CN101458766A - 计算机处理天文观测灰度图像信息以进行目标追踪的方法 - Google Patents

Abstract

本发明公开了一种计算机处理天文观测灰度图像信息以进行运动目标追踪的方法：将天文观测灰度图像数据存储在计算机存储设备内；对图像进行预处理；图像目标识别；图像目标追踪。本发明的方法能自动对大量的天文观测灰度图像进行计算机智能化处理，自动识别出每幅图像中的空间运动目标以及背景恒星等空间目标，并定量计算其灰度质心(表示空间目标的位置)、面积、长、宽和偏心度等空间特征；然后，根据空间运动目标移动较快的特点，在观测图像序列中结合基于Snake模型的主动轮廓追踪和特征相似性比较方法，对其中出现的空间运动目标进行自动、准确的识别和追踪。

Description

计算机处理天文观测灰度图像信息以进行目标追踪的方法

技术领域

本发明涉及的是一种天文观测灰度图像信息的计算机智能化处理的方法，属于计算机应用技术领域。

背景技术

目前，光学检测是进行天文监测的主要手段。通过天文监测，可以对太空中可疑的运动物体(如空间碎片等)的位置和运行轨迹进行准确追踪和监控，将大幅降低航天器被其碰撞损坏的风险和由此所造成的巨额经济损失，有益于提高航天技术产品和服务的产业附加值，具有可观的经济和社会效益。其中，利用天文光学探测手段获得太空的天文观测电荷耦合器件(CCD)灰度图像序列后进行监测，研究投入小，适用面广，且易于实现具体的部署和应用。

通常情况下，一般由天文机构的专家通过肉眼观察天文观测灰度图像进行空间运动目标的识别和跟踪。但由于天文观测图像的数量巨大，进行人工肉眼识别的工作量非常浩大，费时费力；同时，由于不同观测人员的知识背景和能力不同，无法保证每次观测和识别结果的稳定性。此外，光凭人的肉眼识别无法测算一些相对准确的定量信息，如面积、质心(表示空间目标的位置)和移动速度等，这些在进行人眼观测时都需要大量额外的后期计算和分析来实现。因此，考虑到以上问题，以及空间运动目标的观测任务对图像目标识别的精度和自动化处理程度要求较高的先天特点，采用计算机图像处理、图像识别与分析、计算机视觉等相关技术，进行天文观测灰度图像信息的计算机智能化处理，实现对空间运动目标的自动识别与追踪，可以实现更高的自动化程度和识别精度，效果更好，适用面更广，且更加易于实现具体的部署和应用。基于该技术的软、硬件产品可快速部署于拥有大量空间观测图像数据的各级天文机构。因此，利用计算机实现天文观测灰度图像信息的智能化处理，具有非常重要的研究价值和潜在的巨大经济效益。

发明内容

本发明的目的在于针对人眼观测天文灰度图像的缺陷，提出一种计算机处理天文观测灰度图像信息以进行目标追踪的方法。

为达到上述目的，本发明的思路如下：利用光学望远镜进行天文观测，获取天文观测灰度图像数据后存储在计算机存储设备内。采用计算机图像处理、图像识别与分析、计算机视觉等相关技术，自动识别出每幅天文灰度图像中的运动目标以及背景恒星等空间目标，并定量计算其灰度质心(表示空间目标的位置)、面积、长、宽和偏心率等空间特征；然后，根据运动目标移动较快的特点，在图像序列中结合基于Snake模型的主动轮廓追踪和特征相似性比较两种方法，对其中出现的空间运动目标进行自动识别和追踪，并精确计算其空间特征信息。

具体的技术方案如下：

一种计算机处理天文观测灰度图像信息以进行目标追踪的方法，包括如下步骤：

(1)将天文观测灰度图像数据存储在计算机存储设备内。

(2)对图像进行预处理。

(3)图像目标识别：

(a)设置一个灰度阈值k，灰度低于此阈值的像素灰度都变为0，其余的像素都变成1，实现图像的二值化；

其中，灰度阈值k按如下方法设置：

设一幅图像的灰度区间为[1，L]，灰度值为i的像素数为n_i，可得总像素数为 $N={\mathrm{\Σ}}_{i=1}^L{n}_i,$ 各灰度值对应概率为p_i＝n_i/N，假设灰度值k将图像像素按其灰度值大小分成两组C₀＝{1，...，k}和C₁＝{k+1，...，L}，则各组产生的概率如下：

