基于數學形態學和改進Otsu的單板缺陷檢測*

戴天虹，顧昕岑，劉學哲，胡雪晶

（東北林業大學機電工程學院，哈爾濱 150040）

姚登凱1，孫千銳1，吳奇科1，徐天舒2

（1.空軍工程大學 空管領航學院，西安 710051；2.66137部隊 中部戰區空域管理隊，北京 100061）

基于數學形態學和改進Otsu的單板缺陷檢測*

戴天虹，顧昕岑，劉學哲，胡雪晶

（東北林業大學機電工程學院，哈爾濱 150040）

在經典檢測算子中，針對單板灰度圖像的缺陷檢測存在缺陷邊緣檢測不清晰甚至出現偽邊緣的問題，提出了一種 Otsu改進算法與數學形態學相結合的單板缺陷檢測算法.在 HSI彩色空間中，對利用數學形態學濾波后的H、S、I分量采用本文算法進行分別處理，并將三分量的檢測結果進行疊加.結果表明，該算法能夠準確檢測出單板的一個或多個缺陷邊緣.與經典邊緣檢測算子的檢測結果對比可知，該算法無論對于缺陷的定位還是邊緣的提取均優于其他方法.

數學形態學；多結構元素；灰度圖像；缺陷檢測；單板缺陷；邊緣提??；缺陷定位；彩色空間

當今生態環境遭到嚴重破壞，導致地質災害頻發.國家逐漸意識到生態環境保護的重要性，并將環境保護作為國家未來發展的奠基石.要想使得環境得到有效改善，對于森林的保護無疑是重中之重.國家有關部門基于對森林的保護出臺了相關法律條例，大肆砍伐天然木材已然是一種違法行為［1］.但是人們對木材制品的需求量并沒有減少，因此，用人造板材來代替實木無疑是解決這一問題的有效方法.

人造板材有很多種，其中表層粘貼單板的人造板材與實木板材特性接近且視覺效果良好，受到人們的廣泛歡迎.要想制造高品質人造板材，單板質量必須過硬，因此，對單板進行再加工的過程中，提取單板缺陷的成功與否是加工產品好壞的重要前提.目前，常見的單板缺陷有木材本身的蟲眼、死結和活結等，也有經過旋切或其他加工過程中產生的缺陷.對于單板缺陷的檢測，我國現有的大部分方法仍是采用效率低下的人工進行篩選.在對單板進行缺陷檢測的方法中，大多數是基于灰度圖像或彩色圖像利用單一方法進行缺陷檢測的.這樣處理得到的結果不僅具有局限性而且不能準確保留缺陷的細節信息.本文采用改進的Otsu與形態學兩種不同方法，實現了對H、S、I三分量的缺陷檢測，并將三分量的缺陷檢測結果進行疊加，最后通過骨架提取的方法提取出缺陷邊緣［2］.本文方法能夠盡量保留缺陷的細節信息，并且對于多缺陷的單板也有較好的檢測效果.

1 相關知識

1.1 灰度數學形態學

灰度形態學是對二值形態學進行延伸及發展得到的，其理論本身與討論域的維數無關.

1.1.1 灰度圖像的膨脹與腐蝕

設f（x，y）為原始輸入圖像，g（x，y）為作用于輸入圖像的結構元素，兩函數值分別代表其在（x，y）處的灰度值，則f（x，y）被g（x，y）膨脹可記作f⊕g，具體定義為

式中：Df、Dg分別表示 f（x，y）與g（x，y）的定義域；（u，v）為函數f自變量方向的位移量.

腐蝕與膨脹是一對對偶運算，則用g（x，y）對f（x，y）進行腐蝕可記作 fΘg，具體定義為

由上式可以發現，膨脹運算是求取所選取的圖像值與結構元素值之和的極大值.腐蝕運算是求取所選取的圖像值與結構元素值之差的極小值.

1.1.2 灰度圖像的開運算與閉運算

f（x，y）被 g（x，y）做開運算，其表達式為

f（x，y）被 g（x，y）做閉運算，其表達式為

1.2 Otsu算法結合類內聚性與多閾值的改進算法

傳統的Otsu算法采用基于類間方差最大原則，在算法中設定一個閾值，從而將圖像分為目標與背景兩類.由于單板有多種缺陷，某些缺陷邊界與背景的灰度值可能會很接近，而只采用一個閾值很難達到精確檢測、分辨缺陷，故本文采用多閾值的Otsu算法，并結合類的內聚性概念，進而達到閾值的精確選?。?］，具體定義如下所示.

