CN109238268A - 不规则小天体导航形心的最优外接椭圆提取方法 - Google Patents

不规则小天体导航形心的最优外接椭圆提取方法 Download PDF

Info

Publication number
CN109238268A
CN109238268A CN201810860827.8A CN201810860827A CN109238268A CN 109238268 A CN109238268 A CN 109238268A CN 201810860827 A CN201810860827 A CN 201810860827A CN 109238268 A CN109238268 A CN 109238268A
Authority
CN
China
Prior art keywords
image
small feature
feature loss
point
centroid
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.)
Pending
Application number
CN201810860827.8A
Other languages
English (en)
Inventor
崔平远
贾贺
朱圣英
刘阳
于正湜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201810860827.8A priority Critical patent/CN109238268A/zh
Publication of CN109238268A publication Critical patent/CN109238268A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/02—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by astronomical means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations

Abstract

本发明公开的不规则小天体导航形心的最优外接椭圆提取方法，属于深空探测技术领域。本发明实现方法如下：对原始不规则小天体图像进行预处理，得到既去除噪声又能保护图像边缘的校正后的图像；通过坎尼Canny边缘检测方法提取图像中目标小天体边缘轮廓；根据图像中提取的目标小天体边缘轮廓，计算所述边缘轮廓的凸包；计算凸包的最小外接椭圆，提取凸包最小外接椭圆的形心，得到目标小天体的形心；利用得到的目标小天体形心，得到导航视线信息，应用于小天体探测中的自主导航，提高小天体接近探测导航精度和效率，解决小天体探测中的自主导航领域相关技术问题。此外，本发明受光照和小天体自旋影响小，能够实现目标小天体形心的快速精确提取。

