CN110427955A - 暗弱小天体远距离接近段光学导航特征提取方法 - Google Patents

暗弱小天体远距离接近段光学导航特征提取方法 Download PDF

Info

Publication number
CN110427955A
CN110427955A CN201910747103.7A CN201910747103A CN110427955A CN 110427955 A CN110427955 A CN 110427955A CN 201910747103 A CN201910747103 A CN 201910747103A CN 110427955 A CN110427955 A CN 110427955A
Authority
CN
China
Prior art keywords
track
pixel
noise
star chart
towing
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
Application number
CN201910747103.7A
Other languages
English (en)
Other versions
CN110427955B (zh
Inventor
崔平远
陆晓萱
朱圣英
徐瑞
梁子璇
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 University of Technology
Beijing Institute of Technology BIT
Original Assignee
Beijing University of Technology
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 University of Technology filed Critical Beijing University of Technology
Priority to CN201910747103.7A priority Critical patent/CN110427955B/zh
Publication of CN110427955A publication Critical patent/CN110427955A/zh
Application granted granted Critical
Publication of CN110427955B publication Critical patent/CN110427955B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Navigation (AREA)
  • Image Processing (AREA)

Abstract

本发明公开的暗弱小天体远距离接近段光学导航特征提取方法，属于深空探测领域。本发明将轨迹特征提取分解为轨迹细化和模糊图像盲复原两个步骤解决。首先，对长曝光拖曳星图进行去噪预处理；其次，通过兴趣轨迹选取准则选取兴趣轨迹，采用逐像素细化OPA算法对兴趣轨迹进行细化并提取出轨迹骨架，将轨迹骨架作为盲复原算法模糊核的估计初值；最后，构建图像复原算法的代价函数，采用盲复原算法对长曝光拖曳星图进行复原从而得到复原图像，从复原星图中提取各星点的灰度光心。本发明具有提取精度高、计算速度快的优点，适用于暗弱小天体探测器远距离接近段导航星图的特征提取。

