑋;基于光譜特性的多光譜圖像壓縮方法研究[D];西安電子科技大學;2014年

7 戎凱旋;基于投影替代與矩陣低秩稀疏分解的多光譜圖像融合[D];西安電子科技大學;2016年

8 宋娟;基于分布式信源編碼的多光譜圖像/視頻壓縮技術研究[D];西安電子科技大學;2012年

9 張國亮;紅外多光譜多個弱小運動目標的檢測與跟蹤技術研究[D];哈爾濱工業(yè)大學;2016年

10 陳大可;多光譜與全色圖像融合方法的研究[D];吉林大學;2010年

相關碩士學位論文 前10條

1 王志輝;印度幣多光譜圖像識別方法研究[D];華中科技大學;2019年

2 王飛翔;調理肉多光譜圖像在線檢測設備的設計與試驗[D];河南科技大學;2019年

3 涂淑琪;基于卷積神經網絡的多光譜圖像分割技術研究[D];北京交通大學;2019年

4 朱晨青;基于多光譜圖像技術的迷彩面料顏色測量分析[D];江南大學;2019年

5 楊駿鋒;基于卷積神經網絡的Pan-sharpening方法[D];廈門大學;2018年

6 何欣;多光譜圖像深度特征描述與魯棒匹配[D];北京郵電大學;2019年

7 閆昱光;基于多光譜圖像的水稻估產模型研究[D];東北農業(yè)大學;2019年

8 HADI-LAI BAKARY;基于張量正則化框架的遙感多光譜圖像降噪研究[D];重慶交通大學;2018年

9 劉賢文;多尺度幾何分析和稀疏表示的多光譜圖像融合方法[D];南京理工大學;2018年

10 徐杭威;基于GPU并行運算的多光譜圖像實時目標識別方法[D];南京理工大學;2018年

本文編號：2769560