CN108447024A - 基于在轨恒星数据的人工智能畸变自校正方法 - Google Patents
基于在轨恒星数据的人工智能畸变自校正方法 Download PDFInfo
- Publication number
- CN108447024A CN108447024A CN201810091043.3A CN201810091043A CN108447024A CN 108447024 A CN108447024 A CN 108447024A CN 201810091043 A CN201810091043 A CN 201810091043A CN 108447024 A CN108447024 A CN 108447024A
- Authority
- CN
- China
- Prior art keywords
- star
- distortion
- orbit
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000003709 image segmentation Methods 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 17
- 239000000284 extract Substances 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000013459 approach Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于在轨恒星数据的人工智能畸变自校正方法,以在轨相机拍摄的恒星数据与星库粗识别结果为输入,利用人工智能的方法进行学习实现图像畸变自校正。具体步骤包括:星图预处理,图像分割,星点提取,星图粗匹配,网络构建,模型训练等。实现原理为以星图中各星像点之间的角距为输入,以其在星库中对应角距为参考,利用海量粗识别结果对网络模型进行训练,确定网络参数,实现畸变自校正。本发明的优点在于对粗识别结果采用人工智能方法在轨学习,克服了地面标定畸变模型发射后失效的难题,实现在轨畸变图像的自校正。
Description
技术领域
本发明主要涉及到智能图像处理领域中的一种畸变图像校正方法,主要针对星载相机在轨运行时受温度,真空及震动等环境的影响导致地面标定的畸变模型发生变化,进而所拍摄星图存在畸变的情况。
背景技术
实际相机成像过程中,由于光阑球差的影响,不同视场的主光线通过光学系统后与高斯相面的交点高度不等于理想像高,其差别就是相机的畸变。畸变包括径向畸变,切向畸变,偏心畸变以及薄棱镜畸变等,工程实践中通常以径向畸变为主。畸变的存在不影响像的清晰度,但会导致目标像的变形,对于测量或定位设备必须予以校正。
通常星载相机在发射前会进行地面标定,主要是对畸变进行测量和校正,并能达到一定的精度,但由于星载相机一般结构复杂,光学零件尺寸较大,在发射过程承受的加速度和冲击振动会给相机光学元件带来影响。另外,相机在轨运行时,真空环境及来自太阳热辐射会使地面标定过的相机畸变模型或参数发生变化,这将给高精度的目标定位带来影。所以必须对星载相机进行在轨标定。
目前,地面畸变校正常用的方法,如将相机固定在PI控制台上,通过拍摄垂直于主光轴的标准靶面,在相机视场内测大量的点,然后通过插值的方法进行畸变校正;多项式模型法用高阶多项式形式表示畸变模型,通过测量实际相机视场中的一系列点,利用最小二乘法求解模型参数进行畸变校正;神经网络法利用在相机视场中测得的一系列控制点对网络模型进行训练,无需计算相机内外方位元素实现畸变校正。以上方法均通过对标准靶面成像,在视场中测点的方法实现畸变校正,精度也比较高。但星载相机在轨标定时没有标准靶面可供拍摄,常规的地面标定方法不适用于在轨标定。
综上,针对在轨相机运行环境的特点,迫切需要开发一种利用相机自身所拍摄的星图进行畸变校正的方法。
发明内容
本发明的目的在于:充分利用海量的在轨星图数据,克服现有地面畸变校正技术的不足,提供一种在轨相机畸变校正方法,该方法利用实际拍摄的恒星图像,以星图识别后的角距为参考,通过人工智能的方法建立物像模型的映射关系进行畸变自校正。
本发明的技术解决方案:一种基于在轨海量数据的人工智能畸变自校正方法,其特征在于步骤如下:
(1)原始星图预处理,采用Tophat算法消除背景噪声;
(2)图像分割,通过聚类等算法实现恒星图像和背景图像的分类;
(3)星点提取,通过重心法计算恒星图像的重心坐标,作为由星图获取的实际坐标,求得星图中任意两颗星相对于投影中心的角距,构成网络模型的输入数据;
(4)星图识别,首先,利用地面畸变校正模型对星图进行预校正;然后,通过星图识别算法实现星图识别;
(5)获取恒星的赤经赤纬,星图识别后通过查星表得到恒星的赤经赤纬坐标值和各颗星之间的角距,作为训练网络模型的参考;
6)构建网络模型,由于理想输出结果与输入数据具有相同的维度,根据畸变理论,构建7层全卷积神经网络模型,在每一层网络后添加去相关处理模块保证每一层输出结果之间的独立性,并通过正则化方法增强网络的泛化能力;
