轨道表面图像处理算法研究
基于图像处理的地铁接触轨几何参数动态检测系统
＿
． Ｉ
４ 《 －
ｌ
（） １ 图像采集 系 统 ： 主要 由线 阵
相机和激光光源组成 ， 利用线阵相机 拍摄激光光源照射的接触轨部分 。 （） 移 补 偿 系 统 ： ２偏 主要 由激 光 测距 传 感 器 组成 ， 量 车 体左 右 测
偏 移 的距 离 。
ｌ ＿
妻
： ＊
｛
我 国 目前 大 多 采 用 传 统 的 接
触 式 检测 方 法 ， 即人 工 持轨 道 尺 的
检 测方 法 。这 种检 测方 法不 仅效 率
图 Ｉ检 测 装 置 系 统 原 理 图
如 图 １ 示 ， 测 系统 的原 所 检
低 、 作 量 大 ， 且 在 有 限 的 拉 电 工 而 时间 内 ， 测点 少 、 度 低 ， 离 列 检 密 脱
必行 。该技 术在 国内几乎 是一 片空
（） 息 定 位 系 统 ： ３信 主要 由速 度 传 感器 组 成 ， 度传 感 器 安装 在 速
车 轮 轴 承 ， 检 测 车 运 行 时 ， 用 当 利 速 度 传感 器 发送 速 度 脉 冲 ， 测量 检 测 车 所运 行 的距离 和 当前 的速 度 ， 实 现定 位功 能 。
０引 言
检 测 接触 轨几 何参 数 ， 即测 量 接 触 轨 中心 位 置 距 轨 道 中 心 位 置 的水 平 距 离 及 接 触 轨 受 流 面 与 相 邻走 形 轨顶 面的垂 直距 离 。在 地铁 中， 电力 机 车 的运 行 需要 通 过 集 电 靴 与接 触 轨 接触 来 获 得 电能 ， 当接 触 轨 出现 故 障 、 电靴受 流 不稳 定 集 时， 牵引 供 电系统 不能 正常 运行 。
图 ２原 始
高速综合检测列车的机器视觉和图像处理技术
高速综合检测列车的机器视觉和图像处理技术近年来，随着铁路交通的不断发展和技术的进步，高速综合检测列车已经成为现代化铁路建设的重要组成部分。
高速综合检测列车具备对铁路线路、设备和车辆进行全面检测的能力，为保障铁路安全运营发挥了重要作用。
其中，机器视觉和图像处理技术是高速综合检测列车中不可或缺的关键技术之一。
机器视觉是一种模仿人眼视觉系统的智能技术，通过摄像机等图像采集设备获取物体的图像，并利用图像处理算法进行图像分析和识别。
在高速综合检测列车中，机器视觉技术的应用主要体现在对铁路线路和设备的监测和诊断方面。
首先，机器视觉技术可以应用于轨道检测。
高速综合检测列车可以搭载各类传感器和摄像机，通过采集轨道上的图像数据，对轨道的状态进行自动化分析和评估。
利用机器视觉技术，可以实现对轨道的缺陷、损坏、异物等问题的快速检测和定位，提高铁路线路的安全性和使用寿命。
其次，机器视觉技术可以应用于 pantograph（集电弓）检测。
高速综合检测列车作为一个综合性的检测平台，可以通过安装摄像头等设备来对 pantograph 的工作状态进行自动监测。
通过机器视觉技术的应用，可以实时监测 pantograph 的工作状况，检测可能存在的异常，如接触面积不足、刷痕、断裂等，并及时报警和维修，确保集电系统的正常运行。
另外，图像处理技术在高速综合检测列车中也发挥着重要的作用。
图像处理技术通过一系列的数字化算法，对机器视觉所采集的图像数据进行处理和分析，实现对图像的增强、滤波、特征提取、目标识别等操作，进一步提高图像的清晰度和准确性。
首先，图像处理技术可以应用于图像增强。
高速综合检测列车在运行过程中，可能会遇到复杂的环境光照、天气等因素影响，导致图像的质量下降。
通过图像增强技术，可以对图像进行去噪、增强对比度、调整亮度等操作，提高图像的可视性和分析度。
其次，图像处理技术可以应用于目标检测和识别。
高速综合检测列车在进行轨道和设备的检测时，需要准确地识别出感兴趣的目标，如缺陷点、异物等。
铁路工程中的轨道检测技术应用方法
铁路工程中的轨道检测技术应用方法随着科技的不断进步，铁路工程中的轨道检测技术也在不断创新和发展。
轨道检测技术的应用可以有效地提高铁路运行的安全性和稳定性，减少事故的发生，同时也可以提高铁路线路的维护效率和降低成本。
在本文中，我们将重点介绍铁路工程中的轨道检测技术应用方法。
首先，超声波检测技术是在铁路工程检测中常用的方法之一。
该技术通过超声波传感器对轨道进行扫描，检测轨道的缺陷和损伤。
超声波检测技术可以检测出许多常见的轨道问题，例如裂纹、疲劳、腐蚀等。
它能够提供高精度和高灵敏度的检测结果，能够迅速定位并识别轨道的问题区域，从而方便及时修复和维护。
其次，激光检测技术也是一种常见的轨道检测方法。
该技术利用激光测距仪对轨道进行快速而准确的测量。
通过激光测距仪的反射和散射原理，可以获取轨道的几何形状和尺寸。
激光检测技术具有非接触式测量、高测量精度和高测量速度等优点，可以有效地提高轨道检测的效率和准确性。
同时，激光检测技术也可以应用于轨道几何变形、轨道纵向和横向不平顺度等问题的检测。
另外，图像处理技术是一种较为常见的轨道检测方法。
该技术利用摄像机或其他图像采集设备对轨道进行图像获取，并通过图像处理算法分析轨道的状态和问题。
图像处理技术可以检测出轨道上的各种缺陷和损伤，例如磨损、断裂、脱落等。
它具有非接触性、高效性和高精度性的特点，可以快速识别出轨道的问题，并提供可靠的检测报告，为轨道维护提供数据支持。
此外，振动监测技术也是一种常用的轨道检测方法。
该技术通过加速度传感器或振动传感器对轨道进行振动信号的监测和分析。
通过监测轨道的振动特征，可以识别出轨道的异常情况，例如过度振动、共振、异物碰撞等。
振动监测技术具有实时性、灵敏度高、设备维护成本低等优势，可以及时发现轨道问题，并采取相应的维护和修复措施。
最后，无人机检测技术是铁路工程中新兴的轨道检测方法。
