CN101719279A - 星空图像背景运动估计方法 - Google Patents

Abstract

本发明公开了一种星空图像背景运动估计方法，兹在解决现有的运动估计方法局限性大的技术问题。考虑到星空图像主要由灰度值较低的背景和灰度值较高但所占面积很小的恒星光斑组成，本发明首先根据背景灰度模型进行自适应的阈值分割，在连通区域标记后选取面积符合条件的恒星区域，对质心位置结构特征进行基于LCS的匹配。由于结构信息对旋转和平移的不变性，本发明在相邻两帧旋转86.4°，平移大于30像素的情况下仍能实现对基准图的有效运动估计。由于只对有限数量的质心进行操作，未涉及分块搜索和迭代等，因而本发明的运行效率较高。在Matlab平台下512×512的图像序列仅需0.2s即可完成估计，实现了快速有效的运动估计。

Description

星空图像背景运动估计方法

技术领域

本发明涉及一种星空图像处理方法，特别是星空背景弱小目标的背景运动估计方法。

背景技术

星空背景下的弱小运动目标检测在空间监视、预警、制导、跟踪等领域有着广泛的应用，如何快速有效的进行星空图像背景运动估计对弱小运动目标检测有非常重要的意义。现有的星空图像背景运动估计方法主要有：基于光流的方法和基于分块搜索的方法。

文献“一种星空背景的运动补偿方法，机械科学与技术，2008，Vol.27(12)，p1563-1566”公开了一种块匹配与质心提取相结合的星空图像运动估计算法。此方法首先进行相邻帧之间的有效区域估计，然后基于均匀采样的思想，将图像划分为9块，在小模块内进行样本点选取，接下来利用最小平均绝对差准则结合三步搜索法进行最佳匹配块搜索并剔除异常点。在有效区域估计时，此方法假设两帧间的平移运动在x，y方向均小于16个像素，同时样本点匹配时的三步搜索法确定搜索块的大小为16×16，故此方法只适合处理平移量在16个像素以下的运动序列，而且此方法基于特征点的灰度分布，在光照发生变化时匹配精度会下降，相同星等恒星的出现也会造成匹配误差。

发明内容

为了克服现有的星空背景运动估计方法基于星空图像序列中的帧间相关性和特征点处的灰度分布，在相邻帧平移量大于16个像素的搜索范围及相邻帧有旋转运动的情况下会失效，在光照变化及相同星等恒星存在的情况下会产生误差的不足，本发明提供一种星空图像背景运动估计方法，根据背景灰度模型进行自适应的阈值分割，在连通区域标记后选取面积符合条件的恒星区域，对质心位置结构特征进行基于LCS的匹配。由于结构信息对旋转和平移的不变性，在相邻两帧旋转86.4°，平移大于30像素的情况下，可以实现对基准图的有效运动估计。

本发明解决其技术问题所采用的技术方案：一种星空图像背景运动估计方法，其特征在于包括下述步骤：

(a)对星空图像进行基于高斯统计模型的自适应阈值分割，得到二值化的恒星图像，然后对二值图像进行连通区域标记，计算所连通区域的面积；利用面积的高阈值highthresh与低阈值lowthresh剔除较小的噪声区域和较大的高亮恒星区域，剩余区域质心组成待匹配的结构；

(b)对于剩余区域的每个质心，计算其相对于其他质心的欧氏距离，将此距离序列升序排序后作为每个质心点的结构特征；以两质心点结构特征的最长公共子序列的长度作为其相似度；通过对基准帧中提取的每个质心点在当前帧的质心点集合中逐一匹配，得到最相似的匹配对并记录其相似度；将相似度大于基准帧所提取质心点数1/2的匹配对作为最终的同构特征点对；

(c)采用平行投影的六参数仿射模型，利用基准帧与当前帧中的同构特征点对坐标作为样本点，通过最小二乘法进行运动参数的估计。

本发明的有益效果是：根据背景灰度模型进行自适应的阈值分割，在连通区域标记后选取面积符合条件的恒星区域，对质心位置结构特征进行基于LCS的匹配。由于结构信息对旋转和平移的不变性，在相邻两帧旋转86.4°，平移大于30像素的情况下，实现了对基准图的有效运动估计。另外由于本发明方法只对所选质心操作，不涉及现有技术中的分块搜索、迭代等步骤，计算规模得到了限制，在512×512图像序列Matlab平台下仅需0.2s即可完成，实现了快速有效的运动估计。

下面结合具体实施方式对本发明作详细说明。

具体实施方式

1、质心结构的提取。

星空图像主要由灰度值较低的背景和灰度值较高但所占面积很小的恒星光斑组成，输入一幅灰度星空图像，用高斯分布的统计模型表述背景灰度的分布，首先用全图的均值和标准差作为背景的均值和标准差的近似：