Description

不规则小天体导航形心的最优外接椭圆提取方法
技术领域
本发明涉及不规则小天体导航形心提取方法，属于深空探测技术领域。
背景技术
小天体探测是人类了解宇宙和太阳系的形成和演化、探索生命起源的主要途径。由于小天体距离地球遥远，采取地面站测控通信的传统导航方式具有较大的通信时延，难以满足小天体探测任务实时性和精度的要求，因此，自主导航技术成为小天体探测的主要导航方式。
光学导航凭借自主性强、精度高等优点，在小天体接近段自主导航方面已经有了广泛应用。小天体接近探测任务中，一般采用光学导航相机测量目标小天体形心视线信息的自主导航方案，通过光学导航相机获取小天体的灰度图像、星载图像处理软件完成对小天体形心的检测和跟踪。因此高精度的形心提取方法至关重要，其提取精度直接影响自主导航系统的估计精度。
针对不规则小天体目标，由于其边缘不规则，所以无法直接采用最小二乘椭圆拟合的方法实现形心提取。传统区域中心提取方法基于矩算法提取目标小天体的亮心，然后通过亮心坐标近似小天体形心坐标，进而完成对小天体形心视线方向的提取。由于小天体亮心受太阳光照和小天体自旋影响很大，因此小天体亮心和形心存在较大偏差，最终导致视线信息提取误差。
发明内容
针对小天体接近段相机拍摄小天体的图像不规则的特点，本发明公开的不规则小天体导航形心的最优外接椭圆提取方法要解决的技术问题是：避免传统区域中心提取算法中亮心和形心之间的偏差，提高不规则小天体导航形心视线信息的提取精度，此外，本发明的方法受光照和小天体自旋影响小，能够实现目标小天体形心的快速精确提取。本发明小天体接近探测导航信息获取提供技术支持，提高小天体接近探测导航精度和效率，解决相关技术问题。
本发明目的是通过下述技术方案实现的。
本发明公开的不规则小天体导航形心的最优外接椭圆提取方法，对原始不规则小天体图像进行预处理，得到既去除噪声又能保护图像边缘的校正后的图像；通过坎尼Canny边缘检测方法提取图像中目标小天体边缘轮廓；根据图像中提取的目标小天体边缘轮廓，计算所述边缘轮廓的凸包；计算凸包的最小外接椭圆，提取凸包最小外接椭圆的形心，得到目标小天体的形心；利用得到的目标小天体形心，得到导航视线信息，将导航视线信息应用于小天体探测中的自主导航，提高小天体接近探测导航精度和效率，解决小天体探测中的自主导航领域相关技术问题。
本发明公开的不规则小天体导航形心的最优外接椭圆提取方法，包括如下步骤：
步骤1：对原始不规则小天体图像进行预处理，通过图像滤波得到既去除噪声又能保护图像的边缘的图像，通过图像校正对相机拍摄产生的图像畸变进行校正，得到校正后的图像。
对目标原始不规则小天体图像进行预处理，所述预处理包括图像滤波、图像校正，通过图像滤波得到既去除噪声又能保护图像的边缘，从而获得达到预设阈值的复原效果。
深空相机由于受到温度、辐射等外界干扰，会产生形变，因此要对相机的焦距以及径向畸变进行修正，因此采用几何校正对原始不规则小天体图像进行修复。任务中的相机两个轴向的校正表示如公式(1)所示形式。
其中，z轴为相机光轴，x，y分别是相机像平面上的两轴，xoff和yoff分别代表相机像平面上的像素偏移量，a，b分别代表像素的常值偏移和修正系数，通过拍摄的小天体结合星图信息进行确定，Tc表示摄像机的拍照时的温度。
探测器在轨道机动时，燃料燃烧后的产物可能会在镜头上留下污染物，对相机成像造成一定的影响，需要对污染后的图像进行校正，即实现通过图像校正对相机拍摄产生的图像畸变进行校正。沉淀物污染的图像在频域中表示如公式(2)所示形式。
F＝I·(H+η) (2)
其中，F是污染后的图像，I是原始不规则小天体图像，H是点扩散函数(PSF)，η是图像噪声。应用最优滤波器可得恢复后的图像为：
I＝F·||H||2/[H(||H||2+K)] (3)
由于中值滤波对于滤除图像的椒盐噪声非常有效，步骤1中图像滤波方法优选中值滤波。
步骤1中图像校正方法优选光散度校正方法。
步骤2：通过坎尼Canny边缘检测方法提取图像中目标小天体边缘轮廓。
对预处理之后的小天体图像进行边缘提取，考虑坎尼Canny边缘检测具有提取速度快的特点，采用坎尼Canny边缘检测的方式进行边缘提取图像中目标小天体边缘轮廓。具体步骤如下：
步骤2.1：对步骤1中校正后的图像进行高斯滤波，得到滤波平滑后的图像。