通过搭载传感器的无人机进行航拍，可以对轨道进行全面而高效的检测。
基于机器视觉技术的轨道交通路基状态监测与预警系统设计
基于机器视觉技术的轨道交通路基状态监测与预警系统设计随着城市化进程的快速发展和人口数量的增加，轨道交通在现代化城市中扮演着越来越重要的角色。
为了确保轨道交通的安全和可靠运行，轨道交通路基状态的监测和预警系统变得至关重要。
基于机器视觉技术的监测与预警系统能够实现对轨道交通路基状态的实时监测和异常预警，从而提高交通运输的安全性和效率。
一、系统概述基于机器视觉技术的轨道交通路基状态监测与预警系统是一种通过视觉传感器、图像处理算法和人工智能技术来实现对轨道交通路基状态的监测与预警的系统。
该系统主要包括以下几个模块：图像采集、图像处理、状态分析和异常预警。
1. 图像采集：系统通过安装在轨道交通上方或侧面的高清摄像头进行图像采集。
摄像头可以采集到轨道交通路基的实时图像，并将图像传输到系统后台进行处理。
2. 图像处理：系统对获取的图像进行预处理，包括图像去噪、增强和边缘检测等处理。
然后，使用计算机视觉和图像处理算法对图像进行分割和特征提取，从而获取轨道交通路基的状态信息。
3. 状态分析：系统对提取出的轨道交通路基特征进行分析和分类。
通过比较分析当前状态和正常状态之间的差异，可以确定是否存在异常情况。
4. 异常预警：一旦系统检测到轨道交通路基存在异常情况，例如破损、塌陷或位移等，系统将立即发出预警信号。
预警信号可以通过声音、光线或传输到相关监控中心进行进一步处理。
二、主要技术1. 计算机视觉技术：计算机视觉技术是该系统的核心。
它包括图像处理、模式识别和机器学习等技术，可以实现对轨道交通路基图像的自动分析和处理。
2. 图像处理算法：系统使用图像处理算法对图像进行预处理和分析，包括噪声滤波、边缘检测、特征提取等。
这些算法可以提高图像质量，减少干扰，并提取出轨道交通路基的关键特征。
3. 模式识别：系统利用模式识别技术，通过对轨道交通路基的特征进行分类和判别，实现对状态的分析和预测。
这些模式识别算法可以识别轨道交通路基的正常状态和异常状态之间的差异。
高分辨率卫星遥感立体影像处理模型与算法
高分辨率卫星遥感立体影像处理模型与算法一、本文概述随着空间技术和遥感科学的迅猛发展，高分辨率卫星遥感已成为地球观测与资源管理的重要手段。
高分辨率卫星遥感立体影像，以其高空间分辨率、高光谱分辨率和高时间分辨率的优势，为地表特征提取、环境监测、城市规划等领域提供了丰富而准确的信息源。
如何高效、精确地处理这些立体影像，以充分发挥其应用潜力，是当前遥感领域面临的重要挑战。
本文旨在探讨高分辨率卫星遥感立体影像处理模型与算法。
本文将回顾高分辨率卫星遥感立体影像处理技术的发展历程，分析现有技术的优缺点。
接着，本文将重点介绍几种先进的处理模型与算法，包括基于深度学习的立体匹配算法、多源数据融合算法以及变化检测算法等。
这些算法不仅提高了影像处理的精度和效率，还拓宽了高分辨率卫星遥感的应用范围。
本文还将探讨高分辨率卫星遥感立体影像处理技术在实践中的应用案例，如城市规划、灾害监测、环境评估等，以展示这些技术的实际应用价值和潜力。
本文将对未来高分辨率卫星遥感立体影像处理技术的发展趋势进行展望，指出可能的研究方向和挑战，以期为相关领域的研究和实践提供参考。
本文将对高分辨率卫星遥感立体影像处理模型与算法进行全面而深入的探讨，旨在推动遥感科学技术的发展，为地球观测与资源管理提供更有效的技术支持。
二、高分辨率卫星遥感技术概述高分辨率卫星遥感技术是指利用卫星搭载的遥感设备获取地球表面的高清晰度图像和数据的技术。
这种技术在地理信息系统、城市规划、农业监测、环境保护、灾害评估和军事侦察等领域具有广泛的应用。
高分辨率卫星遥感技术的关键在于其搭载的传感器和数据处理算法。
传感器必须具备高空间分辨率、高光谱分辨率和高时间分辨率，以确保获取到的图像清晰、详细。
同时，数据处理算法需要能够从这些高分辨率图像中提取有用的信息，进行分类、识别和分析。
立体影像处理是高分辨率卫星遥感技术中的一个重要方面，它涉及到从不同角度获取的两幅或多幅图像中重建地面的三维模型。
基于机器视觉的一种改进铁轨表面缺陷检测方法
第43卷湖北师范大学学报(自然科学版)Vol.43第1期Journal of Hubei Normal University(Natural Science)No.1,2023基于机器视觉的一种改进铁轨表面缺陷检测方法李国旺,李 英,马韵琪,夏晨旭(长春理工大学光电工程学院,长春 130022)摘要:由于机器视觉对铁轨表面进行缺陷检测时,其检测的缺陷大小远超过实际缺陷大小,为提高检测缺陷大小的精准性,提出基于机器视觉的一种改进铁轨表面缺陷检测方法。
首先,提出一种基于边缘灰度值水平投影最大值的轨道边缘提取算法,在经过边缘检测后的图像中定位出轨道的真正边缘;然后,利用自适应降噪双边滤波保留缺陷边缘,针对性去除轨道表面噪声,避免了图像分割后需要进行形态学处理而造成的缺陷损失;最后,基于Otsu阈值分割引入背景加权,使分割的缺陷更接近实际缺陷。
实验结果表明,低于50个像素的缺陷部分准确率和召回率分别达到:99.64%和100.00%,高于50个像素的缺陷部分准确率和召回率分别达到:97.89%和99.58%.关键词:机器视觉;缺陷检测;阈值分割;特征提取中图分类号:TP274.3 文献标志码:A 文章编号:2096-3149(2023)01-0033-07doi:10.3969/j.issn.2096-3149.2023.01.0050 引言铁路运输是我国重要交通运输方式之一,铁路轨道的质量是列车运行安全的关键因素,对铁轨表面缺陷进行精确的检测是有必要的。
目前铁轨表面缺陷检测方式分为三大类:一是借助传感器(激光[1]、超声波[2,3]、红外线[4]和涡流[5]等)进行缺陷检测的方法,测量的结果对传感器本身的精度和可靠性要求较高,无法满足铁轨检测快速的要求[6]。
二是传统的图像处理和机器视觉方法,对缺陷的检测具有较好的客观性和精准性,但是检测出的缺陷大小远超过实际缺陷大小。
例:甄理利用二值图像边界跟踪法分离缺陷[7];刘蕴辉等人利用灰度阈值分割图像获取铁轨缺陷[8];张闯利用样条小波、方波卷积检测缺陷[9];邬峰等人采用自适应投影算法和Weber对比度裁剪法检测缺陷[10];Deutschl 利用光谱图像差分方法对轨道表面缺陷进行自动检测[11];Nitti采用梯度方法,通过图像像素弧度制变化进行检测[12];Mandriota通过轨道表面纹理特征进行缺陷检测[13]。
轨道卫星数据存储与处理技术概述
轨道卫星数据存储与处理技术概述现代科技的迅猛发展已经让轨道卫星数据成为我们获取信息的重要来源之一。
然而，随着卫星技术的不断进步，卫星数据的存储与处理成为一个重要的挑战。
本文将对轨道卫星数据存储与处理技术进行概述，介绍其基本原理、不同方法和发展趋势。
一、轨道卫星数据存储技术概述轨道卫星通过卫星遥感等手段获取的数据量庞大，有效的数据存储技术对于保证数据完整性和可靠性至关重要。
常见的轨道卫星数据存储技术包括：1. 可编程读写存储器（EPROM）：EPROM是一种可重复擦写的存储器，适用于需要频繁更新数据的应用。
它能够在失去电源供应的情况下长时间保存数据，具有较高的可靠性和稳定性。
2. 闪存存储器：闪存存储器是一种常见的非易失性存储设备，存储速度较快，容量较大。
它常被用于存储卫星数据，在设备断电后依然能够保留数据。
3. 硬盘存储：硬盘存储是一种较为传统的存储方式，具有较大的存储容量和较快的数据读写速度。
虽然容易受到机械故障的影响，但适用于存储大容量的卫星数据。
4. 蓝光光盘存储：蓝光光盘是一种近年来出现的新型存储介质，具有高速数据传输和大容量的特点。
蓝光光盘存储技术因其存储容量大、稳定性高等优点，逐渐成为轨道卫星数据存储的主流技术之一。
二、轨道卫星数据处理技术概述轨道卫星的数据处理步骤通常包括数据获取、数据预处理、特征提取和数据分析等环节。
为了提高处理效率和准确度，各种不同的轨道卫星数据处理技术被广泛应用：1. 信号处理技术：轨道卫星通过高频传输信号进行数据传输，而信号处理技术能够对接收到的信号进行解调、解调和校正等处理。
这些处理可以消除信号中的噪音并提高数据的准确性。
2. 图像处理技术：轨道卫星拍摄的图像数据往往需要进行去噪、增强和分割等处理。
图像处理技术可以对图像进行数字化处理，以提高图像的质量和清晰度，从而更好地分析和理解图像。
3. 数据挖掘技术：数据挖掘技术可以从大量的卫星数据中发掘出有价值的信息和模式。
高速铁路铁轨几何形状检测方法及实现技术研究
高速铁路铁轨几何形状检测方法及实现技术研究高速铁路铁轨几何形状是影响铁路运行安全和车辆维修保养的重要因素。
因此，对铁轨几何形状的检测与分析具有极大的意义。
本文将介绍高速铁路铁轨几何形状的检测方法及实现技术。
一、高速铁路铁轨几何形状检测方法的研究1. 传统检测方法传统的铁路铁轨几何形状检测通常采用人工测量和实地勘测的方法，复杂、低效，且容易出现误差。
因此，近年来国内外学者研究了各种基于激光、摄像头、雷达等技术的非接触式铁轨几何形状检测方法。
2. 激光测量激光光束在铁轨表面扫描，通过激光器接收到的信号来分析铁轨表面的高度信息。
激光测量具有操作简便、数据处理方便、测量精度高等优点，但受光照、天气因素影响，无法在夜晚、雾天及强光照下应用。
3. 摄像头测量通过铁路车厢上的摄像头采集铁轨图像，并应用数字图像处理和计算机视觉技术进行分析得出铁轨几何形状。
摄像头测量方法具备投资成本低、实时性强、测量效率高等优点，但受拍照角度、拍照质量、采集速度等因素影响。
4. 惯性导航测量惯性导航测量方法是利用惯性测量单元采集铁轨直线性位移及曲线性运动、转向角等信息，再通过不同位置的传感器间相互测距来计算铁轨几何形状。
该方法具有测量范围大、精度高、实时性强等优势，但采集设备信号稳定性不佳，干扰现象较多。
二、高速铁路铁轨几何形状检测技术的实现1. 检测平台检测平台是铁路铁轨几何形状检测的关键设备，目前国内外常用的检测平台有三种：第一种是基于地面运行的检测车，适用于人多场景；第二种是基于轨道运行的检测车，避免了绝大部分人因素的干扰，但对于铁路交通的影响较大；第三种是采用无人机遥感技术，适用于小范围、临时铁路施工和抢修等场景。
2. 数据处理铁路铁轨几何形状检测后得到的原始数据需要经过处理和分析得出有价值的信息，应用领域包括：铁路施工、铁路维护、铁路物资供应、铁路安全管理等。
数据处理方法涉及到图像处理算法、计算机视觉、机器学习等领域。
星载SAR的RD定位模型用于卫星轨道优化与影像定位的方法研究的开题报告
星载SAR的RD定位模型用于卫星轨道优化与影像定位的方法研究的开题报告一、研究背景及意义星载合成孔径雷达（SAR）是一种高分辨率、全天候、全天时遥感观测手段，被广泛应用于陆地、海洋、天气、地质等领域。
SAR技术发展迅速，成为遥感领域的热点之一。
SAR数据处理包括成像、定位、滤波等步骤，其中RD定位是SAR数据处理的重要环节。
RD定位是一种基于测向和距离信息对图像进行定位的方法，对SAR成像精度起到至关重要的作用。
SAR系统存在多源误差和设计偏差等因素导致成像精度受到影响，在SAR成像中，最常见的误差是地球自转所引起的相位误差。
此外，系统构型和措施误差也会影响成像质量。
因此，针对SAR成像中的多源误差和设计偏差进行RD定位模型的方法研究具有重要意义。
二、研究内容本研究主要探讨基于星载SAR的RD定位模型用于卫星轨道优化与影像定位的方法研究。
