CN102663385A - 一种星上点目标检测方法 - Google Patents
一种星上点目标检测方法 Download PDFInfo
- Publication number
- CN102663385A CN102663385A CN2012100584494A CN201210058449A CN102663385A CN 102663385 A CN102663385 A CN 102663385A CN 2012100584494 A CN2012100584494 A CN 2012100584494A CN 201210058449 A CN201210058449 A CN 201210058449A CN 102663385 A CN102663385 A CN 102663385A
- Authority
- CN
- China
- Prior art keywords
- image data
- view data
- target
- data
- carried out
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种星上点目标检测方法,包括对图像数据进行辐射校正处理和几何校正处理的步骤;对图像数据背景抑制处理,获得目标图像数据的步骤;剔除目标图像数据中的粒子尖峰,获得目标过采样图像数据的步骤;利用目标过采样数据获得目标位置数据的步骤。采用本发明实现了在星上对图像数据的检测实现对目标获取。
Description
技术领域
本发明涉及一种星上点目标检测方法。
背景技术
在航天红外预警探测领域,由于探测器距离目标较远(比如大椭圆轨道探测距离为数万公里),获得的目标图像呈点状,目标信号强度很弱,图像信噪比低,因而航天红外预警探测是一个弱点目标的检测问题。
大气层中云层的红外辐射、地面、地形和建筑物的干扰不仅强度大,而且具有较强的空间结构,给目标检测带来了很大的困难,由于背景图像和噪声图像的复杂性以及图像的低信噪比,给目标检测带来了非常大的困难。由于处理能力的限制,目前的技术在星上只进行预处理后将整幅图像数据下传,然后在地面完成目标的检测和识别。但是,大量的图像数据对卫星和地面的数据传输造成了很大压力,且将下传到地面再对图像数据进行处理在时间上也没有实时性。
在地面对图像数据进行处理时,由于图像数据的信噪比较低,为了正确检测目标并确定目标的位置,在地面的检测算法中通常运用基于图像块匹配配准的检测方法和基于运动分类的目标检测方法,对多帧的疑似目标点进行轨迹关联检测目标。
在基于图像块匹配配准的检测中,首先基于卫星运动参数来计算图像各位置的帧间变化的方法,实现帧间图像的粗配准,但由于扫描图像上,云层高度的不确定,造成这种方式的配准只能消除大部分的背景运动,再采用块匹配方法,对云层图像进行精匹配,由于图像上背景信息的分布不均匀,采用块匹配的思想,将图像分为多个子块,然后选取信息量比较大的子块,用这些子块来共同确定两幅图像的偏移位置,从而实现图像的配准。对配准后的图像进行时域滤波,分割后,得到目标疑似目标点,对多帧的疑似目标点进行轨迹关联就可检测出目标轨迹。
在基于运动分类的检测方法中,首先对图像进行空域滤波,突出目标信号,抑制背景,滤波方法可采用各种空域滤波算法,如自适应滤波,帧间非线性滤波,形态学滤波,中值滤波,各向异性偏微分滤波算法等,对滤波后的图像进行分割,分割方法包括统计分割方法,基于图像直方图的自适应门限分割方法,基于预处理的过门限率和门限像素分割方法等。分割之后得到的疑似点包括了目标点和背景点,其中,背景点由于整体的运动与目标的运动存在差异,利用该差异,通过速度分类,获得背景点类,对背景点进行抑制。利用疑似点的局部图像信息对点迹进行帧间的关联,对关联后的点迹进行速度分类,确定出背景类,对背景类的点删除来抑制背景点,最后再采用多帧的轨迹关联算法对剩下的点迹进行关联,提取目标轨迹,确认目标。
但是由于探测器技术水平的限制,上述算法没有考虑时间和空间过采样特性。
发明内容
本发明的技术解决问题是:针对现有技术的不足,提供了一种星上点目标检测方法,实现了在星上对图像数据的检测实现对目标获取。
本发明的技术解决方案是:
一种星上点目标检测方法包括以下步骤:
步骤1:利用TDI CCD的非均匀校正系数对获得的图像数据进行辐射校正处理,对辐射校正后的图像数据进行几何校正处理;所述图像数据通过对TDICCD获取的图像信号进行过采样获得;
步骤2:对经过步骤1处理的图像数据进行背景抑制处理,去除图像数据中背景图像数据获得目标图像数据;
步骤3:剔除经过步骤2获得的目标图像数据中的粒子尖峰,获得目标过采样图像数据;
步骤4:利用步骤3获得的目标过采样图像数据确定目标位置数据并输出。
进一步的在步骤1中所述的非均匀校正系数通过以下步骤获得:
步骤11:确定图像数据中的每列像素的灰度均值;
步骤12:根据相邻列像素灰度均值差值最小原则,采用粒子群算法对步骤11中获得的处理的每列像素的灰度均值进行优化获得非均匀校正系数。
进一步的在所述步骤2中对图像数据进行背景抑制处理,去除图像数据中背景图像数据获得目标图像数据的方法为:
步骤21:利用二维快速傅里叶变换方法对连续两帧图像数据进行配准处理;
步骤22:对经步骤21配准后的连续两帧图像数据采用基于两帧序贯M估计的时空域融合算法确定图像数据中的背景图像数据;
步骤23:利用差分法将步骤22中获得的背景图像数据从经步骤21获得的图像数据中去除,获得目标图像数据。
进一步的所述步骤3中剔除目标图像数据粒子尖峰的步骤为:
步骤31:对目标图像数据按灰度值进行分割处理;
步骤32:对经过步骤31处理的目标图像数据,利用双向过采样形成的形状信息剔除粒子尖峰,输出目标过采样图像数据。
本发明与现有技术相比具有如下优点:
在航天红外探测领域,现阶段对目标进行检测的技术都是在地面完成处理,在对面的处理设备中通过对多帧的疑似目标点进行轨迹关联检测目标,不但数据传输的压力很大,而且不具备实时性,本发明针对TDI-CCD红外探测器的双向过采样特性,在星上实现弱点目标两帧图像数据检测,只是下传检出的目标数据,在减轻数传压力的同时还大大降低了处理时间,提高了预警反应能力;
进一步的在对图像数据的处理中,采用了基于粒子群(PSO)的扫描图像非均匀校正算法。利用PSO优化输出图像列统计量,进而求解非均匀校正系数对图像进行校正。通过仿真表明,该方法具有面向的去“条带”效果;
进一步的在对图像中背景数据进行抑制处理时,采用了基于序贯两帧M估计的时空域融合红外杂波抑制算法,该算法便于硬件实现,且通过试验表明性能优异,便于在星载设备中实现。
进一步的在剔除图像数据中的粒子尖峰时,针对经过过采样获得的TDI CCD图像数据的提点,采用了针对过采样后的目标点和噪声点的形状特性,实现了对噪声点粒子尖峰的提出,减少了目标提取时间,提高目标检测能力,降低系统虚警率。
附图说明
图1为目标图像示意图,其中,图1a为常规采样方式获得的目标图像;图1b为过采样方式获得的目标图像;图中斜线点代表随机噪声,黑色点代表目标;
图2为本发明流程图。
具体实施方式
下面就结合图2所示流程图对本发明做进一步介绍。
步骤1:利用TDI CCD的非均匀校正系数对获得的图像数据进行辐射校正处理,对辐射校正后的图像数据进行几何校正处理。所述的图像数据是对TDICCD获取的图像信号通过过采样获得。
星上载荷对远距离的点目标进行探测,采用传统的单阵列、常规采样扫描成像方法,目标在图像上是一个覆盖单个像元的亮斑。如果探测器焦面某些像元存在噪声,在图像上还有存在由于噪声造成的单个像元的亮斑,如图1a所示。因此只有通过多帧图像的关联分析,根据图像上亮斑的幅值变化及运动特性,才能提取疑似目标。
对TDI CCD获取的图像信号在时间和空间进行采样可以使点目标形成的图像成为具有特定的几何形状和能量分布特征的多像元图像,如图1b所示。TDI(Time Delay Integration,时间延迟积分)CCD每个组件包括两个探测器像元阵列。生成图像时,两个像元阵列分别构成图像的奇像素和偶像素,奇像素和偶像素对应的可称为奇通道阵列和偶通道阵列。对于空间过采样,由于奇、偶通道沿扫描方向前后排列,因此在垂直扫描方向上,将奇、偶通道像元错位半个像元放置,从而可实现空间上的过采样。对于时间过采样,则是通过控制探测器的曝光频率实现。经过时间和空间过采样对点目标呈现像斑,使得目标对应形成的亮斑具有特定的几何形状和能量分布特征。
同时,TDI CCD成像器件由于不同的象元间存在光电效应的不一致性,因此会导致象元成像的非均匀性,这种非均匀性会严重影响成像质量,必须加以校正。常用的非均匀校正算法包括基于统计的算法和基于场景的算法。基于统计的算法主要包括直方图均衡化、均匀场景图像分析;基于场景的算法主要包括恒定统计法、时域高通滤波校正算法、神经元网络校正算法、卡尔曼滤波法。
本发明结合TDI-CCD过采样的工作模式,提出了基于粒子群(PSO)的扫描图像非均匀校正算法。基获得非均匀性校正算法具体步骤如下:
确定图像数据中的每列像素的灰度均值;
利用均匀扫描图像数据列统计量变化缓慢的特点,根据相邻列像素灰度均值差值最小原则,采用粒子群算法(参考文献:梁军,粒子群算法在最优化问题中的研究,广西师范大学硕士学位论文,2008)对每列像素的灰度均值进行优化确定非均匀校正系数。
对于多TDI-CCD拼接相机,片间非均匀性的校正可以在对每个单TDI-CCD进行片内校正之后,对比获得每个TDI-CCD的偏置系数,通过单片成像偏置修正的方法对多个TDI-CCD再进一步加以校正。仿真表明,该算法去“条带”效果显著。
几何校正处理是从探测图像中提取出恒星目标,并将其与星图中已知的恒星进行匹配。其具体的处理步骤如下:
(1)对图像数据进行地球边缘特征提取,或者是利用卫星平台姿态(卫星上的星敏感器、GPS等确定的卫星姿态信息)和光轴(空间相机光学系统几何中心的连线)指向对地球边缘进行估计,从而剔除地球大气背景图像区域,筛选出恒星目标感兴趣图像区域;
(2)提取含有恒星目标的感兴趣图像区域的恒星点,并估算其质心位置;
(3)利用提取的恒星点目标和平台姿态等先验信息对星图进行初筛选,提取疑似配准的恒星数据,采用模式识别方法(对图像数据进行分割和特征提取等底层处理,然后根据目标的知识进行分类,得到图像数据理解的结果)实现恒星目标的匹配识别。
步骤2:对经过步骤1处理的图像数据进行背景抑制处理,去除图像数据中背景图像数据获得目标图像数据。
背景杂波抑制主要是完成对具有缓变的结构性云层、高频的碎云、卷云的抑制,为目标提取创造条件。其处理思路是根据平台姿态与光轴指向先验信息进行图像配准,为图像背景抑制奠定基础;利用云层图像空域分布特性,采用空域红外杂波抑制算法,再通过差分实现背景云杂波的抑制。其中自适应背景预测是其关键环节。本发明提出一种基于序贯两帧M估计的时空域融合红外杂波抑制算法。处理步骤如下:
利用二维快速傅里叶变换方法对连续两帧图像数据(即当前帧图像和前一帧图像)进行配准处理,估算出用于反映两帧图像不一致性的失配参数;(参考文献:刘汉洲,郭宝龙,冯宗哲,基于傅里叶变换的遥感图像配准,光电子激光,2006,17(11):1393~1397)
对当前帧图像数据进行5×5空心去均值滤波,计算滤波后残差图像数据的灰度值分布;
根据得到的残差图像数据的灰度值分布,设置双门限对残差图像数据进行恒虚警检测得到备选点,提取备选点对应位置的当前帧图像数据构造因变量;
提取备选点对应位置的当前帧图像数据空心邻域和配准后的历史帧实心邻域图像数据构造自变量,配准后的历史帧数据的灰度值通过利用得到失配参数对当前帧图像数据采用双线性插值算法获取;
根据构造的因变量和自变量采用序贯M估计算法(参考文献:胡谋法,沈燕,陈曾平,自适应序贯M估计算法及其性能分析,电子学报,2007,35(9):1651~1655)计算当前帧的背景图像数据;
将当前帧图像数据与当前帧的背景图像数据进行差分,得到去掉背景的目标图像数据。
步骤3:剔除经过步骤2获得的目标图像数据中的粒子尖峰,获得目标过采样图像数据。
经过图像数据的背景抑制,目标图像数据中还存在粒子尖峰,在天基预警红外探测图像数据中粒子尖峰具有随机性,在图像数据中只是一个高灰度值的像素点,而目标由于TDI-CCD的双向过采样,在图像数据中会显示有形状特征的一个像斑。剔除目标图像数据粒子尖峰的步骤为:
对目标图像数据按灰度值进行分割处理;
对经过分割处理的目标图像数据,利用双向过采样形成的形状信息(比如目标为6个亮点规则排列,而粒子尖峰只有一个亮点)来剔除粒子尖峰,输出目标过采样图像数据。
步骤4:利用步骤3获得的目标过采样图像数据确定目标位置数据并输出。
经过仿真验证,星上输出数据小于5Mbps,可以实现目标丢失率≤2%、虚警概率≤10-4的性能指标
本发明未详细说明部分属本领域技术人员公知常识。
Claims (4)
1.一种星上点目标检测方法,其特征在于包括以下步骤:
步骤1:利用TDI CCD的非均匀校正系数对获得的图像数据进行辐射校正处理,对辐射校正后的图像数据进行几何校正处理;所述图像数据通过对TDICCD获取的图像信号进行过采样获得;
步骤2:对经过步骤1处理的图像数据进行背景抑制处理,去除图像数据中背景图像数据获得目标图像数据;
步骤3:剔除经过步骤2获得的目标图像数据中的粒子尖峰,获得目标过采样图像数据;
步骤4:利用步骤3获得的目标过采样图像数据确定目标位置数据并输出。
2.如权利要求1所述的一种星上点目标检测方法,其特征在于:步骤1中所述的非均匀校正系数通过以下步骤获得:
步骤11:确定图像数据中的每列像素的灰度均值;
步骤12:根据相邻列像素灰度均值差值最小原则,采用粒子群算法对步骤11中获得的处理的每列像素的灰度均值进行优化获得非均匀校正系数。
3.如权利要求1所述的一种星上点目标检测方法,其特征在于:所述步骤2中对图像数据进行背景抑制处理,去除图像数据中背景图像数据获得目标图像数据的方法为:
步骤21:利用二维快速傅里叶变换方法对连续两帧图像数据进行配准处理;
步骤22:对经步骤21配准后的连续两帧图像数据采用基于两帧序贯M估计的时空域融合算法确定图像数据中的背景图像数据;
步骤23:利用差分法将步骤22中获得的背景图像数据从经步骤21获得的图像数据中去除,获得目标图像数据。
4.如权利要求1所述的一种星上点目标检测方法,其特征在于:所述步骤3中剔除目标图像数据粒子尖峰的步骤为:
步骤31:对目标图像数据按灰度值进行分割处理;
步骤32:对经过步骤31处理的目标图像数据,利用双向过采样形成的形状信息剔除粒子尖峰,输出目标过采样图像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210058449.4A CN102663385B (zh) | 2012-03-07 | 2012-03-07 | 一种星上点目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210058449.4A CN102663385B (zh) | 2012-03-07 | 2012-03-07 | 一种星上点目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102663385A true CN102663385A (zh) | 2012-09-12 |
CN102663385B CN102663385B (zh) | 2014-02-19 |
Family
ID=46772869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210058449.4A Active CN102663385B (zh) | 2012-03-07 | 2012-03-07 | 一种星上点目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102663385B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103322981A (zh) * | 2013-05-30 | 2013-09-25 | 北京空间机电研究所 | Tdi ccd相机的成像参数在轨优化方法 |
CN104143196A (zh) * | 2014-07-04 | 2014-11-12 | 中国空间技术研究院 | 一种基于多线列时差扫描扩展采样的点目标探测方法 |
CN106643666A (zh) * | 2016-09-13 | 2017-05-10 | 首都师范大学 | 基于同平台多个传感器的运动目标探测方法和系统 |
CN108769460A (zh) * | 2018-06-25 | 2018-11-06 | 首都师范大学 | 目标对象成像校正方法、装置和卫星探测器 |
CN109186777A (zh) * | 2018-09-26 | 2019-01-11 | 北京空间机电研究所 | 基于在轨推扫的红外图像的非均匀校正方法、装置、系统及应用 |
CN109902541A (zh) * | 2017-12-10 | 2019-06-18 | 彼乐智慧科技(北京)有限公司 | 一种图像识别的方法及系统 |
CN111402176A (zh) * | 2020-04-21 | 2020-07-10 | 中国科学院光电技术研究所 | 一种在轨实时去除aps星敏感器固定模式噪声的方法 |
CN115205825A (zh) * | 2022-07-15 | 2022-10-18 | 宜宾学院 | 基于改进yolov5的行车视频序列图像检测识别交通标志方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101672646A (zh) * | 2009-10-09 | 2010-03-17 | 国家卫星气象中心 | 一种卫星图像自动几何精校正方法 |
CN102288964A (zh) * | 2011-08-19 | 2011-12-21 | 中国资源卫星应用中心 | 一种星载高分辨率合成孔径雷达的成像处理方法 |
CN102355574A (zh) * | 2011-10-17 | 2012-02-15 | 上海大学 | 机载云台运动目标自主跟踪系统的图像稳定方法 |
-
2012
- 2012-03-07 CN CN201210058449.4A patent/CN102663385B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101672646A (zh) * | 2009-10-09 | 2010-03-17 | 国家卫星气象中心 | 一种卫星图像自动几何精校正方法 |
CN102288964A (zh) * | 2011-08-19 | 2011-12-21 | 中国资源卫星应用中心 | 一种星载高分辨率合成孔径雷达的成像处理方法 |
CN102355574A (zh) * | 2011-10-17 | 2012-02-15 | 上海大学 | 机载云台运动目标自主跟踪系统的图像稳定方法 |
Non-Patent Citations (1)
Title |
---|
孟祥龙等: "天基红外图像的点目标检测", 《光学精密工程》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103322981A (zh) * | 2013-05-30 | 2013-09-25 | 北京空间机电研究所 | Tdi ccd相机的成像参数在轨优化方法 |
CN104143196A (zh) * | 2014-07-04 | 2014-11-12 | 中国空间技术研究院 | 一种基于多线列时差扫描扩展采样的点目标探测方法 |
CN104143196B (zh) * | 2014-07-04 | 2017-05-31 | 中国空间技术研究院 | 一种基于多线列时差扫描扩展采样的点目标探测方法 |
CN106643666A (zh) * | 2016-09-13 | 2017-05-10 | 首都师范大学 | 基于同平台多个传感器的运动目标探测方法和系统 |
WO2018049740A1 (zh) * | 2016-09-13 | 2018-03-22 | 首都师范大学 | 基于同平台多个传感器的运动目标探测方法和系统 |
CN106643666B (zh) * | 2016-09-13 | 2019-12-06 | 首都师范大学 | 基于同平台多个传感器的运动目标探测方法和系统 |
US10970857B2 (en) | 2016-09-13 | 2021-04-06 | Capital Normal University | Moving object detection method and system based on multiple sensors on same platform |
CN109902541B (zh) * | 2017-12-10 | 2020-12-15 | 彼乐智慧科技(北京)有限公司 | 一种图像识别的方法及系统 |
CN109902541A (zh) * | 2017-12-10 | 2019-06-18 | 彼乐智慧科技(北京)有限公司 | 一种图像识别的方法及系统 |
CN108769460A (zh) * | 2018-06-25 | 2018-11-06 | 首都师范大学 | 目标对象成像校正方法、装置和卫星探测器 |
CN109186777A (zh) * | 2018-09-26 | 2019-01-11 | 北京空间机电研究所 | 基于在轨推扫的红外图像的非均匀校正方法、装置、系统及应用 |
CN111402176A (zh) * | 2020-04-21 | 2020-07-10 | 中国科学院光电技术研究所 | 一种在轨实时去除aps星敏感器固定模式噪声的方法 |
CN111402176B (zh) * | 2020-04-21 | 2023-02-14 | 中国科学院光电技术研究所 | 一种在轨实时去除aps星敏感器固定模式噪声的方法 |
CN115205825A (zh) * | 2022-07-15 | 2022-10-18 | 宜宾学院 | 基于改进yolov5的行车视频序列图像检测识别交通标志方法 |
CN115205825B (zh) * | 2022-07-15 | 2023-06-09 | 宜宾学院 | 基于改进yolov5的行车视频序列图像检测识别交通标志方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102663385B (zh) | 2014-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102663385B (zh) | 一种星上点目标检测方法 | |
Kopsiaftis et al. | Vehicle detection and traffic density monitoring from very high resolution satellite video data | |
CN105574855B (zh) | 云背景下基于模板滤波和虚警抑制的红外小目标检测方法 | |
CN104899866B (zh) | 一种智能化的红外小目标检测方法 | |
CN107942329B (zh) | 机动平台单通道sar对海面舰船目标检测方法 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN111126184B (zh) | 一种基于无人机视频的震后建筑物损毁检测方法 | |
CN103761731A (zh) | 一种基于非下采样轮廓波变换的红外空中小目标检测方法 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN108830808B (zh) | 基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法 | |
CN105184804B (zh) | 基于机载红外相机航拍图像的海面小目标检测方法 | |
CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
CN109711256B (zh) | 一种低空复杂背景无人机目标检测方法 | |
CN106815583A (zh) | 一种基于mser和swt相结合的夜间车辆车牌定位方法 | |
CN113160106B (zh) | 红外目标检测方法及装置、电子设备、存储介质 | |
CN110288623B (zh) | 无人机海上网箱养殖巡检图像的数据压缩方法 | |
CN105139375A (zh) | 一种结合全球dem与立体视觉的卫星影像云检测方法 | |
Zhang et al. | Filtering photogrammetric point clouds using standard lidar filters towards dtm generation | |
CN104182976B (zh) | 一种野外运动目标精细化提取方法 | |
CN116665080A (zh) | 基于目标识别的无人机劣化绝缘子检测方法及系统 | |
Shang et al. | PolSAR land classification by using quaternion-valued neural networks | |
CN110298845A (zh) | 一种基于图像处理的复杂背景下输电线检测方法 | |
CN106097292A (zh) | 时序sar时空邻域高斯加权中值滤波斑噪抑制快速算法 | |
Acar et al. | An algorithm for coastline detection using SAR images | |
CN109547777B (zh) | 一种复杂场景的视频噪声快速检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |