图像配准及其在目标精确定位中的应用

Ｖｏ１．３２。Ｎｏ．１０　火力与指挥控制　第３ｚ卷第１０期　Ｏｃｔｏｂｅｒ，２００７　Ｆｉｒｅ　Ｃｏｎｔｒｏｌ　ａｎｄ　Ｃｏｍｍａｎｄ　Ｃｏｎｔｒｏｌ　２００７年１０月　文章编号：１００２—０６４０（２００７）１０－０１１６－０４　图像配准及其在目标精确定位中的应用　赵书斌，王海川　（江苏自动化研究所，江苏连云港２２２００６）　摘要：随着卫星和无人机等空天侦察平台的发展和广泛应用，图像成为精确定位目标的一个重要信息源，而其中一个　重要途径就是战术图像与参考卫星图像的配准。由于成像设备、时间和光照条件的差异，战术图像和卫星图像在亮度上存在　很大的不同。为解决这些问题，提出了一种基于部分Ｈａｕｓｄｏｒｆｆ距离的图像配准算法。试验表明，该算法对于噪声、光照变化和　局部场景变化具有较强的鲁棒性。　关键词：目标定位，图像配准，Ｈａｕｓｄｏｒｆｆ距离　中图分类号：ＴＰ３９１　文献标识码：Ａ　Ｉｍａｇｅ　Ｒｅｇｉｓｔｒａｔｉｏｎ　ｗｉｔｈ　Ａｐｐｌｉｃａｔｉｏｎｓ　ｉｎ　Ｐｒｅｃｉｓｅｌｙ　Ｌｏｃａｔｉｎｇ　Ｔａｒｇｅｔｓ　ＺＨＡ０　Ｓｈｕ—ｂｉｎ，ＷＡＮＧ　Ｈａｉ—ｃｈｕａｎ　（Ｊｉａｎｇｓｕ　Ａｕｔｏｍａｔｉｏｎ　Ｒｅｓｅａｒｃｈ　Ｉｎｓｔｉｔｕｔｅ，Ｌｉａｎｙｕｎｇａｎｇ　２２２００６，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｌｏｎｇ—ｒａｎｇｅ　ｐｒｅｃｉｓｅ　ｓｔｒｉｋｅ　ｉｓ　ｏｎｅ　ｏｆ　ｔｈｅ　ｍｏｓｔ　ｉｍｐｏｒｔａｎｔ　ｆｅａｔｕｒｅｓ　ｏｆ　ｔｈｅ　ｍｏｄｅｒｎ　ｗａｒｓ，ａｎｄ　ｐｒｅｃｉｓｅｌｙ　ｌｏｃａｔｉｎｇ　ｔａｒｇｅｔｓ　ｉｓ　ｔｈｅ　ｆｏｕｎｄａｔｉｏｎ　ｏｆ　ｔｈｅ　ｓｕｃｃｅｓｓｆｕｌ　ｓｔｒｉｋｅ．Ｗｉｔｈ　ｔｈｅ　ｒａｐｉｄ　ｄｅｖｅｌｏｐｍｅｎｔｓ　ａｎｄ　ａｐｐｌｉｃａｔｉｏｎｓ　ｏｆ　ｖａｒｉｏｕｓ　ｓｐａｃｅ—ｂａｓｅｄ　ａｎｄ　ａｅｒｉａｌ　ｓｕｒｖｅｉｌｌａｎｃｅ　ｐｌａｔｆｏｒｍｓ，ｓｕｃｈ　ａｓ　ｓａｔｅｌｌｉｔｅｓ　ａｎｄ　ｕｎｍａｎｎｅｄ　ａｅｒｉａｌ　ｖｅｈｉｃｌｅｓ，ｉｍａｇｅｒｉｅｓ　ｂｅｃｏｍｅ　ａ　ｖｅｒｙ　ｉｍｐｏｒｔａｎｔ　ｓｏｕｒｃｅ　ｏｆ　ｉｎｔｅｌｌｉｇｅｎｃｅ．Ｓａｔｅｌｌｉｔｅ　ｉｍａｇｅｓ　ａｒｅ　ｕｓｕａｌｌｙ　ａｃｃｕｒａｔｅｌｙ　ｇｅｏ—ｒｅｆｅｒｅｎｃｅｄ，ｗｈｉｌｅ　ｍｉｓｓｉｏｎ　ｉｍａｇｅｓ　ｃａｎ　ｂｅ　ｏｂｔａｉｎｅｄ　ｉｎ　ｒｅａｌ　ｔｉｍｅ．Ｓｏ，Ｆｕｓｉｏｎ　ｏｆ　ｔｈｅｓｅ　ｉｍａｇｅｓ　ｉｓ　ｎｅｅｄｅｄ　ｔｏ　ｕｔｉｌｉｚｅ　ａｌｌ　ｔｈｅ　ｉｎｆｏｒｍａｔｉｏｎ．Ｈｏｗｅｖｅｒ。ｔｅｃｈｎｉｑｕｅｓ　ｆｏｒ　ｅｘｔｒａｃｔｉｎｇ　ｔｈｅ　ｉｎｆｏｒｍａｔｉｏｎ　ｈａｖｅ　ｎｏｔ　ｂｅｅｎ　ｓｏｌｖｅｄ　ｐｅｒｆｅｃｔｌｙ．Ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，ａｎ　ｉｍａｇｅ　ｒｅｇｉｓｔｒａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｐａｒｔｉａｌ　Ｈａｕｓｄｏｒｆｆ　ｄｉｓｔａｎｃｅ　ｉｓ　ｐｒｅｓｅｎｔｅｄ　ｔｏ　ｉｎｔｅｇｒａｔｅ　ａｌｌ　ｉｎｆｏｒｍａｔｉｏｎ　ｆｒｏｍ　ｍｉｓｓｉｏｎ　ｉｍａｇｅｓ　ａｎｄ　ｓａｔｅｌｌｉｔｅ　ｉｍａｇｅｓ．Ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｐｒｅｓｅｎｔｅｄ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｒｏｂｕｓｔ　ｕｎｄｅｒ　ｎｏｉｓｅｓ，ｉｌｌｕｍｉｎａｔｉｏｎ　ｖａｒｉａｔｉｏｎｓ　ａｎｄ　ｐａｒｔｉａｌ　ｓｃｅｎｅ　ｃｈａｎｇｅｓ．　Ｋｅｙ　ｗｏｒｄｓ：ｌｏｃａｔｉｎｇ　ｔａｒｇｅｔ，ｉｍａｇｅ　ｒｅｇｉｓｔｒａｔｉｏｎ，Ｈａｕｓｄｏｒｆｆ　ｄｉｓｔａｎｃｅ　士　利用无人机图像就能够实现突发目标的精确定位。　丘　在文献中，这种图像融合技术称为图像配准。　随着卫星和无人机等空天侦察平台的发展和广　本文首先分析了图像配准在目标精确定位中的　泛应用，侦察图像已成为目标定位的重要信息源。卫　应用问题，并对现有的图像配准算法做了综述，然后　星图像具有精确的地理位置信息，但卫星图像经搜　在深入分析图像配准问题的基础上提出了基于部分　集、处理，最后分发给用户则已经是几天之后了，所　Ｈａｕｓｄｏｒｆｆ距离的图像配准算法，最后给出了试验　以不具有实时性。而无人机图像则能够用于对战场　结果分析。　进行实时侦察和监视，但无人机图像并不具有地理　坐标信息。如果能够融合卫星图像和无人机图像中　１　概　述　包含的信息，为无人机图像标注精确的地理坐标，则　１．１目标精确定位　作战中可用的图像情报可以分为三类：预置的　收稿日期：２００６—０１—２０　修回日期：２００６—１０—３０　图像库，卫星图像和无人机图像等战术图像。这三类　作者简介：赵书斌（１９６８一），男，博士，主要从事图像处理　图像具有不同的特点：　与分析、模式识别和小波分析等方面的研究工　作。　＊预置的图像库使用的数据常常是几个月甚　维普资讯 http://www.cqvip.com 赵书斌，等：图像配准及其在目标精确定位中的应用　（总第３２—１２６３）　‘１１７‘　至几年以前的，因而对定位时敏目标没有什么帮助。　然而，这些产品所标注的地理信息非常准确，所提供　的地理坐标和其他信息是精确制导武器的理想信息　源。　＊卫星图像经接收、处理后同样具有很高的几　何精度，标注的地理坐标也非常准确，但至少需要数　天时间才能完成。尽管这样的图像对发现时敏目标　没有什么作用，但由于时间较短，场景不至于发生很　大的变化。因此，卫星图像与战术图像配准的精度更　高。　＊而实时的战术图像则随时可以得到，经处理　在几秒钟到几分钟的时间内就可以供作战使用。战　术图像的缺点是，它不具有精确的地理坐标。尽管战　术图像对于发现和识别目标是足够的，但不能为精　确打击武器提供足够精度的位置信息。　对于大多数固定目标，例如一个发电厂或铁路　桥，获得需要的高精度坐标并不存在什么严重困难。　在一般情况下，这个过程花费的时间稍微长一些是　可以忍受的，因此可以使用卫星图像和预置的图像　库完成打击规划和目标定位等任务。但是，卫星图像　由于不具有实时性，显然不可能为打击突发目标提　供什么帮助。为利用实时接收的无人机图像进行突　发目标定位，传统方法是根据无人机和成像设备的　位置和姿态等信息，计算无人机图像在地面上的位　置，从而定位突发目标。通常，这种定位方法的误差　为数百米，远远不能满足精确打击的要求。　综合利用战术图像具有的实时性、预置的图像　产品具有的准确地理信息和卫星图像与战术图像之　间较好的一致性，时敏目标精确定位的一个解决方　案是，战术图像首先与卫星图像配准，并通过卫星图　像实现战术图像与预置图像的配准。这样就实现了　战术图像的地理信息标注，同时也就解决了时敏目　标的快速精确定位问题。这种目标定位方法的关键　在于卫星图像与战术图像配准。　１．２图像配准算法综述　图像配准是指将不同时间、从不同视角、用不同　传感器获取的同一场景的图像，按其在场景中的几　何位置重叠在一起的过程。图像配准是计算机视觉、　图像分析和医学影像等研究领域中十分重要的问　题，可以说，图像配准是所有涉及图像融合的图像分　析工作的关键一步。其应用范围除目标定位外，包括　多光谱分类，环境监视，变化检测，图像镶嵌，天气预　报，超分辨率图像重构，ＧＩＳ中的信息集成，医学影　像中的肿瘤变化的检测与判断，等等。鉴于图像配准　的重要性，文献［１，２］对图像配准问题做了非常深入　的研究，并提出了各种各样的算法。这些算法大致可　以分成如下两类：基于区域的方法和基于特征的方　法。基于区域的方法有时也称为互相关方法或模板　匹配嘲，该类方法［４－６］直接利用图像的像素值，对传　感器类型、光照条件和场景局部变化等十分敏感，不　具有鲁棒性。基于特征的方法［７　。。首先以两个特征　集来表示两幅图像，特征可以是线段，边缘点，角点，　区域质心等；然后通过配准两个特征集实现两幅图　像的配准。该类算法能够克服光照条件变化对配准　结果的影响，但同样对场景变化等不具有鲁棒性。　２　问题描述与分析　设　和　分别表示无人机图像和卫星图像，则　数学上，无人机图像与卫星图像配准可以表述为：寻　找一个几何变换ｇ和一个灰度变换厂，使得　Ｉ（ｘ，　）一，（Ｍ（ｇ（ｚ，．），）））　（１）　一般而言，灰度变换是不必要的。图像配准的全　部工作就是寻找满足式（１）的几何变换ｇ。