CN104899892B - 一种快速的星图图像星点提取方法 - Google Patents
一种快速的星图图像星点提取方法 Download PDFInfo
- Publication number
- CN104899892B CN104899892B CN201510373665.1A CN201510373665A CN104899892B CN 104899892 B CN104899892 B CN 104899892B CN 201510373665 A CN201510373665 A CN 201510373665A CN 104899892 B CN104899892 B CN 104899892B
- Authority
- CN
- China
- Prior art keywords
- mrow
- asterism
- pixel
- msub
- map image
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 14
- 238000013461 design Methods 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 19
- 230000000694 effects Effects 0.000 abstract description 4
- 238000001914 filtration Methods 0.000 abstract description 4
- MRMBZHPJVKCOMA-YJFSRANCSA-N biapenem Chemical compound C1N2C=NC=[N+]2CC1SC([C@@H]1C)=C(C([O-])=O)N2[C@H]1[C@@H]([C@H](O)C)C2=O MRMBZHPJVKCOMA-YJFSRANCSA-N 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 208000037805 labour Diseases 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000005619 thermoelectricity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种快速的星图图像星点提取方法,借鉴聚类的思想利用一部分星点像素实现对星点进行粗定位,从而得到星点弥散区域中心坐标的粗略估计;将星点弥散区域的中心坐标作为种子点,使用种子点区域生长法自动地筛选星点像素;根据星点能量分布的特点,对星点像素的灰度值进行修正;使用质心计算公式对星点进行精度定位。本发明中对星点进行粗定位,将星点的提取操作集中在星点弥散区域的局部范围内,有利于提高星点的提取速度;对星点像素的灰度值进行修正,简单易行,能够达到图像滤波的效果,而比图像滤波更能节省算法的时间开销。
Description
技术领域
本发明属于导航技术领域,尤其涉及一种快速的星图图像星点提取方法。
背景技术
星敏感器作为自主的天文导航系统,在自动巡天系统和深空探测中扮演着重要的作用。在星敏感器系统中,星图图像的质心提取、星识别和飞行器的姿态解算,这一系列操作必须实时处理。星图图像的质心提取在星敏感器中扮演着重要的角色。星图图像质心的定位精度直接影响着星识别的精度以及飞行器姿态解算的性能。因此,快速、高精度的质心提取算法对于提高系统的性能是不可缺少的。
在过去的几十年里,许多学者致力于星敏感器系统的研究,提出了许多质心提取算法。在传统的质心提取算法中,大量的时间耗费在对背景像素的扫描,所以质心提取的速度很低。Zhu等人采用交叉链表来加快星点质心的提取,但是星点的质心定位精度不尽如人意。在相关文献中,提出了改进的策略来提高质心定位的精度,但是这些算法提取星点质心的过程比较复杂,耗时较多。Wang等人采用最小能量差来确定星点的质心,但是当星点的能量分布不对称时,星点的定位精度变差。Sun等人借助模糊模型和图像重构的方法来获得高的定位精度,但是这一过程比较复杂。
使用插值算法往星点的弥散区域插入更多的星点像素,使得有更多的星点像素用于计算星点的质心,改善了星点的分辨率,从而提高了星点的定位精度。Xi等人提出了在频域中提取星点质心的方法,但是这种质心提取算法的计算复杂度太高而不适用于实际的应用中。Yu等人结合迭代阈值分割法和种子点区域生长法来识别星点的弥散区域,但是这一迭代过程比较耗时。
在相关文献中,Jia等人详细分析了因其定位误差的原因,而Yang等人引入了误差补偿方法来改善星点的定位精度。尽管他们使用像素的几何中心来替代像素的灰度质心,但是却不能完全地消除系统误差。在相关文献中,使用阈值法来消除星点定位的随机误差,但这一方法很大程度上依赖于阈值的选取。
为了克服现有星点提取算法所存在的缺点,提高星点的定位精度,降低星点质心提取算法的复杂度,有必要研究快速高精度的星点提取算法。随着深空探测的发展,对星敏感器性能的要求越来越高。因此建立快速、高精确的星点算法具有重要的意义。
发明内容
针对现有技术的不足,本发明旨在提供一种快速的星图图像星点提取方法,解决现有的星点提取算法复杂度较高、星点提取效率较低的问题。
为了实现上述目的,本发明采用如下技术方案:
一种快速的星图图像星点提取方法,包括如下步骤:
第一步,采用多窗口抽样方法确定星图图像阈值分割方法中的阈值,根据图像分割的思想,将星点像素与背景像素进行分离;
第二步,选取一部分星点像素并用于进行分类,将同属于一个星点的像素视为一个类别,每个类别中像素的平均坐标作为对应星点弥散区域的中心坐标,从而实现观测星点的粗定位;
