CN110290318B - 星载图像处理与自主决策方法和系统 - Google Patents

星载图像处理与自主决策方法和系统 Download PDF

Info

Publication number
CN110290318B
CN110290318B CN201910560154.9A CN201910560154A CN110290318B CN 110290318 B CN110290318 B CN 110290318B CN 201910560154 A CN201910560154 A CN 201910560154A CN 110290318 B CN110290318 B CN 110290318B
Authority
CN
China
Prior art keywords
image data
camera
mode
processing
autonomous decision
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.)
Active
Application number
CN201910560154.9A
Other languages
English (en)
Other versions
CN110290318A (zh
Inventor
闫小盼
夏玉立
张玉凤
赵军锁
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.)
Institute of Software of CAS
Original Assignee
Institute of Software of CAS
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 Institute of Software of CAS filed Critical Institute of Software of CAS
Publication of CN110290318A publication Critical patent/CN110290318A/zh
Application granted granted Critical
Publication of CN110290318B publication Critical patent/CN110290318B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/61—Control of cameras or camera modules based on recognised objects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/667—Camera operation mode switching, e.g. between still and video, sport and normal or high- and low-resolution modes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof
    • H04N23/81—Camera processing pipelines; Components thereof for suppressing or minimising disturbance in the image signal generation

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种星载图像处理与自主决策方法和系统，涉及星载图像处理的技术领域，应用于星上实时处理，从相机中采集图像数据，经第一通路和第二通路，得到第一图像数据和第二图像数据；将第一图像数据进行噪声点剔除处理，得到第一处理图像数据，将第一处理图像数据进行计算，得到灰度统计值；将灰度统计值分别与预设参数阈值进行自主决策处理，通过自主决策结果对相机进行参数调整；将第二图像数据经云判和无效数据剔除处理，得到第二处理图像数据，检测第二处理图像数据中的目标图像，相机由推扫模式切换到凝视模式，获取凝视模式下目标图像的详细参数，保证星载图像处理和自主决策过程的准确性和时效性。

Description

星载图像处理与自主决策方法和系统
技术领域
本发明涉及星载图像处理技术领域，尤其是涉及一种星载图像处理与自主决策方法和系统。
背景技术
随着高分辨率光学遥感器的快速发展，遥感图像数据量日益巨大，传统遥感图像处理与决策流程(星上采集－星地数传－地面处理－指令上注)的实效性和智能化水平受到了严重的挑战。
目前大部分的遥感图像处理均需要星上采集数据下传到地面处理中心进行智能处理和智能决策完成，大量星上采集数据的下传造成星际链路紧张。然后再通过指令上注的形式将智能决策结果上传，严重影响了整个系统的实效性。星上图像(星上采集数据)经过压缩后下传，然后地面处理中心将图像复原，复原后的图像相对于原始图像存在一定的信息损失，影响了目标检测等算法的准确性。
发明内容
有鉴于此，本发明的目的在于提供星载图像处理与自主决策方法和系统，保证星载图像处理和自主决策过程的准确性和时效性。
第一方面，本发明实施例提供了一种星载图像处理与自主决策方法，应用于星上实时处理，包括：
从相机中采集图像数据，经第一通路和第二通路，得到第一图像数据和第二图像数据；
将所述第一图像数据进行噪声点剔除处理，得到第一处理图像数据，将所述第一处理图像数据进行计算，得到灰度统计值；
将所述灰度统计值分别与预设参数阈值进行自主决策处理，通过自主决策结果对所述相机进行参数调整；
将所述第二图像数据经云判和无效数据剔除处理，得到第二处理图像数据，检测所述第二处理图像数据中的目标图像，所述相机由推扫模式切换到凝视模式，获取所述凝视模式下所述目标图像的详细参数。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述将所述第二图像数据经云判和无效数据剔除处理，得到第二处理图像数据，检测所述第二处理图像数据中的目标图像，所述相机由推扫模式切换到凝视模式，获取所述凝视模式下所述目标图像的详细参数，包括：
对所述第二图像数据中云区域图像和/或无效数据进行判别，并对所述云区域图像和/或无效数据进行剔除处理，得到第二处理图像数据；
对所述第二处理图像数据进行目标图像检测，在检测到所述目标图像的情况下，将所述相机的工作模式由推扫模式切换到凝视模式；
获取所述凝视模式下所述目标图像的详细参数。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述对所述第二处理图像数据进行目标图像检测，在检测到所述目标图像的情况下，将所述相机的工作模式由推扫模式切换到凝视模式，包括：
当于第二处理图像数据中没有检测到所述目标图像时，将所述相机的工作模式保持为推扫模式；
当于第二处理图像数据中检测到所述目标图像时，将所述相机的工作模式切换为凝视模式。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述将所述第一图像数据进行噪声点剔除处理，得到第一处理图像数据，将所述第一处理图像数据进行计算，得到灰度统计值包括：
识别所述第一图像数据中的噪声点区域；
对所述噪声点区域进行剔除，得到第一处理图像数据；
对所述第一处理图像数据计算灰度统计值，所述灰度统计值包括灰度最大值、灰度最小值、灰度平均值和饱和像素的个数中的一种或多种。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述将所述灰度统计值分别与预设参数阈值进行自主决策处理，通过自主决策结果对所述相机进行参数调整，包括：
将所述灰度统计值分别与预设参数阈值进行比对，根据比对情况得到相应的自主决策结果；
根据所述自主决策结果，对所述相机进行参数调整，所述参数包括增益和积分级数。
结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述对所述第二图像数据中云区域图像和/或无效数据进行判别，并对所述云区域图像和/或无效数据进行剔除处理，得到第二处理图像数据，包括：
判别出所述第二图像数据中云区域图像和/或无效数据；
将所述云区域图像和/或所述无效数据的像素置为0，得到第二处理图像数据。
结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述方法还包括：
当所述相机的工作模式保持为推扫模式时，通过YOLO－tiny模型目标检测算法检测所述目标图像。