假定圖像中有m個待區分類，m－1個閾值分別為t1，t2，…，tn，…，tm－1，則m個區分類分別為C1＝｛0，1，…，t1｝，…，Cn＝｛tn＋1，tn＋2，…，tn＋1｝，…，Cm＝｛tm＋1，tm＋2，…，L－1｝.類間方差可定義為

本文令

式中：μ0，…，μn，…，μm－1為各類的平均灰度值；ω0，…，ωn，…，ωm－1為 m個類可能出現的概率；μ為圖像總平均灰度級；N為圖像中整體像素個數和；Pi為第i級出現的概率；Ni為圖像中第i灰度級像素個數和.

由上述算法可知，盡管閾值的個數是決定圖像分類的關鍵，但并不能在對圖像進行分類之前確定出閾值的個數.如果僅考慮類間分離性而忽略類內內聚性則會導致閾值選取的誤判［4］.本文通過類間分散度和類內分散度聯合確定閾值的個數，采用類間分離因子SF與類內分離因子 BF進行檢測，其定義為

式中：VT為圖像的總方差，即d0，…，dn，…，dm－1為圖像的類內分散度.

SF的值越大，則表示類之間的分離性越好，而

當SF值接近于1時，σBC取得最大值，閾值與類的個數可以待確定，從而可以求取 LF的最大值，并且可得到最佳閾值個數.

1.3 HSI與RGB相互轉換

HSI模型較RGB模型能夠更好地貼近人類對事物的觀察認知，因此，本文在 HSI模型中實現對單板的缺陷檢測，并最后轉化為RGB模型.考慮到分辨率及逆向還原性，本文選擇幾何推導法來實現兩個模型之間的相互轉換.

RGB轉化為HSI，其表達式為

HSI轉化為 RGB，其表達式為：

2 單板彩色圖像缺陷檢測

本文基于HSI彩色模型實現了對單板缺陷的檢測，主要檢測流程［5－6］如圖1所示.圖1中，B1，B2，…，Bq為結構元素；K1，K2，…，Kq為采用其相應的結構元素通過灰度形態學邊緣檢測公式檢測后得到的缺陷圖像；EH為H分量采用改進Otsu算法得到的缺陷分割圖像；ES、EI分別為采用上述選用的結構元素通過灰度形態學得到的缺陷圖像以相應的權重疊加而形成的S與I分量的缺陷圖像.經實驗論證，在利用數學形態學與改進的Otsu算法實現對三分量同時進行缺陷檢測的多個方法中，單板彩色圖像缺陷檢測方法的效果最佳.

圖1 單板圖像缺陷提取步驟Fig.1 Defect extraction step for images of veneer

2.1 數學形態學濾波

數學形態學是一種非線性濾波方法，利用數學形態學進行濾波可以避免線性濾波方法在濾波過程中的缺陷.通過膨脹、腐蝕、開閉運算的適當組合實現了對三分量的濾波，進行初步梯度檢測為之后的缺陷提取奠定了基礎.濾波之后三分量圖像的表達式為

式中，Bj為結構元素.經實驗證明，當權值分別為0.3與1.7時濾波效果最佳.

2.2 結構元素的選取

結構元素的選取是否合適是數學形態學能否對圖像進行較好處理的關鍵.若結構元素選取過小，會使圖像中的噪聲去除不完全或無法去除；若結構元素選取過大，會使圖像中細節檢測不完全.根據結構元素的大小和差異可以檢測出在不同尺寸和方向上的圖像邊緣.本文選取全方位、多尺度、多結構元素對單板缺陷進行檢測.

2.2.1 全方位結構元素

由于單板缺陷的圖像信息在很多方向上都存在，僅依靠單一方向的結構元素無法得到單板缺陷的完整信息.全方位多結構元囊括了在方形窗口內的所有線條走向，實現了對方形濾波窗口全方位的劃分，該方法能夠盡可能地將圖像的細節信息保留完整［7］，其具體方法如下.

在（2Z＋1）×（2Z＋1）窗口，定義該方窗為全方位結構元（子窗），即

式中，α為單位旋轉角.本文選取 Z＝4，在9×9窗口中，全方位結構元素對應的角度 θ為0°、11.25°、22.5°、…、168.75°.

圖2給出了當θ為11.25°、22.5°、135°、146.5°、157.5°時的結構元素示意圖，由于文章篇幅有限，本文不一一贅述.

圖2 部分全方位結構元素示意圖Fig.2 Schematic partial omni-directional structural elements

2.2.2 多尺度多結構元的選取

基于同一結構元素不同尺度與不同結構元素在同一尺度或不同尺度會對同一單板缺陷有著不同檢測效果［8］，本文選擇正方形、菱形、圓形與邊緣型結構元，分別有3×3與5×5兩種不同尺度.

2.3 灰度形態學邊緣檢測

基于灰度形態學的單板缺陷邊緣檢測實際上是檢測圖像中某一點的梯度最大值.常見灰度形態學梯度算子有膨脹型、腐蝕型以及膨脹腐蝕型［9］.本文結合高低帽變換及開閉運算的適當組合，提出了全新的五種邊緣檢測算子，實現了對單板缺陷邊緣的檢測，五種算子的表達式為

式中：G1h，G2h，…，G5h為邊緣檢測算子，其中，h的取值為1～q；Bh為全方位、多尺度、多結構元的結構元素.每個結構元素的缺陷檢測圖像是由其相應的邊緣檢測算子之和取平均得到的，其表達式為

S與I分量的缺陷檢測圖像是由在其分量中的每個結構元素的缺陷檢測圖像附以不同的權重加權取平均得到的，其表達式為

式中，ωh為在不同分量不同結構元素下的權重.對于不同的單板缺陷，不同尺度、方向、結構的元素，其ωh取值會有所不同［10］.本文引入均方誤差，其反映的是恢復圖像偏離原始圖像的程度，均方誤差值越小代表恢復圖像偏離原始圖像越小.用均方誤差來確定 ωh的值，可實現對各個結構元的最佳配比，ωh的表達式為

式中：E、F分別為圖像矩陣中像素的行數和列數，

由式（22）可知，恢復圖像偏離原始圖像越小，則該恢復圖像所賦予的權值越大.將三分量缺陷檢測圖像進行疊加可得到最終單板缺陷圖像T，即

2.4 邊緣檢測

邊緣檢測的目的是勾勒出圖像中亮度變化明顯的一些點.骨架化原理是不改變圖像的本質結構，將圖像的所有對象簡化為線條.本文采用數學形態學中的骨架化原理將檢測出的單板缺陷進行邊緣提取［11］.

3 實驗結果

本文將三分量缺陷檢測圖像疊加得到缺陷圖像，經過骨架化實現對缺陷邊緣的提取.本文從死結、活結、蟲眼的缺陷圖像樣本庫中各選取50張作為測試樣本，并分別利用本文算法與經典邊緣檢測算子 Canny、Robert、Prewitt對測試樣本進行檢測，對比的檢測結果表明本文算法的檢測結果優勢明顯.圖3～5分別為隨機選取的一組死結、活結、蟲眼的缺陷檢測對比圖，其中，各子圖分別為每個缺陷的原圖，Canny算法、Prewitt算法、Robert算法對缺陷檢測的結果，以及利用本文算法對缺陷檢測的結果及缺陷邊緣提取.

圖3 死結缺陷檢測對比結果Fig.3 Comparison in test results of knot defect

4 結 論

本文在HSI模型中，對H分量采用Otsu改進算法進行單板缺陷提取，對S、I分量采用結構元素進行形態學缺陷檢測，并以改進的權值確定機制將S、I分量中各個結構元素以加權取均值的方式進行疊加，最后將三分量的缺陷檢測圖像進行疊加，通過缺陷骨架化進行缺陷邊緣檢測.實驗結果表明，本文算法明顯優于傳統的邊緣檢測算子算法，不僅對單個單板缺陷有較好的檢測效果，對多個缺陷的單板也能準確地確定缺陷的形態與位置.