Description

暗弱小天体远距离接近段光学导航特征提取方法
技术领域
本发明涉及一种暗弱小天体远距离接近段光学导航特征提取方法，尤其涉及一种小天体探测远距离接近段长曝光拍摄暗弱目标时的星图处理方法，能够应用于探测器远距离接近段的自主导航，属于深空探测领域。
背景技术
在小天体探测任务的远距离接近段，探测器导航系统需通过匹配背景恒星进行姿态确定，通过观测目标小天体光心进行轨道确定。将小天体作为导航星时，导航目标的特点是星等一般都较低，需要进行长时间曝光才能够成像，在曝光时间内成像系统光轴会发生不可估计的扰动，导航目标在CCD平面上的成像会发生偏移，成像为轨迹，难以提取导航目标的光心特征信息进行导航。为使探测器具有更加完善的自主光学导航性能，需要对长曝光拖曳星图的特征提取问题展开研究。
目前，已有一些学者提出了远距离接近段从长曝光图像中提取导航特征的方法，主要分为图像匹配和灰度还原两种方式。图像匹配的方法算法简单，但需要预存图像模板；灰度还原的方法自主性较高，但算法较为复杂。本发明通过提取细化轨迹估计光轴的运动情况，能够为灰度还原问题提供很好的初值从而大大加快算法的收敛，之前的研究中还没有这样的尝试。
发明内容
本发明公开的暗弱小天体远距离接近段光学导航特征提取方法要解决的技术问题为：针对暗弱小天体远距离接近段光学导航，对长曝光下产生的拖曳星图进行特征提取，具有如下优点：(1)能够从长曝光图像中准确提取出导航星的光心位置，弥补传统静态星图提取算法的不足；(2)本发明属于盲复原算法，能够处理扰动情况完全不确知的拖曳星图，特征提取结果准确；(3)本发明包括轨迹细化和运动模糊盲复原两个步骤，采用选定的细化轨迹作为图像复原的初值，能够降低盲复原算法的迭代次数，能够在星载计算机算上高效运行。本发明具有提取精度高、计算速度快的优点，适用于暗弱小天体探测器远距离接近段导航星图的特征提取。
所述的暗弱小天体指视星等远低于背景恒星的小天体目标。
所述远距离接近段指探测任务目标在探测器光学系统能够成像但成像大小小于等于3个像素的阶段。
所述的长曝光拖曳图像是由成像系统光轴在曝光时间内发生多次扰动所造成的。所述的引起成像系统光轴在曝光时间内发生多次扰动的原因包括热力缩涨、机械振动、姿态偏移。
本发明的目的是通过下述技术方案实现的。
针对星载光学系统在长曝光情况下产生拖曳图像的问题，本发明公开的暗弱小天体远距离接近段光学导航特征提取方法，将轨迹特征提取分解为轨迹细化和模糊图像盲复原两个步骤解决。首先，对长曝光拖曳星图进行去噪预处理；其次，通过兴趣轨迹选取准则选取兴趣轨迹，采用逐像素细化算法(One Pass Thinning Algorithm)对兴趣轨迹进行细化并提取出轨迹骨架，将轨迹骨架作为盲复原算法模糊核的估计初值；最后，构建图像复原算法的代价函数，采用盲复原算法对长曝光拖曳星图进行复原从而得到复原图像，从复原星图中提取各星点的灰度光心。
本发明公开的暗弱小天体远距离接近段光学导航特征提取方法，包括如下步骤：
步骤一、对长曝光下产生的拖曳星图进行去噪预处理。
步骤一的具体实现方法为：
拍摄的长曝光拖曳星图中存在大量噪声，所述噪声包括成像系统噪声、空间尘埃散射噪声、伪星噪声，所述伪星噪声指伪星带来的噪声。伪星带来的噪声为椒盐噪声。由于部分目标星点的能量过于暗弱，故系统噪声和空间尘埃散射噪声不能完全由高斯噪声表示，表示为高斯噪声和泊松噪声的混合噪声。
考虑到图像噪声的非高斯性及低信噪比性，采用软阈值小波去噪方法进行去噪。小波去噪方法实现方法如下：进行小波变换后，信号主要集中在低频，而噪声集中在高频上，故给定适当的阈值除去噪声。