第三步,将星点弥散区域的中心坐标作为种子,利用种子点区域生长法,自动选取对应观测星点的像素;
第四步,根据星点能量分布的特点,采用不同的策略对星点像素的灰度值进行修正;
第五步,观测星点的精确定位:使用插值算法提高星点的分辨率,使用选取的星点像素和插值的星点像素,利用质心计算公式得到观测星点的质心坐标,从而完成观测星点的提取。
需要说明的是,第一步中,星图图像的分割具体采用单一阈值分割法,而分割阈值的确定方法具体为:选取大小合适的窗口,在星图图像上随机确定窗口的位置并计算窗口内星图图像像素的均值和方差,通过统计多个抽样窗口的结果,根据下式得到分割的阈值:
其中,Nw为抽样窗口的个数,μi和σi分别为第i个抽样窗口内的像素的均值和方差,a为常数,设为4或者5;当像素的灰度值大于分割阈值时,视其为星点像素,否则视其为背景像素。
需要说明的是,在第二步中,用于进行分类的该部分星点像素的确定方法为:设在星图图像中位于(x,y)处的像素的灰度值为I(x,y),则
S={(x,y)|I(x,y)i≥Ts+(1-Ts)/k=Ts+v,i=1,2,…,Ns};
像素集合S为星图图像中所有观测星点的部分像素,其中,k为一常数,v为随着分割阈值Ts变化而变化的变量,Ns为像素集合S中像素的个数,I(x,y)i为S中第i个像素的灰度值。
进一步需要说明的是,第二步中,每一星点的像素视为一个分类,将选取出来用于进行分类的该部分星点像素的集合S中所有的像素归类,从而将星图图像中的每一观测星点一一区分开,这一分类过程如下:
1)首先,任意选取像素集合S中的某一像素(x,y)1作为第一个分类C1中的第一个像素,即
Cp={(x,y)1},(x,y)1∈S,p=1;
其中,p为分类的类别个数,然后将像素(x,y)1从像素集合S中删除;
2)将像素集合S中的像素(x,y)s与已经确定的类别Cj(j=1,…,p)中的像素进行比较,如果像素(x,y)s与分类Cj中的像素为毗邻的关系,则这一像素(x,y)s属于分类Cj中的像素;然后将像素(x,y)s从集合S中删除,像素(x,y)s与分类Cj中的像素是否属于毗邻关系通过下式确定:
其中,dc为像素(x,y)s和分类Cj中的像素(x,y)的平面距离,Tc为预定义的阈值,用于判定两像素是否是毗邻的关系;
若像素(x,y)s与已经确定的类别Cj(j=1,…,p)中的任意像素都不存在毗邻的关系,即对于有dc=||<(x,y)s,(x,y)>||2>Tc,则认为像素(x,y)s属于新的分类中的一个像素,对于已经确定的类别的个数增加1,并且将像素(x,y)s从集合S中删除,这一描述可以表示如下:
p=p+1,Cp={(x,y)s};
3)如果像素集合S非空,即集合S中有像素没有被归类,则重复步骤2)的操作,直到集合S中的所有像素已归类。
需要说明的是,第二步中,每一类别中的所有像素的坐标的均值为所对应的观测星点的弥散区域的中心坐标,即
其中,(xe,ye)j为第j个分类所对应的观测星点的弥散区域的中心坐标,Nj为类别Cj中像素的个数,(x,y)i为类别Cj中的像素在星图图像上的坐标,p为分类类别的个数,即星点弥散区域的个数,也即星图图像上观测星点的个数。
进一步需要说明的是,如果某一类别Cj(j∈p)中所包含的像素较少,则这一类别视为噪声点并舍弃。
需要说明的是,第三步中,第二步中得到的星点弥散区域的中心坐标作为种子点,当种子点附近的像素(x,y)满足以下条件时,被视为该种子点所对应的星点的像素:
其中,(xe,ye)为星点弥散区域种子点的坐标,R为该种子点对应的观测星点的直径,I(x,y)为像素(x,y)的灰度值,Ts为第一步中所得的分割阈值。
需要说明的是,第四步中,根据星点能量分布的特点,分别采用两种不同的策略来对星点像素的灰度值进行修正:
第一种策略:位于星点弥散区域边缘的星点像素,其修正后的灰度值由其本身的灰度值以及其与该星点弥散区域的种子点的平面距离的大小决定,即
其中,I(x,y)为星点像素(x,y)本身的灰度值,I′(x,y)为该星点像素所对应的修正后的灰度值,(xe,ye)为相应星点弥散区域的种子点的坐标;
第二种策略:靠近星点弥散区域种子点的星点像素,其修正后的灰度值由其本身的灰度值以及其四邻域中的像素的灰度值决定,即
其中,I′(x,y)为该星点像素(x,y)所对应的修正后的灰度值,I(x,y)为星点像素(x,y)本身的灰度值,I(x,y-1)、I(x,y+1)、I(x-1,y)、I(x+1,y)分别为星点像素(x,y)所对应的四邻域的像素的灰度值。
需要说明的是,第五步中,采用双线性插值算法往星点弥散区域中插入更多的像素以提高观测星点的分辨率并用于计算观测星点的质心坐标,具体是往两个星点像素间插入一个像素来达到插值的目的。
进一步需要说明的是,设根据自动种子点生长区域算法选取的星点像素的集合标记为Ωc,利用双线性插值算法得到的内插像素的集合标记为Ωint,而内插像素(i,j)所对应的灰度值标记为Iint(i,j),则观测星点测量的质心坐标(xm,ym)可以通过以下公式得到:
其中,I′(x,y)为Ωc中像素(x,y)修正后的灰度值。
本发明的有益效果在于:
1、星点的粗定位能够快速地定位星点的弥散区域,使得能够快速地在局部范围内选取星点的像素,避免对整幅星图图像的扫描,节省了时间的开销;同时有助于确定星点的邻域像素和边缘像素,正确地对星点像素的灰度值进行修正;
2、通过对星点像素灰度值的修正,削弱了噪声对星点像素的影响,达到了滤波的效果,而无需对像素进行滤波操作,降低了算法的时间开销;
3、星点的质心计算使用了插值的像素,提高了星点的分辨率,从而得到高的星点定位精度。
附图说明
图1为本发明的实施流程图;
图2a和图2b分别为本发明实施例提供的在星敏感器系统中,当没有噪声和存在噪声时的星图图像上星点像素的灰度值分布;
图3为本发明实施例提供的星点粗定位的结果;