圖4 活結缺陷檢測對比結果Fig.4 Com parison in test results of live knot defect

圖5 蟲眼缺陷檢測對比結果Fig.5 Comparison in test results of wormhole defect

參考文獻（References）：

［1］吳依陽.我國森林資源保護立法問題研究［D］.長春：吉林大學，2012.（WU Yi-yang.Research on the legislative issues of forest resources protection in China［D］.Changchun：Jilin University，2012.）

［2］陳向東，李平.基于色彩特征的CAMSHIFT視頻圖像汽車流量檢測［J］.沈陽工業大學學報，2015，37（2）：183－188.（CHEN Xiang-dong，LI Ping.Vehicle flow detection with CAMSHIFT video images based on color feature［J］.Journal of Shenyang University of Technology，2015，37（2）：183－188.）

［3］張建波.基于Otsu的紅外圖像閾值分割研究［D］.湘潭：湘潭大學，2014.（ZHANG Jian-bo.Infrared image threshold segmentation research based on Otsu［D］.Xiangtan：Xiangtan University，2014.）

［4］王磊，段會川.結合類的內聚性的Otsu閾值計算方法研究［J］.信息技術與信息化，2008（4）：55－56.（WANG Lei，DUAN Hui-chuan.A novel thresholding approach devised by combining class cohesiveness into Otsu method［J］.Information Technology and Informatization，2008（4）：55－56.）

［5］解朦.基于形態學的單板彩色圖像缺陷檢測［D］.哈爾濱：東北林業大學，2014.（XIEMeng.Defect detection on colorful image of veneer based on morphology［D］.Harbin：Northeast Forestry University，2014.）

［6］李雪林.基于數學形態學的彩色圖像邊緣檢測算法研究［D］.武漢：武漢理工大學，2014.（LIXue-lin.Research on edge detection of color images based on mathematical morphology［D］.Wuhan：Wuhan University of Technology，2014.）

［7］解朦，戴天虹，李琳.基于HSI空間的形態學單板缺陷檢測［J］.森林工程，2014，30（2）：65－67.（XIE Meng，DAI Tian-hong，LI Lin.Veneer defects detection based on mathematical morphology in space HSI［J］.Forest Engineering，2014，30（2）：65－67.）

［8］何宇.基于數學形態學的圖像分割及其在醫學圖像中的應用［D］.武漢：中南民族大學，2013.（HE Yu.Mathmatical morphological skeleton and study of its extraction and reconstruction［D］.Wuhan：South-Central University for Nationalities，2013.）

［9］邱筱斐.基于數學形態學的木材缺陷分割技術的研究［D］.哈爾濱：東北林業大學，2012.（QIU Xiao-fei.Segmentation technology of wood defects based on mathematical morphology［D］.Harbin：Northeast Forestry University，2012.）

［10］熊睿，馬國紅，聶軍，等.基于多結構元素的形態學焊縫起始點識別 ［J］.熱加工工藝，2014，43（21）：158－160.（XIONG Rui，MA GUO-hong，NIE Jun，et al.Identification of initial welding position in morphology by using multi-structure element［J］.Hot Working Technology，2014，43（21）：158－160.）

［11］張慧杰，劉亞鑫，馬志強，等.一種基于形態學編碼的地形骨架特征提取方法［J］.計算機研究與發展，2015，52（6）：1409－1423.（ZHANG Hui-jie，LIU Ya-xin，MA Zhi-qiang，etal.A terrain skeleton feature extraction method based on morphological encoding［J］.Journal of Computer Research and Development，2015，52（6）：1409－1423.）

（責任編輯：鐘 媛 英文審校：尹淑英）

MSPDAF算法在低空監視信息融合中的應用*

姚登凱1，孫千銳1，吳奇科1，徐天舒2

（1.空軍工程大學 空管領航學院，西安 710051；2.66137部隊 中部戰區空域管理隊，北京 100061）

摘 要：為了實現對低空空域運行航空器的有效跟蹤，進而保障低空空域運行安全，將一次雷達與無源雷達進行組合，運用MSPDAF算法進行兩種雷達協同監視的信息融合，并將回波源于目標的概率應用于目標狀態估計中.仿真結果表明，該算法相比單獨一種雷達的跟蹤算法具有更好的融合精度，能夠在電磁環境復雜的低空空域中有效地進行目標跟蹤，從而可以應用到低空空域航空器的監視，為低空運行提供更高的安全保障.

關 鍵 詞：低空空域；監視；一次雷達；無源雷達；信息融合；MSPDAF算法；目標跟蹤；MATLAB仿真

中圖分類號：TP 301.6 文獻標志碼：A 文章編號：1000－1646（2016）06－0680－06

doi：10.7688／j.issn.1000－1646.2016.06.15

Application of MSPDAF algorithm in information fusion for low altitude airspace surveillance

YAO Deng-kai1，SUN Qian-rui1，WU Qi-ke1，XU Tian-shu2
（1.Air Traffic Control and Navigation College，Air Force Engineering University，Xi’an 710051，China；2.Central Theater Airspace Management Team，66137 Forces，Beijing 100061，China）

Abstract：In order to achieve the effective tracking of aircraft and guarantee the operation safety in low altitude airspace，the primary and passive radars were combined，and the information fusion for the cooperative monitoring of two kinds of radars was performed with MSPDAF algorithm.In addition，the probability that the echo comes from the target was applied into the target state estimation.The simulation results show that the proposed algorithm can achieve better fusion accuracy and interference immunity than the algorithm with only one kind of radar，and has the capability of effectively tracking the target in the low altitude airspace with complex electromagnetic environment.The proposed algorithm can be used for the surveillance of aircraft in the low altitude airspace and provide higher safety assurance for the low altitude airspace operation.

Key words：low altitude airspace；surveillance；primary radar；passive radar；information fusion；MSPDAF algorithm；target tracking；MATLAB simulation

低空航空器具有機型小、速度慢、機動性強、時效性較高等特點［1］，而低空空域的高度范圍較低，對低空航空器的監視極易受到地面環境的影響.對航空器位置、速度等信息的獲取即為“監視”，既是對航空器飛行安全的保障，也是對地面重要目標以及人們生存空間安全的守護.由于低空空域的這些特點，傳統的針對中高空空域的監視手段無法實現對低空空域的有效監視，嚴重制約其使用和發展.因此，對低空空域監視方法的研究有助于保障低空空域運行安全，促進低空空域

收稿日期：2016－07－05.

基金項目：國家空管科研基金資助項目（GKG20142001）.

作者簡介：姚登凱（1966－），男，安徽阜陽人，教授，碩士，主要從事航空管制、空域規劃與管理、無人機空管等方面的研究.

* 本文已于2016－11－07 12∶30在中國知網優先數字出版.網絡出版地址：http：∥www.cnki.net／kcms／detail／21.1189.T. 20161107.1230.014.htm l

進一步開放，有助于通用航空的發展.

目前，低空空域監視的主要手段包括廣播式自動相關監視（ADS-B）、一次雷達、無源探測雷達和多源綜合監視等［2］.ADS-B具有較高的完整性和精確度，但其使用要求航空器配備相應機載設備，而此類設備成本較高，推行障礙較大，難以在短時間內覆蓋所有低空航空器，故使得其無法成為主流的低空空域跟蹤監視手段；一次雷達既能測量目標的位置信息，也能測量目標的角度信息，測量精度高，但是其測量距離有限并且易受干擾，由于低空空域高度較低，航空器飛行區域內常存在高山，對一次雷達的目標探測將產生巨大影響；無源雷達可以測量目標的角度信息，但是不能直接測量位置信息，探測距離遠，不需自身發送電磁波信號，只需利用目標輻射的電磁信號，具有反干擾、反隱形等諸多優勢［3］.將有源、無源雷達所得信息進行融合的協同監視可以在充分發揮二者自身優勢的同時，互相彌補不足，提高低空空域監視能力.而這種協同監視手段不需要航空器進行協作，可以對非合作型目標進行監視，從而更好地保障空域安全.

我國對于低空空域監視的研究正處于起步階段，文獻［4］研究集中在 ADS-B的概述等方面，缺乏針對低空空域特性的技術研究；文獻［5］應用一次雷達監視技術，采用平面位置指示算法和交互式多模型方法對低空目標進行跟蹤，但仍局限于單一的一次雷達監視方式，無法克服對于低空空域難以完全覆蓋的弊端；文獻［6］則利用最臨近算法對組網雷達進行信息融合，但多次融合可能增加信息處理時間.本文根據一次雷達和無源雷達各自工作的特點，采用多傳感器概率數據關聯算法（MSPDAF）將兩種雷達所探測的信息進行融合，該算法的特點決定其能夠在電磁環境復雜的低空空域中進行目標跟蹤，且仿真實驗證明其具有較高的目標測量精度，從而能夠對低空空域航空器進行更有效地跟蹤監視，獲取航空器位置信息，以更好保障低空運行安全.

1 多傳感器信息融合

多傳感器信息融合技術將來自多傳感器的數據和相關數據庫中的信息進行組合，從而得到更高的測量精度［7］.異類傳感器系統的數據融合技術與同類傳感器系統的數據融合技術相比的優勢在于：數據冗余度與互補性增強，融合系統的可靠性能夠得到改善［8］.

融合的功能模型可分為5級：層次依次為檢測級融合、位置級融合、屬性級融合、態勢評估和威脅估計［9］.前 3個層次的數據融合適合于任意的多傳感器數據融合系統，后 2個層次主要應用于情報指揮控制與通訊系統中的數據融合.

位置級融合利用多個傳感器資源，通過對傳感器及其觀測信息的合理支配和利用，把傳感器在空域、時域和頻域上的信息依據一定準則進行組合優化，得到更穩健和精確的目標狀態信息［10］，其結構模型主要分為4種，即集中式、分布式、混合式和多級式.本研究中采用位置級融合中的集中式融合，在其系統結構中，將一次雷達和無源雷達所錄取的檢測報告直接傳送至融合中心，在此處對數據進行對準和互聯，對航跡進行濾波、預測以及跟蹤等處理，其過程如圖1所示.這種形式的最大優點是信息損失最小，一般點跡與點跡、點跡與航跡的融合采用這種融合形式.

圖1 集中式融合示意圖Fig.1 Schematic centralized fusion

本文研究的低空監視采用異類傳感器集中式融合，綜合利用一次雷達和無源雷達的探測信息，二者互補，能夠有效識別低空合作式目標和非合作式目標，給出目標位置的精確估計，更有效地支持保障低空空域安全和地面目標安全.

2 MSPDAF融合算法

2.1 目標模型建立

根據目標的運動狀態，可以建立不同的目標模型，主要有 CV模型、CA模型、Singer模型和機動目標“當前”模型.本文目標采用CA模型［11］，即將目標的運動看作是勻加速直線運動，建立的目標狀態方程和觀測方程如下：

1）目標狀態方程為

W（k）為零均值高斯白噪聲；狀態轉移矩陣 Φ（k）表示為

其中，T為雷達探測周期.

目標過程噪聲W（k）滿足

2）一次雷達觀測方程為

3）無源雷達觀測方程為

2.2 MSPDAF算法

多傳感器概率數據關聯算法（MSPDAF）是從概率數據關聯算法發展而來的，在雜波環境下對目標有很好的跟蹤特性.概率數據關聯的思想認為，只要是有效回波，就都有可能源于目標，但是每個回波源于目標的概率有所不同［12］.回波可能來源于目標，也可能源于其他電磁干擾，應用概率進行目標狀態估計，能盡可能剝離其他信號的干擾.而低空空域的特性之一正是電磁干擾嚴重，因而該算法對于低空空域監視的信息融合具有良好的適用性.

在第1次到第k次掃描獲得的有效回波全部已知的情況下，第i（i＝1，2，…，mk）個回波均為正確回波的概率稱之為正確關聯概率，用βi（k）來表示，即

式中：γi（k）為第k次掃描時的1到mk個回波均為正確回波的事件；Zk為第1次到第k次掃描所獲得的全部有效回波的集合.

根據全概率公式可以證明，目標在 k時刻的狀態估計為均方意義下的最優估計，即

假定兩種雷達同步工作，采用集中式融合方式，狀態模型采用式（1），一次雷達和無源雷達觀測模型分別采用式（2）、（3）和式（4）、（5）.兩種雷達的觀測噪聲 Va（k）、Vp（k）均為零均值高斯白噪聲，且滿足

式中，Ri（k）為傳感器觀測誤差協方差矩陣.