采用软阈值小波方法进行去噪，软阈值是指若小波变换系数比设置的阈值小则将该系数置零，若小波变换系数比该阈值大则将该系数向阈值方向收敛，小波变换系数表达形式为：
其中，ωi,j为小波变换系数，λ为设定的阈值。
步骤二、通过连通域判定轨迹所在的兴趣区域(ROI)，通过兴趣轨迹选取准则选取兴趣轨迹，采用逐像素细化算法(One Pass Thinning Algorithm)对兴趣轨迹进行细化并提取出轨迹骨架。
步骤二的具体实现方法为：
长曝光拖曳图像模型表示式为：
IBlur＝K·Istatic+E (2)
其中，IBlur是长曝光的拖曳星图，Istatic是需要被复原的静态星图，E为噪声项，K为是每一像素的模糊转移矩阵。当星图中各像素发生的模糊是均匀时，则式(2)变换为卷积的形式，如式(3)所示：
IBlur＝k*Istatic+e (3)
其中，k被称为模糊核，与静态星图Istatic的每一像素发生卷积运算使图像产生模糊，其物理含义是反映每一像素点的运动特性。
由于长曝光拖曳星图的拖曳是点状目标的运动模糊，故星点拖曳轨迹本身能够反映地曝光时间内的运动，而模糊核的本质就是像素点的运动特性，故采用星点拖曳轨迹来估计拖曳图像的模糊核。
通过连通域判定轨迹所在的兴趣区域(ROI)，通过兴趣轨迹选取准则选取兴趣轨迹。
作为优选，所述兴趣轨迹选取准则选为亮度兴趣轨迹选取准则，即选取亮度最亮的轨迹为兴趣轨迹，兴趣轨迹的选取准则为：
max average(GROI_i) (4)
其中，GROI_i是第i个兴趣区的灰度矩阵。
OPTA算法是一种基于形态学的单循环并行模板匹配算法，其优点是运算简单，计算速度很快，且能够较好地保留图像的连通性和形状特征。采用OPTA算法对兴趣轨迹进行细化并提取出轨迹骨架，具体实现方法如下：按从左到右，从上到下的方式，从最左上角的像素点开始抽取出每个灰度值不为0的像素点的邻域，将该邻域与消除模板中的任意一个消除模板匹配，若不能匹配则保留像素点的值，否则要再将该邻域与保留模板匹配，若能匹配则仍然保留像素点的值，若不能匹配则删去该像素点，即将像素点的灰度值置零。对所有像素点进行上述操作，保留下的像素值不为0的像素点即为提取出的轨迹骨架。
步骤三、以步骤二中提取出的轨迹骨架为模糊核的估计初值，通过稀疏先验信息构建图像复原算法的代价函数，对长曝光拖曳星图进行盲复原，得到长曝光拖曳星图复原图像。
步骤三的具体实现方法为：
复原图像问题需估计出合适的模糊核及复原图像，使得图像复原的代价函数尽量最小，代价函数形式为：
然而，复原图像问题本质上是NP(non-deterministic polynomial)问题，即由于信息的匮乏，会导致结果不唯一甚至病态。为解决星图模糊复原的问题，需要根据导航星图的实际特点引入相关先验信息建立正则惩罚项。
深空导航星图的重要特征是星点能量集中在极少数像素点中，通过步骤一去噪声预处理后，绝大部分像素点为黑色背景，故利用图像的灰度稀疏作为先验信息。同理，由于有值像素点较少，故图像的边缘像素点也就更少，所以图像的灰度梯度也是稀疏的。稀疏先验信息通过L0范数构建，即
||Istatic||0+||▽Istatic||0 (6)
最终采用的星图复原代价函数的形式为：
其中，项是为保证估计出的模糊核的简单性。
将步骤二中提取出的轨迹骨架为模糊核的估计初值，以代价函数最小为指标估计复原图像；由估计出的复原图像更新模糊核；如此循环迭代直至达到给定的循环的终止条件，此时估计出的复原图像即为最终得到的长曝光拖曳星图的复原图像。