图4为本发明实施例提供的星图图像上星点能量分布的示意图;
图5a和图5b分别为本发明实施例提供的星点像素的灰度值在修正前和修正后的结果。
具体实施方式
以下将结合附图对本发明作进一步的描述,需要说明的是,本实施例以本技术方案为前提,给出了详细的实施方式和具体的操作过程,但本发明的保护范围并不限于本实施例。
如图1所示,本发明实施例的一种快速的星图图像星点提取方法包括以下步骤:
S101:对星图图像进行分割:采用多窗口抽样方法确定星图图像阈值分割方法中的阈值,根据图像分割的思想,将星点像素与背景像素进行分离;
S102:对观测星点进行粗定位:借鉴聚类算法的思想,先对一部分星点像素进行分类,将同属于一个星点的像素视为一个类别,统计类别中像素的平均坐标作为星点弥散区域的中心坐标,从而实现星点的粗定位;
S103:选取观测星点的像素:将星点弥散区域的中心坐标作为种子,利用种子点区域生长法,自动选取观测星点的像素;
S104:星点像素灰度值的修正:根据星点能量分布的特点,采用两种不同的策略,对星点像素的灰度值进行修正;
S105:观测星点的精确定位:使用插值算法提高星点的分辨率,利用质心计算公式得到星点的质心坐标,从而完成星点的提取。
步骤S101中的星图图像分割方法如下:星点像素的灰度值明显大于背景像素的灰度值,图2a和图2b中分别显示了当没有噪声和存在噪声时星点像素和背景像素的灰度值的差异。星图图像上的所有观测星点的像素只是整幅星图图像所包含的所有的像素的一小部分,绝大部分的像素为背景像素,而对背景像素的扫描对星点质心的提取来说没有任何益处,并且对背景像素的扫描需要耗费系统的大量时间。不管是从效率还是时间上来说,能够避免对背景像素的扫描,可以为系统节省大量的时间开销,有助于提高系统的灵敏度。
阈值分割方法能够用于区分有着明显区别的两种特征,即单一阈值分割法,使用一个阈值就能够将两种特征区分开来,这要求这两种特征彼此间具有明显的区别,而不出现交叉特征。阈值分割方法有时也可称为多阈值分割法,即需要两个或者两个以上的阈值才能从多个特征中将需要的特征提取出来。在星图图像中,星点像素的灰度值明显区别于背景像素的灰度值,采用单一阈值分割法就可以将星点像素从背景像素中分离出来。在阈值分割方法中需要选取合适的阈值来实现星点像素和背景像素的分离。阈值过大,则一部分的星点像素被误认为为背景像素,星点的弥散区域被缩小了范围;而阈值过小,则由一部分的背景像素被误认为为星点像素,引入了较多的噪声像素点,影响星点的定位。
因此本发明采用多窗口抽样方法来确定阈值分割方法中的阈值。首先选取大小合适的窗口,在星图图像上随机确定窗口的位置,计算窗口内星图图像像素的均值和方差,统计多个抽样窗口的结果,进而得到分割的阈值。使用多窗口抽样方法确定分割阈值的表达式如下:
其中,Nw为抽样窗口的个数,μi和σi分别为第i个抽样窗口内的像素的均值和方差,a为常数,设为4或者5;当像素的灰度值大于分割阈值时,视其为星点像素,否则视其为背景像素。
步骤S102中的观测星点粗定位方法如下:为了避免对背景像素的扫描,提出了采用粗定位的方法来粗略估计观测星点所在的位置。使用粗定位的方法能够快速地得到观测星点的弥散区域。因每一星点只有有限个的像素,并且星点的像素集中在其弥散区域内,故而只需处理弥散区域内的像素来得到星点的位置,而无需搜索整幅图像。为了尽可能快地得到观测星点的弥散区域,使用星点弥散区域内的一部分像素来完成星点的粗定位,即利用星点中灰度值较大的一部分像素来粗略地估计星点的弥散区域的位置,这样不仅可以快速地实现星点的粗定位,还能尽可能地降低引入噪声干扰的概率。根据基于约束的聚类算法的思想,在采用相似的策略来将每一观测星点的像素与其他星点的像素一一区分开来。设在星图图像中位于(x,y)处的像素的灰度值为I(x,y),则
S={(x,y)|I(x,y)i≥Ts+(1-Ts)/k=Ts+v,i=1,2,…,Ns};
像素集合S为星图图像中所有观测星点的部分像素,其中,k为一常数,v为随着分割阈值Ts变化而变化的变量,Ns为像素集合S中像素的个数。
步骤S102中的星点粗定位的实施流程如下:
根据类别的概念,每一星点的像素可以视为一个分类,并且在分类中的像素在图像平面上为毗邻的关系。集合S中的每一像素都可以归于某一分类,将其中的所有像素归类,即可将星图图像中的每一观测星点一一区分开。这一分类过程如下:
1)首先,任意选取像素集合S中的某一像素(x,y)1作为第一个分类C1中的第一个像素,即
Cp={(x,y)1},(x,y)1∈S,p=1;
其中,p为分类的类别个数,然后将像素(x,y)1从像素集合S中删除;
2)将像素集合S中的像素(x,y)s与已经确定的类别Cj(j=1,…,p)中的像素进行比较,如果像素(x,y)s与分类Cj中的像素为毗邻的关系,则这一像素(x,y)s属于分类Cj中的像素;然后将像素(x,y)s从集合S中删除,像素(x,y)s与分类Cj中的像素是否为毗邻的关系依据下式确定:
其中,(x,y)s为像素集合S中的某一像素的坐标,dc为像素(x,y)s和分类Cj中的像素(x,y)的平面距离,Tc为预定义的阈值,用于判定两像素是否是毗邻的关系,依据经验选取;
若像素(x,y)s与已经确定的类别Cj(j=1,…,p)中的任意像素都不存在毗邻的关系,即对于有dc=||<(x,y)s,(x,y)>||2>Tc,则认为像素(x,y)s属于新的分类中的一个像素,对于已经确定的类别的个数增加1,并且将像素(x,y)s从集合S中删除,这一描述可以表示如下:
p=p+1,Cp={(x,y)s};
3)如果像素集合S非空,即集合S中有像素没有被归类,则重复步骤2)的操作,直到集合S中的所有像素已归类。
