CN105957072A - 一种空间目标天线检测方法 - Google Patents

Abstract

本发明公开了一种空间目标天线检测方法，应用于空间目标观测图像中，所述方法包括：通过所述图像得到所述图像的灰度图像；通过对所述灰度图像进行阈值分割得到二值图像；根据所述二值图像进行连通区域标记；根据所述连通区域进行特征提取；根据所述特征对天线进行检测。本发明采用空间目标的特征参量作为天线的判别依据，对于不同程度的残缺天线图像都有较好的检测效果。在空间目标天线检测中，本发明原理简单，无需任何先验知识，定位准确，可应用于工程的实时检测中。

Description

一种空间目标天线检测方法

技术领域

本发明属于图像处理技术领域，尤其涉及一种空间目标天线检测方法。

背景技术

空间目标典型部件的形态特征以及尺寸参数对于确定目标的类型和状态具有十分重要的价值。天线普遍存在于各个种类的空间目标结构中，是空间目标的典型部件。对于不同类型的空间目标，其天线数量、尺寸、形状、以及与其他部件的位置关系均存在很大的差异。通过综合分析利用天线属性信息，可以有效辅助空间目标识别以及空间目标状态判断。因此，研究空间目标观测图像中天线的检测具有重要的战略意义。

空间目标天线检测面临诸多技术难点。图像中天线的形态受观测角度影响很大，进一步加大了空间目标天线检测的难度。此外，空间目标图像的成像过程也具有一定特殊性，空间目标图像受到多种降质因素的影响成像质量不佳。在成像过程中，空间目标与成像传感器间存在高速相对运动，空间目标图像存在严重的运动模糊情况。同时，受到太空环境和传感器性能限制，空间目标图像中普遍存在太阳光斑、阴影及过饱和现象，对天线检测造成严重的干扰。

在空间目标中，天线的检测可以抽象为圆的检测。用于圆检测的算法很多且各有侧重，主要归为两类，一类是基于Hough变换的算法，另一类是圆度检测算法，这两类算法都可以检测出图像中的圆，但是各有侧重。Hough变换计算量大，而圆度测量的算法只适合简单背景图像中圆的检测。

总体来看，现有的天线检测算法都存在一定问题，故研究一种有效、通用、快速的天线检测方法具有重要的现实意义。

发明内容

(一)要解决的技术问题

有鉴于此，本发明期望提供一种天线检测方法，从待检测图像本身性质出发，结合待解决的实际工程问题，符合工程需求。

(二)技术方案

本发明实施例提供了一种空间目标天线检测方法，应用于空间目标观测图像中，所述方法包括以下步骤：

步骤一、通过所述图像得到所述图像的灰度图像；

步骤二、通过对所述灰度图像进行阈值分割得到二值图像；

步骤三、根据所述二值图像进行连通区域标记；

步骤四、根据所述连通区域进行特征提取；

步骤五、根据所述特征对天线进行检测。

(三)有益效果

本发明所提供的空间目标天线检测方法，针对空间目标观测图像中天线检测的应用需求，采用空间目标的特征参量作为天线的判别依据，较好的保留图像中的边缘和细节信息，并计算得到天线的尺寸形状等关键参数，从而实现辅助空间目标识别的目的，对于不同程度的残缺天线图像都有较好的检测效果，满足系统实时应用的要求，具有广阔的应用价值和市场前景。在空间目标天线检测中，本发明原理简单，无需任何先验知识，定位准确，可应用于工程的实时检测中。

附图说明

图1为本发明实施例的天线检测方法的流程图；

图2为本发明实施例的天线检测效果示意图。

具体实施方式

为了更好地理解本发明的技术方案，下面结合附图及具体实施方式详细介绍本发明。

在以下的描述中，将描述本发明的多个不同的方面，然而，对于本领域内的普通技术人员而言，可以仅仅利用本发明的一些或者全部结构或者流程来实施本发明。为了解释的明确性而言，阐述了特定的数目、配置和顺序，但是很明显，在没有这些特定细节的情况下也可以实施本发明。在其他情况下，为了不混淆本发明，对于一些众所周知的特征将不再进行详细阐述。