步骤四、对步骤三得到的复原图像进行连通域判定，并提取复原图像中各星点的灰度光心，完成长曝光拖曳星图特征提取。
步骤四的具体实现方法为：
对步骤三得到的长曝光拖曳星图复原图进行连通域判定，去除连通域小于预设像素数量的目标。
作为优选，步骤四中去除连通域小于预设像素数量的目标优选去除连通域小于2个像素的目标。
然后，根据导航星覆盖像素的像素值确定复原星图导航星光心所在的位置，即实现提取复原图像中各星点的灰度光心，完成长曝光拖曳星图特征提取。
作为优选，步骤四中计算灰度光心的方法采用灰度加权算法，灰度加权算法的公式为：
还包括步骤五：将步骤一至步骤四提取的暗弱小天体远距离接近段光学导航特征应用于探测器远距离接近段的自主导航，能够为探测器巡航段和接近段的光学自主导航系统提供准确的观测信息，保证导航方法的实时性和精确度。
有益效果：
1、针对星载光学系统在长曝光情况下产生拖曳图像的问题，本发明公开的暗弱小天体远距离接近段光学导航特征提取方法，把轨迹图像的特征提取问题分解为轨迹细化和运动模糊图像盲复原两个步骤，将拖曳轨迹的细化结果作为盲复原算法的迭代初值，能够显著提高盲复原算法的计算效率，从而有效地提高星图光心特征提取的速度。该方法具有提取精度高、计算速度快的特点，适用于暗弱小天体探测器远距离接近段导航星图的特征提取。
2、本发明公开的暗弱小天体远距离接近段光学导航特征提取方法，从长曝光图像中准确提取出导航星的光心位置，能够弥补传统静态星图提取算法的不足。
3、本发明公开的暗弱小天体远距离接近段光学导航特征提取方法，属于盲复原算法，因此，能够实现扰动情况完全不确知的拖曳星图特征提取。
附图说明
图1为本发明公开的暗弱小天体远距离接近段光学导航特征提取方法流程图；
图2为本发明实施例1中待处理的长曝光拖曳星图；
图3为本发明实施例1采用的细化算法的(a)邻域定义，(b)消除模板，(c)保留模板；
图4为本发明实施例1中的(a)原兴趣轨迹，(b)提取出的辅助细化轨迹；
图5为本发明实施例1中仿真条件1下的星图复原结果；
图6为本发明实施例1中仿真条件1下的光心提取误差。
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：
为了验证发明的可行性，针对图3所示的长曝光拖曳星图，进行星图复原和特征提取。该拖曳星图像素尺寸为512x512，图中共有13条轨迹，包括12条恒星轨迹和一颗暗弱小天体的轨迹(6号)，其中13号星只有部分轨迹出现在相平面内。图中各导航星的具体信息如表1所示。采用搭载在3.40GHz，16GB内存的台式机上的Matlab R2018b软件来验证本发明所公开的算法。
表1各导航星的具体信息
如图1所示，本实施例公开的暗弱小天体远距离接近段光学导航特征提取方法，包括如下步骤：
步骤一、对长曝光下产生的拖曳星图进行去噪预处理。
考虑到图像噪声的非高斯性及低信噪比性，采用阈值小波变化的方法进行去噪。小波去噪方法的思路是：进行小波变换后，信号主要集中在低频，而噪声集中在高频上，故给定适当的阈值除去噪声。
采用软阈值小波方法进行去噪，软阈值是指若小波变换系数比设置的阈值小则将该系数置零，若小波变换系数比该阈值大则将该系数向阈值方向收敛，小波变换系数表达形式为：
其中，ωi,j为小波变换系数，λ为设定的阈值。
采用软阈值小波变换的方法对图像进行去噪，设定软阈值λ为
其中，σnoise为噪声方差，L和H为图像尺寸大小。
步骤二、通过连通域判定轨迹所在的兴趣区域(ROI)，通过兴趣轨迹选取准则选取兴趣轨迹，采用逐像素细化算法(One Pass Thinning Algorithm)对兴趣轨迹进行细化并提取出轨迹骨架。
通过连通域判定轨迹所在的兴趣区域(ROI)，通过兴趣轨迹选取准则选取兴趣轨迹。
所述兴趣轨迹选取准则选为亮度兴趣轨迹选取准则，即选取亮度最亮的轨迹为兴趣轨迹，兴趣轨迹的选取准则为：
max average(GROI_i) (11)
其中，GROI_i是第i个兴趣区的灰度矩阵。
选取2号星的轨迹作为兴趣轨迹，定义图像中每一个像素的邻域如图3(a)所示，采用较为通用的Chin-Wan细化算法的消除模板和保留模板进行计算，消除模板和保留模板如图3(b)和(c)所示。该星原轨迹图像和提取出的细化轨迹如图4所示，细化程序的运行时间为0.085665秒，细化后的轨迹能够较好地保留原轨迹的形状特征。
步骤三、以步骤二中提取出的轨迹骨架为模糊核的估计初值，通过稀疏先验信息构建图像复原算法的代价函数，对长曝光拖曳星图进行盲复原，得到长曝光拖曳星图复原图像。
复原图像问题需估计出合适的模糊核及复原图像，使得图像复原的代价函数尽量最小，代价函数形式为：
深空导航星图的重要特征是星点能量集中在极少数像素点中，通过步骤一去噪声预处理后，绝大部分像素点为黑色背景，故利用图像的灰度稀疏作为先验信息。同理，由于有值像素点较少，故图像的边缘像素点也就更少，所以图像的灰度梯度也是稀疏的。稀疏先验信息通过L0范数构建，即
||Istatic||0+||▽Istatic||0 (13)
最终采用的星图复原代价函数的形式为：
其中，项是为保证估计出的模糊核的简单性。
将步骤二得到的细化轨迹作为模糊核初值代入到盲复原算法中，以代价函数最小为指标估计复原图像，代价函数为：
然后，由估计出的复原图像更新对模糊核的估计，同样以代价函数最小为指标，代价函数为：
如此循环迭代直至达到循环的终止条件，循环的终止条件是迭代次数或者误差界限。
本实施案例中，选取迭代次数为循环终止条件。仿真条件1参数如下：λ1＝λ2＝4e-3，γ＝2，迭代次数为2次。仿真条件1下的复原星图如图5所示，盲复原程序的运行时间为16.395105秒，所有导航星都被较好地还原。
步骤四、对步骤三得到的复原图像进行连通域判定，并提取复原图像中各星点的灰度光心，完成长曝光拖曳星图特征提取。
对步骤三得到的长曝光拖曳星图复原图进行连通域判定，去除连通域小于预设像素数量的目标。
步骤四中去除连通域小于预设像素数量的目标优选去除连通域小于2个像素的目标。
然后，根据导航星覆盖像素的像素值确定复原星图导航星光心所在的位置，即实现提取复原图像中各星点的灰度光心，完成长曝光拖曳星图特征提取。
步骤四中计算灰度光心的方法采用灰度加权算法，灰度加权算法的公式为：
仿真条件1下得到的复原星图中各导航星x轴和y轴方向的光心提取误差如图6所示，x轴方向平均误差为0.1380个像素，标准差为0.0767个像素，y轴方向平均误差为0.2593个像素，标准差为0.0518个像素，只有部分轨迹进入相平面的13号星也被较好还原，证明本发明算法具体优越性。
还包括步骤五：将步骤一至步骤四提取的暗弱小天体远距离接近段光学导航特征应用于探测器远距离接近段的自主导航，能够为探测器巡航段和接近段的光学自主导航系统提供准确的观测信息，保证导航方法的实时性和精确度。
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 (9)

