基于SAR图像的复杂舰船目标模型外形优化方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115346131A(43)申请公布日2022.11.15(21)申请号202210957876.X(22)申请日2022.08.10(71)申请人南京理工大学地址210094江苏省南京市孝陵卫200号(72)发明人丁大志何姿樊振宏李猛猛李璇杨婕何圆圆姜夏宇(74)专利代理机构南京理工大学专利中心32203专利代理师陈鹏(51)Int.Cl.G06V20/13(2022.01)G06V10/74(2022.01)G06N3/00(2006.01)权利要求书3页说明书6页附图2页(54)发明名称基于SAR图像的复杂舰船目标模型外形优化方法(57)摘要本发明公开了一种基于SAR图像的复杂舰船目标模型外形优化方法，首先将目标初始模型用非均匀有理B样条建模技术建模，得到模型的控制点坐标；然后对目标模型生成基于弹跳射线法的仿真图像，比较仿真图和实测图来得到需要优化的控制点，将其设置为优化参量；利用蜂鸟优化算法更新优化参量，生成基于弹跳射线法的仿真图像，计算其和目标图像的相似度，作为蜂鸟优化算法里每个种群个体的适应值，判断最优适应度值是否达到指标；若满足指标或者迭代若干次后，种群内最优适应度值保持不变，输出对应的模型以及控制点信息；若不符合，则继续优化；最终得到和实测图相似的仿真图对应的目标模型。本发明能够用来对目标模型外形进行优化。CN115346131ACN115346131A权利要求书1/3页1.一种基于SAR图像的复杂舰船目标模型外形优化方法，其特征在于，包括以下步骤：步骤1、将初始模型用非均匀有理B样条建模技术建模，得到模型的控制点坐标；步骤2、对目标模型生成基于弹跳射线法的仿真图像；步骤3、比较仿真图和实测图来得到需要优化的控制点，将其设置为优化参量；步骤4、利用蜂鸟优化算法更新优化参量，从而更新变化后的目标模型外形；步骤5、生成基于弹跳射线法的仿真图像，计算其和目标图像的相似度；步骤6、将步骤5中计算得到的相似度作为蜂鸟优化算法里每个种群个体的适应值，判断最优适应度值是否达到指标；若满足指标或者迭代若干次后，种群内最优适应度值保持不变，输出对应的模型以及控制点信息；否则重复步骤4。2.根据权利要求1所述的基于SAR图像的复杂舰船目标模型外形优化方法，其特征在于，步骤1中，建立目标的几何模型，具体如下：用Nj,n(u)表示关于节点向量U的第j个n阶B样条基函数：NURBS曲面的形状由几个控制点根据一个双变量分段有理函数控制表示；NURBS曲面上任意一点的坐标表示为：其中，U和V分别表示在u、v两个参数方向上控制点的个数；wij表示控制点Pij对应的权因子；Pij＝[Pijx,Pijy,Pijz]表示控制点Pij在x，y，z方向上的坐标；Ni,p(u)是由节点矢量U＝[u1,u2,…un+k+1]根据Cox‑DeBoor递推公式而得到的p阶规范B样条基函数，同理，Nj,q(v)是由节点矢量V＝[v1,v2,…vn+k+1]根据Cox‑DeBoor递推公式而得到的q阶规范B样条基函数。3.根据权利要求2所述的基于SAR图像的复杂舰船目标模型外形优化方法，其特征在于，步骤4所述蜂鸟优化算法，具体如下：假设种群内蜂鸟数为N，每只蜂鸟对应一个解决方案，初始化种群：Pi＝ub‑rand·(ub‑lb)其中，Pi是种群中第i个蜂鸟的位置，i∈{1,2,…N}，对应着优化问题的可行解，ub和lb代表变量的取值上下限，rand代表随机数，rand∈[0,1]；tt‑1在自搜索阶段，若蜂鸟i搜索到了更好的位置，Pi≠Pi，则代表当前搜索区域可继续搜索；蜂鸟i的新位置如下：t+1ttt‑1Pi＝Pi+rand·(Pi‑Pi)tt+1t+1Pi、Pi分别为第i只蜂鸟在第t、t+1次迭代时所处的位置；若Pi的适应值更优，说明算法找到更优解，则更新位置，否则保持本次迭代前位置不变；tt‑1若蜂鸟i连续搜索多次，没有搜索到更优的食物源，Pi＝Pi，意味着根据经验当前区2CN115346131A权利要求书2/3页域没有更优位置，则随机改变搜索方向：其中表示第t次迭代的最优解，μ、v均服从正态分布；在引导搜索阶段，占据最优位置的个体称为领头鸟，其它个体称为跟随鸟；领头鸟在领地周围不断飞行：T,t+1T,tP＝P+rd·λT,tT,t+1其中P是第t次迭代时领头鸟的位置，rd为‑1～1的随机数，λ＝0.1(ub‑lb)，若P所表示的位置更优，则用PT,t+1取代PT,t；与领头鸟不同，跟随鸟的运动分为两种状态；若领头鸟没有发现跟随鸟j，跟随鸟j靠近领头鸟区域：F,t+1F,tT,tF,tPj＝Pj+rand·(P‑MF·Pj)MF＝round[1+rand(0,1){2‑1}]F,t其中Pj是第t次