实施例

本发明实施例提供了一种天线检测的方法，应用于空间目标观测图像中，所述方法包括以下步骤：

通过所述空间目标观测图像得到所述特征提取图像的灰度图像；

通过对所述灰度图像进行阈值分割得到二值图像；

根据所述二值图像进行连通区域标记；

根据所标记的连通区域进行特征提取；

根据所提取的特征对天线进行检测。

本发明的具体实现流程如图1所示，各部分具体实施细节如下：

1.通过所述空间目标观测图像得到所述空间目标观测图像的灰度图像

本实施例所应用的图像是空间目标观测图像。本实施例将图像用矩阵的形式表示，对图像矩阵进行灰度化，分为以下几个步骤实现：

(1)将空间目标观测图像读入到计算机中，通过通道分解获取图像每个像素点在R、G、B三个通道的像素值，从而获得了图像的数据信息，这些数据信息是进行天线检测的基础，用到了如下公式

$I(x,y)=\left\{\begin{array}{c}R(x,y)\\ G(x,y)\\ B(x,y)\end{array}\right.---\left(1\right)$

其中，I(x,y)为空间目标观测图像，用矩阵表示；R(x,y)为空间目标观测图像的红色颜色通道；G(x,y)为空间目标观测图像的绿色颜色通道；B(x,y)为空间目标观测图像的蓝色颜色通道，(x,y)表示空间目标观测图像像素的坐标。

(2)图像灰度化：

根据步骤(1)得到的颜色通道，对图像矩阵进行灰度化，用到如下公式

F(x,y)＝0.30R(x,y)+0.59G(x,y)+0.11B(x,y) (2)

其中F(x,y)表示空间目标观测图像的灰度图像。

2.通过对所述灰度图像进行阈值分割得到二值图像

通过对步骤1生成的灰度图像计算分割阈值，利用分割阈值分割对灰度图像进行二值化处理，分为以下几个步骤实现：

(1)计算分割阈值，用到了如下公式

$T=\frac{(Z_{\min }+Z_{max})}{2}---\left(3\right)$

其中T表示预设的二值分割的阈值，Z_min和Z_max分别表示灰度图像中的最小灰度值和最大灰度值。

(2)利用步骤(1)得到的阈值对灰度图像进行二值分割，用到了如下公式

$F_b(x,y)=\left\{\begin{array}{cc}1,& \begin{array}{cc}if& F(x,y)\≥T\end{array}\\ 0,& otherwise\end{array}\right.---\left(4\right)$

其中F_b(x,y)表示二值图像。

3.根据所述的二值图像进行连通区域标记

根据对步骤2生成的二值图像进行像素相邻性判别，利用判别结果进行连通区域标记，分为以下几个步骤实现：

(1)像素相邻性判别，用到了如下公式

1≤(x₁-x₂)²+(y₁-y₂)²≤2 (5)

如果两个像素点P₁(x₁,y₁)和P₂(x₂,y₂)满足公式(5)就说明P₁和P₂是八相邻的。

(2)根据步骤(1)像素相邻性的判别结果对连通区域进行标记。

从上到下、从左到的顺序扫描图像，当遇到一个尚未标记的前景像素时，就执行区域生长算法，然后继续向后扫描。区域生长算法的执行过程：以当前像素为种子，用一个新标签标记当前像素，然后标记与其相邻的前景像素(前景邻居)，然后再以它的前景邻居为种子，标记这些种子尚未标记的前景邻居，重复这个过程，直到所有种子的前景邻居都成为已经标记状态。

4.根据所标记的连通区域进行特征提取

分别计算所述灰度图像重心到连通区域边界点的平均距离和所述灰度图像重心到连通区域边界点的距离均方差，构建圆形度特征，利用圆形度特征对步骤3得到的标记后的连通区域进行特征提取，分为以下几个步骤实现：

(1)计算灰度图像的重心坐标，用到公式为

$x_G=\underset{x=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}xF(x,y)/\underset{x=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}F(x,y)---\left(6\right)$

$y_G=\underset{x=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}yF(x,y)/\underset{x=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}F(x,y)---\left(7\right)$

其中x_G表示灰度图像重心横坐标值，y_G表示灰度图像重心横坐标值，M为所述灰度图像的宽度，N为所述灰度图像的长度。

(2)计算从灰度图像重心到连通区域边界点的平均距离，用到公式为

$\mathrm{\μ}=\frac{1}{K}\underset{k=0}{\overset{K-1}{\mathrm{\Σ}}}|(x_k,y_k)-(x_G,y_G)|---\left(8\right)$