1.暗弱小天体远距离接近段光学导航特征提取方法，其特征在于：包括如下步骤，
步骤一、对长曝光下产生的拖曳星图进行去噪预处理；
步骤二、通过连通域判定轨迹所在的兴趣区域(ROI)，通过兴趣轨迹选取准则选取兴趣轨迹，采用逐像素细化算法(One Pass Thinning Algorithm)对兴趣轨迹进行细化并提取出轨迹骨架；
步骤三、以步骤二中提取出的轨迹骨架为模糊核的估计初值，通过稀疏先验信息构建图像复原算法的代价函数，对长曝光拖曳星图进行盲复原，得到长曝光拖曳星图复原图像；
步骤四、对步骤三得到的复原图像进行连通域判定，并提取复原图像中各星点的灰度光心，完成长曝光拖曳星图特征提取；
2.如权利要求1所述的暗弱小天体远距离接近段光学导航特征提取方法，其特征在于：还包括步骤五，将步骤一至步骤四提取的暗弱小天体远距离接近段光学导航特征应用于探测器远距离接近段的自主导航，能够为探测器巡航段和接近段的光学自主导航系统提供准确的观测信息，保证导航方法的实时性和精确度。
3.如权利要求1或2所述的暗弱小天体远距离接近段光学导航特征提取方法，其特征在于：步骤一的具体实现方法为，
拍摄的长曝光拖曳星图中存在大量噪声，所述噪声包括成像系统噪声、空间尘埃散射噪声、伪星噪声，所述伪星噪声指伪星带来的噪声；伪星带来的噪声为椒盐噪声；由于部分目标星点的能量过于暗弱，故系统噪声和空间尘埃散射噪声不能完全由高斯噪声表示，表示为高斯噪声和泊松噪声的混合噪声；
考虑到图像噪声的非高斯性及低信噪比性，采用软阈值小波去噪方法进行去噪；小波去噪方法实现方法如下：进行小波变换后，信号主要集中在低频，而噪声集中在高频上，故给定适当的阈值除去噪声；
采用软阈值小波方法进行去噪，软阈值是指若小波变换系数比设置的阈值小则将该系数置零，若小波变换系数比该阈值大则将该系数向阈值方向收敛，小波变换系数表达形式为：
其中，ωi,j为小波变换系数，λ为设定的阈值。
4.如权利要求3所述的暗弱小天体远距离接近段光学导航特征提取方法，其特征在于：步骤二的具体实现方法为，
长曝光拖曳图像模型表示式为：
IBlur＝K·Istatic+E (2)
其中，IBlur是长曝光的拖曳星图，Istatic是需要被复原的静态星图，E为噪声项，K为是每一像素的模糊转移矩阵；当星图中各像素发生的模糊是均匀时，则式(2)变换为卷积的形式，如式(3)所示：
IBlur＝k*Istatic+e (3)
其中，k被称为模糊核，与静态星图Istatic的每一像素发生卷积运算使图像产生模糊，其物理含义是反映每一像素点的运动特性；
由于长曝光拖曳星图的拖曳是点状目标的运动模糊，故星点拖曳轨迹本身能够反映地曝光时间内的运动，而模糊核的本质就是像素点的运动特性，故采用星点拖曳轨迹来估计拖曳图像的模糊核；
通过连通域判定轨迹所在的兴趣区域(ROI)，通过兴趣轨迹选取准则选取兴趣轨迹；
OPTA算法是一种基于形态学的单循环并行模板匹配算法，其优点是运算简单，计算速度很快，且能够较好地保留图像的连通性和形状特征；采用OPTA算法对兴趣轨迹进行细化并提取出轨迹骨架，具体实现方法如下：按从左到右，从上到下的方式，从最左上角的像素点开始抽取出每个灰度值不为0的像素点的邻域，将该邻域与消除模板中的任意一个消除模板匹配，若不能匹配则保留像素点的值，否则要再将该邻域与保留模板匹配，若能匹配则仍然保留像素点的值，若不能匹配则删去该像素点，即将像素点的灰度值置零；对所有像素点进行上述操作，保留下的像素值不为0的像素点即为提取出的轨迹骨架。
5.如权利要求4所述的暗弱小天体远距离接近段光学导航特征提取方法，其特征在于：所述兴趣轨迹选取准则选为亮度兴趣轨迹选取准则，即选取亮度最亮的轨迹为兴趣轨迹，兴趣轨迹的选取准则为：
max average(GROI_i) (4)
其中，GROI_i是第i个兴趣区的灰度矩阵。
6.如权利要求5所述的暗弱小天体远距离接近段光学导航特征提取方法，其特征在于：步骤三的具体实现方法为，
复原图像问题需估计出合适的模糊核及复原图像，使得图像复原的代价函数尽量最小，代价函数形式为：
然而，复原图像问题本质上是NP(non-deterministic polynomial)问题，即由于信息的匮乏，会导致结果不唯一甚至病态；为解决星图模糊复原的问题，需要根据导航星图的实际特点引入相关先验信息建立正则惩罚项；
深空导航星图的重要特征是星点能量集中在极少数像素点中，通过步骤一去噪声预处理后，绝大部分像素点为黑色背景，故利用图像的灰度稀疏作为先验信息；同理，由于有值像素点较少，故图像的边缘像素点也就更少，所以图像的灰度梯度也是稀疏的；稀疏先验信息通过L0范数构建，即
||Istatic||0+||▽Istatic||0 (6)
最终采用的星图复原代价函数的形式为：
其中，项是为保证估计出的模糊核的简单性；
将步骤二中提取出的轨迹骨架为模糊核的估计初值，以代价函数最小为指标估计复原图像；由估计出的复原图像更新模糊核；如此循环迭代直至达到给定的循环的终止条件，此时估计出的复原图像即为最终得到的长曝光拖曳星图的复原图像。
7.如权利要求6所述的暗弱小天体远距离接近段光学导航特征提取方法，其特征在于：步骤四的具体实现方法为，
对步骤三得到的长曝光拖曳星图复原图进行连通域判定，去除连通域小于预设像素数量的目标；
然后，根据导航星覆盖像素的像素值确定复原星图导航星光心所在的位置，即实现提取复原图像中各星点的灰度光心，完成长曝光拖曳星图特征提取。
8.如权利要求7所述的暗弱小天体远距离接近段光学导航特征提取方法，其特征在于：步骤四中去除连通域小于预设像素数量的目标选去除连通域小于2个像素的目标。
9.如权利要求8所述的暗弱小天体远距离接近段光学导航特征提取方法，其特征在于：步骤四中计算灰度光心的方法采用灰度加权算法，灰度加权算法的公式为：
CN201910747103.7A 2019-08-14 2019-08-14 暗弱小天体远距离接近段光学导航特征提取方法 Active CN110427955B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910747103.7A CN110427955B (zh) 2019-08-14 2019-08-14 暗弱小天体远距离接近段光学导航特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910747103.7A CN110427955B (zh) 2019-08-14 2019-08-14 暗弱小天体远距离接近段光学导航特征提取方法