$\left\{\begin{array}{c}{\mathrm{\ω}}_0={\mathrm{\Σ}}_{i=1}^k{p}_i,{\mathrm{\μ}}_0={\mathrm{\Σ}}_{i=1}^k\frac{i\·p_i}{{\mathrm{\ω}}_0}\\ {\mathrm{\ω}}_1={\mathrm{\Σ}}_{i=k+1}^L{p}_i,{\mathrm{\μ}}_1={\mathrm{\Σ}}_{i=k+1}^L\frac{i\·p_i}{{\mathrm{\ω}}_1}\end{array}\right.$

式中，ω₀，ω₁，μ₀，μ₁分别表示C₀，C₁两组的像素概率分布及其平均值；

令整幅图像的像素概率分布平均值为 $\mathrm{\μ}={\mathrm{\Σ}}_{i=1}^{L}i\·p_i,$ 则类间方差σ²(k)定义如下：

${\mathrm{\σ}}^2\left(k\right)={\mathrm{\ω}}_0\·{\mathrm{\σ}}_0^2\left(k\right)+{\mathrm{\ω}}_1\·{\mathrm{\σ}}_1^2\left(k\right)$

      $={\mathrm{\ω}}_0\·{({\mathrm{\μ}}_0-\mathrm{\μ})}^2+{\mathrm{\ω}}_1\·{({\mathrm{\μ}}_1-\mathrm{\μ})}^2$

从[1，L]之间不断选取并尝试不同的阈值k，使类间方差σ²(k)达到最大值的k即为所最终选定的二值化阈值。

(b)采用3x3窗口的中值滤波算法对二值化图像进行再处理，去除噪声干扰，并保留目标边缘信息，得到用于提取空间目标的黑白图像。

(c)根据空间目标与图像背景的差别，自动从黑白图像上搜索查找像素值为1的所有八连通像素点的集合，将其识别为空间目标，并予以标记，生成图像的空间目标集。

(d)根据各个空间目标在图像上的表示范围，通过计算其形状矩，获取面积、灰度质心、长度、宽度和偏心率的几何特征量；

图像的(p+q)阶形状矩定义为：

$M_{\mathrm{pq}}=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\text{\Σ}}}f(i,j)\·i^p\·j^q$

式中，f(i，j)(i＝1，...，M；j＝1，...，N)为目标中任一像素点的灰度；

则几何特征量的计算方法如下：

面积：目标区域的零阶形状矩M₀₀即为其面积。

灰度质心：由目标区域的零阶形状矩和一阶形状矩可以算出图像的质心(i₀，j₀)：

(i₀，j₀)＝(M₁₀/M₀₀，M₀₁/M₀₀)；

长度：目标区域中像素点的最大x坐标值减去最小x坐标值；

宽度：目标区域中像素点的最大y坐标值减去最小y坐标值；

偏心率：按如下公式计算：

$e=\frac{m_{20}+m_{02}+\sqrt{{(m_{20}+m_{02})}^2-4m_{20}{m}_{02}+4m_{11}^2}}{m_{20}+m_{02}-\sqrt{{(m_{20}+m_{02})}^2-{4m}_{20}{m}_{02}+4m_{11}^2}},$

式中，m_pq为目标的(p+q)阶中心矩，定义为：

$M_{\mathrm{pq}}=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\text{\Σ}}}f(i,j)\·{(i-i_0)}^p\·{(j-j_0)}^q.$