结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，其中，所述方法还包括：
当所述相机的工作模式保持为凝视模式时，通过YOLO－V3模型目标检测算法对所述目标图像进行精细识别。
结合第一方面，本发明实施例提供了第一方面的第八种可能的实施方式，其中，所述预设参数阈值通过地面处理中心训练仿真数据得到，通过所述地面处理中心进行上注。
第二方面，本发明实施例还提供一种星载图像处理与自主决策系统，应用于星上实时处理，包括：
采集模块，用于从相机中采集图像数据，经第一通路和第二通路，得到第一图像数据和第二图像数据；
计算模块，用于将所述第一图像数据进行噪声点剔除处理，得到第一处理图像数据，将所述第一处理图像数据进行计算，得到灰度统计值；
调整模块，用于将所述灰度统计值分别与预设参数阈值进行自主决策处理，通过自主决策结果对所述相机进行参数调整；
检测模块，用于将所述第二图像数据经云判和无效数据剔除处理，得到第二处理图像数据，检测所述第二处理图像数据中的目标图像，所述相机由推扫模式切换到凝视模式，获取所述凝视模式下所述目标图像的详细参数。
本发明提供了一种星载图像处理与自主决策方法和系统，应用于星上实时处理，从相机中采集图像数据，经第一通路和第二通路，得到第一图像数据和第二图像数据；将第一图像数据进行噪声点剔除处理，得到第一处理图像数据，将第一处理图像数据进行计算，得到灰度统计值；将灰度统计值分别与预设参数阈值进行自主决策处理，通过自主决策结果对相机进行参数调整；将第二图像数据经云判和无效数据剔除处理，得到第二处理图像数据，检测第二处理图像数据中的目标图像，相机由推扫模式切换到凝视模式，获取凝视模式下目标图像的详细参数，保证星载图像处理和自主决策过程的准确性和时效性。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为传统的星载图像处理与自主决策方法流程图；
图2为本发明实施例提供的星载图像处理与自主决策方法流程图之一；
图3为本发明实施例提供的星载图像处理与自主决策方法流程图之二；
图4为本发明实施例提供的星载图像处理与自主决策方法中自主决策方法流程图；
图5为本发明实施例提供的星载图像处理与自主决策方法中云判及无效数据剔除方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如下图1所示，星上相机采集到图像后，由于星载图像处理器存储能力及处理能力有限，只能对图像进行简单的预处理，然后将经过预处理后的图像数据进行压缩下传。图像数据下传到地面处理中心后，首先对其进行复原操作，然后再进行后续的处理，如辐射校正、几何校正、噪声点剔除及云判、灰度特征统计及快速目标检测等，最后在处理结果的基础上智能决策，并把决策结果通过指令上传，从而完成对相机参数的调整和模式切换。现有星载图像处理与自主决策流程复杂，决策时间长，严重影响卫星工作的实效性。
基于此，本发明实施例提供的一种星载图像处理与自主决策方法和系统，可保证星载图像处理和自主决策过程的准确性和时效性。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种星载图像处理与自主决策方法进行详细介绍。
图2为本发明实施例提供的一种星载图像处理与自主决策方法流程图。
参照图2，本发明实施例提供的星载图像处理与自主决策方法，应用于星上实时处理应用场景，包括以下步骤：
步骤S110，从相机中采集图像数据，经第一通路和第二通路，得到第一图像数据和第二图像数据；
步骤S120，将第一图像数据进行噪声点剔除处理，得到第一处理图像数据，将第一处理图像数据进行计算，得到灰度统计值；
步骤S130，将灰度统计值分别与预设参数阈值进行自主决策处理，通过自主决策结果对相机进行参数调整以获取当前场景质量最优的图像；
步骤S140，将第二图像数据经云判和无效数据剔除处理，得到第二处理图像数据，根据目标检测的结果决定进一步的工作模式，当检测到第二处理图像数据中的目标图像，相机由推扫模式切换到凝视模式，获取凝视模式下目标图像的详细参数。
本发明实施例提出的星载图像处理与自主决策方法，无需将星上相机获取的图像下传，即可完成在星上实时自主进行相机增益和积分级数的调整及相机模式的切换。
本发明实施例提出的云判并剔除含云无效数据方法可在星上实时完成，无需下传到地面。
本发明实施例将快速目标检测和精细目标识别与相机的模式完美结合，在推扫模式下，相机获取的场景不断变化，此时进行实时目标检测，有助于快速定位我们寻找的目标，在定位到我们需要的目标后，相机模式自动切换成凝视模式，此时相机持续获取当前场景的图像，有利于我们对关键目标进行精细识别。同时，卫星只对识别到的有效结果进行下传，大大降低了需要下传的数据量，减少了下传信道的占用。
进一步的，步骤S140，包括：
步骤S210，对第二图像数据中云区域图像和/或无效数据进行判别，并对云区域图像和/或无效数据进行剔除处理，得到第二处理图像数据；
步骤S220，对第二处理图像数据进行目标图像检测，在检测到目标图像的情况下，将相机的工作模式由推扫模式切换到凝视模式；
步骤S230，获取凝视模式下目标图像的详细参数。
进一步的，上述实施例中的步骤S220还可用以下步骤实现：
步骤S310，当于第二处理图像数据中没有检测到目标图像时，将相机的工作模式保持为推扫模式；
步骤S320，当于第二处理图像数据中检测到目标图像时，将相机的工作模式切换为凝视模式。
进一步的，步骤S120包括：
步骤S410，识别第一图像数据中的噪声点区域；
步骤S420，对噪声点区域进行剔除，得到第一处理图像数据；
步骤S430，对第一处理图像数据计算灰度统计值，灰度统计值包括灰度最大值、灰度最小值、灰度平均值和饱和像素的个数中的一种或多种。
进一步的，步骤S130，包括：
步骤S510，将灰度统计值分别与预设参数阈值进行比对，根据比对情况得到相应的自主决策结果；
步骤S520，根据自主决策结果，对相机进行参数调整，参数包括增益和积分级数。
进一步的，步骤S210，包括：
步骤S610，判别出第二图像数据中云区域图像和/或无效数据；
其中，通过连通域参数对第二图像数据是否有云进行识别，连通域参数包括连通域面积和连通域灰度值；
步骤S620，将云区域图像和/或无效数据的像素置为0，得到第二处理图像数据。
进一步的，本发明实施例提供的方法还包括：
当相机的工作模式保持为推扫模式时，通过YOLO－tiny模型目标检测算法检测目标图像。
当相机的工作模式保持为凝视模式时，通过YOLO－V3模型目标检测算法对目标图像进行精细识别。
这里，YOLO－tiny模型目标检测算法可替换成SSD、DSSD、faster－rcnn系列等深度学习目标检测算法，也可以替成成传统的目标检测算法，例如HOG+SVM等。另外云判及无效数据剔除、噪声点剔除也有许多类似的算法，达到同样的目的。
进一步的，预设参数阈值通过地面处理中心训练仿真数据得到，通过地面处理中心进行上注。
本发明实施例提出了一种星载图像处理与自主决策方法，可在星上自主完成对相机参数和相机模式的调整，无需将星上数据下传到地面中心进行处理和决策。如图3所示，首先将从相机中采集到的图像分两路，一路图像首先进行噪声点剔除，然后实时计算图像的灰度统计值，包括灰度最大值、灰度最小值、灰度平均值及饱和像素的数量，然后通过这些灰度统计值自主决策是否调整相机增益和积分级数，从而获取当前场景质量最优的图像；另一路数据经过实时云判及无效数据剔除模块后进入目标检测模块，相机默认工作在推扫模式，推扫模式下相机获取的图像场景不断变化，此时需要对不断变化的图像进行快速目标检测，如果没有检测到所需要的目标，则持续保持在推扫模式，如果检测到所需要的目标，则给相机发送模式变换指令，使相机切换至凝视模式，凝视模式即将相机固定在当前场景中，然后对该场景中的所需检测的目标进行精细识别。推扫和凝视是相机的两种工作模式，在推扫模式下，相机获取的场景快速变化，在高速的场景切换中，需要快速检测出感兴趣的目标，这时采用实时性高，准确率一般的目标检测算法，如YOLO－tiny等。若没有检测到感兴趣的目标，则相机一直保持在推扫模式，若检测到感兴趣目标，则切换至凝视模式，在凝视模式下，相机可获得某一固定场景的持续的视频信息，这时可对该场景中感兴趣目标进行精细目标识别，这时可采用准确率高，实时性一般的目标检测算法，如YOLO－V3等。