图像高斯滤波的实现通过二维高斯核一次卷积实现，标准差为σ的高斯核函数如式(4)所示。
其中i,j代表像素坐标。滤波平滑后的图像如式(5)所示。
S(i,j)＝K*I(i,j) (5)
其中*代表卷积运算。I(i,j)代表像素坐标在(i,j)处的灰度值。
步骤2.2：计算步骤2.1滤波平滑后的图像梯度的幅值和方向。
关于图像灰度值得梯度使用一阶有限差分来进行近似，得图像在x和y方向上偏导数的两个矩阵。其中x,y方向的一阶偏导数矩阵如式(6)所示，梯度幅值以及梯度方向如式(7)所示。
步骤2.3：对步骤2.2计算的梯度幅值进行非极大值抑制。
找到步骤2.2计算的梯度数据中的最高点，验证其是否为梯度方向的峰值，如果验证最高点是梯度方向的峰值，所述峰值即为寻找的像素点局部最大值，将非极大值点所对应的梯度大小M[i,j]置为0。
步骤2.4：检测和连接目标小天体在图像中的边缘，得到提取图像中目标小天体边缘轮廓。
采用双阈值分割算法对边缘进行检测和剔除，然后连接目标小天体在图像中的边缘。选择高阈值TH和低阈值TL。遍历整个图像来检测被标记为候选边缘的所有像素点。如果像素点(i,j)的梯度幅值P(i,j)大于高阈值TH，则确定该点为边缘点；当像素点(i,j)的梯度幅度P(i,j)小于低阈值TL时，则确定该点不是边缘点；如果像素点梯度幅值介于低阈值TL和高阈值TH之间，则认为介于低阈值TL和高阈值TH之间的像素点是疑似的边缘点，此时检查疑似的边缘点的连通性。如果疑似的边缘点的相邻像素存在边缘像素，则疑似的边缘点被认为是边缘像素，否则，疑似的边缘点是非边缘像素。最后连接所有边缘点，得到提取图像中目标小天体边缘轮廓。
步骤3：根据步骤2提取的图像中目标小天体边缘轮廓，计算所述边缘轮廓的凸包。
凸包是指覆盖平面坐标系内若干点的面积最小的凸多边形，根据步骤2提取的图像中目标小天体边缘轮廓，采用格雷厄姆扫描Graham-Scan算法进行小天体图像边缘的凸包计算，具体步骤如下：
步骤3.1：考虑所有图像坐标系中的边缘点，边缘轮廓中纵坐标最小的点一定是凸包上的点，定义为P0。
步骤3.2：将所有边缘点坐标进行平移，使P0作为原点。
步骤3.3：计算除P0外其余各点相对于P0的幅角αi，按从小到大的顺序对各点进行排序。当幅角相同时，距离P0较近的点排在前面。得到序列 D＝{P0,P1,P2,…,Pn-1,Pn}。将点P0和P1堆栈。
步骤3.4：考虑当前点Pi，连接P0和栈顶点Pm，得到直线L。判断当前点Pi是在直线L的右侧还是左侧。如果在直线右侧则执行步骤3.5；如果在直线上，或者在直线的左侧就执行步骤3.6。
步骤3.5：如果在右侧，则栈顶点Pm不是凸包上的点，把栈顶Pm出栈。执行步骤3.4。
步骤3.6：当前点Pi是凸包上的点，将Pi堆入栈，执行步骤3.7。
步骤3.7：判断当前的点Pi是不是序列D中的最后一个元素。如果是最后一个元素则结束。否则，令Pi+1为当前点，返回步骤3.4。
步骤3.8：重复步骤3.7至3.8，即遍历目标小天体边缘轮廓的边缘点，连接遍历之后的所有凸包上的点，得到小天体边缘轮廓的凸包。
步骤4：计算步骤3中凸包的最小外接椭圆。
根据步骤3中得到的小天体凸包，利用哈奇扬Khachiyan算法计算凸包顶点的最小外接椭圆。
椭圆方程如公式(8)所示。
根据步骤3中求解的凸包顶点，从中任意选取5个点来确定椭圆，椭圆将凸包顶点分为两部分。
最小外接椭圆的特征点只能存在于中，所以从中选取最大值点用最大值点来代替之前选取的5个点中的任意1个点，重新代入公式(8)，直至满足公式(10)。
则通过满足公式(10)的5个点所求取的椭圆即为所求凸包顶点的最小外接椭圆。
步骤5：提取凸包的最小外接椭圆形心，得到目标小天体的形心。
根据步骤4中得到的最小外接椭圆，计算目标椭圆的形心，得到目标小天体的形心。具体步骤如下：
椭圆方程如公式(8)所示。
椭圆中心坐标写成如公式(11)所示形式，椭圆中心即为目标小天体形心。
至此，得到目标小天体的形心。
步骤6：利用步骤5得到的目标小天体形心，得到导航视线信息，将导航视线信息应用于小天体探测中的自主导航，提高小天体接近探测导航精度和效率，解决小天体探测中的自主导航领域相关技术问题。
有益效果：
1、针对小天体接近段相机拍摄小天体的图像不规则的特点，本发明公开的不规则小天体导航形心的最优外接椭圆提取方法，基于最小外接椭圆提取不规则小天体导航形心，通过求解目标小天体凸包的最小外接椭圆，避免传统区域中心提取算法中亮心和形心之间的偏差，进而提高提高小天体接近探测导航精度。
2、本发明公开的不规则小天体导航形心的最优外接椭圆提取方法，基于目标小天体成像中的几何特征进行处理，不需要提前获取小天体形状模型，所以受光照和小天体自旋影响小，进而进一步提高不规则小天体形心提取精度，且能够提高不规则小天体导航形心提取效率，进而提高小天体接近探测导航效率；由于本方法受光照影响小，因此能够适应不同光照条件，使用范围广。
3、本发明公开的不规则小天体导航形心的最优外接椭圆提取方法，利用得到的目标小天体形心，得到导航视线信息。将导航视线信息应用于小天体探测中的自主导航，提高小天体接近探测导航精度和效率，解决小天体探测中的自主导航领域相关技术问题。
附图说明
图1为本发明公开的不规则小天体导航形心的最优外接椭圆提取方法的流程图；
图2为小天体接近段原始不规则小天体图像；
图3为具体实施例中小天体边缘提取结果；
图4为具体实施例中小天体凸包计算结果；
图5为具体实施例中小天体最小外接椭圆和形心提取结果。
具体实施方式
为了更好的说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。
实施例1：
本实例针对小天体接近段，对拍摄到的目标小天体图像进行实时处理，得到目标小天体精确形心位置。其中相机分辨率为1024×1024，相机视场角为100。 x和y方向上的常值偏移和修正系数分别为ax＝1.29×10-3,bx＝0.05×10-3， ay＝0.679×10-3,by＝0.02×10-3，高斯核函数的标准差为σ＝0.3。
本实例的具体实施方法如下：
步骤1：对原始不规则小天体图像进行预处理，通过图像滤波得到既去除噪声又能保护图像的边缘的图像，通过图像校正对相机拍摄产生的图像畸变进行校正，得到校正后的图像。
对目标原始不规则小天体图像进行预处理，所述预处理包括图像滤波、图像校正，通过图像滤波得到既去除噪声又能保护图像的边缘，从而获得达到预设阈值的复原效果。
深空相机由于受到温度、辐射等外界干扰，会产生形变，因此要对相机的焦距以及径向畸变进行修正，因此采用几何校正对原始不规则小天体图像进行修复。任务中的相机两个轴向的校正表示如公式(1)所示形式。
其中，z轴为相机光轴，x，y分别是相机像平面上的两轴，xoff和yoff分别代表相机像平面上的像素偏移量，a，b分别代表像素的常值偏移和修正系数，通过拍摄的小天体结合星图信息进行确定，Tc表示摄像机的拍照时的温度。
探测器在轨道机动时，燃料燃烧后的产物可能会在镜头上留下污染物，对相机成像造成一定的影响，需要对污染后的图像进行校正，即实现通过图像校正对相机拍摄产生的图像畸变进行校正。沉淀物污染的图像在频域中表示如公式(2)所示形式。
F＝I·(H+η) (2)
其中，F是污染后的图像，I是原始不规则小天体图像，H是点扩散函数(PSF)，η是图像噪声。应用最优滤波器可得恢复后的图像为：
I＝F·||H||2/[H(||H||2+K)] (3)
由于中值滤波对于滤除图像的椒盐噪声非常有效，步骤1中图像滤波方法优选中值滤波。
步骤1中图像校正方法优选光散度校正方法。
步骤2：通过坎尼Canny边缘检测方法提取图像中目标小天体边缘轮廓。
对预处理之后的小天体图像进行边缘提取，考虑坎尼Canny边缘检测具有提取速度快的特点，采用坎尼Canny边缘检测的方式进行边缘提取图像中目标小天体边缘轮廓。具体步骤如下：
步骤2.1：对步骤1中校正后的图像进行高斯滤波，得到滤波平滑后的图像。
图像高斯滤波的实现通过二维高斯核一次卷积实现，标准差为σ的高斯核函数如式(4)所示。
其中i,j代表像素坐标。滤波平滑后的图像如式(5)所示。
S(i,j)＝K*I(i,j) (5)
其中*代表卷积运算。I(i,j)代表像素坐标在(i,j)处的灰度值。
步骤2.2：计算步骤2.1滤波平滑后的图像梯度的幅值和方向。
关于图像灰度值得梯度使用一阶有限差分来进行近似，得图像在x和y方向上偏导数的两个矩阵。其中x,y方向的一阶偏导数矩阵如式(6)所示，梯度幅值以及梯度方向如式(7)所示。
步骤2.3：对步骤2.2计算的梯度幅值进行非极大值抑制。
