CN108447024A - 基于在轨恒星数据的人工智能畸变自校正方法 - Google Patents

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

基于在轨恒星数据的人工智能畸变自校正方法

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) … f_n(x_n,y_n)

探测到的星数量：m₁ m₂ m₃ … m_n

角距矩阵：A₁ A₂ A₃ … A_n

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) … Γ_n(ra_n,de_n)星库中对应星：m₁ m₂ m₃ … m_n

星库角距矩阵：T₁ T₂ T₃ … T_n

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。