下面首先对通过图像灰度特征统计数据进行自主决策的流程进行详细说明。流程如图4所示，首先需要实时计算图像的灰度最大值、最小值、平均值及饱和像素的个数，分别记为Imax、Imin、Iave、Nsat，然后跟预先训练好的阈值参数Tlow、Thigh、Trange、Tsat进行比较，进而做出相应的决策。Tlow、Thigh分别代表图像灰度均值的上下限，当图像灰度均值大于Thigh时，表示当前图像过亮，当图像灰度均值小于Tlow时，表示当前图像过暗；Trange表示图像灰度最大值与最小值差值的下限，当图像灰度最大值与最小值差值小于Trange时，表示当前图像灰度值范围过窄，对比度不足；Tsat表示饱和像素数上限，当图像中饱和像素数大于Tsat时，表示当前饱和像素数过多，应该调低相机增益或积分级数。阈值参数Tlow、Thigh、Trange、Tsat是前期通过大量地面仿真数据训练得到，然后上注到星上的。
通过图4可以看出，当统计完一幅图像的灰度特征后，首先判断图像中饱和像素的个数是否大于预先设置的上限，若超出饱和像素上限，则接着判断图像的平均灰度值是否低于其下限，如果是，则表明虽然饱和像素过多但灰度平均值依然很低，这时候需要将相机增益降低一级，否则需要判断目前相机增益是否为0，若不为0则需要降低相机增益，若为0则降低相机积分级数；当图像中饱和像素个数并没有超过其上限，依然需要判断图像的平均灰度值是否低于其下限，如果是，则需要增加相机积分级数，否则接着判断平均灰度值是否高于其上限，若高于其上限，则根据相机增益是否为0决定是降低相机增益还是降低相机积分级数，若不高于其上限，再进行像素最大值和最小值差值的判断，若差值低于下限，则提高相机增益，否则即结束相机参数调整。
介绍完根据图像灰度特征统计数据进行自主决策的流程后，接着介绍一下实时云判及无效数据剔除的算法流程，如下图5所示，首先对图像进行实时连通域检测，假设共检测到N个连通域。对于每一个连通域，计算连通域内图像的平均灰度值Cgray，当Cgray小于平均灰度值阈值Tgray时，则认为此处无云，否则继续判断连通域的面积Carea，当Carea小于面积阈值Tarea时，则认为此处无云，否则认为此处有云，然后将有云区域的像素置为0，达到剔除有云区域的目的。以此类推，直到所有的连通区域都判断完毕。另外，平均灰度值阈值Tgray和面积阈值Tarea也是通过大量地面数据仿真得到然后上注到星上的。
与现有技术相比，本发明实施例无需将采集到的图像下传到地面处理中心进行处理，而是直接在星上完成灰度特征统计、快速目标检测及精细目标识别，并根据处理结果自主决策，达到调整相机参数和切换相机模式的目的。该方案实效性好，同时缓解了星际链路资源紧张的问题。
进一步的，本发明实施例还提供一种星载图像处理与自主决策系统，应用于星上实时处理，包括：
采集模块，用于从相机中采集图像数据，经第一通路和第二通路，得到第一图像数据和第二图像数据；
计算模块，用于将所述第一图像数据进行噪声点剔除处理，得到第一处理图像数据，将所述第一处理图像数据进行计算，得到灰度统计值；
调整模块，用于将所述灰度统计值分别与预设参数阈值进行自主决策处理，通过自主决策结果对所述相机进行参数调整；
检测模块，用于将所述第二图像数据经云判和无效数据剔除处理，得到第二处理图像数据，检测所述第二处理图像数据中的目标图像，所述相机由推扫模式切换到凝视模式，获取所述凝视模式下所述目标图像的详细参数。
本发明实施例提供的星载图像处理与自主决策系统，与上述实施例提供的星载图像处理与自主决策方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本发明实施例所提供的星载图像处理与自主决策方法和系统的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例提供的星载图像处理与自主决策方法的步骤。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例的星载图像处理与自主决策方法的步骤。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种星载图像处理与自主决策方法，其特征在于，应用于星上实时处理，包括：
从相机中采集图像数据，经第一通路和第二通路，得到第一图像数据和第二图像数据；
将所述第一图像数据进行噪声点剔除处理，得到第一处理图像数据，将所述第一处理图像数据进行计算，得到灰度统计值；
将所述灰度统计值分别与预设参数阈值进行自主决策处理，通过自主决策结果对所述相机进行增益和积分级数调整；
将所述第二图像数据经云量判断和无效数据剔除处理，得到第二处理图像数据，在检测到所述第二处理图像数据中的目标图像的情况下，所述相机由推扫模式切换到凝视模式，获取所述凝视模式下所述目标图像的详细参数。
2.根据权利要求1所述的星载图像处理与自主决策方法，其特征在于，所述将所述第二图像数据经云量判断和无效数据剔除处理，得到第二处理图像数据，检测所述第二处理图像数据中的目标图像，所述相机由推扫模式切换到凝视模式，获取所述凝视模式下所述目标图像的详细参数，包括：
对所述第二图像数据中云区域图像和/或无效数据进行判别，并对所述云区域图像和/或无效数据进行剔除处理，得到第二处理图像数据；
对所述第二处理图像数据进行目标图像检测，在检测到所述目标图像的情况下，将所述相机的工作模式由推扫模式切换到凝视模式；
获取所述凝视模式下所述目标图像的详细参数。
3.根据权利要求2所述的星载图像处理与自主决策方法，其特征在于，所述对所述第二处理图像数据进行目标图像检测，在检测到所述目标图像的情况下，将所述相机的工作模式由推扫模式切换到凝视模式，包括：
当于第二处理图像数据中没有检测到所述目标图像时，将所述相机的工作模式保持为推扫模式；
当于第二处理图像数据中检测到所述目标图像时，将所述相机的工作模式切换为凝视模式。
4.根据权利要求1所述的星载图像处理与自主决策方法，其特征在于，所述将所述第一图像数据进行噪声点剔除处理，得到第一处理图像数据，将所述第一处理图像数据进行计算，得到灰度统计值包括：
识别所述第一图像数据中的噪声点区域；
对所述噪声点区域进行剔除，得到第一处理图像数据；
对所述第一处理图像数据计算灰度统计值，所述灰度统计值包括灰度最大值、灰度最小值、灰度平均值和饱和像素的个数中的一种或多种。
5.根据权利要求1所述的星载图像处理与自主决策方法，其特征在于，所述将所述灰度统计值分别与预设参数阈值进行自主决策处理，通过自主决策结果对所述相机进行增益和积分级数调整，包括：
将所述灰度统计值分别与预设参数阈值进行比对，根据比对情况得到相应的自主决策结果；
根据所述自主决策结果，对所述相机进行增益和积分级数调整。
6.根据权利要求2所述的星载图像处理与自主决策方法，其特征在于，所述对所述第二图像数据中云区域图像和/或无效数据进行判别，并对所述云区域图像和/或无效数据进行剔除处理，得到第二处理图像数据，包括：
判别出所述第二图像数据中云区域图像和/或无效数据；
将所述云区域图像和/或所述无效数据的像素置为0，得到第二处理图像数据。
7.根据权利要求3所述的星载图像处理与自主决策方法，其特征在于，所述方法还包括：
当所述相机的工作模式保持为推扫模式时，通过YOLO－tiny模型目标检测算法检测所述目标图像。
8.根据权利要求3所述的星载图像处理与自主决策方法，其特征在于，所述方法还包括：
当所述相机的工作模式保持为凝视模式时，通过YOLO－V3模型目标检测算法对所述目标图像进行精细识别。
9.根据权利要求1所述的星载图像处理与自主决策方法，其特征在于，所述预设参数阈值通过地面处理中心训练仿真数据得到，通过所述地面处理中心进行上注。
10.一种星载图像处理与自主决策系统，其特征在于，应用于星上实时处理，包括：
采集模块，用于从相机中采集图像数据，经第一通路和第二通路，得到第一图像数据和第二图像数据；
计算模块，用于将所述第一图像数据进行噪声点剔除处理，得到第一处理图像数据，将所述第一处理图像数据进行计算，得到灰度统计值；
调整模块，用于将所述灰度统计值分别与预设参数阈值进行自主决策处理，通过自主决策结果对所述相机进行增益和积分级数调整；
检测模块，用于将所述第二图像数据经云量判断和无效数据剔除处理，得到第二处理图像数据，在检测到所述第二处理图像数据中的目标图像的情况下，所述相机由推扫模式切换到凝视模式，获取所述凝视模式下所述目标图像的详细参数。
CN201910560154.9A 2018-12-29 2019-06-25 星载图像处理与自主决策方法和系统 Active CN110290318B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811654223 2018-12-29
CN2018116542234 2018-12-29