找到步骤2.2计算的梯度数据中的最高点，验证其是否为梯度方向的峰值，如果验证最高点是梯度方向的峰值，所述峰值即为寻找的像素点局部最大值，将非极大值点所对应的梯度大小M[i,j]置为0。
步骤2.4：检测和连接目标小天体在图像中的边缘，得到提取图像中目标小天体边缘轮廓。
采用双阈值分割算法对边缘进行检测和剔除，然后连接目标小天体在图像中的边缘。选择高阈值TH和低阈值TL。遍历整个图像来检测被标记为候选边缘的所有像素点。如果像素点(i,j)的梯度幅值P(i,j)大于高阈值TH，则确定该点为边缘点；当像素点(i,j)的梯度幅度P(i,j)小于低阈值TL时，则确定该点不是边缘点；如果像素点梯度幅值介于低阈值TL和高阈值TH之间，则认为介于低阈值TL和高阈值TH之间的像素点是疑似的边缘点，此时检查疑似的边缘点的连通性。如果疑似的边缘点的相邻像素存在边缘像素，则疑似的边缘点被认为是边缘像素，否则，疑似的边缘点是非边缘像素。最后连接所有边缘点，得到提取图像中目标小天体边缘轮廓。
步骤3：根据步骤2提取的图像中目标小天体边缘轮廓，计算所述边缘轮廓的凸包。
凸包是指覆盖平面坐标系内若干点的面积最小的凸多边形，根据步骤2提取的图像中目标小天体边缘轮廓，采用格雷厄姆扫描Graham-Scan算法进行小天体图像边缘的凸包计算，具体步骤如下：
步骤3.1：考虑所有图像坐标系中的边缘点，边缘轮廓中纵坐标最小的点一定是凸包上的点，定义为P0。
步骤3.2：将所有边缘点坐标进行平移，使P0作为原点。
步骤3.3：计算除P0外其余各点相对于P0的幅角αi，按从小到大的顺序对各点进行排序。当幅角相同时，距离P0较近的点排在前面。得到序列 D＝{P0,P1,P2,…,Pn-1,Pn}。将点P0和P1堆栈。
步骤3.4：考虑当前点Pi，连接P0和栈顶点Pm，得到直线L。判断当前点Pi是在直线L的右侧还是左侧。如果在直线右侧则执行步骤3.5；如果在直线上，或者在直线的左侧就执行步骤3.6。
步骤3.5：如果在右侧，则栈顶点Pm不是凸包上的点，把栈顶Pm出栈。执行步骤3.4。
步骤3.6：当前点Pi是凸包上的点，将Pi堆入栈，执行步骤3.7。
步骤3.7：判断当前的点Pi是不是序列D中的最后一个元素。如果是最后一个元素则结束。否则，令Pi+1为当前点，返回步骤3.4。
步骤3.8：重复步骤3.7至3.8，即遍历目标小天体边缘轮廓的边缘点，连接遍历之后的所有凸包上的点，得到小天体边缘轮廓的凸包。
步骤4：计算步骤3中凸包的最小外接椭圆。
根据步骤3中得到的小天体凸包，利用哈奇扬Khachiyan算法计算凸包顶点的最小外接椭圆。
椭圆方程如公式(8)所示。
根据步骤3中求解的凸包顶点，从中任意选取5个点来确定椭圆，椭圆将凸包顶点分为两部分。
最小外接椭圆的特征点只能存在于中，所以从中选取最大值点用最大值点来代替之前选取的5个点中的任意1个点，重新代入公式(8)，直至满足公式(10)。
则通过满足公式(10)的5个点所求取的椭圆即为所求凸包顶点的最小外接椭圆。
步骤5：提取凸包的最小外接椭圆形心，得到目标小天体的形心。
根据步骤4中得到的最小外接椭圆，计算目标椭圆的形心，得到目标小天体的形心。具体步骤如下：
椭圆方程如公式(8)所示。
椭圆中心坐标写成如公式(11)所示形式，椭圆中心即为目标小天体形心。
至此，得到目标小天体的形心。
步骤6：利用步骤5得到的目标小天体形心，得到导航视线信息，将导航视线信息应用于小天体探测中的自主导航，提高小天体接近探测导航精度和效率，解决小天体探测中的自主导航领域相关技术问题。
对不规则天体形心提取方法进行仿真验证，仿真结果分别如图2、图3、图 4和图5所示。图2为小天体接近段原始不规则小天体图像。图3为具体实施例中小天体边缘提取结果。图4为具体实施例中小天体凸包计算结果。图5为具体实施例中小天体最小外接椭圆和形心提取结果。白色“*”代表小天体形心真实位置，白色“×”代表区域中心提取算法得到的小天体形心位置，白色“+”代表本发明方法提取的小天体形心位置。从仿真结果可以看出，相比于采用区域中心提取的方法提取形心，本发明提出的提取方法能够解决形心向亮心偏移的问题，有效地能够提升不规则天体的形心提取精度。
本发明保护范围不仅局限于实施例，实施例用于解释本发明，凡与本发明在相同原理和构思条件下的变更或修改均在本发明公开的保护范围之内。