实际问题　中，由于噪声的存在、成像条件的差异等问题，两幅　图像严格匹配是不可能的。因此，将问题重新表述　为：寻找一个几何变换ｇ，使得　ｅ—Ｊｆｆ　ＪＷ（ｚ，　ｙ）ｄｉｓｔ　（　（ｚ，　）），Ｍ（ｇ（ｚ，　））ｄｘｄｙ　（２）　最小。其中ｄｉｓｔ（口，６）为口和ｂ之间差异的某种度　量，而Ｗ（ｚ，　）为权重函数。　根据式（２），两幅图像的最佳匹配使得二者灰度　差的总和最小。但是，由于不同的成像条件和不同的　成像设备得到的同一场景的图像是不同的，两幅图　像不一定具有一致的灰度值，所以灰度值并不是一　种有效的图像配准特征。一般情况下，图像的结构特　征对于不同的成像条件和不同的传感器具有不变　性，是较为可靠的图像配准特征。实际上，在无人机　图像和卫星图像配准应用中，特别是成像传感器类　型不同时，图像赖以配准的只有边缘轮廓，即图像的　结构特征。边缘轮廓可以使用Ｃａｎｎｙ算子检测，并　根据无人机图像的噪声统计特性来选择滤波参数。　边缘轮廓是一个点集，是图像灰度值变化比较　剧烈的点，能够表达图像中的一些基本结构。仍然用　和　表示无人机图像和卫星图像的边缘轮廓，那　么无人机图像和卫星图像配准就变成两个点集　和　的匹配问题。度量边缘轮廓之间的相似性有许　多方法，如链码等，但这些方法都没有考虑可能存在　的场景的较大变化。由于卫星图像和无人机图像的　摄取可能间隔很长时间，场景的局部变化是普遍存　维普资讯 http://www.cqvip.com

・１１８・（总第３２—１２６４）　火力与指挥控制　２００７年第１Ｏ期　在的，所以两个点集之间相似性度量标准的选择必　须使算法具有局部图像匹配的能力，以克服局部场　景变化的影响。部分Ｈａｕｓｄｏｒｆｆ距离Ｌ１　就是能够比　较两个图形局部相似性的一种度量。　图像配准中的另一个问题是，变换空间的确定。　采用什么样的几何变换，取决于无人机图像相对于　卫星图像发生了哪些几何变形。这完全取决于无人　和卫星图像配准问题可以表述为：在仿射变换空间　Ｇ中寻找一个变换ｇ，使得Ｈａｕｓｄｏｒｆｆ距离　Ｈ　（ｇ（Ｍ），Ｉ）　（７）　具有最小值。即　ｍｉｎＨ　（ｇ（Ｍ），　）　ｇＥＧ　（８）　这里，Ｍ和，分别表示Ｃａｎｎｙ边缘检测算子检　测到的无人机图像和卫星图像边缘点构成的集合。　机和成像传感器的姿态，以及传感器本身的特性（如　焦距和各种非线性变形等）。本文假定变换空间为仿　４试验结果分析　射变换，对成像问题不予详细讨论。　３　算法描述　已知两个点集Ａ和Ｂ，Ａ和Ｂ之间的　Ｈａｕｓｄｏｒｆｆ距离定义为　Ｈ（Ａ，Ｂ）一ｍａｘ（　（Ａ，Ｂ）），ｈ（Ｂ，Ａ）　（３）　其中　ｈ（Ａ，Ｂ）＝ｓｕｐ　ｉｎｆ　ａ一６　（４）　ａ∈Ａ　ｂＥ　这里，　・ＩＩ表示定义在坐标平面上的某种范　数（如Ｌ　范数），通常采用Ｌ。（欧几里德）范数。函数　ｈ（Ａ，Ｂ）称为从点集Ａ到Ｂ的有向Ｈａｕｓｄｏｒｆｆ距　离。