(e)将面积范围小于5个像素点的微小目标排除，将最后生成的空间目标集进行保存。

(4)图像目标追踪：

(a)基于Snake模型的主动轮廓追踪：

在当前帧中，将Snake轮廓设置为参考帧中所识别出的空间目标轮廓，随着能量函数值的逐渐降低，轮廓向符合当前图像目标特征的位置移动，能量最小化时的轮廓即为在当前帧中追踪到的最终目标轮廓；

所述的能量函数为：

$E=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\α}\·E_{\mathrm{cont}}+\mathrm{\β}\·E_{\mathrm{curv}}+\mathrm{\γ}\·E_{\mathrm{image}}$

式中，n为Snake控制点数目；α＝1.5，β＝1.2，γ＝2.5；E_cont＝|d-|v_i-v_i-1||，其中，d为目标轮廓点之间的平均距离，v_i表示目标的第i个轮廓点；E_curv＝|v_i-1-2v_i+v_i+1|²，其中vi表示目标的第i个轮廓点；E_image为经高斯滤波平滑处理的图像中各轮廓点附近的梯度值；

将在当前帧和参考帧中具有最大位移的目标识别为空间碎片目标。

(b)基于特征相似性比较的目标追踪：

在开始追踪得到空间碎片目标后，继续使用Snake主动轮廓模型对当前帧和参考帧中的相同空间目标进行确认；

以被确认的各个目标的特征量值为输入向量，计算相邻两幅图像中各个相同空间目标的特征量之间的曼哈顿距离，作为相似性匹配准则，参与相似性比较的特征向量由目标区域的面积、长度、宽度和偏心率组成；曼哈顿距离按如下公式计算：

$D(X_i^a,X_{i-1}^b)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}|x_i^a-x_{i-1}^b|$

式中，

分别为第i幅和第(i-1)幅观测图像中任意两个空间目标的特征向量，n为特征数；

选取在相邻两幅图像中具有最小曼哈顿距离的空间目标，确定为空间碎片，继续进行后续追踪，直至图像序列结束。

步骤(2)中，所述的对图像进行预处理的方法包括如下步骤：

(a)对图像进行灰度拉伸，使其实际观测值能覆盖整个[0，65536]灰度区间；使用的灰度拉伸函数为：

$s=\frac{1}{1+{(m/(r+\mathrm{\ϵ}))}^E}$

式中，s为灰度拉伸后的图像矩阵，r为实际的观测图像矩阵，m为矩阵r中所有元素的中值，E＝5.0为拉伸参数，ε＝2^-52为一接近于0的微小常数；

(b)采用形态学滤波算法对图像的背景进行提取，然后从原始图像上减去图像背景的影响，去除噪声；在进行形态学滤波时，采用形态学开算子，结构元素取为半径为5个像素的圆形邻域，先对图像进行腐蚀运算，然后再进行膨胀运算，从而提取出图像的整体背景特征；

(c)将原始图像的灰度值减去图像背景中对应像素点的灰度值；

(d)增强图像对比度，使图像中像素的灰度范围均匀分布于整个[0，65536]灰度区间。

有益效果：本发明的方法能自动对大量的天文观测灰度图像进行计算机智能化处理，自动识别出每幅图像中的空间运动目标以及背景恒星等空间目标，并定量计算其灰度质心(表示空间目标的位置)、面积、长、宽和偏心度等空间特征；然后，根据空间运动目标移动较快的特点，在观测图像序列中结合基于Snake模型的主动轮廓追踪和特征相似性比较方法，对其中出现的空间运动目标进行自动、准确的识别和追踪。

附图说明

图1是本发明方法的流程图。

图2是采集的图像示意图。其中a、b、c、d分别表示在不同的观测时刻所获取的天文观测场景。

图3是经图像预处理后的灰度图像示意图。其中a、b、c、d分别表示灰度拉伸、形态学滤波、背景去除和图像对比度增强后的图像处理效果。

图4是图像中的空间目标识别结果示意图。分别给出了经二值化处理后得到的黑白图像(a)和中值滤波后得到的黑白图像(b)，其中，图b为空间目标识别的最终结果。

图5是图像中空间运动目标自动识别与追踪结果图像示意图。其中(1～10)分别为不同时刻(按时间先后顺序)观测图像的目标追踪结果。每一幅图像中，上图中的方框范围内的目标即为结合主动轮廓追踪和特征相似性方法自动识别和追踪出的空间运动目标；下图为上图对应的所有空间目标识别结果。

具体实施方式：

下面结合附图和实施例对本发明做进一步的说明。

图1为本发明方法的流程图。由图可知，本发明的计算机处理天文观测灰度图像信息以进行目标追踪的方法，其步骤依次分为：

步骤一、图像获取：

将天文观测灰度图像数据存储在计算机存储设备内。

步骤二、图像预处理：

1、灰度拉伸：

由于原始的图像数据的实际观测值对应的灰度分布范围过于狭窄，无法在计算机上进行直接显示和处理。因此，首先必须对CCD图像进行灰度拉伸，使其实际观测值能覆盖整个[0，65536]灰度区间，并能得到很好的显示。灰度拉伸函数为：

$s=\frac{1}{1+{(m/(r+\mathrm{\ϵ}))}^E},$

式中，s为灰度拉伸后的图像矩阵，r为实际的观测图像矩阵，m为矩阵r中所有元素的中值，E＝5.0为拉伸参数，ε＝2^-52为一接近于0的微小常数。

2、图像形态学滤波：

采用形态学滤波算法对图像的背景进行提取，然后从原始图像上减去图像背景的影响，去除不必要的噪声，使空间目标在图像上得到很好的分割效果。在进行形态学滤波时，采用形态学开(Open)算子，结构元素取为半径为5个像素的圆形邻域。先对图像进行腐蚀(Erode)运算，然后再进行膨胀(Dilate)运算，从而提取出图像的整体背景特征。

3、图像背景滤除：

得到图像背景后，将原始图像的灰度值减去图像背景中对应像素点的灰度值，以消除背景的影响，得到质量更好的新图像。

4、图像对比度增强：

通过图像对比度增强，使图像中像素的灰度范围均匀分布于整个[0，65536]灰度区间。

经图像预处理后的灰度图像示意图见图3。

步骤三、图像目标识别：

1、图像二值化：

设置一个灰度阈值k，凡是灰度低于此阈值的像素灰度都变为0(黑色背景)，其余的像素都变成1(白色目标)。

设一幅图像的灰度区间为[1，L]，灰度值为i的像素数为n_i，可得总像素数为 $N={\mathrm{\Σ}}_{i=1}^L{n}_i,$ 各灰度值对应概率为p_i＝n_i/N，假设灰度值k将图像像素按其灰度值大小分成两组C₀＝{1，...，k}和C₁＝{k+1，...，L}，则各组产生的概率如下：

$\left\{\begin{array}{c}{\mathrm{\ω}}_0={\mathrm{\Σ}}_{i=1}^k{p}_i,{\mathrm{\μ}}_0={\mathrm{\Σ}}_{i=1}^k\frac{i\·p_i}{{\mathrm{\ω}}_0}\\ {\mathrm{\ω}}_1={\mathrm{\Σ}}_{i=k+1}^L{p}_i,{\mathrm{\μ}}_1={\mathrm{\Σ}}_{i=k+1}^L\frac{i\·p_i}{{\mathrm{\ω}}_1}\end{array}\right.$

式中，ω₀，ω₁，μ₀，μ₁分别表示C₀，C₁两组的像素概率分布及其平均值。

令整幅图像的像素概率分布平均值为 $\mathrm{\μ}={\mathrm{\Σ}}_{i=1}^{L}i\·p_i,$ 则类间方差σ²(k)定义如下：

${\mathrm{\σ}}^2\left(k\right)={\mathrm{\ω}}_0\·{\mathrm{\σ}}_0^2\left(k\right)+{\mathrm{\ω}}_1\·{\mathrm{\σ}}_1^2\left(k\right)$

      $={\mathrm{\ω}}_0\·{({\mathrm{\μ}}_0-\mathrm{\μ})}^2+{\mathrm{\ω}}_1\·{({\mathrm{\μ}}_1-\mathrm{\μ})}^2$

从[1，L]之间不断选取并尝试不同的阈值k，使类间方差σ²(k)达到最大值的k即为所最终选定的二值化阈值。

2、中值滤波：

二值化后生成的黑白图像中，还保留了大量无用的图像噪声。为了有效去除图像中的噪声干扰，采用3x3窗口的中值滤波算法对二值化图像进行再处理，既能去除噪声干扰，又能较好地保留必要的目标边缘信息，从而得到用于提取空间目标的黑白图像。

3、图像目标识别与提取：

根据空间目标与图像背景的差别，自动从黑白图像上搜索查找像素值为1的所有八连通像素点的集合，将其识别为空间目标，并予以标记，生成图像的空间目标集。

4、特征计算：

根据各个空间目标在图像上的表示范围，通过计算其形状矩，可以获取面积、灰度质心、长度、宽度、偏心率(eccentricity)等几何特征量。图像的(p+q)阶形状矩定义为：

$M_{\mathrm{pq}}=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\text{\Σ}}}f(i,j)\·i^p\·j^q$

式中，f(i，j)(i＝1，...，M；j＝1，...，N)为目标中任一像素点的灰度。

所计算的几何特征量主要包括：

(1)面积：每个目标区域中所有像素点的总数。如欲换算为实际面积也很简单：只要将目标区域中的像素点数目，乘以每个像素点所代表的实际面积，即为实际面积。对于背景像素值为0，目标像素值为1的二值图像，目标区域的零阶形状矩M₀₀即为其面积。

(2)灰度质心：由目标区域的零阶形状矩和一阶形状矩可以算出图像的质心(i₀，j₀)：

(i₀，j₀)＝(M₁₀/M₀₀，M₀₁/M₀₀)。

(3)长度：目标区域的外接矩形在X轴上的投影长度，即目标区域中像素点的最大x坐标值减去最小x坐标值。

(4)宽度：目标区域的外接矩形在Y轴上的投影长度，即目标区域中像素点的最大y坐标值减去最小y坐标值。

(5)偏心率：一个目标区域的长轴(principle axis，或称主轴)是连接目标中距离最远的两个点的直线。短轴是垂直长轴的，长轴与短轴之比表示了目标区域的最大轴向与最小轴向的比率，称为偏心度(eccentricity)，其计算公式如下：

$e=\frac{m_{20}+m_{02}+\sqrt{{(m_{20}+m_{02})}^2-4m_{20}{m}_{02}+4m_{11}^2}}{m_{20}+m_{02}-\sqrt{{(m_{20}+m_{02})}^2-{4m}_{20}{m}_{02}+4m_{11}^2}},$

式中，m_pq为目标的(p+q)阶中心矩，定义为：

$M_{\mathrm{pq}}=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\text{\Σ}}}f(i,j)\·{(i-i_0)}^p\·{(j-j_0)}^q.$

5、排除微小目标：

得到目标特征量后，为了进一步滤除残留的图像噪声干扰，从而提高空间碎片识别和跟踪的效率和准确率，将面积范围小于5个像素点的微小目标排除，并将最后生成的空间目标集进行保存。

步骤四、图像目标追踪：

1、基于Snake模型的主动轮廓追踪

Snake主动轮廓模型为相邻两幅图像(分别称为“当前帧”与“参考帧”)中识别出的空间目标轮廓之间建立起一种内力和外力共同作用下的变形轮廓线模型，对其在CCD图像序列中的形状与行为变化进行描述，通过最小化目标轮廓的能量函数，达到锁定图像目标边缘，实现目标追踪的目的。首先，在当前帧中，将Snake轮廓设置为上一幅图像(参考帧)中所识别出的空间目标轮廓，随着能量函数值的逐渐降低，轮廓向符合当前图像目标特征的位置移动，能量最小化时的轮廓即为在当前帧中追踪到的最终目标轮廓。

为提高目标追踪的速度，使用如下的能量函数：

$E=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\α}\·E_{\mathrm{cont}}+\mathrm{\β}\·E_{\mathrm{curv}}+\mathrm{\γ}\·E_{\mathrm{image}}$

式中，n为Snake控制点(即每个空间目标的轮廓点)数目，α，β，γ分别为控制Snake位置的权值(在本系统中，取α＝1.5，β＝1.2，γ＝2.5)。第一项E_cont＝|d-|v_i-v_i-1‖，为外加控制力，用于防止目标轮廓的伸展或收缩，d为目标轮廓点之间的平均距离，vi表示目标的第i个轮廓点；第二项E_curv＝|v_i-1-2v_i+v_i+1|²，为Snake内部能量，用于防止轮廓弯曲；第三项E_image为经高斯滤波平滑处理的图像中各轮廓点附近的梯度值，用于控制目标边缘的稳定性。E_cont在控制点远离目标边缘时起很强的影响作用，推动控制点快速移动到边缘附近；而当控制点在目标边缘附近时则不起作用。在Snake控制点移动到目标轮廓边缘附近时，图像梯度项E_image发挥影响，使其移动到目标真实边缘处。

对于每个图像序列，在第一幅CCD图像上识别出的空间目标轮廓可直接作为Snake轮廓的起始位置。由于CCD观测图像内容的复杂性，以及空间目标移动并不规律，因此，Snake模型追踪得到的目标轮廓难以与识别出的空间目标轮廓完全一致。但是，其追踪结果对于判断当前帧中的某一空间目标与参考帧中的某一空间目标是否确为同一目标仍然足以胜任。这一难题的解决为利用空间碎片的移动规律和特征量对其进行准确追踪奠定了良好的基础。

在被观测的空域中，空间运动目标移动最快，因此，在开始进行目标追踪时，将所有被Snake模型所确认的目标中具有最大位移者识别为空间碎片目标，并保留存档。

2、基于特征相似性比较的目标追踪：

为了保证追踪到同一空间碎片目标的准确性，在使用Snake主动轮廓模型，将在当前帧和参考帧中具有最大位移的目标识别为空间碎片目标的基础上，对后续帧中的空间碎片进行追踪时，对该空间目标在当前帧和参考帧中的特征值进行相似性比较，最终确认并追踪到空间碎片目标。具体方法如下：

(1)在开始追踪得到空间碎片以后，继续使用Snake主动轮廓模型对当前帧和参考帧中的相同空间目标进行确认；

(2)以被确认的各个目标的特征值为输入向量，计算相邻两幅图像中各个相同空间目标的特征量之间的Manhattan(曼哈顿)距离，作为相似性匹配准则。参与相似性比较的特征向量由目标区域的面积、长度、宽度和偏心率组成。Manhattan距离即绝对值距离，也称L¹距离、街区距离(Block Distance)。它的实际含义是把特征向量在各个对应维上的值相减，用差值的累加和表示差别。设

，

分别为第i幅和第(i-1)幅观测图像中任意两个空间目标的特征向量(特征数均为n)，则可定义Manhattan距离如下：

$D(X_i^a,X_{i-1}^b)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}|x_i^a-x_{i-1}^b|$

(3)选取在相邻两幅图像中具有最小Manhattan距离的空间目标，确定为空间碎片，继续进行后续追踪，直至图像序列结束。

图5显示了图像中空间运动目标自动识别与追踪结果图像示意图，在每幅实验结果图像中，上图中方框范围内的目标即为结合主动轮廓追踪和特征相似性方法自动识别和追踪出的空间运动目标；下图为上图对应的所有空间目标识别结果；可以看出，空间运动目标都被准确地识别，而且同时识别出的背景恒星等参考物体也足够多；与此同时，从整个图像序列来看，尽管图像中存在着大量目标，移动中的空间运动目标都能被准确地追踪出来。

Claims (7)

1、一种计算机处理天文观测灰度图像信息以进行目标追踪的方法，其特征在于该方法包括如下步骤：

(1)将天文观测灰度图像数据存储在计算机存储设备内；

(2)对图像进行预处理；

(3)图像目标识别：

(a)设置一个灰度阈值k，灰度低于此阈值的像素灰度都变为0，其余的像素都变成1，实现图像的二值化；

(b)采用3x3窗口的中值滤波算法对二值化图像进行再处理，去除噪声干扰，并保留目标边缘信息，得到用于提取空间目标的黑白图像；

(c)根据空间目标与图像背景的差别，自动从黑白图像上搜索查找像素值为1的所有八连通像素点的集合，将其识别为空间目标，并予以标记，生成图像的空间目标集；

(d)根据各个空间目标在图像上的表示范围，通过计算其形状矩，获取面积、灰度质心、长度、宽度和偏心率的几何特征量；

(e)将面积范围小于5个像素点的微小目标排除，将最后生成的空间目标集进行保存；

(4)图像目标追踪：

(a)基于Snake模型的主动轮廓追踪：

在当前帧中，将Snake轮廓设置为参考帧中所识别出的空间目标轮廓，随着能量函数值的逐渐降低，轮廓向符合当前图像目标特征的位置移动，能量最小化时的轮廓即为在当前帧中追踪到的最终目标轮廓；

所述的能量函数为：

$E=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\α}\·E_{\mathrm{cont}}+\mathrm{\β}\·E_{\mathrm{curv}}+\mathrm{\γ}\·E_{\mathrm{image}}$

式中，n为Snake控制点数目；α＝1.5，β＝1.2，γ＝2.5；E_cont＝|d-|v_i-v_i-1||，其中，d为目标轮廓点之间的平均距离，v_i表示目标的第i个轮廓点；E_curv＝|v_i-1-2v_i+v_i+1|²，其中v_i表示目标的第i个轮廓点；E_image为经高斯滤波平滑处理的图像中各轮廓点附近的梯度值；

将在当前帧和参考帧中具有最大位移的目标识别为空间碎片目标；

(b)基于特征相似性比较的目标追踪：

在开始追踪得到空间碎片目标后，继续使用Snake主动轮廓模型对当前帧和参考帧中的相同空间目标进行确认；

以被确认的各个目标的特征量值为输入向量，计算相邻两幅图像中各个相同空间目标的特征量之间的曼哈顿距离，作为相似性匹配准则，参与相似性比较的特征向量由目标区域的面积、长度、宽度和偏心率组成；

选取在相邻两幅图像中具有最小曼哈顿距离的空间目标，确定为空间碎片，继续进行后续追踪，直至图像序列结束。

2、根据权利要求1所述的对图像进行预处理计算机处理天文观测灰度图像信息以进行目标追踪的方法，其特征在于步骤(2)所述的对图像进行预处理的方法包括如下步骤：

(a)对图像进行灰度拉伸，使其实际观测值能覆盖整个[0,65536]灰度区间；

(b)采用形态学滤波算法对图像的背景进行提取，然后从原始图像上减去图像背景的影响，去除噪声；

(c)将原始图像的灰度值减去图像背景中对应像素点的灰度值；

(d)增强图像对比度，使图像中像素的灰度范围均匀分布于整个[0,65536]灰度区间。

3、根据权利要求2所述的对图像进行预处理计算机处理天文观测灰度图像信息以进行目标追踪的方法，其特征在于步骤(a)中使用的灰度拉伸函数为：

$s=\frac{1}{1+{(m/(r+\mathrm{\ϵ}))}^E}$

式中，s为灰度拉伸后的图像矩阵，r为实际的观测图像矩阵，m为矩阵r中所有元素的中值，E＝5.0为拉伸参数，ε＝2^-52为一接近于0的微小常数。

4、根据权利要求2所述的对图像进行预处理计算机处理天文观测灰度图像信息以进行目标追踪的方法，其特征在于步骤(b)中在进行形态学滤波时，采用形态学开算子，结构元素取为半径为5个像素的圆形邻域，先对图像进行腐蚀运算，然后再进行膨胀运算，从而提取出图像的整体背景特征。