通过以上的步骤,集合S中的每一像素都已经归类。每一分类Cj(j=1,…,p)中的像素的个数参差不齐,因每一观测星点的星等可能都不一样,造成其在星图图像上的弥散区域的大小不一样,从而每一观测星点所包含的像素不一样,同时,集合S中的像素只是星图图像上所有观测星点的部分像素,相关公式中的参数选取不一样,会对集合S中的像素的个数有影响。每一类别中的像素为某一观测星点所包含的一部分像素,使用每一类别中的所有像素计算观测星点的弥散区域的中心坐标,将星点弥散区域的中心坐标作为星点区域的重心位置,如图3所示。每一类别中的所有像素的坐标的均值为所对应的观测星点的弥散区域的中心坐标,即
其中,Nj为类别Cj中像素的个数,(x,y)i为类别Cj中的像素在星图图像上的坐标,p为分类类别的个数,即星点弥散区域的个数,也即星图图像上观测星点的个数。
由于星敏感器中电路热电噪声的存在,或者其他的一些噪声,使得在阈值分割的过程中,一些背景像素被误认为为星点像素。总所周知,星图图像上的噪声点为孤立的像素点,在分类过程中呈现为某些类别中所包含的像素比较少。因此,如果某一类别Cj(j∈p)中所包含的像素比较少,则这一类别应该视为噪声点,应该被舍弃,这样才能正确地识别星点的弥散区域个数,从而得到正确的弥散区域的中心坐标。
步骤S103所述的观测星点像素的选取过程如下:采用自动种子点区域生长算法来选取星点的像素。星点弥散区域的中心坐标被用作自动种子点区域生长算法的种子点。当种子点附近的像素满足以下条件时,被视为所对应的星点的像素。
其中,(xe,ye)为星点弥散区域种子点的坐标,R为该种子点对应的观测星点的直径,I(x,y)为该像素的灰度值,Ts为步骤S101中所得的分割阈值。
一般地,在理想状态下,星点的弥散区域为一个圆形的对称区域,其直径大小为3-5个像素。假设弥散区域的直径大小为5个像素。星点像素的选取只需将种子点附近的像素与种子点进行比较,在假设的弥散区域的直径大小下,经过有限次的比较后,就可以确定观测星点的像素。这一做法,使得星点像素的选取只是在局部区域进行,没有涉及到整幅星图图像,避免了对背景像素的检测,大大地节省了时间的开销。依次利用弥散区域的种子点,根据自动种子点区域生长算法,可以得到星图图像上所有观测星点的像素。
步骤S104中所述的星点像素灰度值的修正方式描述如下:从理论上讲,星图图像上观测星点的能量分布服从一个二维的高斯分布,如图4所示,也即星点在图像上的弥散区域是对称的圆形区域。在弥散区域中,越靠近种子点的星点像素的灰度值就越大,而越靠近弥散区域边缘的星点像素的灰度值就越小。基于对星点能量分布的分析,可以得知星点像素的灰度值随着星点像素与弥散区域中心的距离的增加而降低。
众所周知,在星图图像中,当像素的灰度值较小时,其很容易被受到噪声的影响。而星点中靠近星点弥散区域边缘的像素的灰度值虽然高于背景像素的灰度值,但相对于星点的其他像素而已,其灰度值较小,很容易受到噪声的影响。因此,为了降低噪声对星点像素的影响,需要对星点像素的灰度值进行修正。根据星点能量分布的特点,提取了两种不同的策略来对星点像素的灰度值进行修正。
第一种策略:位于星点弥散区域边缘的星点像素,其修正后的灰度值由其本身的灰度值以及其与该星点弥散区域的种子点的平面距离的大小决定,即
其中,I(x,y)为星点像素(x,y)本身的灰度值,I′(x,y)为该星点像素所对应的修正后的灰度值,(xe,ye)为相应星点弥散区域的种子点的坐标;
第二种策略:靠近星点弥散区域种子点的星点像素,其修正后的灰度值由其本身的灰度值以及其四邻域中的像素的灰度值决定,即
其中,I′(x,y)为该星点像素(x,y)所对应的修正后的灰度值,I(x,y)为星点像素(x,y)本身的灰度值,I(x,y-1)、I(x,y+1)、I(x-1,y)、I(x+1,y)分别为星点像素(x,y)所对应的四邻域的像素的灰度值。
从对星点像素的灰度值进行修正的过程中可以得知,靠近弥散区域种子点的星点像素在星点的质心坐标计算中占着很大的比重,而那些位于弥散区域边缘很容易受到噪声影响的星点像素在星点的质心坐标计算中只是占着很小的比重。靠近弥散区域种子点的星点像素的灰度值较大,不易受到噪声的影响或者说噪声对这些像素的影响较小,而位于弥散区域边缘的星点像素的灰度值较小,很容易受到噪声的影响或者说噪声对这些像素的影响较大,故而在计算星点的质心坐标时,这些星点像素采用不同的比重,能够有效地抑制噪声的摄入。所以,在星点像素的灰度值修正中所引入的这两种策略,能够有效地抑制噪声对星点质心坐标的影响,图5a和图5b显示了星点像素灰度值在修正前和修正后的结果,从图中可以明显看到,经过像素灰度值修正处理,抑制了绝大部分的噪声。
在星图图像中,设观测星点所有像素的集合为Ωc,而对于集合Ωc中的任一星点像素,若其四邻域像素都在集合Ωc中,则称这样的星点像素为星点的邻域像素,这样的星点像素靠近弥散区域的种子点,其灰度值较大,不易受到噪声的影响。而那些其四邻域像素不都在集合Ωc中的星点像素被视为星点的边缘像素,这样的像素靠近或者位于弥散区域的边缘,其灰度值较小,容易受到噪声的影响。将星点的邻域像素和边缘进行不同的处理,能够尽可能地降低噪声对星点像素的影响,从而提高星点的定位精度。
步骤S105中观测星点的质心坐标的计算如下:在现有条件满足不了高分辨率的要求时,往往采用合适的插值算法来提高分辨率以达到相应的要求。为了提高星图图像中观测星点的分辨率,从而提高观测星点的定位精度,采用双线性插值算法往星点的弥散区域插入更多的像素用于计算观测星点的质心坐标。在插值算法中,往两个星点像素间插入一个像素来达到插值的目的。
为了实现观测星点的精确定位,使用根据自动种子点生长区域算法选取的星点像素以及利用双线性插值算法得到的内插像素来计算观测星点质心坐标。设根据自动种子点生长区域算法选取的星点像素的集合标记为Ωc,利用双线性插值算法得到的内插像素的集合标记为Ωint,而内插像素(i,j)所对应的灰度值标记为Iint(i,j),则观测星点测量的质心坐标(xm,ym)可以通过以下公式得到:
其中,I′(x,y)为Ωc中像素(x,y)修正后的灰度值。
星点的粗定位能够快速地定位星点的弥散区域,使得能够快速地在局部范围内选取星点的像素,避免对整幅星图图像的扫描,节省了时间的开销。同时有助于确定星点的邻域像素和边缘像素,正确地对星点像素的灰度值进行修正。通过对星点像素灰度值的修正,削弱了噪声对星点像素的影响,达到了滤波的效果,而无需对像素进行滤波操作,降低了算法的时间开销。
对于本领域的技术人员来说,可以根据以上的技术方案和构思,作出各种相应的改变和变形,而所有的这些改变和变形都应该包括在本发明权利要求的保护范围之内。
Claims (9)
1.一种快速的星图图像星点提取方法,其特征在于,包括如下步骤:
第一步,采用多窗口抽样方法确定星图图像阈值分割方法中的阈值,根据图像分割的思想,将星点像素与背景像素进行分离;
第二步,选取一部分星点像素并用于进行分类,将同属于一个星点的像素视为一个类别,每个类别中像素的平均坐标作为对应星点弥散区域的中心坐标,从而实现观测星点的粗定位;
第三步,将星点弥散区域的中心坐标作为种子,利用种子点区域生长法,自动选取对应观测星点的像素;
第四步,根据星点能量分布的特点,采用不同的策略对星点像素的灰度值进行修正;分别采用两种不同的策略来对星点像素的灰度值进行修正:
第一种策略:位于星点弥散区域边缘的星点像素,其修正后的灰度值由其本身的灰度值以及其与该星点弥散区域的种子点的平面距离的大小决定,即
<mrow>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>d</mi>
<mi>s</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>&times;</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>d</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>e</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>e</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>;</mo>
</mrow>
其中,I(x,y)为星点像素(x,y)本身的灰度值,I'(x,y)为该星点像素所对应的修正后的灰度值,(xe,ye)为相应星点弥散区域的种子点的坐标;
第二种策略:靠近星点弥散区域种子点的星点像素,其修正后的灰度值由其本身的灰度值以及其四邻域中的像素的灰度值决定,即
<mrow>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>5</mn>
</mfrac>
<mo>&times;</mo>
<mo>&lsqb;</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
其中,I'(x,y)为该星点像素(x,y)所对应的修正后的灰度值,I(x,y)为星点像素(x,y)本身的灰度值,I(x,y-1)、I(x,y+1)、I(x-1,y)、I(x+1,y)分别为星点像素(x,y)所对应的四邻域的像素的灰度值;
第五步,观测星点的精确定位:使用插值算法提高星点的分辨率,使用选取的星点像素和插值的星点像素,利用质心计算公式得到观测星点的质心坐标,从而完成观测星点的提取。
2.根据权利要求1所述的快速的星图图像星点提取方法,其特征在于,第一步中,星图图像的分割具体采用单一阈值分割法,而分割阈值的确定方法具体为:选取大小合适的窗口,在星图图像上随机确定窗口的位置并计算窗口内星图图像像素的均值和方差,通过统计多个抽样窗口的结果,根据下式得到分割的阈值:
<mrow>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>N</mi>
<mi>w</mi>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>w</mi>
</msub>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mi>a</mi>
<mo>&times;</mo>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,Nw为抽样窗口的个数,μi和σi分别为第i个抽样窗口内的像素的均值和方差,a为常数,设为4或者5;当像素的灰度值大于分割阈值时,视其为星点像素,否则视其为背景像素。
3.根据权利要求1所述的快速的星图图像星点提取方法,其特征在于,在第二步中,用于进行分类的该部分星点像素的确定方法为:设在星图图像中位于(x,y)处的像素的灰度值为I(x,y),则
S={(x,y)|I(x,y)i≥Ts+(1-Ts)/k=Ts+v,i=1,2,…,Ns};
像素集合S为星图图像中所有观测星点的部分像素,其中,k为一常数,v为随着分割阈值Ts变化而变化的变量,Ns为像素集合S中像素的个数,I(x,y)i为S中第i个像素的灰度值。
4.根据权利要求1或3所述的快速的星图图像星点提取方法,其特征在于,第二步中,每一星点的像素视为一个分类,将选取出来用于进行分类的该部分星点像素的集合S中所有的像素归类,从而将星图图像中的每一观测星点一一区分开,这一分类过程如下:
1)首先,任意选取像素集合S中的某一像素(x,y)1作为第一个分类C1中的第一个像素,即
Cp={(x,y)1},(x,y)1∈S,p=1;
其中,p为分类的类别个数,然后将像素(x,y)1从像素集合S中删除;
2)将像素集合S中的像素(x,y)s与已经确定的类别Cj中的像素进行比较,j=1,…,p;如果像素(x,y)s与分类Cj中的像素为毗邻的关系,则这一像素(x,y)s属于分类Cj中的像素;然后将像素(x,y)s从集合S中删除,像素(x,y)s与分类Cj中的像素是否属于毗邻关系通过下式确定:
<mrow>
<msub>
<mi>d</mi>
<mi>c</mi>
</msub>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<mo><</mo>
<msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mi>s</mi>
</msub>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<mi>x</mi>
<mo>)</mo>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>&le;</mo>
<msub>
<mi>T</mi>
<mi>c</mi>
</msub>
<mo>;</mo>
</mrow>
其中,dc为像素(x,y)s和分类Cj中的像素(x,y)的平面距离,Tc为预定义的阈值,用于判定两像素是否是毗邻的关系;
若像素(x,y)s与已经确定的类别Cj中的任意像素都不存在毗邻的关系,即对于 有dc=||<(x,y)s,(x,y)>||2>Tc,则认为像素(x,y)s属于新的分类中的一个像素,对于已经确定的类别的个数增加1,并且将像素(x,y)s从集合S中删除,这一描述可以表示如下:
p=p+1,Cp={(x,y)s};
3)如果像素集合S非空,即集合S中有像素没有被归类,则重复步骤2)的操作,直到集合S中的所有像素已归类。
5.根据权利要求1所述的快速的星图图像星点提取方法,其特征在于,第二步中,每一类别中的所有像素的坐标的均值为所对应的观测星点的弥散区域的中心坐标,即
<mrow>
<msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>e</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>e</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>j</mi>
</msub>
<mo>=</mo>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mo>{</mo>
<msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mn>1</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mi>i</mi>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>N</mi>
<mi>j</mi>
</msub>
</msub>
<mo>}</mo>
<mo>,</mo>
<msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>C</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>p</mi>
<mo>;</mo>
</mrow>
其中,(xe,ye)j为第j个分类所对应的观测星点的弥散区域的中心坐标,Nj为类别Cj中像素的个数,(x,y)i为类别Cj中的像素在星图图像上的坐标,p为分类类别的个数,即星点弥散区域的个数,也即星图图像上观测星点的个数。
6.根据权利要求1或5所述的快速的星图图像星点提取方法,其特征在于,如果某一类别Cj中所包含的像素较少,j∈p;p为分类类别的个数,即星点弥散区域的个数,也即星图图像上观测星点的个数;则这一类别视为噪声点并舍弃。
7.根据权利要求1所述的快速的星图图像星点提取方法,其特征在于,第三步中,第二步中得到的星点弥散区域的中心坐标作为种子点,当种子点附近的像素(x,y)满足以下条件时,被视为该种子点所对应的星点的像素:
其中,(xe,ye)为星点弥散区域种子点的坐标,R为该种子点对应的观测星点的直径,I(x,y)为像素(x,y)的灰度值,Ts为第一步中所得的分割阈值。
8.根据权利要求1所述的快速的星图图像星点提取方法,其特征在于,第五步中,采用双线性插值算法往星点弥散区域中插入更多的像素以提高观测星点的分辨率并用于计算观测星点的质心坐标,具体是往两个星点像素间插入一个像素来达到插值的目的。
9.根据权利要求1或8所述的快速的星图图像星点提取方法,其特征在于,设根据自动种子点生长区域算法选取的星点像素的集合标记为Ωc,利用双线性插值算法得到的内插像素的集合标记为Ωint,而内插像素(i,j)所对应的灰度值标记为Iint(i,j),则观测星点测量的质心坐标(xm,ym)可以通过以下公式得到:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>&Omega;</mi>
<mi>c</mi>
</msub>
</mrow>
</munder>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
<mi>x</mi>
<mo>+</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>&Omega;</mi>