如果Ａ和Ｂ为紧集，则有　ｈ（Ａ，Ｂ）￣－－ｍａｘ　ｍｉｎ　ａ一６　（５）　ａ∈Ａ　６∈Ｂ　对于点集Ａ中的每一点，计算到点集Ｂ中最近　点的距离；所有这些距离中的最大值就是ｈ（Ａ，Ｂ）。　凭直觉即可看出，如果ｈ（Ａ，Ｂ）一ｄ，那么点集Ａ中　任一点一定在点集Ｂ中某一点的ｄ邻域内，并且有　某一点到点集Ｂ中最近一点的距离正好是ｄ。　从Ｈａｕｓｄｏｒｆｆ距离的定义可以看出，如果两个　点集在平面上的分布完全相同，则其Ｈａｕｓｄｏｒｆｆ距　离为零；差别越大，Ｈａｕｓｄｏｒｆｆ距离就越大。因此，两　个点集之间的Ｈａｕｓｄｏｒｆｆ距离确实能够度量两个点　集之间的相似性。　卫星图像和无人机图像的摄取可能间隔很长时　间，在这段时间场景可能已经发生了较大的变化。另　一方面，由于噪声的存在，两幅图像的边缘轮廓　不　可能完全相同。因此笔者希望，即使存在一些差别，　两幅图像仍然能够精确配准。现在，将Ｈａｕｓｄｏｒｆｆ距　离修改为　Ｈ＾ｆ（　，Ｂ）一ｍａｘ（　（　，Ｂ），ｈｆ（Ｂ，Ａ））　（６）　其中，ｈ　（　，Ｂ）表示将点集　中任一点到点集　Ｂ的距离由小到大排序后的第ｋ个值，ｈ　（Ｂ，　）具　有类似的意义。Ｈ　（　，Ｂ）称为部分Ｈａｕｓｄｏｒｆｆ距　离。　根据部分Ｈａｕｓｄｏｒｆｆ距离的定义，无人机图像　为验证本文算法的有效性，测试目标定位误差，　并检验算法对噪声和场景变化的鲁棒性，针对多幅　卫星图像进行了仿真试验。试验时，取局部卫星图　像，进行仿射变换并做一些修改后作为无人机图像。　为测试算法对噪声的敏感程度，对试验图像也加上　了一定量的噪声。试验结果如图１，图２和下页图３　所示。试验表明，在一定程度的场景变化和噪声条件　下，图像能够准确配准。这说明基于图像配准的目标　定位技术是可行的，目标定位误差完全由卫星图像　的标注误差决定。本质上，算法对噪声和场景变化具　有鲁棒性的原因在于噪声和场景变化的随机性。如　图１卫星图像　图２模拟无人机图像　维普资讯 http://www.cqvip.com

赵书斌。等：图像配准及其在目标精确定位中的应用　（总第３２—１２６５）　图３配准结果　果噪声和场景变化从根本上改变了图像的结构特　征，那么配准结果将会受到严重影响。　５　结　论　本文分析和描述了基于图像配准的目标精确定　位技术，并在对问题进行深入分析的基础上，提出了　一种基于部分Ｈａｕｓｄｏｒｆｆ距离的图像配准算法。试　验结果表明，该算法是有效的，并且对噪声和一定程　度的场景变化具有较好的鲁棒性。希望本文的研究　能为基于图像配准的目标精确定位技术的进一步研　究提供一些借鉴。　参考文献：　［１３　Ｂｒｏｗｎ　Ｌ　Ｇ．Ａ　Ｓｕｒｖｅｙ　ｏｆ　Ｉｍａｇｅ　Ｒｅｇｉｓｔｒａｔｉｏｎ　Ｔｅｃｈｎｉｑｕｅｓ［Ｊ］．ＡＣＭ　Ｃｏｍｐｕｔｉｎｇ　Ｓｕｒｖｅｙｓ，１９９２，　（２４）：３２６—３７６．　［２］　Ｚｉｔｏｖａ　Ｂ，Ｆｌｕｓｓｅｒ　Ｊ．Ｉｍａｇｅ　Ｒｅｇｉｓｔｒａｔｉｏｎ　Ｍｅｔｈｏｄｓ：ａ　Ｓｕｒｖｅｙ［Ｊ］．