${\mathrm{\μ}}^{\%}\≈\mathrm{\μ}=\frac{1}{\mathrm{MN}}\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{j=10}{\overset{N-1}{\mathrm{\Σ}}}F(i,j)---\left(1\right)$

${\mathrm{\σ}}^{\%}\≈\mathrm{\σ}=\frac{1}{\mathrm{MN}}\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{[F(i,j)-\mathrm{\μ}]}^2---\left(2\right)$

和μ、σ分别为背景和全图的均值和标准差，F(i，j)为输入灰度图在(i，j)处的灰度值。然后根据3σ准则计算自适应阈值 $\mathrm{thresh}={\mathrm{\μ}}^{\%}+3{\mathrm{\σ}}^{\%},$ 根据此阈值进行恒星与背景的分割，得到二值图bw：

${\mathrm{bw}}_{\mathrm{ij}}=\left\{\begin{array}{cc}1& f_{\mathrm{ij}}>\mathrm{thresh}\\ 0& f_{\mathrm{ij}}<\mathrm{thresh}\end{array}\right.---\left(3\right)$

得到的二值图前景区域主要包括三个部分：面积较小的噪声点，面积适度的恒星光斑和面积较大的过亮恒星光斑。对二值图进行连通区域标记后统计各区域的面积，通过面积的高阈值highthresh和低阈值lowthresh提取面积合适的连通区域，得到特征恒星的集合：

FeatureStarSet＝{region|Area∈[lowthresh，highthresh]}       (4)

在此，本发明已进行过实验，在lowthresh选择20，highthresh根据不同的图像选择25～50时能够取得满意的效果。这时得到可作为特征的恒星区域集合，利用式(5)计算得到所选第i个连通区域的质心：

$x_i=\frac{\underset{(x,y)\&Element;{\mathrm{\&Omega;}}_i}{\mathrm{\&Sigma;}}{F}^2(x,y)x}{\underset{(x,y)\&Element;{\mathrm{\&Omega;}}_i}{\mathrm{\&Sigma;}}{F}^2(x,y)}$ $y_i=\frac{\underset{(x,y)\&Element;{\mathrm{\&Omega;}}_i}{\mathrm{\&Sigma;}}{F}^2(x,y)y}{\underset{(x,y)\&Element;{\mathrm{\&Omega;}}_i}{\mathrm{\&Sigma;}}{F}^2(x,y)}$

其中，x，y为像素的横纵坐标，Ω_i为第i个连通区域，F(x，y)为(x，y)处的灰度值，x_i，y_i为求得的质心坐标。以此质心的相对位置作为待匹配的结构。对于基准帧和当前帧分别进行上述处理，得到质心集合。

2、特征的生成与匹配。

对输入的灰度图，由上述步骤得到质心集合后，本发明接下来构造所提取质心位置的结构特征，首先计算每一质心相对于其他质心的距离，得到欧氏距离矩阵：

$\mathrm{DisMat}=\left[\begin{array}{ccccc}0& d_{12}& d_{13}& \&CenterDot;\&CenterDot;\&CenterDot;& d_{1,N-1}\\ d_{21}& 0& d_{23}& \&CenterDot;\&CenterDot;\&CenterDot;& d_{2,N-1}\\ \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& & \&CenterDot;\&CenterDot;\&CenterDot;\\ d_{N-\mathrm{1,1}}& d_{N-\mathrm{1,2}}& d_{N-\mathrm{1,3}}& \&CenterDot;\&CenterDot;\&CenterDot;& 0\end{array}\right]---\left(6\right)$

其中d_ij表示第i个至第j个质心的欧氏距离，即 $d_{\mathrm{ij}}=\sqrt{{(x_i-x_j)}^2{(y_i-y_j)}^2}.$ 此矩阵可以描述所选质心的位置分布，然而质心距离计算的先后顺序不同会导致生成的距离矩阵不唯一，给后续的匹配工作增加了难度，因此本发明接下来对距离矩阵的每一行进行升序排列，将不定的距离矩阵转化为确定的特征矩阵：

$\mathrm{FeatureMat}=\left[\begin{array}{ccccc}0& d_{11}^{\&prime;}& d_{12}^{\&prime;}& \&CenterDot;\&CenterDot;\&CenterDot;& d_{1,N-1}^{\&prime;}\\ 0& d_{21}^{\&prime;}& d_{22}^{\&prime;}& \&CenterDot;\&CenterDot;\&CenterDot;& d_{2,N-1}^{\&prime;}\\ \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& & \&CenterDot;\&CenterDot;\&CenterDot;\\ 0& d_{N1}^{\&prime;}& d_{N2}^{\&prime;}& \&CenterDot;\&CenterDot;\&CenterDot;& d_{N,N-1}^{\&prime;}\end{array}\right]---\left(7\right)$

其中(i＝1，2，...，N)为质心总数，序列<0，d′_i1，d′_i2，...，d′_i，N-1>，(i＝1，2，...，N)是由距离矩阵DisMat的第i行升序排列所得，即为质点i相对于其他质点的结构特征。

对于输入的基准帧和当前帧依次进行上述步骤分别得到质点结构特征集合FeatureBase和FeatureCurrent。

本发明利用LCS进行前述结构特征的匹配，LCS(Longest Common Sequence)为两个序列中的最长公共子序列，这里的子序列是指未必相邻，但保持其在原序列中顺序的子序列。LCS常用于DNA匹配及轨迹匹配等序列匹配问题中，对于两个质心的结构特征S＝{s_i}_m和T＝{t_j}_n利用动态规划法求取其LCS长度：

$c[i,j]=\left\{\begin{array}{cc}0& i=0\mathrm{orj}=0\\ c[i-1,j-1]+1& i,j>0\mathrm{and}|s_i-t_j|<\mathrm{\&epsiv;}\\ \max \left(c\right[i,j-1],c[i-1,j\left]\right)& i,j>0\mathrm{and}|s_i-t_j|\&GreaterEqual;\mathrm{\&epsiv;}\end{array}\right.---\left(8\right)$

其中c为大小为m×n的辅助数组。ε阈值取1。c中所能达到的最大的元素值即为LCS的长度，以其作为两结构特征的相似度，具体计算步骤如下：

(1)初始化辅助数组c为m×n的全零数组，记录变量L为零；

(2)遍历{s_i}_m与{t_j}_n得到LCS的长度和c：

a)若|s_i-t_j|＜ε，则c(i+1，j+1)＝c(i，j)+1，L＝c(i+1，j+1)；

b)若|s_i-t_j|≥ε，则如果c(i，j+1)≥c(i+1，j)，那么c(i+1，j+1)＝c(i，j+1)，反之，c(i+1，j+1)＝c(i+1，j)。

最终得到的L为S与T的LCS的长度。将其视为S与T的相似度，本发明利用此相似度针对基准帧中的质心点寻找当前帧中与之匹配的质心点。首先假设基准帧质心点有50％以上可以在当前帧中寻找到匹配点，在此前提下对基准帧中集合FeatureBase的一个质心点，遍历当前帧集合FeatureCurrent中的质心点，选取与其相似度最大的一个，若其LCS长度大于基准帧质心点数目的50％，则记录此质心点对为匹配点对。照此找出两质点集合中的所有匹配点对。

3、运动参数的计算。

利用平行投影的六参数仿射变换模型，对基准帧和当前帧的第i个匹配点对<(x_b，y_b)，(x_c，y_c))_i，有

${\left(\begin{array}{c}{x}_c\\ y_c\end{array}\right)}_i=\left(\begin{array}{cc}a& b\\ c& d\end{array}\right){\left(\begin{array}{c}{x}_b\\ y_b\end{array}\right)}_i+\left(\begin{array}{c}e\\ f\end{array}\right)---\left(9\right)$

构造线性方程组：B＝AX，其中

$A={\left(\begin{array}{cccccc}{x}_b& y_b& 1& 0& 0& 0\\ 0& 0& 0& x_b& y_b& 1\end{array}\right)}_i(i=\mathrm{1,2},...,K)$

X＝(a b e c d f)^T

$B={(x_c,y_c)}_i^T$

利用最小二乘法求得满足最小二乘准则的运动估计参数为：

X＝(A^TA)^-1A^TB                      (10)

即完成了基准帧和当前帧之间的背景运动估计。对基准帧中的每一点通过式(9)即可计算得到其在当前帧中的坐标。

Claims (1)

1.一种星空图像背景运动估计方法，其特征在于包括下述步骤：

(a)对星空图像进行基于高斯统计模型的自适应阈值分割，得到二值化的恒星图像，然后对二值图像进行连通区域标记，计算所连通区域的面积；利用面积的高阈值highthresh与低阈值lowthresh剔除较小的噪声区域和较大的高亮恒星区域，剩余区域质心组成待匹配的结构；

(b)对于剩余区域的每个质心，计算其相对于其他质心的欧氏距离，将此距离序列升序排序后作为每个质心点的结构特征；以两质心点结构特征的最长公共子序列的长度作为其相似度；通过对基准帧中提取的每个质心点在当前帧的质心点集合中逐一匹配，得到最相似的匹配对并记录其相似度；将相似度大于基准帧所提取质心点数1/2的匹配对作为最终的同构特征点对；

(c)采用平行投影的六参数仿射模型，利用基准帧与当前帧中的同构特征点对坐标作为样本点，通过最小二乘法进行运动参数的估计。