Claims (8)

1.不规则小天体导航形心的最优外接椭圆提取方法，其特征在于：包括如下步骤，
步骤1：对原始不规则小天体图像进行预处理，通过图像滤波得到既去除噪声又能保护图像的边缘的图像，通过图像校正对相机拍摄产生的图像畸变进行校正，得到校正后的图像；
步骤2：通过坎尼Canny边缘检测方法提取图像中目标小天体边缘轮廓；
对预处理之后的小天体图像进行边缘提取，考虑坎尼Canny边缘检测具有提取速度快的特点，采用坎尼Canny边缘检测的方式进行边缘提取图像中目标小天体边缘轮廓；
步骤3：根据步骤2提取的图像中目标小天体边缘轮廓，计算所述边缘轮廓的凸包；
步骤4：计算步骤3中凸包的最小外接椭圆；
步骤5：提取凸包的最小外接椭圆形心，得到目标小天体的形心。
2.如权利要求1所述的不规则小天体导航形心的最优外接椭圆提取方法，其特征在于：还包括步骤6：利用步骤5得到的目标小天体形心，得到导航视线信息，将导航视线信息应用于小天体探测中的自主导航，提高小天体接近探测导航精度和效率，解决小天体探测中的自主导航领域相关技术问题。
3.如权利要求1或2所述的不规则小天体导航形心的最优外接椭圆提取方法，其特征在于：步骤1具体实现方法为，
对目标原始不规则小天体图像进行预处理，所述预处理包括图像滤波、图像校正，通过图像滤波得到既去除噪声又能保护图像的边缘，从而获得达到预设阈值的复原效果；
深空相机由于受到温度、辐射等外界干扰，会产生形变，因此要对相机的焦距以及径向畸变进行修正，因此采用几何校正对原始不规则小天体图像进行修复；任务中的相机两个轴向的校正表示如公式(1)所示形式；
其中，z轴为相机光轴，x，y分别是相机像平面上的两轴，xoff和yoff分别代表相机像平面上的像素偏移量，a，b分别代表像素的常值偏移和修正系数，通过拍摄的小天体结合星图信息进行确定，Tc表示摄像机的拍照时的温度；
探测器在轨道机动时，燃料燃烧后的产物可能会在镜头上留下污染物，对相机成像造成一定的影响，需要对污染后的图像进行校正，即实现通过图像校正对相机拍摄产生的图像畸变进行校正；沉淀物污染的图像在频域中表示如公式(2)所示形式；
F＝I·(H+η) (2)
其中，F是污染后的图像，I是原始不规则小天体图像，H是点扩散函数(PSF)，η是图像噪声；应用最优滤波器可得恢复后的图像为：
I＝F·||H||2/[H(||H||2+K)] (3)。
4.如权利要求3所述的不规则小天体导航形心的最优外接椭圆提取方法，其特征在于：步骤2具体实现方法为，
步骤2.1：对步骤1中校正后的图像进行高斯滤波，得到滤波平滑后的图像；
图像高斯滤波的实现通过二维高斯核一次卷积实现，标准差为σ的高斯核函数如式(4)所示；
其中i,j代表像素坐标；滤波平滑后的图像如式(5)所示；
S(i,j)＝K*I(i,j) (5)
其中*代表卷积运算；I(i,j)代表像素坐标在(i,j)处的灰度值；
步骤2.2：计算步骤2.1滤波平滑后的图像梯度的幅值和方向；
关于图像灰度值得梯度使用一阶有限差分来进行近似，得图像在x和y方向上偏导数的两个矩阵；其中x,y方向的一阶偏导数矩阵如式(6)所示，梯度幅值以及梯度方向如式(7)所示；
步骤2.3：对步骤2.2计算的梯度幅值进行非极大值抑制；
找到步骤2.2计算的梯度数据中的最高点，验证其是否为梯度方向的峰值，如果验证最高点是梯度方向的峰值，所述峰值即为寻找的像素点局部最大值，将非极大值点所对应的梯度大小M[i,j]置为0；
步骤2.4：检测和连接目标小天体在图像中的边缘，得到提取图像中目标小天体边缘轮廓；
采用双阈值分割算法对边缘进行检测和剔除，然后连接目标小天体在图像中的边缘；选择高阈值TH和低阈值TL；遍历整个图像来检测被标记为候选边缘的所有像素点；如果像素点(i,j)的梯度幅值P(i,j)大于高阈值TH，则确定该点为边缘点；当像素点(i,j)的梯度幅度P(i,j)小于低阈值TL时，则确定该点不是边缘点；如果像素点梯度幅值介于低阈值TL和高阈值TH之间，则认为介于低阈值TL和高阈值TH之间的像素点是疑似的边缘点，此时检查疑似的边缘点的连通性；如果疑似边缘点的相邻像素存在边缘像素，则疑似的边缘点被认为是边缘像素，否则，疑似的边缘点是非边缘像素；最后连接所有边缘点，得到提取图像中目标小天体边缘轮廓。
5.如权利要求4所述的不规则小天体导航形心的最优外接椭圆提取方法，其特征在于：步骤3所述凸包是指覆盖平面坐标系内若干点的面积最小的凸多边形，根据步骤2提取的图像中目标小天体边缘轮廓，采用格雷厄姆扫描Graham-Scan算法进行小天体图像边缘的凸包计算，步骤3具体实现步骤如下，
步骤3.1：考虑所有图像坐标系中的边缘点，边缘轮廓中纵坐标最小的点一定是凸包上的点，定义为P0；
步骤3.2：将所有边缘点坐标进行平移，使P0作为原点；
步骤3.3：计算除P0外其余各点相对于P0的幅角αi，按从小到大的顺序对各点进行排序；当幅角相同时，距离P0较近的点排在前面；得到序列D＝{P0,P1,P2,…,Pn-1,Pn}；将点P0和P1堆栈；
步骤3.4：考虑当前点Pi，连接P0和栈顶点Pm，得到直线L；判断当前点Pi是在直线L的右侧还是左侧；如果在直线右侧则执行步骤3.5；如果在直线上，或者在直线的左侧就执行步骤3.6；
步骤3.5：如果在右侧，则栈顶点Pm不是凸包上的点，把栈顶Pm出栈；执行步骤3.4；
步骤3.6：当前点Pi是凸包上的点，将Pi堆入栈，执行步骤3.7；
步骤3.7：判断当前的点Pi是不是序列D中的最后一个元素；如果是最后一个元素则结束；否则，令Pi+1为当前点，返回步骤3.4；
步骤3.8：重复步骤3.7至3.8，即遍历目标小天体边缘轮廓的边缘点，连接遍历之后的所有凸包上的点，得到小天体边缘轮廓的凸包。
6.如权利要求5所述的不规则小天体导航形心的最优外接椭圆提取方法，其特征在于：步骤4具体实现方法如下，
根据步骤3中得到的小天体凸包，利用哈奇扬Khachiyan算法计算凸包顶点的最小外接椭圆；
椭圆方程如公式(8)所示；
根据步骤3中求解的凸包顶点，从中任意选取5个点来确定椭圆，椭圆将凸包顶点分为两部分；
最小外接椭圆的特征点只能存在于中，所以从中选取最大值点用最大值点来代替之前选取的5个点中的任意1个点，重新代入公式(8)，直至满足公式(10)；
则通过满足公式(10)的5个点所求取的椭圆即为所求凸包顶点的最小外接椭圆。
7.如权利要求6所述的不规则小天体导航形心的最优外接椭圆提取方法，其特征在于：步骤5具体实现方法如下，
根据步骤4中得到的最小外接椭圆，计算目标椭圆的形心，得到目标小天体的形心；具体步骤如下：
椭圆方程如公式(8)所示；
椭圆中心坐标写成如公式(11)所示形式，椭圆中心即为目标小天体形心；
至此，得到目标小天体的形心。
8.如权利要求7所述的不规则小天体导航形心的最优外接椭圆提取方法，其特征在于：由于中值滤波对于滤除图像的椒盐噪声非常有效，步骤1中图像滤波方法选中值滤波；
步骤1中图像校正方法选光散度校正方法。
CN201810860827.8A 2018-08-01 2018-08-01 不规则小天体导航形心的最优外接椭圆提取方法 Pending CN109238268A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810860827.8A CN109238268A (zh) 2018-08-01 2018-08-01 不规则小天体导航形心的最优外接椭圆提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810860827.8A CN109238268A (zh) 2018-08-01 2018-08-01 不规则小天体导航形心的最优外接椭圆提取方法