Ｉｍａｇｅ　ａｎｄ　Ｖｉｓｉｏｎ　Ｃｏｍｐｕｔｉｎｇ　２００３（２１）：　９７７—１０００．　［３］　Ｆｏｎｓｅｃａ　Ｌ　Ｍ　Ｇ，Ｍａｎｊｕｎａｔｈ　Ｂ　Ｓ．Ｒｅｇｉｓｔｒａｔｉｏｎ　Ｔｅｃｈｎｉｑｕｅｓ　ｆｏｒ　Ｍｕｌｔｉｓｅｎｓｏｒ　Ｒｅｍｏｔｅｌｙ　Ｓｅｎｓｅｄ　Ｉｍａｇｅｒｙ［Ｊ］．Ｐｈｏｔｏｇｒａｍｍｅｔｒｉｃ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，１９９６（６２）：１０４９—１０５６．　［４］　Ａｌｔｈｏｆ　Ｒ　Ｊ，Ｗｉｎｄ　Ｍ　Ｇ　Ｊ。Ｄｏｂｂｉｎｓ　Ｊ　Ｔ．Ａ　Ｒａｐｉｄ　ａｎｄ　Ａｕｔｏｍａｔｉｃ　Ｉｍａｇｅ　Ｒｅｇｉｓｔｒａｔｉｏｎ　Ａｌｇｏｒｉｔｈｍ　ｗｉｔｈ　Ｓｕｂｐｉｘｅ１　Ａｃｃｕｒａｃｙ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｍｅｄｉｃａｌ　Ｉｍａｇｉｎｇ，１９９７（１６）：３０８—３１６．　［５］　Ｂａｒｎｅａ　Ｄ　Ｉ，Ｓｉｌｖｅｒｍａｎ　Ｈ　Ｆ．Ａ　Ｃｌａｓｓ　ｏｆ　Ａｌｇｏｒｉｔｈｍｓ　ｆｏｒ　Ｆａｓｔ　Ｄｉｇｉｔａｌ　Ｉｍａｇｅ　Ｒｅｇｉｓｔｒａｔｉｏｎ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｃｏｍｐｕｔｉｎｇ，１９７２（２１）：１７９—１８６．　［６］　Ｐｒａｔｔ　Ｗ　Ｋ，Ｃｏｒｒｅｌａｔｉｏｎ　Ｔｅｃｈｎｉｑｕｅｓ　ｏｆ　Ｉｍａｇｅ　Ｒｅｇｉｓｔｒａｔｉｏｎ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ａｅｒｏｓｐａｃｅ　ａｎｄ　Ｅｌｅｃｔｒｏｎｉｃ　Ｓｙｓｔｅｍｓ，１９７４（１０）：３５３－３５８．　［７］　Ｇｏｓｈｔａｓｂｙ　Ａ．Ｓｔｏｃｈｍａｎ　Ｇ　Ｃ．Ｐｏｉｎｔ　Ｐａｔｔｅｒｎ　Ｍａｔｃｈｉｎｇ　Ｕｓｉｎｇ　Ｃｏｎｖｅｘ　Ｈｕｌｌ　Ｅｄｇｅｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｓｙｓｔｅｍｓ，Ｍａｎ　ａｎｄ　Ｃｙｂｅｒｎｅｔｉｃｓ，　１９８５（１５）：６３１—６３７．　［８］　Ｓｔｏｃｋｍａｎ　Ｇ，Ｋｏｐｓｔｅｉｎ　Ｓ，Ｂｅｎｅｔｔ　Ｓ．Ｍａｔｃｈｉｎｇ　Ｉｍａｇｅｓ　ｔｏ　Ｍｏｄｅｌｓ　ｆｏｒ　Ｒｅｇｉｓｔｒａｔｉｏｎ　ａｎｄ　Ｏｂｊｅｃｔ　Ｄｅｔｅｃｔｉｏｎ　ｖｉａ　Ｃｌｕｓｔｅｒｉｎｇ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｐａｔｔｅｒｎ　Ａｎａｌｙｓｉｓ　ａｎｄ　Ｍａｃｈｉｎｅ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，１９８２（４）：２２９—　２４１．　