具体研究内容如下：1. 对SAR成像中的多源误差和设计偏差进行分析和探讨。
2. 研究SAR成像中的RD定位模型，在此基础上探究定位精度的提升方案和方法。
3. 综合考虑卫星轨道优化、RD定位模型和数据处理算法，实现卫星轨道优化与影像定位一体化。
4. 通过实验验证卫星轨道优化与影像定位一体化方法的可行性和有效性。
三、研究方法本研究将采用多种研究方法，主要包括：1. 理论分析：对SAR成像中的多源误差和设计偏差进行分析和探讨，构建RD定位模型，提出卫星轨道优化与影像定位一体化的方案和方法。
2. 实验模拟：通过模拟实验，验证卫星轨道优化与影像定位一体化方法的可行性和有效性。
3. 数据处理：对实验数据进行处理，比较分析不同方法的处理结果。
四、预期结果本研究的预期结果如下：1. 确定SAR成像中的多源误差和设计偏差，构建有效的RD定位模型。
2. 实现基于RD定位模型的卫星轨道优化与影像定位一体化方法。
3. 验证卫星轨道优化与影像定位一体化方法的可行性和有效性，提高SAR成像精度。
轨道识别算法
轨道识别算法摘要：1.轨道识别算法的定义与重要性2.轨道识别算法的分类与特点3.轨道识别算法的应用领域4.我国在轨道识别算法方面的发展与成就5.轨道识别算法的未来发展趋势与挑战正文：1.轨道识别算法的定义与重要性轨道识别算法是一种通过对运动物体进行检测、跟踪和识别，从而确定其在空间中的运动轨迹的技术。
在现代科技领域，轨道识别算法被广泛应用于无人驾驶、智能交通、航空航天等诸多领域，对于提高系统的自动化水平和准确性具有重要意义。
2.轨道识别算法的分类与特点根据不同的实现原理和方法，轨道识别算法可分为以下几类：（1）基于特征点的跟踪算法：如SIFT（尺度不变特征变换）、SURF（加速鲁棒特征）、ORB（带有方向的FAST 和旋转不变的BRIEF）等。
这类算法主要通过检测图像中的特征点，并计算特征点之间的几何关系来实现运动物体的跟踪。
（2）基于光流的跟踪算法：如Lucas-Kanade、Horn-Schunck 等。
这类算法通过估计图像序列中的光流场，从而得到运动物体的运动信息。
（3）基于模型的跟踪算法：如卡尔曼滤波、粒子滤波等。
这类算法通过建立运动物体的运动模型，并结合观测数据进行状态估计和模型更新，从而实现运动物体的跟踪。
3.轨道识别算法的应用领域轨道识别算法在多个领域具有广泛的应用，如下所述：（1）无人驾驶：通过对道路中的车辆、行人等运动物体进行实时跟踪和识别，提高自动驾驶系统的安全性和准确性。
（2）智能交通：在交通监控系统中，通过对行驶中的车辆进行轨道识别，可以实现交通流量的实时统计和预测。
（3）航空航天：在卫星遥感图像处理中，轨道识别算法可以用于提取地表的运动物体，如飞机、船舶等。
4.我国在轨道识别算法方面的发展与成就我国在轨道识别算法方面取得了显著的发展和成就。
例如，我国科研团队在基于深度学习的轨道识别算法研究中取得了重要突破，相关成果已成功应用于多个领域。
此外，我国还在国际竞赛中取得了优异成绩，充分展示了我国在轨道识别算法领域的实力。
ENVI遥感图像处理实验二——图像常规处理2
遥感图像预处理实习姓名徐丹学号120154088成绩日期2014、4、28实习内容:遥感图像的裁剪、镶嵌与几何校正1、在实际的工作中,为何经常需要对影像进行裁剪与镶嵌操作？在ENVI软件平台如何实现影像的裁剪与镶嵌,以一示例详细叙述裁剪与镶嵌的具体操作步骤。
由于遥感卫星就是在一个预先设计的轨道上运行,星载传感器沿着轨道在地面上的轨迹按一定宽度垂直于运行方向进行扫描,在实际工作中有时需要分析的地区并不完全处在同一幅图像内,这时候需要把多景相邻遥感图像拼接成一个大范围无缝的图像,即图像镶嵌,而图像剪裁的目的则就是将研究之外的区域去除。
一、图像裁剪:(1)规则分幅裁剪a)在主菜单中,选择File ——Open Image File,打开裁剪图像bhtmref、img。
b)在主菜单中,选择File——Save ——ENVI Standard,弹出New 对话框。
c)在New 对话框中,单击Import File按钮,弹出Create New File对话框。
d)在Create New File对话框中,选中Select Input File列表中的裁剪图像,单击Spatial Subset按钮。
e)在Select Spatial Subset对话框中,单击Image按钮,弹出Subset ByImage对话框。
f)在Subset By Image对话框中,可以通过输入行列数确定剪裁尺寸并按住鼠标左键拖动图像中的红色矩形框确定剪裁区域,或直接用鼠标左键按红色边框拖动来确定剪裁尺寸以及位置,单击OK按钮。
g)在Select Spatial Subset对话框中可以瞧到剪裁区域信息,单击OK按钮。
h)在Create New File对话框中,可以通过Spectral Subset按钮选择输出波段子集,单击OK按钮。
i)选择输出路径及文件名或者选择Memory直接在窗口上显示,单击OK按钮,完成规则分幅裁剪过程。
高速列车测量技术与轨道检测方法
高速列车测量技术与轨道检测方法随着科技的高速发展，高速列车成为现代交通运输的重要组成部分。
对于高速列车的安全性和运行效率来说，轨道的精确测量和及时检测是至关重要的。
因此，高速列车测量技术和轨道检测方法成为了研究的热点。
本文将讨论高速列车测量技术与轨道检测方法的相关问题。
一、高速列车测量技术1. 激光测量技术激光测量技术是一种准确度高、非接触的测量方法。
它利用激光器发射出的激光束对轨道进行扫描，通过测量激光返回的反射信号来获得轨道的形状和位置信息。
激光测量技术能够快速地获取轨道的三维坐标数据，并实现对轨道的高精度测量，因此被广泛应用于高速列车的轨道测量中。
2. 雷达测量技术雷达测量技术是一种无线电测量方法，可以通过发送和接收电磁波来测量物体的位置和形状。
在高速列车的轨道测量中，雷达测量技术可以用于测量轨道的高度、宽度和位置等参数。
由于雷达具有高精度、远距离测量的特点，因此在高速列车测量技术中得到广泛应用。
3. 视觉测量技术视觉测量技术是一种基于图像处理的测量方法，通过相机获取轨道的图像信息，并通过图像处理算法来测量轨道的几何参数。
视觉测量技术具备实时性和高精度的优势，可以快速地测量轨道的形状和位置，适用于高速列车的轨道检测。
二、轨道检测方法1. 超声波检测超声波检测是一种利用超声波传播特性来检测轨道缺陷和损伤的方法。
通过将超声波信号发送到轨道上，利用超声波在轨道中的传播时间和反射情况来判断轨道的缺陷和损伤情况。
超声波检测具有高精度、低成本和非接触的特点，被广泛应用于高速列车的轨道检测中。
2. 磁粉检测磁粉检测是一种利用磁粉在轨道表面的吸附情况来检测轨道缺陷的方法。
通过在轨道表面喷洒磁粉，利用磁粉的吸附情况来判断轨道表面是否存在缺陷。
磁粉检测具有快速、低成本和易操作的特点，常用于高速列车的轨道检测。
3. 红外热成像检测红外热成像检测是一种利用红外热像仪来检测轨道温度异常的方法。
通过红外热像仪捕捉轨道表面的热辐射，通过图像处理算法来判断轨道表面的温度情况。
基于机器视觉的钢轨表面缺陷三维检测方法
基于机器视觉的钢轨表面缺陷三维检测方法王时丽;刘桂华【摘要】This paper proposed a rail surface defects detection method based on 2D visual and 3D visual. This method uses the linear array camera to collect images, uses laser scanners to collect the rail depth information, and finally transmits the two groups of data back to the host. It uses Halcon and VC to write the upper image processing software, and then get the size, shape, location and depth of rail surface defect, which can measure all aspects of rail surface defects. Experiments show that this detection system is better than 2D image recognition or 3D scanning detection.%提出了一种二维视觉与三维视觉相结合的钢轨表面缺陷检测方法。
该方法通过线阵相机采集二维图像，由激光扫描仪采集钢轨深度信息，最后将这两组数据传送回主机，用 Halcon 和 VC编写上层图像处理软件，获得钢轨表面缺陷的大小、形状、位置及深度，实现了全面检测钢轨表面缺陷。
实验表明，与二维图像识别，或者与单独使用三维扫描检测相比，本系统检测效果更好。
【期刊名称】《微型机与应用》【年(卷),期】2015(000)019【总页数】4页(P10-13)【关键词】二维视觉;三维视觉;激光扫描仪;钢轨表面缺陷;Halcon【作者】王时丽;刘桂华【作者单位】西南科技大学信息工程学院，四川绵阳 621010;西南科技大学信息工程学院，四川绵阳 621010【正文语种】中文【中图分类】TP3910 引言在我国的交通运输行业中，铁路运输发挥着不可替代的作用。
基于深度学习的航天图像处理技术研究
基于深度学习的航天图像处理技术研究第一章: 引言航天图像处理技术在航天领域中起着至关重要的作用。
随着科技的不断进步和深度学习的崛起，基于深度学习的航天图像处理技术也逐渐成为研究的热点。
本文将着重探讨基于深度学习的航天图像处理技术的研究。
第二章: 航天影像获取与特点在航天领域，航天器通过携带高分辨率相机等设备来获取遥感影像。
这些影像具有大量的数据和复杂的特征，包括高光照、云层遮挡等。
对于航天影像的处理，传统的方法存在效率低下和准确性较差的问题，因此引入深度学习技术可以提高航天影像处理的效果。
第三章: 深度学习在航天图像处理中的应用深度学习在航天图像处理中具有广泛的应用。
首先，深度学习技术可以用于航天影像的分类和识别。
通过训练深度卷积神经网络，可以自动学习航天图像中的特征，并快速准确地将图像分类为不同的类别。
其次，深度学习技术还可以用于航天影像的目标检测和轨道确定。
通过训练深度神经网络，可以实现对卫星图像中的目标进行精确检测和跟踪，并确定目标的轨道信息。
此外，深度学习技术还可以用于航天影像的图像增强和去噪，提高影像的质量和清晰度。
第四章: 深度学习算法在航天图像处理中的创新基于深度学习的航天图像处理技术不断创新。
一方面，研究者通过改进深度学习的网络结构和算法，在航天图像处理中取得了更好的效果。
例如，引入残差网络、注意力机制等技术进一步提高了航天影像分类和识别的准确性。
另一方面，研究者还将深度学习与其他技术相结合，如光学传感器、遥感技术等，通过提取不同的特征信息，进一步改善航天图像处理的效果。
第五章: 深度学习在航天图像处理中面临的挑战虽然基于深度学习的航天图像处理技术取得了很大的进展，但仍然面临一些挑战。
其中一个挑战是数据集的问题。
由于航天图像的获取成本较高且数据量有限，导致深度学习网络的训练受到限制。
另一个挑战是航天图像中的遮挡和噪声问题。
由于航天影像中常常存在云层遮挡和其他干扰因素，这些问题对深度学习算法的稳定性和准确性提出了较高的要求。
铁路轨道异物入侵的自动检测及预警研究
铁路轨道异物入侵的自动检测及预警研究铁路轨道异物入侵的自动检测及预警研究随着人口的不断增加和城市化进程的加快，铁路作为一种高效、快速、安全的交通方式得到了广泛使用。
然而，铁路运输也面临着一些安全隐患，其中之一就是轨道上的异物入侵。
当异物进入轨道时，可能引发列车事故，威胁乘客的生命安全。
因此，开展对铁路轨道异物的自动检测及预警研究具有重要的意义。
铁路轨道的自动检测及预警系统是一种利用先进的技术手段对轨道进行实时监测和分析的系统。
它可以快速、准确地检测出异物的存在，及时地发出预警信号，以便采取相应的措施来避免事故的发生。
随着计算机视觉技术的快速发展，利用机器学习和图像处理技术对铁路轨道进行异物检测成为可能。
例如，可以使用高分辨率摄像头在列车通过时对轨道进行连续拍摄，并将图像传输到计算机进行处理。
首先，利用图像处理算法将轨道图像分割为不同的区域，然后通过机器学习算法对每个区域进行分类和分析，判断是否存在异物。
如果发现异物，系统会立即发出预警信号，并通知相关人员进行处理。
除了图像处理技术，还可以利用物联网技术对铁路轨道进行实时监测。
通过在轨道上安装传感器，可以实时感知轨道的振动、温度等信息。
当传感器检测到异常情况时，系统会发出预警信号，以便进行进一步的检修和处理。
在研究铁路轨道异物入侵的自动检测及预警系统时，需要解决一些关键技术难题。
首先，如何准确地检测出异物是一个挑战。
由于铁路轨道的复杂性和环境的干扰，传感器可能会产生误报。
因此，研究人员需要通过不断改进算法和提高传感器的准确性来提高检测的可靠性。
其次，如何及时发出预警信号也是一个问题。
在高速列车行驶过程中，时间是非常宝贵的，系统必须能够在几秒钟内发出预警信号，以便乘客和列车安全。
铁路轨道异物入侵的自动检测及预警系统的研究成果不仅适用于铁路交通领域，也可以应用于其他领域，如航空、海运等。
因此，该研究具有广泛的应用前景。
总之，铁路轨道异物入侵的自动检测及预警研究是一项具有重要意义的工作。
轨道图像中对静态遮挡异物检测算法改进
轨道图像中对静态遮挡异物检测算法改进随着现代城市轨道交通的迅速发展，地铁成为了人们出行的重要方式之一。
地铁运行中偶尔会出现静态遮挡异物，例如行李箱、购物袋等，这些异物可能会对轨道交通的安全和效率造成一定的影响。
如何及时有效地检测并处理这些静态遮挡异物成为了地铁运营管理部门和技术研发人员面临的重要问题之一。
随着计算机视觉技术的不断发展，基于轨道图像的静态遮挡异物检测算法成为了一种可能的解决方案。
目前现有的算法在检测准确性和实时性方面还存在一定的局限性，需要不断改进和优化。
本文将针对轨道图像中对静态遮挡异物检测算法进行改进，并提出了一种基于深度学习的改进方案。
一、现有静态遮挡异物检测算法存在的问题和局限性目前，针对轨道图像中的静态遮挡异物检测，主要采用传统的图像处理和机器学习方法，例如背景建模、边缘检测、形态学处理等。
这些方法虽然可以实现一定程度的静态遮挡异物检测，但仍然存在以下一些问题和局限性：1. 检测准确性不高：传统的图像处理方法对于复杂背景、光照变化等因素容易产生干扰，导致静态遮挡异物的检测准确性不高。
2. 实时性不足：传统的图像处理算法通常需要大量的计算和处理时间，不能满足对实时性要求较高的轨道图像检测需求。
3. 对复杂情况处理能力不足：传统的图像处理方法在面对复杂情况，例如遮挡物形状、尺寸、颜色等多样化的情况时，缺乏足够的鲁棒性和适应性。
二、基于深度学习的算法原理和技术特点深度学习是一种人工神经网络的技术，通过多层次的网络结构对输入的数据进行抽象和提取特征，从而实现对复杂问题的高效处理和解决。
相比传统的图像处理和机器学习方法，深度学习具有以下几个显著的优势：1. 强大的特征提取能力：通过多层次的网络结构，深度学习可以自动地从原始数据中抽取高级和抽象的特征。
2. 鲁棒的模式识别能力：深度学习在处理复杂情况、多样化问题时具有更强的鲁棒性和适应性。
3. 高效的实时处理能力：深度学习算法在硬件加速、并行计算等方面具有较高的实时处理能力。
卫星 地球 照相 角度算法
卫星地球照相角度算法卫星地球照相角度算法是指通过卫星获取地球表面图像时，需要确定卫星与地球之间的相对位置和角度，以确保照相结果准确可靠。
这个算法很关键，涉及到卫星轨道设计、姿态控制、遥感成像等多个领域。
卫星地球照相的角度算法主要包括以下几个方面：1. 轨道设计：卫星轨道设计是卫星工程中非常重要的一环。
通过合理的轨道设计可以使卫星在地球的不同位置实现更好的成像效果。
在轨道设计中，需要考虑卫星与地球之间的距离、离心率、倾角等参数，以及卫星的运动速度和方向。
通过计算这些参数，可以确定卫星在不同时间和地点的位置和角度。
2. 姿态控制：卫星姿态控制是指卫星在轨道上保持所需朝向和位置的过程。
通过姿态控制，可以确保卫星的光学系统朝向地球，并保持稳定的角度。
卫星的姿态控制通常由陀螺仪、加速度计和星传感器等部件组成，通过对这些数据的处理，可以确定卫星的姿态角度。
3. 视场参数：视场是指卫星相机能够观察到的地面区域大小和形状。
视场参数通常包括视场角度、视场宽度和高度等信息。
通过计算视场参数，可以确定卫星成像的范围和分辨率。
视场参数的计算通常通过卫星光学系统的特性和成像要求来确定。
4. 地球表面照相角度计算：在确定了卫星的位置、姿态和视场参数之后，可以通过简单的几何关系计算卫星与地球表面之间的照相角度。
具体而言，可以使用正弦定理、余弦定理和三角函数等数学方法来计算卫星与地面目标之间的夹角。
通过这些计算，可以确定卫星在不同时间和地点的照相角度，以及成像位置和方向。
卫星地球照相角度算法是遥感技术中重要的一环，涉及到几何学、数学和物理学等多个学科的知识。
通过合理的算法设计，可以确保卫星照相结果准确可靠，并满足成像要求。
同时，卫星地球照相角度算法也为地球科学研究、环境监测、资源调查等提供了强有力的技术支持。
基于图像处理的飞行器导航研究
基于图像处理的飞行器导航研究在当今科技飞速发展的时代，飞行器导航技术的重要性日益凸显。
图像处理作为一种强大的技术手段，为飞行器导航带来了新的机遇和挑战。
飞行器导航的准确性和可靠性对于飞行安全至关重要。
传统的导航方式，如惯性导航、卫星导航等，虽然在一定程度上能够满足需求，但也存在着一些局限性。
例如，惯性导航系统会随着时间的推移产生累积误差，卫星导航信号可能会受到干扰或遮挡。
而图像处理技术凭借其独特的优势，为解决这些问题提供了新的思路。
图像处理在飞行器导航中的应用，首先体现在视觉导航方面。
通过安装在飞行器上的摄像头获取周围环境的图像信息，然后对这些图像进行分析和处理，提取出有用的特征和信息，如地标、建筑物、地形等，从而确定飞行器的位置、姿态和运动方向。
为了实现准确的图像处理和导航，需要先进的图像采集设备。
这些设备要具备高分辨率、高帧率和良好的低光照性能，以确保在各种复杂的环境条件下都能够获取清晰、准确的图像。
同时，图像传感器的灵敏度和动态范围也是关键因素，它们决定了能够捕捉到的细节和对比度。
在图像采集完成后，关键的一步是图像的预处理。
这包括去噪、增强、校正等操作，以提高图像的质量和可用性。
去噪可以减少图像中的随机噪声，增强操作可以突出图像中的重要特征，校正则用于消除图像的畸变和失真。
特征提取是图像处理在飞行器导航中的核心环节之一。
常用的特征包括边缘、角点、纹理等。
例如，通过检测图像中的边缘，可以确定物体的轮廓和边界；角点则能够提供关于图像中显著位置的信息；纹理特征可以用于区分不同的物体和表面。
在特征提取之后，需要对这些特征进行匹配和跟踪。
通过将当前获取的图像特征与之前存储的特征进行比较和匹配，可以确定飞行器的相对位置和运动变化。
跟踪则用于持续监测特征的变化，以实时更新导航信息。
然而，基于图像处理的飞行器导航也面临着一些技术难题。
例如，图像的实时处理和计算量巨大，需要高性能的硬件和优化的算法来支持。
此外，环境的变化，如光照条件的改变、天气的影响等，可能会导致图像质量下降，从而影响特征提取和匹配的准确性。
数学与航天科学认识数学在航天科学中的应用和探索
数学与航天科学认识数学在航天科学中的应用和探索数学与航天科学数学是一门抽象而精确的科学，在航天科学中扮演着至关重要的角色。
数学的应用和探索不仅提供了航天工程的理论基础，还为航天科学的发展和探索打下了坚实的基础。
本文将探讨数学在航天科学中的应用和探索，展示数学在航天科学领域的重要性与价值。
1. 轨道动力学轨道动力学是航天科学中的重要分支，它研究天体运动和航天器在空间中的轨道运动。
数学在轨道动力学中的应用广泛而深入。
首先，数学提供了描述行星、卫星和航天器运动的数学模型，如牛顿的万有引力定律和开普勒定律等。
通过这些数学模型，航天科学家可以预测和计算天体的运动轨迹，规划航天任务的发射时机和轨道设计。
其次，数学还提供了推演和解决航天器轨道修正、跟踪和姿态控制等问题的方法。
利用数学模型和数值计算方法，航天科学家可以实现航天器在各种复杂环境下的稳定和精确控制。
2. 飞行力学飞行力学是航天科学中研究航天器在大气层中运动的学科。
数学在飞行力学中的应用主要体现在空气动力学和飞行控制两个方面。
首先，数学提供了描述流动介质（如空气）对航天器作用的数学模型和方程。
这些模型和方程可以用来分析和预测航天器在大气层中的运动、气动加热和飞行稳定性等问题，为航天器设计和飞行安全提供了重要的指导。
其次，数学在飞行控制中起着关键的作用。
通过建立数学模型和控制算法，航天科学家可以实现航天器的姿态控制、航向控制和高度控制，保证航天器在飞行过程中的安全和稳定。
3. 数据处理与图像识别在航天科学中，数据处理和图像识别是至关重要的任务。
数学在这些任务中发挥着核心作用。
首先，数学提供了各种数据分析和处理的方法。
通过统计学、概率论和信号处理等数学工具，航天科学家可以对航天器传回的数据进行去噪、滤波、压缩和处理等操作，提取有用的信息和特征，为科学家提供高质量的数据分析和研究基础。
其次，数学在图像识别中也发挥着重要作用。
通过数学模型和图像处理算法，航天科学家可以对卫星传回的地球表面图像进行分析、识别和重建，揭示地球表面的地质结构、植被分布和气候变化等信息。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ＡＣ Ｏ ｌ ａ ｇ ｏ ｒ ｉ ｔ ｈ ｍ， ｔ ｈ ｅ ｅ ｘ ｐ ｅ ｒ ｉ ｍｅ ｎ ｔ ａ ｌ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｈ ｏ ｗｓ ｈａ ｔ ｔ ｈｅ ｔ ｌ ａ ｔ ｔ ｅ ｒ ｐ ｅ ｆ ｒ ｏ ｒ ｍｓ ｂ ｅ ｔ ｔ ｅ ｒ ｉ ｎ ｔ ｈ ｉ ｓ ａ ｐ ｐ １ ｉ ｃ ａ ｉ ｔ ｏ ｎ ． Ｂ ａ ｓ ｅ ｄ ｏ ｎ ｈｉ ｔ ｓ ， ｉ ｆ ｎ ｉ ｓ ｈ ｈｅ ｔ ｉ ｍａ ｇ ｅ ｍａ ｔ ｃ ｈ ｉ ｎ ｇ
Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｎ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈｍ ｏ ｆ Ｔｒ ａ ｃ ｋ Ｓ ｕｒ ｆ ａ ｃ ｅ Ｉ ｍａ ｇ ｅ Ｐｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｇ
Ｗ ＡＮＧ Ｘｕ ａ ｎ－ｚ ｉ ， Ｓ ＵＮ Ｘｉ ａ ｎ－ｋ ｕ ｎ， ＧＡＯ Ｆ ｅ ｉ
（ 上 海工程技 术 大学 电子 电气 工程 学院 ， 上海 ２ ０ １ ６ ２ ０ ）
摘 要： 轨道检 测是 我国快 速发展 的铁 路运输 和城 市轨 道交 通 运输 的重要 保 障 。为 了更 好 地 完成 轨道 检 测工 作 ， 首先 介
绍 了轨道 检测发 展 的趋势 和现有 的轨道 探伤标 准 ， 然后基 于计 算 机 视觉 中的双 目视觉 原 理 ， 搭建 了轨道 图像 采 集 系统 的 模 型 。针 对此 系统采 集到 的同一 根轨道 的角 度不 同的左 右两 幅图像 ， 研究 针对 轨道 表 面图像 的处理 算法 。对 比分 析 基 于
区域 的 Ｏ ｔ ｓ ｕ 分 割算 法和基 于改 进蚁群 优化算 法 的边缘 检测算 法 的原 理 以及算 法 表现 ， 实 验结 果 表 明， 文 中改进 算 法 的结 果更 适 合此应用 。在此基 础上 ， 根据相 似度 函数将 分割好 的左 右图像 进行 图像 匹配 ， 获 取双 目视觉 的视差 图 ， 为后 续 的 深 度 信息 提取 与图像 的三维 重建 和全面测 量 打下 了 良好 的基础 。
Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ， Ｓ ｈ ｎｇ ａ ｈ ａ ｉ ２ ０ １ ６ ２ ０ ， Ｃ ｈ ｉ ｎ ａ ）
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｔ ｒ ａ ｃ ｋ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ｉ ｓ ｔ ｈ ｅ ｂ ａ ｓ ｉ ｃ ｐ ｒ ｏ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ｏ ｆ ｈｅ ｔ ｒ ａ ｉ ｌ ｗａ ｙ ａ ｎ ｄ ｔ ｈ ｅ ｓ ｕ ｂ ｗａ ｙ ｄ ｅ ｖ ｅ ｌ ｏ ｐ ｍｅ ｎ ｔ ｉ ｎ Ｃｈ ｉ ｎ ａ ． Ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｉｎ ｆ ｉ ｓ ｈ ｈｅ ｔ ｔ ｒ ａ ｃ ｋ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｎ ｇ ｗｏ ｒ ｋ ｂ ｅ ｔ ｔ ｅ ｒ ， ｉｒ ｆ ｓ ｔ ｌ ｙ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｈｅ ｔ ｄ ｅ ｖ ｅ ｌ ｏ ｐ ｉ ｎ ｇ ｔ ｒ ｅ ｎ ｄ ｓ ａ ｎ ｄ ｕ ｐ ｔ ｏ ｄ ａ ｔ ｅ ｍｅ ｈｏ ｔ ｄ ｕ ｓ ｅ ｄ ｉ ｎ ｈｅ ｔ ｔ ｒ ａ ｃ ｋ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ． Ｔｈ ｅ ｎ ｂ ａ ｓ ｄ ｅ ｏ ｎ ｈｅ ｔ ｂ ｉ ｎ ｏ ｃ ｕ ｌ ａ ｒ ｖ ｉ ｓ ｉ ｏ ｎ ｓ ｙ ｓ ｔ ｅ ｍ ｉ ｎ ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ ｖ ｉ ｓ ｉ ｏ ｎ ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ， ｂ ｕ ｉ ｌ ｄ ａ ｉ ｍａ ｇ ｅ ｃ ｏ ｌ ｌ ｃｔ ｅ ｉ ｎ ｇ ｓ ｙ ｓ ｔ ｅ ｍ． Ａｉ ｍｉ ｎ ｇ ａ ｔ ｔ ｈ ｅ ｔ ｗｏ ｉ ｍａ ｇ ｅ ｓ ｃ ｏ ｌ ｌ ｅ ｃ ｔ ｅ ｄ ｏ ｆ ａ ｓ ｒｎ ａ ｃ ｔ ｒ ａ ｃ ｋ ｆ ｒ ｏｍ ｔ ＷＯ ｄ ｉ ｆ － ｆ ｅ ｒ ｅ ｎ ｔ ａ ｎ ｇ ｌ ｅ ｓ ， ｈ ａ ｖ ｅ ｄ ｏ ｎ ｅ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｅ ｓ ｏ ｎ ｔ ｒ ａ ｃ ｋ ｓ ｕ ｒ ｆ ａ ｃ ｅ ｉ ｍａ ｇ ｅ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ａ ｌ ｇ ｏ ｒ ｉ ｈ ｍ． ｔ Ｃｏ ｍｐ ｒｅ ａ ｎｄ ａ ｎａ ａ ｌ ｙ ｚ ｅ ｈｅ ｔ Ｏｔ ｓ ｕ ａ ｌ ｇ ｏ ｉｔ ｒ ｈ ｍ ｎｄ ａ ｔ ｈ ｅ ｍｏ ｄｉ ｉｅ ｆ ｄ
关键词 ： 双目 视觉； 图像分 割 ； Ｏ ｔ ｓ ｕ 算法； 蚁 群算法 ； 图像 匹配
中图分 类号 ： Ｔ Ｐ ３ ９ １ 文 献标 识码 ： Ａ 文章 编号 ： １ ６ ７ ３ — ６ ２ ９ Ｘ（ ２ ０ １ ５ ） ０ ９ — ０ 】 ８ ２ — ０ ５
ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ６ ７ ３ — ６ ２ ９ Ｘ． ２ ０ １ ５ ． ０ ９ ． ０ ３ ９
第２ ５卷
第 ９期
计 算 机 技 术 与 发 展
ＣＯＭＰ ＵＴ ＥＲ ＴＥ ＣＨＮＯＬＯＧＹ ＡＮＤ Ｖ ｏ １ ． ２ ５ Ｎｏ ． ９ Ｓ ｅ ｐ ． ２０ｌ ５
轨 道 表 面 图像 处 理 算 法 研 究
汪眩紫 ， 孙 宪坤 ， 高 飞
（ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ ａ ｎ ｄ Ｅ ｌ ｅ ｃ ｔ ｒ ｉ ｃ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｉ ｒ ｎ ｇ ， Ｓ ｈ ｎｇ ａ ｈ ａ ｉ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｉ ｒ ｎ ｇ