5、根据权利要求1所述的对图像进行预处理计算机处理天文观测灰度图像信息以进行目标追踪的方法，其特征在于步骤(3a)中灰度阈值k按如下方法设置：

设一幅图像的灰度区间为[1，L]，灰度值为i的像素数为n_i，可得总像素数为 $N={\mathrm{\Σ}}_{i=1}^L{n}_i,$ 各灰度值对应概率为p_i＝n_i/N，假设灰度值k将图像像素按其灰度值大小分成两组C₀＝{1，...，k}和C₁＝{k+1，...，L}，则各组产生的概率如下：

$\left\{\begin{array}{c}{\mathrm{\ω}}_0={\mathrm{\Σ}}_{i=1}^k{p}_i,{\mathrm{\μ}}_0={\mathrm{\Σ}}_{i=1}^k\frac{i\·p_i}{{\mathrm{\ω}}_0}\\ {\mathrm{\ω}}_1={\mathrm{\Σ}}_{i=k+1}^L{p}_i,{\mathrm{\μ}}_1={\mathrm{\Σ}}_{i=k+1}^L\frac{i\·p_i}{{\mathrm{\ω}}_1}\end{array}\right.$

式中，ω₀，ω₁，μ₀，μ₁分别表示C₀，C₁两组的像素概率分布及其平均值；

令整幅图像的像素概率分布平均值为 $\mathrm{\μ}={\mathrm{\Σ}}_{i=1}^{L}i\·p_i,$ 则类间方差σ²(k)定义如下：

${\mathrm{\σ}}^2\left(k\right)={\mathrm{\ω}}_0\·{\mathrm{\σ}}_0^2\left(k\right)+{\mathrm{\ω}}_1\·{\mathrm{\σ}}_1^2\left(k\right)$

$={\mathrm{\ω}}_0\·{({\mathrm{\μ}}_0-\mathrm{\μ})}^2+{\mathrm{\ω}}_1\·{({\mathrm{\μ}}_1-\mathrm{\μ})}^2$

从[1，L]之间不断选取并尝试不同的阈值k，使类间方差σ²(k)达到最大值的k即为所最终选定的二值化阈值。

6、根据权利要求1所述的对图像进行预处理计算机处理天文观测灰度图像信息以进行目标追踪的方法，其特征在于步骤(3d)中图像的(p+q)阶形状矩定义为：

$M_{\mathrm{pq}}=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}f(i,j)\·i^p\·j^q$

式中，f(i，j)(i＝1，...，M；j＝1，...，N)为目标中任一像素点的灰度；

则几何特征量的计算方法如下：

(a)面积：目标区域的零阶形状矩M₀₀即为其面积。

(b)灰度质心：由目标区域的零阶形状矩和一阶形状矩可以算出图像的质心(i₀，j₀)：

(i₀，j₀)＝(M₁₀/M₀₀，M₀₁/M₀₀)；

(c)长度：目标区域中像素点的最大x坐标值减去最小x坐标值；

(d)宽度：目标区域中像素点的最大y坐标值减去最小y坐标值；

(e)偏心率：按如下公式计算：

$e=\frac{m_{20}+m_{02}+\sqrt{{(m_{20}+m_{02})}^2-4m_{20}{m}_{02}+4m_{11}^2}}{m_{20}+m_{02}-\sqrt{{(m_{20}+m_{02})}^2-4m_{20}{m}_{02}+4m_{11}^2}},$

式中，m_pq为目标的(p+q)阶中心矩，定义为：

$m_{\mathrm{pq}}=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}f(i,j)\·{(i-i_0)}^p\·{(j-j_0)}^q.$

7、根据权利要求1所述的对图像进行预处理计算机处理天文观测灰度图像信息以进行目标追踪的方法，其特征在于步骤(4b)中曼哈顿距离按如下公式计算：

$D(X_i^a,X_{i-1}^b)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}|x_i^a-x_{i-1}^b|$

式中，

分别为第i幅和第(i-1)幅观测图像中任意两个空间目标的特征向量，n为特征数。

Images