Publications (2)

Publication Number Publication Date
CN110290318A CN110290318A (zh) 2019-09-27
CN110290318B true CN110290318B (zh) 2021-01-26

Family

ID=68005698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910560154.9A Active CN110290318B (zh) 2018-12-29 2019-06-25 星载图像处理与自主决策方法和系统

Country Status (1)

Country Link
CN (1) CN110290318B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112492137B (zh) * 2020-10-22 2022-06-03 浙江智慧视频安防创新中心有限公司 用于检测列车车底的装置、方法和存储介质
CN113283412B (zh) * 2021-07-26 2021-09-21 广州乐盈信息科技股份有限公司 一种光学卫星遥感影像在轨实时流式处理方法
CN113470127B (zh) * 2021-09-06 2021-11-26 成都国星宇航科技有限公司 基于星载云检测的光学图像有效压缩方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129689B (zh) * 2011-02-24 2012-11-14 南京大学 自动增益场景下基于相机响应函数的背景建模方法
CN104237881B (zh) * 2014-09-23 2017-01-18 南京理工大学 Fmcw防碰撞雷达多目标检测与跟踪系统及方法
CN105160164B (zh) * 2015-08-25 2017-08-29 航天东方红卫星有限公司 一种星上自主获取并发送相机增益级数的方法
CN105681677B (zh) * 2016-03-31 2018-12-18 中国资源卫星应用中心 一种高分辨率光学遥感卫星相机最佳焦面确定方法
US9918006B2 (en) * 2016-05-20 2018-03-13 International Business Machines Corporation Device, system and method for cognitive image capture
CN206759581U (zh) * 2016-12-16 2017-12-15 江阴新晟电子有限公司 一种具有虹膜识别功能的双摄像头模组
CN106845372B (zh) * 2016-12-31 2018-01-26 华中科技大学 一种星载遥感光学图像的船舶目标检测识别方法和系统
CN107871324B (zh) * 2017-11-02 2020-01-24 中国南方电网有限责任公司超高压输电公司检修试验中心 一种基于双通道的目标跟踪方法及装置
CN108897003B (zh) * 2018-05-03 2021-05-04 北京理工大学 一种双模控制的相控阵激光雷达系统及方法

Also Published As

Publication number Publication date
CN110290318A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
CN110290318B (zh) 星载图像处理与自主决策方法和系统
CN105516720B (zh) 一种监控摄像机码流的自适应控制方法
CN110839129A (zh) 图像处理方法、装置以及移动终端
US20180096232A1 (en) Using image analysis algorithms for providing training data to neural networks
Sim et al. MaD-DLS: mean and deviation of deep and local similarity for image quality assessment
CN111368758B (zh) 一种人脸模糊度检测方法、装置、计算机设备及存储介质
CN110807757B (zh) 基于人工智能的图像质量评估方法、装置及计算机设备
CN111868780B (zh) 学习用数据生成装置及方法、模型生成系统以及程序
CN108665417B (zh) 一种车牌图像去模糊方法、装置及系统
CN111160481B (zh) 基于深度学习的adas目标检测方法及系统
CN109740553B (zh) 一种基于识别的图像语义分割数据筛选方法及系统
CN111539265A (zh) 一种电梯轿厢内异常行为检测方法
CN115345802A (zh) 一种机电设备运行状态远程监控方法
CN115588192A (zh) 细胞图像分类方法和图像分类系统、电子设备及存储介质
CN112785572A (zh) 图像质量评估方法、装置以及计算机可读存储介质
CN113420871B (zh) 图像质量的评估方法、装置、存储介质及电子装置
CN111445487A (zh) 图像分割方法、装置、计算机设备和存储介质
CN117409083B (zh) 一种基于红外图像和改进yolov5的电缆终端识别方法及装置
KR101600617B1 (ko) 영상내 사람 검출 방법
CN108665455B (zh) 图像显著性预测结果的评价方法和装置
CN116092170A (zh) 一种基于大数据技术的专利价值分析系统
CN112333539B (zh) 移动通信网络下的视频实时目标检测方法、终端及服务器
CN113891069A (zh) 一种视频质量的评估方法、装置及设备
CN114004974A (zh) 对弱光环境下拍摄的图像的优化方法及装置
CN113239865A (zh) 基于深度学习的车道线检测方法

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