7)畸变校正,对由星图中获取的角距数据,采用施密特正交化的方法求取输入数据空间的正交基,用以表示输入数据,去除相关性影响,以星库中星的对应角距为参考,利用海量的在轨数据对网络模型进行训练,确定网络参数,实现畸变自校正。
本发明与现有技术相比的优点在于:本发明充分利用在轨相机拍摄的海量恒星数据,通过人工智能的方法进行畸变自校正,不再使用传统方法对标准靶面成像,通过测点进行畸变参数结算。相对传统方法,本方法将畸变模型以及温度,振动等外界因素都用网络模型来拟合,同时不再单独考虑相机的内外方位参数由于受在轨环境的影响而改变,将星点提取后角距值作为输入参数,以星库中对应的角距值为参考,利用大量星图数据对网络模型进行训练,最后利用训练获得的网络模型处理所拍摄星图自动完成畸变校正。
附图说明
图1为本发明的总体流程图。
图2为本发明的网络示意图。
图3为原始星图。
图4为畸变校正后星图。
具体实施方式
基于在轨恒星数据的人工智能畸变自校正方法流程如图1所示,网络示意图如图2所示,下面以视场角为:15°×15°的在轨相机拍摄的模拟星图3为例,对本发明的实施方式作进一步的详细说明如下:
1.对获取的畸变星图3,采用Tophat算法进行预处理,消除背景噪声,降低误识别率;
2.图像分割,利用聚类方法实现模拟星图3星像点和背景图像的分割,经步骤1处理后,图3中可识别的星数目为198颗;
3.星点提取,通过重心法计算恒星图像的重心坐标,作为由星图获取的实际坐标,并求得识别到的198颗星中任意两颗星相对于投影中心的角距,构成网络模型的输入数据;系列星图可表示如下:
星图:f1(x1,y1) f2(x2,y2) f3(x3,y3) … fn(xn,yn)
探测到的星数量:m1 m2 m3 … mn
角距矩阵:A1 A2 A3 … An
其中,对角线上的0表示某一颗星和自己构成的角距,此处由图3得到198×198的角距矩阵;
4.星图识别,首先,利用地面畸变校正模型对星图进行预校正;然后,通过星图识别算法实现星图识别;
5.星图识别后通过查星表得到恒星的赤经赤纬坐标值和各颗星之间的角距,作为训练网络模型的参考;
星图的星库数据:Γ1(ra1,de1) Γ2(ra2,de2) Γ3(ra3,de3) … Γn(ran,den)星库中对应星:m1 m2 m3 … mn
星库角距矩阵:T1 T2 T3 … Tn
其中:对角线上的0表示某一颗星和自己构成的角距;
6.构建网络模型,实现畸变自校正:首先,根据畸变理论,构建7层全卷积神经网络模型,然后通过施密特正交化方法求取输入数据空间的正交基,这里指由模拟星图3获取的198×198的角距矩阵,将输入数据去相关处理,消除或减小数据相关性对畸变校正结果的影响;然后,将正交基表示的数据输入网络模型进行训练,通过在网络模型的每一层加入去相关模块,防止数据训练过程中由于相关性过强导致训练结果的可靠性减弱;最后,通过正则化方法增强网络的泛化能力防止过拟合。
网络模型:
其中:A(θ′)表示由星图求得的实际角距矩阵;A′(θ′)表示由网络模型训练得到的角距矩阵;随着训练数据集的增大及网络模型的完善输出矩阵A′(θ′)将无限逼近T(θ),图像畸变得以校正。
通过以上方法,将原始星图图3输入网络模型,畸变校正结果如图4所示,星图畸变校正精度可达0.01像元。
Claims (1)
1.一种基于在轨恒星数据的人工智能畸变自校正方法,其特征在于方法步骤如下:
1)原始星图预处理,消除背景噪声;
2)图像分割,采用聚类算法实现恒星图像和背景图像的分类;
3)星点提取,通过重心法计算恒星图像的重心坐标,作为由星图获取的实际坐标,求得星图中任意两颗星相对于投影中心的角距,构成网络模型的输入数据;
4)星图识别,首先,利用地面畸变校正模型对星图进行预校正;然后,通过星图识别算法实现星图识别;
5)获取恒星的赤经赤纬,星图识别后通过查星表得到恒星的赤经赤纬坐标值和各颗星之间的角距,作为训练网络模型的参考;
6)构建网络模型,由于理想输出结果与输入数据具有相同的维度,根据畸变理论,构建7层全卷积神经网络模型,在每一层网络后添加去相关处理模块保证每一层输出结果之间的独立性,并通过正则化方法增强网络的泛化能力;
7)畸变校正,对由星图中获取的角距数据,采用施密特正交化的方法求取输入数据空间的正交基,用以表示输入数据,去除相关性影响,以星库中星的对应角距为参考,利用海量的在轨数据对网络模型进行训练,确定网络参数,实现畸变自校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810091043.3A CN108447024B (zh) | 2018-01-30 | 2018-01-30 | 基于在轨恒星数据的人工智能畸变自校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810091043.3A CN108447024B (zh) | 2018-01-30 | 2018-01-30 | 基于在轨恒星数据的人工智能畸变自校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108447024A true CN108447024A (zh) | 2018-08-24 |
CN108447024B CN108447024B (zh) | 2021-10-01 |
Family
ID=63191353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810091043.3A Active CN108447024B (zh) | 2018-01-30 | 2018-01-30 | 基于在轨恒星数据的人工智能畸变自校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108447024B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109341720A (zh) * | 2018-10-10 | 2019-02-15 | 中国科学院上海技术物理研究所 | 一种基于恒星轨迹的遥感相机几何标定方法 |
US11294759B2 (en) | 2019-12-05 | 2022-04-05 | International Business Machines Corporation | Detection of failure conditions and restoration of deployed models in a computing environment |
CN114792327A (zh) * | 2022-06-23 | 2022-07-26 | 中国科学院空天信息创新研究院 | 图像处理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246590A (zh) * | 2008-03-03 | 2008-08-20 | 北京航空航天大学 | 星载相机空间畸变图像几何校正方法 |
CN103234556A (zh) * | 2013-04-18 | 2013-08-07 | 哈尔滨工业大学 | 基于星光矢量校正的在轨标定星敏感器透镜畸变的方法及卫星姿态确定方法 |
CN103438907A (zh) * | 2013-09-11 | 2013-12-11 | 哈尔滨工业大学 | 一种星敏感器六自由度像平面误差的在轨标定方法 |
CN103821054A (zh) * | 2014-03-12 | 2014-05-28 | 武汉大学 | 基于ins与全站仪组合的轨道几何状态测量系统及方法 |
CN104154912A (zh) * | 2014-07-29 | 2014-11-19 | 中国科学院长春光学精密机械与物理研究所 | 高精度三谱段彩色星敏感器的实现方法 |
CN104729535A (zh) * | 2015-03-17 | 2015-06-24 | 航天东方红卫星有限公司 | 一种基于恒星的空间相机在轨绝对定标方法 |
CN107389098A (zh) * | 2017-08-22 | 2017-11-24 | 长光卫星技术有限公司 | 一种航天器星敏感器安装矩阵在轨标定方法 |
CN104931071B (zh) * | 2015-06-30 | 2017-12-26 | 武汉大学 | 一种基于选权迭代的星敏感器在轨几何定标方法及系统 |
-
2018
- 2018-01-30 CN CN201810091043.3A patent/CN108447024B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246590A (zh) * | 2008-03-03 | 2008-08-20 | 北京航空航天大学 | 星载相机空间畸变图像几何校正方法 |
CN103234556A (zh) * | 2013-04-18 | 2013-08-07 | 哈尔滨工业大学 | 基于星光矢量校正的在轨标定星敏感器透镜畸变的方法及卫星姿态确定方法 |
CN103438907A (zh) * | 2013-09-11 | 2013-12-11 | 哈尔滨工业大学 | 一种星敏感器六自由度像平面误差的在轨标定方法 |
CN103821054A (zh) * | 2014-03-12 | 2014-05-28 | 武汉大学 | 基于ins与全站仪组合的轨道几何状态测量系统及方法 |
CN104154912A (zh) * | 2014-07-29 | 2014-11-19 | 中国科学院长春光学精密机械与物理研究所 | 高精度三谱段彩色星敏感器的实现方法 |
CN104729535A (zh) * | 2015-03-17 | 2015-06-24 | 航天东方红卫星有限公司 | 一种基于恒星的空间相机在轨绝对定标方法 |
CN104931071B (zh) * | 2015-06-30 | 2017-12-26 | 武汉大学 | 一种基于选权迭代的星敏感器在轨几何定标方法及系统 |