［９］　Ｇｕｅｓｔ　Ｅ，Ｂｅｒｒｙ　Ｅ，Ｂａｌｄｏｃｋ　Ｒ　Ａ，ｅｔ　ａ１．Ｒｏｂｕｓｔ　Ｐｏｉｎｔ　Ｃｏｒｒｅｓｐｏｎｄｅｎｃｅ　Ａｐｐｌｉｅｄ　ｔｏ　Ｔｗｏ—ａｎｄ　Ｔｈｒｅｅ—　ｄｉｍｅｎｓｉｏｎａｌ　Ｉｍａｇｅ　Ｒｅｇｉｓｔｒａｔｉｏｎ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎ　ｏｎ　Ｐａｔｔｅｒｎ　Ａｎａｌｙｓｉｓ　ａｎｄ　Ｍａｃｈｉｎｅ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，２００１（２３）：１６５—１７９．　［１Ｏ］　Ｙａｎｇ　Ｚ，Ｃｏｈｅｎ　Ｆ　Ｓ．Ｉｍａｇｅ　Ｒｅｇｉｓｔｒａｔｉｏｎ　ａｎｄ　Ｏｂｊｅｃｔ　Ｒｅｃｏｇｎｉｔｉｏｎ　Ｕｓｉｎｇ　Ａｆｆｉｎｅ　Ｉｎｖａｒｉａｎｔｓ　ａｎｄ　Ｃｏｎｖｅｘ　Ｈｕｌｌｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｉｍａｇｅ　Ｐｒｏｃｅｓｓｉｎｇ，　１９９９（８）：９３４—９４６．　［１１］　Ｈｕｔｔｅｎｌｏｃｈｅｒ　Ｄ　Ｐ，Ｋｌａｎｄｅｒｍａｎ　Ｇ　Ａ．Ｃｏｍｐａｒｉｎｇ　Ｉｍａｇｅｓ　Ｕｓｉｎｇ　ｔｈｅ　Ｈａｕｓｄｏｒｆｆ　Ｄｉｓｔａｎｃｅ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｐａｔｔｅｒｎ　Ａｎａｌｙｓｉｓ　ａｎｄ　Ｍａｃｈｉｎｅ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，１９９３（１５）：８５０—８６３．　（上接第１１２页）示飞机的方位，速度，距离以及炮车　的相对位置等等。当连指挥员通过雷达从显示器Ａ　中得到飞机的具体参数后，根据战场情况进行威胁　度判断，决定打击目标和打击方式，并把不同的目标　分配给不同炮车，由车长指挥炮手进行射击，实现指　挥车对炮车的通信和指挥。火炮对目标射击之后，车　长应及时将射击情况反馈给连指挥员，进行射击结　果评估，最大限度地实现指挥车和炮车的有效配合。　４　结束语　联合建模与仿真环境ＪＭＡＳＥ，是一个全新的、　完整的仿真支撑系统，基于ＪＭＡＳＥ对武器系统训　练仿真也是一个新的领域。目前，自行高炮武器系统　训练仿真模型中的一些基本功能已经实现，但是由　于整个系统复杂，要实现更深层次的训练仿真，比　如，要完全实现射频环境以及各种地形环境下韵仿　真训练，具体的细节，有待今后进一步探讨。　参考文献：　［１］　郭　刚．ＪＭＡＳＥ开发手册［Ｍ］．长沙：国防科技大学　出版社，２００４．　［２］　金伟新．大型仿真系统［Ｍ］．北京：电子工业出版社，　２００４．　．［３３　黄柯隶．系统仿真技术［Ｍ］．长沙：国防科技大学出　版社，１９９８．　［４］　马福球，陈运生，朵英贤．火炮与自动武器［Ｍ］．北　京：北京理工大学出版社，２００３．