目標狀態的估計為

式中，ga為一次雷達橢球關聯門常數.

根據式（13）利用關聯門內的觀測對一次雷達進行狀態估計，得到a（k／k）和協方差陣 Pa（k／k）分別為

式中，gp為無源雷達橢球關聯門常數.

根據式（13）利用關聯門內的觀測對無源雷達觀測進行狀態估計，得到p（k／k）和協方差陣Pp（k／k），即

利用一次雷達和無源雷達的量測信息可求得對目標的狀態估計，即

3 仿真與結果分析

以某一低空航空器為目標，其初始位置為（10 000m，9000m，1000m），初始速度為（－200m／s，－60 m／s，－2 m／s），加速度大小為（－2 m／s2，－3m／s2，－1m／s2）.一次雷達、無源雷達的采樣周期均為T＝1 s，噪聲均為零均值高斯白噪聲.一次雷達測距誤差標準為100 m、測量角度標準差為0.006 rad，無源雷達測量角度標準差為0.004 rad，二者橢球門關聯常數均為g＝4.采用一次雷達量測和MSPDAF數據融合算法進行MATLAB仿真，得到目標的位置、速度和加速度均方根誤差（RMSE）分別如圖2～4所示.仿真結果表明，MSPDAF算法將一次雷達與無源雷達進行數據融合，跟蹤效果比單一的一次雷達的跟蹤測量效果更精確，更加貼合理想位置.

圖2 位置誤差Fig.2 Position errors

圖3 速度誤差Fig.3 Velocity errors

圖4 加速度誤差Fig.4 Acceleration errors

將目標初始位置設定為（40 000m，36 000m，1 000m），保持其他指標不變，得到目標的位置、速度和加速度均方根誤差分別如圖5～7所示.仿真結果表明，隨著雷達與目標的距離變遠，雖然MSPDAF算法和一次雷達的跟蹤測量精確度都比距離較近時有所下降，但MSPDAF算法仍比一次雷達具有更好的跟蹤效果.

圖5 遠距離條件下的位置誤差Fig.5 Position errors under long distance condition

圖6 遠距離條件下的速度誤差Fig.6 Velocity errors under long distance condition

圖7 遠距離條件下的加速度誤差Fig.7 Acceleration errors under long distance condition

保持各項指標與第一組實驗相同，在空域內加入服從泊松分布的雜波，雜波密度為10－7個／m3，得到目標的位置、速度和加速度均方根誤差如圖8～10所示.仿真結果表明，在干擾條件下，MSPDAF算法和一次雷達的跟蹤測量精確度都較無干擾時有所下降，但MSPDAF算法仍比一次雷達具有更好的跟蹤效果.

圖8 雜波條件下的位置誤差Fig.8 Position errors under clutter condition

圖10 雜波條件下的加速度誤差Fig.10 Acceleration errors under clutter condition

4 結 論

本文針對一次雷達和無源雷達協同監視的特點，假設目標的運動均為加速直線運動，噪聲均為高斯白噪聲，研究了基于MSPDAF算法的信息融合方法.仿真結果證明所提出方法具有較高的跟蹤精度和抗干擾性，因而更利于電磁環境復雜的低空空域的目標跟蹤.本文提出融合算法能夠為低空空域航空器的監視提供借鑒，從而更好地保障低空空域運行安全.

（

）：

［1］楊明，鄭金華，胡耀坤.低空空域現狀分析與空管監視系統設計［J］.科技傳播，2015（10）：159－160.（YANG Ming，ZHENG Jin-hua，HU Yao-kun.Situation analysis of low altitude airspace and design of ATC surveillance［J］.Public Communication of Science and Technology，2015（10）：159－160.）

［2］李邢超.空管新技術在低空空域管理中應用分析［J］.電子測試，2015（12）：126－127.（LI Xing-chao.Application and analysis of new air traffic control technology in low altitude airspace management［J］.Electronic Test，2015（12）：126－127.）

［3］劉璇.基于無源雷達的動目標回波仿真與定位研究［D］.大連：大連理工大學，2013.（LIU Xuan.The study on the moving target echo simulation and localization in passive radar system［D］.Dalian：Dalian University of Technology，2013.）

［4］楊榮盛.低空空域監視對策研究［D］.廣漢：中國民用航空飛行學院，2011.（YANG Rong-sheng.The research of low altitude airspace surveillance strategy［D］.Guanghan：Civil Aviation Flight University of China，2011.）

［5］陳唯實，寧煥生.利用一次雷達實現低空空域的安全監視［J］.北京航空航天大學學報，2012，38（2）：143－148.（CHEN Wei-shi，NING Huan-sheng.Security surveillance of low altitude airspace with primary radar［J］. Journal of Beijing University of Aeronautics and Astronautics，2012，38（2）：143－148.）

［6］許旭，李忱，張越，等.X波段低空監視一次雷達技術研究［J］.微波學報，2014（6）：594－597.（XU Xu，LI Chen，ZHANG Yue，et al.A study of low-altitude surveillance radar technology［J］.Journal of Microwaves，2014（6）：594－597.）

［7］Beker JC.Sensor and navigation data fusion for an autonomous vehicle［C］／／Proceedings of the IEEE Intelligent Vehicles Symposium.Michigan，USA，2000：156－161.

［8］陸增喜，王大力.一種修正測速雷達誤差值的設計方法［J］.沈陽工業大學學報，2015，37（4）：423－427.（LU Zeng-xi，WANG Da-li.A design of correcting error value of velocity radar［J］.Journal of Shenyang University of Technology，2015，37（4）：423－427.）

［9］何友，彭應寧.多傳感器數據融合模型綜述［J］.清華大學學報（自然科學版），1996，36（9）：14－20.（HE You，PENG Ying-ning.Survey of multi sensor data fusion models［J］.Journal of Tsinghua University（Natural Science Edition），1996，36（9）：14－20.）

［10］王力.基于DS證據理論的多傳感器數據融合算法研究與應用［D］.太原：太原理工大學，2015.（WANG Li.Research and application of multi-sensor fusion algorithm based on DS evidence theory［D］. Taiyuan：Taiyuan University of Technology，2015.）

［11］楊艷成.基于交互式多模型的機動目標跟蹤算法研究［D］.哈爾濱：哈爾濱工程大學，2011.（YANG Yan-cheng.Research on maneuvering target tracking algorithm based on interactive multi-model［D］.Harbin：Harbin Engineering University，2011.）

［12］楊萬海.多傳感器數據融合及其應用［M］.西安：西安電子科技大學出版社，2004.（YANGWan-hai.Muiti sensor data fusion and its application［M］.Xi’an：Xi’an Electronic Science and Technology University Press，2004.）

（責任編輯：景 勇 英文審校：尹淑英）

Defect detection of veneer based on mathematical morphology and im proved Otsu algorithm

DAITian-hong，GU Xin-cen，LIU Xue-zhe，HU Xue-jing
（College of Mechanical and Electrical Engineering，Northeast Forestry University，Harbin 150040，China）

In the classical detection operators，in order to solve the problem that the detect edges are not clear and the pseudo-edge even forms in the defect detection of gray level images of veneer，a defect detection algorithm for veneer in combination with both improved Otsu algorithm and mathematical morphology was proposed.In the HSI color space，the H，S and I components filtered with mathematical morphology were separately dealt with the proposed algorithm，and the detection results of three components were superimposed.The results show that the proposed algorithm can accurately detect one or more defect edges.Compared with the detection results of classical edge detection operators，it is revealed that the proposed algorithm is better than other methods not only in defect positioning but also in edge extraction.

mathematical morphology；multiple structural element；gray scale image；defect detection；veneer defect；edge extraction；defect positioning；color space

TP 391.9

A

1000－1646（2016）06－0674－06

10.7688／j.issn.1000－1646.2016.06.14

2016－04－26.

黑龍江省自然科學基金資助項目（C201414）.

戴天虹（1963－），男，遼寧海城人，教授，博士，主要從事模式識別與計算機控制等方面的研究.

11－07 12∶30在中國知網優先數字出版.

http：∥www.cnki.net／kcms／detail／21.1189.T. 20161107.1230.010.htm l