Publications (2)

Publication Number Publication Date
CN110427955A true CN110427955A (zh) 2019-11-08
CN110427955B CN110427955B (zh) 2021-09-21

Family

ID=68416139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910747103.7A Active CN110427955B (zh) 2019-08-14 2019-08-14 暗弱小天体远距离接近段光学导航特征提取方法

Country Status (1)

Country Link
CN (1) CN110427955B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180286052A1 (en) * 2017-03-30 2018-10-04 4DM Inc. Object motion mapping using panchromatic and multispectral imagery from single pass electro-optical satellite imaging sensors
CN109029425A (zh) * 2018-06-25 2018-12-18 中国科学院长春光学精密机械与物理研究所 一种采用区域滤波的模糊星图复原方法
CN109300092A (zh) * 2018-09-20 2019-02-01 北京空间机电研究所 一种基于暗通道的遥感图像去模糊方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180286052A1 (en) * 2017-03-30 2018-10-04 4DM Inc. Object motion mapping using panchromatic and multispectral imagery from single pass electro-optical satellite imaging sensors
CN109029425A (zh) * 2018-06-25 2018-12-18 中国科学院长春光学精密机械与物理研究所 一种采用区域滤波的模糊星图复原方法
CN109300092A (zh) * 2018-09-20 2019-02-01 北京空间机电研究所 一种基于暗通道的遥感图像去模糊方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHENGSHI YU ET AL.: "On the observability of Mars entry navigation using radiometric measurements", 《ELSEVIER》 *
于正湜: "火星进入段自主导航方案设计与优化方法研究", 《中国博士学位论文全文数据库 工程科技II辑》 *

Also Published As

Publication number Publication date
CN110427955B (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
CN110108258B (zh) 一种单目视觉里程计定位方法
Riegler et al. A deep primal-dual network for guided depth super-resolution
WO2019174378A1 (zh) 一种基于深度预测和增强子网络的高质量深度估计方法
CN101359398B (zh) 运动模糊图像的盲恢复方法
Xiao et al. Image-based street-side city modeling
US7187809B2 (en) Method and apparatus for aligning video to three-dimensional point clouds
CN106920220B (zh) 基于暗原色和交替方向乘子法优化的湍流图像盲复原方法
Schindler et al. Line-based structure from motion for urban environments
CN111862201B (zh) 一种基于深度学习的空间非合作目标相对位姿估计方法
CN111063021A (zh) 一种空间运动目标的三维重建模型建立方法及装置
CN112258658B (zh) 一种基于深度相机的增强现实可视化方法及应用
CN113744337B (zh) 一种融合视觉、imu与声纳的同步定位与建图方法
CN112927251B (zh) 基于形态学的场景稠密深度图获取方法、系统及装置
WO2018133119A1 (zh) 基于深度相机进行室内完整场景三维重建的方法及系统
CN110455281A (zh) 暗弱小天体光学导航特征成像模拟方法
Petit et al. Augmenting markerless complex 3D objects by combining geometrical and color edge information
CN114972646A (zh) 一种实景三维模型独立地物的提取与修饰方法及系统
CN113436251B (zh) 一种基于改进的yolo6d算法的位姿估计系统及方法
CN116740332B (zh) 基于区域检测的星上空间目标部件中心定位和测角方法
Ye et al. Optical and SAR image fusion based on complementary feature decomposition and visual saliency features
CN117612204A (zh) 一种三维手部姿态估计器构建方法及系统
Monga et al. Crest lines extraction in volume 3D medical images: a multi-scale approach
CN110427955A (zh) 暗弱小天体远距离接近段光学导航特征提取方法
CN113129422A (zh) 一种三维模型构建方法、装置、存储介质和计算机设备
CN105069764A (zh) 一种基于边缘跟踪的图像去噪方法及系统

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