Publications (1)

Publication Number Publication Date
CN109238268A true CN109238268A (zh) 2019-01-18

Family

ID=65073352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810860827.8A Pending CN109238268A (zh) 2018-08-01 2018-08-01 不规则小天体导航形心的最优外接椭圆提取方法

Country Status (1)

Country Link
CN (1) CN109238268A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110440792A (zh) * 2019-07-19 2019-11-12 北京理工大学 基于小天体不规则度的导航信息提取方法
CN111209908A (zh) * 2019-12-31 2020-05-29 深圳奇迹智慧网络有限公司 更新标注框的方法、装置、存储介质和计算机设备
CN111383239A (zh) * 2020-02-24 2020-07-07 上海航天控制技术研究所 基于迭代搜索的火星图像误边缘剔除及轮廓精确拟合方法
CN111735460A (zh) * 2020-08-05 2020-10-02 北京控制与电子技术研究所 基于小天体中心提取的航天器导航方法、系统及装置
CN111739049A (zh) * 2020-08-05 2020-10-02 北京控制与电子技术研究所 基于图像的航天器导航方法、系统和图像边缘点提取方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100780464B1 (ko) * 2006-12-22 2007-11-28 한국항공우주연구원 별센서에서의 별 중심찾기 방법
CN104574335A (zh) * 2015-01-14 2015-04-29 西安电子科技大学 一种基于显著图和兴趣点凸包的红外与可见光图像融合方法
CN104700421A (zh) * 2015-03-27 2015-06-10 中国科学院光电技术研究所 一种基于canny的自适应阈值的边缘检测算法
CN105547287A (zh) * 2016-01-22 2016-05-04 北京理工大学 一种不规则天体导航视线信息提取方法
CN106204544A (zh) * 2016-06-29 2016-12-07 南京中观软件技术有限公司 一种自动提取图像中标志点位置及轮廓的方法和系统
CN106353032A (zh) * 2015-10-10 2017-01-25 北京控制与电子技术研究所 一种欠光照条件下的天体形心快速检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100780464B1 (ko) * 2006-12-22 2007-11-28 한국항공우주연구원 별센서에서의 별 중심찾기 방법
CN104574335A (zh) * 2015-01-14 2015-04-29 西安电子科技大学 一种基于显著图和兴趣点凸包的红外与可见光图像融合方法
CN104700421A (zh) * 2015-03-27 2015-06-10 中国科学院光电技术研究所 一种基于canny的自适应阈值的边缘检测算法
CN106353032A (zh) * 2015-10-10 2017-01-25 北京控制与电子技术研究所 一种欠光照条件下的天体形心快速检测方法
CN105547287A (zh) * 2016-01-22 2016-05-04 北京理工大学 一种不规则天体导航视线信息提取方法
CN106204544A (zh) * 2016-06-29 2016-12-07 南京中观软件技术有限公司 一种自动提取图像中标志点位置及轮廓的方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邵巍: "基于图像信息的小天体参数估计及探测器自主导航研究", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110440792A (zh) * 2019-07-19 2019-11-12 北京理工大学 基于小天体不规则度的导航信息提取方法
CN110440792B (zh) * 2019-07-19 2021-02-02 北京理工大学 基于小天体不规则度的导航信息提取方法
CN111209908A (zh) * 2019-12-31 2020-05-29 深圳奇迹智慧网络有限公司 更新标注框的方法、装置、存储介质和计算机设备
CN111383239A (zh) * 2020-02-24 2020-07-07 上海航天控制技术研究所 基于迭代搜索的火星图像误边缘剔除及轮廓精确拟合方法
CN111383239B (zh) * 2020-02-24 2022-06-03 上海航天控制技术研究所 基于迭代搜索的火星图像误边缘剔除及轮廓精确拟合方法
CN111735460A (zh) * 2020-08-05 2020-10-02 北京控制与电子技术研究所 基于小天体中心提取的航天器导航方法、系统及装置
CN111739049A (zh) * 2020-08-05 2020-10-02 北京控制与电子技术研究所 基于图像的航天器导航方法、系统和图像边缘点提取方法
CN111739049B (zh) * 2020-08-05 2020-12-01 北京控制与电子技术研究所 基于图像的航天器导航方法、系统和图像边缘点提取方法

Similar Documents

Publication Publication Date Title
CN109238268A (zh) 不规则小天体导航形心的最优外接椭圆提取方法
CN109740665B (zh) 基于专家知识约束的遮挡图像船只目标检测方法及系统
Pizarro et al. Toward large-area mosaicing for underwater scientific applications
CN111063021A (zh) 一种空间运动目标的三维重建模型建立方法及装置
CN105957058B (zh) 一种星图的预处理方法
CN103578088B (zh) 一种星空图像处理方法
CN105303615A (zh) 一种图像二维拼接与三维表面重建的组合方法
CN107679537A (zh) 一种基于轮廓点orb特征匹配的无纹理空间目标姿态估计算法
CN107016646A (zh) 一种基于改进的逼近投影变换图像拼接方法
CN106919944A (zh) 一种基于orb算法的大视角图像快速识别方法
CN107451982A (zh) 一种基于无人机影像的高郁闭度林分树冠面积获取方法
CN108257155B (zh) 一种基于局部和全局耦合的扩展目标稳定跟踪点提取方法
CN103136525A (zh) 一种利用广义Hough变换的异型扩展目标高精度定位方法
CN109712071A (zh) 基于航迹约束的无人机图像拼接与定位方法
CN110084743B (zh) 基于多航带起始航迹约束的图像拼接与定位方法
KR101941878B1 (ko) 무인항공기 영상 자동 기하보정을 위한 처리시스템
CN106778739A (zh) 一种曲面化变形文本页面图像矫正方法
CN106485252B (zh) 图像配准试验点阵靶标图像特征点识别方法
CN115205286B (zh) 爬塔机器人机械臂螺栓识别与定位方法、存储介质、终端
CN110245600A (zh) 自适应起始快速笔画宽度无人机道路检测方法
CN109829858A (zh) 一种基于局部自适应阈值的船载雷达图像溢油监测方法
CN113344953A (zh) 一种基于无人机的机器视觉涌潮流速测量方法
CN116228539A (zh) 一种无人机遥感图像拼接的方法
CN109447946A (zh) 一种架空通信光缆异常检测方法
CN111260736B (zh) 一种空间相机内参在轨实时标定方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190118

WD01 Invention patent application deemed withdrawn after publication