<mi>int</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>I</mi>
<mi>int</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
<mi>i</mi>
</mrow>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>&Omega;</mi>
<mi>c</mi>
</msub>
</mrow>
</munder>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>&Omega;</mi>
<mi>int</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>I</mi>
<mi>int</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>&Omega;</mi>
<mi>c</mi>
</msub>
</mrow>
</munder>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
<mi>y</mi>
<mo>+</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>&Omega;</mi>
<mi>int</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>I</mi>
<mi>int</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
<mi>j</mi>
</mrow>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>&Omega;</mi>
<mi>c</mi>
</msub>
</mrow>
</munder>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>&Omega;</mi>
<mi>int</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>I</mi>
<mi>int</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
其中,I'(x,y)为Ωc中像素(x,y)修正后的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510373665.1A CN104899892B (zh) | 2015-06-30 | 2015-06-30 | 一种快速的星图图像星点提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510373665.1A CN104899892B (zh) | 2015-06-30 | 2015-06-30 | 一种快速的星图图像星点提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104899892A CN104899892A (zh) | 2015-09-09 |
CN104899892B true CN104899892B (zh) | 2017-11-24 |
Family
ID=54032537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510373665.1A Expired - Fee Related CN104899892B (zh) | 2015-06-30 | 2015-06-30 | 一种快速的星图图像星点提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104899892B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106767769B (zh) * | 2017-01-17 | 2019-05-31 | 上海航天控制技术研究所 | 一种星敏感器高速目标提取方法 |
CN107860398B (zh) * | 2017-09-22 | 2020-05-12 | 上海航天控制技术研究所 | 一种星点质心坐标的确定方法 |
CN109685877B (zh) * | 2018-12-27 | 2022-11-25 | 重庆大学 | 一种基于自适应投影图像特征区域匹配的微纳ct焦点漂移校正方法 |
CN111089586B (zh) * | 2020-01-10 | 2021-09-07 | 上海航天控制技术研究所 | 一种基于多帧累加算法的全天时星敏感器星点提取方法 |
CN113592774B (zh) * | 2021-06-28 | 2024-02-27 | 符正 | 变星检测方法、装置、电子设备和计算机可读存储介质 |
CN113553966B (zh) * | 2021-07-28 | 2024-03-26 | 中国科学院微小卫星创新研究院 | 一种单一星图的有效星空区域的提取方法 |
CN114001716B (zh) * | 2021-09-24 | 2022-06-24 | 中国人民解放军32802部队 | 一种阵列式广视场巡天相机 |
CN113838072B (zh) * | 2021-11-01 | 2023-08-04 | 江苏集萃智能光电系统研究所有限公司 | 一种高动态星图图像分割方法 |
CN115717887B (zh) * | 2022-11-17 | 2024-04-19 | 上海航天控制技术研究所 | 基于灰度分布直方图的星点快速提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081800A (zh) * | 2011-01-06 | 2011-06-01 | 西北工业大学 | 空间微弱运动目标检测方法 |
CN102564457A (zh) * | 2011-12-29 | 2012-07-11 | 北京控制工程研究所 | 一种aps星敏感器在轨噪声自主抑制方法 |
CN102865865A (zh) * | 2012-09-17 | 2013-01-09 | 常州工学院 | 一种采用十字链表的星敏感器筛选导航星的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120248296A1 (en) * | 2007-04-04 | 2012-10-04 | Fabrizio Giulianini | Star sensor with reduced sensitivity to stray light induced by the sun or by other sources close to the field of view |
-
2015
- 2015-06-30 CN CN201510373665.1A patent/CN104899892B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081800A (zh) * | 2011-01-06 | 2011-06-01 | 西北工业大学 | 空间微弱运动目标检测方法 |
CN102564457A (zh) * | 2011-12-29 | 2012-07-11 | 北京控制工程研究所 | 一种aps星敏感器在轨噪声自主抑制方法 |
CN102865865A (zh) * | 2012-09-17 | 2013-01-09 | 常州工学院 | 一种采用十字链表的星敏感器筛选导航星的方法 |
Non-Patent Citations (2)
Title |
---|
Performance Improvement of Centroid Algorithms via Symmetric Domain Extraction;Liyan Luo, Luping Xu,Hua Zhang;《第五届中国卫星导航学术年会电子文集》;20140521;全文 * |
高精度全天时星敏感器关键技术研究;何家维;《中国博士学位论文全文数据库 工程科技Ⅱ辑 》;20140215(第2期);第81-117页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104899892A (zh) | 2015-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104899892B (zh) | 一种快速的星图图像星点提取方法 | |
CN106845408B (zh) | 一种复杂环境下的街道垃圾识别方法 | |
CN102609680B (zh) | 一种基于三维深度图像信息的并行统计学习人体部位检测方法 | |
CN107464252A (zh) | 一种基于混合特征的可见光与红外异源图像识别方法 | |
CN106918311A (zh) | 基于车载激光点云数据的单株树树冠投影面积自动计算方法 | |
CN104182985A (zh) | 遥感图像变化检测方法 | |
CN107833213A (zh) | 一种基于伪真值自适应法的弱监督物体检测方法 | |
CN112287807A (zh) | 一种基于多分支金字塔神经网络的遥感影像道路提取方法 | |
CN109948415A (zh) | 基于背景过滤和尺度预测的光学遥感图像目标检测方法 | |
CN100547603C (zh) | 一种地面建筑物识别定位方法 | |
CN107507170A (zh) | 一种基于多尺度图像信息融合的机场跑道裂缝检测方法 | |
CN104990926A (zh) | 一种基于视觉的tr元件定位和缺陷检测方法 | |
CN102521592A (zh) | 基于非清晰区域抑制的多特征融合显著区域提取方法 | |
CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
CN108564085A (zh) | 一种自动读取指针式仪表读数的方法 | |
CN102156882A (zh) | 一种基于高分辨遥感图像的机场目标检测方法 | |
CN104951799A (zh) | 一种sar遥感影像溢油检测识别方法 | |
CN112668441B (zh) | 一种结合先验知识的卫星遥感影像飞机目标识别方法 | |
CN108932471B (zh) | 一种车辆检测方法 | |
CN104966348B (zh) | 一种票据图像要素完整性检测方法及系统 | |
CN109272522B (zh) | 一种基于局部特征的图像细化分割方法 | |
CN106485252A (zh) | 图像配准试验点阵靶标图像特征点识别方法 | |
CN104217213A (zh) | 一种基于对称性理论的医学图像多阶段分类方法 | |
CN112330693A (zh) | 一种煤矸石检测方法及系统 | |
CN107463895A (zh) | 基于邻域向量pca的弱小损伤目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171124 |