其中(x_k,x_k)为灰度图像中任意点的坐标，K为灰度图像中像素的总数。

(3)计算从灰度图像重心到连通区域边界点的距离均方差，用到公式为

$\mathrm{\δ}=\frac{1}{K}\underset{k=0}{\overset{K-1}{\mathrm{\Σ}}}\left|{(x_k-x_G)}^2-{(y_k,y_G)}^2\right|-{\mathrm{\μ}}^2---\left(9\right)$

(4)利用步骤(2)和步骤(3)得到的平均距离和距离方差计算圆形度特征，用到公式为

C＝μ/δ (10)

其中C表示圆形度特征。

5.根据所提取的特征对天线进行检测

利用步骤4得到的圆形度特征，将其作为判别阈值，对天线目标进行检测，用到的公式如下

通过本实施例方法对一幅空间目标图像进行天线检测的结果图如图2所示。其中，图2a为空间目标观测图像，图2b为本实施例方法检测结果示意图。从图2中可以明显看出，本实施例方法可以准确检测到空间目标中的天线。

本发明采用基于圆形度特征的方法进行空间目标天线检测，在二值图像的基础上，充分利用空间目标的特征参量作为天线的判别依据，保证检测结果的准确性。本发明在进行图像分割时可以自适应的设定阈值，更好的保留图像中的边缘和细节信息，并计算得到天线的尺寸形状等关键参数，从而实现辅助空间目标识别的目的；圆形度特征具有位移、旋转和伸缩不变性，且抗噪性良好，本发明对于不同程度的残缺天线图像都有较好的检测效果。本发明算法原理简单，无需任何先验知识，定位准确，可应用于工程的实时检测中，具有广阔的应用价值和市场前景。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理模块中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种空间目标天线检测方法，其特征在于，包括以下步骤：

S1、通过所述空间目标观测图像得到所述空间目标观测图像的灰度图像；

S2、通过对所述灰度图像进行阈值分割得到二值图像；

根据所述二值图像进行连通区域标记；

根据所所标记的连通区域进行特征提取；

根据所提取的特征对天线进行检测。

2.根据权利要求1所述的装置，其特征是：所述步骤S1、通过所述空间目标观测图像得到所述空间目标观测图像的灰度图像，其方法是采用公式

F(x,y)＝0.30R(x,y)+0.59G(x,y)+0.11B(x,y) (1)

其中F(x,y)表示空间目标观测图像的灰度图像，R(x,y)为空间目标观测图像的红色颜色通道；G(x,y)为空间目标观测图像的绿色颜色通道；B(x,y)为空间目标观测图像的蓝色颜色通道；(x,y)表示空间目标观测图像像素的坐标。

3.根据权利要求1所述的方法，其特征是：所述步骤S2、对所述步骤S1、得到的灰度图像进行阈值分割得到二值图像，其方法是采用公式

$F_b(x,y)=\left\{\begin{array}{cc}1,& \begin{array}{cc}if& F(x,y)\≥T\end{array}\\ 0,& otherwise\end{array}\right.---\left(2\right)$

其中F_b(x,y)表示二值图像，T为二值分割的阈值，F(x,y)表示空间目标观测图像的灰度图像。

4.根据权利要求1所述的方法，其特征是：所述步骤S3对所述步骤S2得到的二值图像进行连通区域标记，其方法是采用公式

1≤(x₁-x₂)²+(y₁-y₂)²≤2 (3)

(x₁,y₁)、(x₂,y₂)分别表示像素点P₁(x₁,y₁)和P₂(x₂,y₂)的坐标。

5.根据权利要求1所述的方法，其特征是：所述步骤S4对步骤S3得到的连通区域进行特征提取，其方法是采用公式

C＝μ/δ (4)

其中C表示圆形度特征，μ为从图像重心到连通区域边界点的平均距离，δ为从图像重心到连通区域边界点的距离均方差。

6.根据权利要求1至5中任一项所述的方法，其特征是：所述步骤S5利用步骤S4中得到的特征，对天线目标进行检测，其方法是采用公式

其中，C表示圆形度特征。