CN107389098A (zh) * | 2017-08-22 | 2017-11-24 | 长光卫星技术有限公司 | 一种航天器星敏感器安装矩阵在轨标定方法 |
Non-Patent Citations (5)
Title |
---|
JUNFENG XIE等: "On-orbit calibration of domestic APS star tracker", 《2014 THIRD INTERNATIONAL WORKSHOP ON EARTH OBSERVATION AND REMOTE SENSING APPLICATIONS (EORSA)》 * |
SHUANG WANG等: "A Novel Error Model of Optical Systems and an On-Orbit Calibration Method for Star Sensors", 《SENSORS》 * |
刘源等: "基于机器学习的大视场星敏感器畸变在轨标定技术", 《红外与激光工程》 * |
张淳等: "基于星图匹配的小视场空间图像畸变校正", 《北京航空航天大学学报》 * |
谢俊峰等: "一种改进的恒星相机在轨检校方法", 《测绘科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109341720A (zh) * | 2018-10-10 | 2019-02-15 | 中国科学院上海技术物理研究所 | 一种基于恒星轨迹的遥感相机几何标定方法 |
US11294759B2 (en) | 2019-12-05 | 2022-04-05 | International Business Machines Corporation | Detection of failure conditions and restoration of deployed models in a computing environment |
CN114792327A (zh) * | 2022-06-23 | 2022-07-26 | 中国科学院空天信息创新研究院 | 图像处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108447024B (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969668B (zh) | 一种长焦双目相机的立体标定算法 | |
CN106403902B (zh) | 一种星地协同的光学卫星在轨实时几何定位方法及系统 | |
CN109489620B (zh) | 一种单目视觉测距方法 | |
CN103345737B (zh) | 一种基于误差补偿的uav高分辨率影像几何校正方法 | |
CN109708649B (zh) | 一种遥感卫星的姿态确定方法及系统 | |
CN108986037A (zh) | 基于半直接法的单目视觉里程计定位方法及定位系统 | |
CN108447024A (zh) | 基于在轨恒星数据的人工智能畸变自校正方法 | |
CN106873004B (zh) | 基于太阳高度角自适应的高轨面阵相机在轨几何检校方法 | |
CN105678742A (zh) | 一种水下相机标定方法 | |
CN111709985B (zh) | 一种基于双目视觉的水下目标测距方法 | |
CN111537003A (zh) | 一种基于折射面共线的星光大气折射测量校正方法 | |
CN106971408A (zh) | 一种基于时空转换思想的摄像机标定方法 | |
CN109341720A (zh) | 一种基于恒星轨迹的遥感相机几何标定方法 | |
CN109974618B (zh) | 多传感器视觉测量系统的全局标定方法 | |
CN112950719B (zh) | 一种基于无人机主动式光电平台的无源目标快速定位方法 | |
CN108398123A (zh) | 一种全站仪及其度盘标定方法 | |
CN110880191A (zh) | 基于直方图均衡化的红外立体相机动态外参计算方法 | |
CN108225276B (zh) | 一种单星成像目标运动特性反演方法及系统 | |
CN107588785A (zh) | 一种考虑像点误差的星敏感器内外参数简化标定方法 | |
CN117253029A (zh) | 基于深度学习的图像匹配定位方法及计算机设备 | |
CN105547286B (zh) | 一种复合三视场星敏感器星图模拟方法 | |
CN110660099B (zh) | 基于神经网络的遥感影像处理的有理函数模型拟合方法 | |
CN108109118B (zh) | 一种无控制点的航拍图像几何校正方法 | |
CN107256563B (zh) | 基于差异液位图像序列的水下三维重建系统及其方法 | |
CN110046430A (zh) | 基于椭球分层大气折射的光学卫星影像精确对地定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |