CN111402300A - 一种基于双谱域主成分分析的高动态星敏感器运动参数估计方法 - Google Patents
一种基于双谱域主成分分析的高动态星敏感器运动参数估计方法 Download PDFInfo
- Publication number
- CN111402300A CN111402300A CN202010315082.4A CN202010315082A CN111402300A CN 111402300 A CN111402300 A CN 111402300A CN 202010315082 A CN202010315082 A CN 202010315082A CN 111402300 A CN111402300 A CN 111402300A
- Authority
- CN
- China
- Prior art keywords
- image
- principal component
- component analysis
- motion
- double
- 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 27
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 16
- 230000009466 transformation Effects 0.000 claims abstract description 23
- 229910052704 radon Inorganic materials 0.000 claims abstract description 19
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000001228 spectrum Methods 0.000 claims description 16
- 230000010354 integration Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000003313 weakening effect Effects 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20201—Motion blur correction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于双谱域主成分分析的高动态星敏感器运动参数估计方法,包括:步骤(1)、对图像进行双谱变换;步骤(2)、主成分分析估计运动模糊角度θ;步骤(3)、旋转图像θ角进行Radon变换;步骤(4)、估计运动模糊长度L;该方法运用图像处理手段估计星敏感器运动参数,解决了高动态下星敏感器去除运动模糊时参数估计困难导致的星点提取精度不高、提取失败等问题,提高了星点提取数目及星点质心精度从而提高了星敏感器的动态性能,使得星敏感器能够在高动态环境中正常工作。
Description
技术领域
本发明涉及星敏感器去除运动模糊领域,尤其涉及一种基于双谱域主成分分析的高动态下星敏感器图像运动参数估计的方法。
背景技术
星敏感器在工作过程中受到了各种环境因素的干扰,其中,外界环境干扰主要是指星敏感器工作过程中将会受到日、月、地等天体的光环境和星空背景、人工天体等影响;星敏感器本身的干扰主要是指力学环境引起的影响和自身设备电磁环境等干扰因素的影响。复杂环境因素使得星敏感器像面背景增强,星图成像产生模糊,成像质量下降,从而影响到星敏感器成像系统的可靠性和星提取以及星图识别的准确性,甚至会导致星敏感器无法正常工作,采用后端图像复原技术以尽量减少复杂环境对星敏感器性能带来的负面影响研究具有重要意义。
目前星点质心提取,对于拖尾的应对方法一般为直接计算整个星点区域的中心作为质心,这降低了质心的精度,特别是在高动态情况下会造成星点的提取失败,从而导致星敏感器无法正常工作。因此引入图像复原是很有必要的。
图像复原分为盲复原与非盲复原,盲复原是指图像退化函数未知的情况,难度较大。星图模糊可以近似为由匀速直线运动引起,对于这种匀速运动产生的运动模糊,盲复原一般采用参数估计与非盲复原相结合的方式进行处理。目前退化函数的参数估计方法十分丰富,有基于频谱、倒谱、双谱、Radon变换或多种方法相结合的方法。通过图像的频域特征估计出模糊角度与尺度,再进行图像反卷积恢复图像。
Oliveria等人的《Parametric Blur Estimation for Blind Restoration ofNatural Images:Linear Motion and Out-of-Focus》使用频谱、Radon变换进行参数估计,但是并未涉及双谱变换,Mishra等人的《Efficient Motion Blur Parameters Estimationunder Noisy Condition》基于双谱变换改进了算法对噪声的鲁棒性,但其使用的是Radon变换求角度信息,仍然保留了Radon变换求角度时精度不高、对噪声鲁棒性差的缺点,综上所述,以上均未涉及基于双谱域的主成分分析法估计运动参数。
发明内容
本发明解决的技术问题是:基于双谱域主成分分析法的高动态星敏感器运动参数估计方法。步骤包括:(1)对图像进行双谱变换;(2)主成分分析估计运动模糊角度θ;(3)旋转图像θ角进行Radon变换;(4)估计运动模糊长度L。该方法运用图像处理手段解决了高动态下星图运动模糊去除时的参数估计困难问题,能有效改善星图运动拖尾问题,提高星点质心提取精度。
本发明采用的技术方案如下:一种基于双谱域主成分分析的高动态星敏感器运动参数估计方法,包括:
步骤(2)由于零均值的高斯噪声在双谱上集中在零值,因此对步骤(1)得到的双谱图进行高斯高通滤波去除图像中心的尖峰,由于图像中心为具有方向特征的椭圆亮斑,但是亮斑较小,方向特征不如直线明显,直接提取易产生较大的误差,且角度估计的精度对运动长度估计的影响很大,因此提出阈值分割后使用主成分分析方法提取出椭圆亮斑中方向特征,能够精准的估计出角度信息,可保证一定噪声下角度估计精度在0.5°以内,且算法鲁棒性、实时性好,主成分分析求角度θ的具体过程为:
a、阈值分割后图像中心的亮区域像素设为xk(ik,jk)共有n个像素,那么X={xk,k=0,1,2.....n},X为n*2的矩阵,每一行是每个像素的坐标值;
b、计算协方差矩阵C=E[XTX],首先对矩阵X做去中心化处理,即每一列减去列均值,将数据调整为以中心对称的,然后通过去中心化的后的XTX计算得到协方差矩阵C;
步骤(3)将图像顺时针旋转θ角,在水平方向上对图像进行Radon变换,Radon变换的作用是对模糊图像的频谱的条纹方向做线积分,Radon变换就是用来计算图像矩阵在特定方向上的投影,其定义如下:
式中,G(x,y)是g(x,y)的傅里叶变换xcosθ+ysinθ=ρ表示直线方程,其几何意义为图像G(x,y)在角度为θ、距离原点长度为ρ的直线上的投影;
步骤(4)步骤(3)中对图像G(x,y)旋转θ后,此时点扩散函数PSF的离散傅里叶变换为:
其中,N为旋转后的图像宽度,L为运动模糊的模糊长度,可见L与零点有关,即图像G(x,y)中的暗条纹。由H(u)=0可得:
式中,λ表示从中心开始第几条暗条纹,取d=u(λ+1)-u(λ),即相邻暗条纹间距,同样的也是中心主瓣的一半,那么L可由以下式子计算得到:
而步骤(3)Radon变换后即得到了模糊方向上的形如sinc函数的曲线,求取主瓣宽度2d,计算得到模糊长度L。
由于噪声的影响,随着噪声水平增强明暗条纹(即sinc函数的波峰波谷)逐渐减弱。因此使用一种增强的微分积分方法寻找曲线的第一极小值,对曲线做微分积分处理,将寻找第一极小值转换为寻找最小值,大大的抑制了噪声对估计模糊长度L的影响,增强了算法的鲁棒性。
本发明的技术结果:对图像的双谱进行阈值分割后利用主成分分析求出了运动角度,该角度估计十分精准;再对图像频谱顺时针旋转θ角后,水平进行Radon变换,寻找第一极小值求得运动长度,该长度估计精准。本发明能有效去除高动态条件下的星点拖尾,提高星图信噪比,提高星点提取数目及星点质心提取精度,最终提高星敏感器的动态性能。
附图说明
图1为本发明一种基于双谱域主成分分析的高动态星敏感器运动参数估计方法的流程图;
图2为运动模糊图像的频谱;
图3为运动模糊图像的双谱;
图4为主成分分析流程图;
图5为Radon变换后的类sinc曲线;
图6为寻找极小值的算法流程图。
具体实施方式
下面结合具体实施例,对本发明方法进一步说明。
本发明一种基于双谱域主成分分析的高动态星敏感器运动参数估计方法,具体流程如图1所示,包括:
含有噪声的星图的双谱图如图3所示。
步骤(2)由于零均值的高斯噪声在双谱上集中在零值,因此对步骤(1)得到的双谱图进行高斯高通滤波去除图像中心的尖峰,由于图像中心为具有方向特征的椭圆亮斑,但是亮斑较小,方向特征不如直线明显,直接提取易产生较大的误差,且角度估计的精度对运动长度估计的影响很大,因此提出阈值分割后使用主成分分析方法提取出椭圆亮斑中方向特征,能够精准的估计出角度信息,可保证一定噪声下角度估计精度在0.5°以内,且算法鲁棒性、实时性好,图4为主成分分析的具体过程:
a、阈值分割后的区域像素设为xk(ik,jk)共有n个像素,那么X={xk,k=0,1,2.....n},X为n*2的矩阵,每一行是每个像素的坐标值;
b、计算协方差矩阵C=E[XTX],首先对矩阵X做去中心化处理,即每一列减去列均值,将数据调整为以中心对称的。然后通过去中心化的后的XTX计算得到协方差矩阵C;
步骤(3)将图像顺时针旋转θ角后如图2所示,在水平方向上对图像进行Radon变换,Radon变换的作用是对模糊图像的频谱的条纹方向做线积分,Radon变换就是用来计算图像矩阵在特定方向上的投影,其定义如下:
式中,G(x,y)是g(x,y)的傅里叶变换xcosθ+ysinθ=ρ表示直线方程,其几何意义为图像G(x,y)在角度为θ、距离原点长度为ρ的直线上的投影。
步骤(4)步骤(3)中对图像G(x,y)旋转θ后,此时点扩散函数PSF的离散傅里叶变换为:
其中,N为旋转后的图像宽度,L为运动模糊的模糊长度,可见L与零点有关,即图像G(x,y)中的暗条纹。由H(u)=0可得:
式中,λ表示从中心开始第几条暗条纹,取d=u(λ+1)-u(λ),即相邻暗条纹间距,同样的也是中心主瓣2d的一半,那么L可由以下式子计算得到:
而步骤(3)Radon变换后即得到了模糊方向上的形如sinc函数的曲线。如图5所示,为Radon变换后的到的曲线,求取主瓣宽度2d,计算得到模糊长度L。由于噪声的影响,随着噪声水平增强明暗条纹(即sinc函数的波峰波谷)逐渐减弱。因此使用一种增强的微分积分方法寻找曲线的第一极小值,对曲线做微分积分处理,将寻找第一极小值转换为寻找最小值,大大的抑制了噪声对估计模糊长度L的影响,增强了算法的鲁棒性。
如图6所示,寻找第一极小值的算法具体步骤为:
a、首先取图5曲线右侧一半的点,按照Δi=wi-wi-1计算出所有相邻点的差值;
Claims (2)
1.一种基于双谱域主成分分析的高动态星敏感器运动参数估计方法,其特征在于,该方法包括如下步骤:
步骤(2)由于零均值的高斯噪声在双谱上集中在零值,因此对步骤(1)得到的双谱图进行高斯高通滤波去除图像中心的尖峰,由于图像中心为具有方向特征的椭圆亮斑,但亮斑较小,方向特征不如直线明显,直接提取易产生较大的误差,且角度估计的精度对运动长度估计的影响很大,因此提出阈值分割后使用主成分分析方法提取出椭圆亮斑中方向特征,能够精准的估计出角度信息,可保证一定噪声下角度估计精度在0.5°以内,且算法鲁棒性、实时性好;主成分分析求角度θ的具体过程为:
a、阈值分割后图像中心的亮区域像素设为xk(ik,jk)共有n个像素,那么X={xk,k=0,1,2.....n},X为n*2的矩阵,每一行是每个像素的坐标值;
b、计算协方差矩阵C=E[XTX],首先对矩阵X做去中心化处理,即每一列减去列均值,将数据调整为以中心对称的,然后通过去中心化的后的XTX计算得到协方差矩阵C;
步骤(3)将图像顺时针旋转θ角,在水平方向上对图像进行Radon变换得到类似sinc函数的曲线;
步骤(4)步骤(3)中对图像G(x,y)旋转θ后,此时点扩散函数PSF的离散傅里叶变换为:
其中,N为图像宽度,L为运动模糊的模糊长度,可见L与零点有关,即图像G(x,y)中的暗条纹,由H(u)=0可得:
式中,λ表示从中心开始第几条暗条纹,取d=u(λ+1)-u(λ),即相邻暗条纹间距,同样的也是中心主瓣的一半,那么L可由以下式子计算得到:
而步骤(3)中Radon变换后即得到了模糊方向上的形如sinc函数的曲线,求取主瓣宽度2d,计算得到模糊长度L。
2.根据权利要求1所述的一种基于双谱域主成分分析的高动态星敏感器运动参数估计方法,其特征在于:由于噪声的影响,随着噪声水平增强明暗条纹(即sinc函数的波峰波谷)逐渐减弱,使用一种增强的微分积分方法寻找曲线的第一极小值,对曲线做微分积分处理,将寻找第一极小值转换为寻找最小值,大大的抑制了噪声对估计模糊长度L的影响,增强了算法的鲁棒性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010315082.4A CN111402300B (zh) | 2020-04-21 | 2020-04-21 | 一种基于双谱域主成分分析的高动态星敏感器运动参数估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010315082.4A CN111402300B (zh) | 2020-04-21 | 2020-04-21 | 一种基于双谱域主成分分析的高动态星敏感器运动参数估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111402300A true CN111402300A (zh) | 2020-07-10 |
CN111402300B CN111402300B (zh) | 2022-09-20 |
Family
ID=71429700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010315082.4A Active CN111402300B (zh) | 2020-04-21 | 2020-04-21 | 一种基于双谱域主成分分析的高动态星敏感器运动参数估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111402300B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991299A (zh) * | 2021-03-18 | 2021-06-18 | 中国科学院紫金山天文台 | 一种图像处理中构建光滑点扩散函数的方法 |
CN113794873A (zh) * | 2021-08-24 | 2021-12-14 | 上海科江电子信息技术有限公司 | 频谱、频谱线积分图的构建方法及频谱形状数据分析方法 |
CN115375695A (zh) * | 2022-10-27 | 2022-11-22 | 之江实验室 | 一种动态星敏感器暗弱恒星光斑的检测方法及装置、介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226113A (zh) * | 2008-01-30 | 2008-07-23 | 北京航空航天大学 | 基于电注入星图的星敏感器功能测试方法及装置 |
EP2105380A1 (fr) * | 2008-03-27 | 2009-09-30 | Centre National d'Etudes Spatiales | Méthode d'estimation d'attitude d'un senseur stellaire |
CN102435763A (zh) * | 2011-09-16 | 2012-05-02 | 中国人民解放军国防科学技术大学 | 一种基于星敏感器的航天器姿态角速度测量方法 |
US20130013199A1 (en) * | 2011-07-06 | 2013-01-10 | Zheng You | Method for measuring precision of star sensor and system using the same |
CN103453905A (zh) * | 2013-08-07 | 2013-12-18 | 北京航空航天大学 | 一种基于平面三角形主成分分析的星图识别方法 |
US20140232867A1 (en) * | 2013-02-18 | 2014-08-21 | Tsinghua University | Method for determining attitude of star sensor based on rolling shutter imaging |
CN107449444A (zh) * | 2017-07-17 | 2017-12-08 | 中国人民解放军国防科学技术大学 | 一种多星图姿态关联的星敏感器内参数标定方法及其装置 |
CN108332739A (zh) * | 2018-01-19 | 2018-07-27 | 中国人民解放军国防科技大学 | 确定星敏感器在轨姿态测量精度主成分因素响应边界的方法 |
CN108362307A (zh) * | 2018-01-16 | 2018-08-03 | 中国人民解放军国防科技大学 | 星敏感器在轨姿态测量精度主成分因素的确定方法 |
CN108871373A (zh) * | 2017-05-11 | 2018-11-23 | 北京遥感设备研究所 | 一种基于俯仰滚转台和非线性优化的星敏感器标定方法 |
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 |
CN109282830A (zh) * | 2017-07-21 | 2019-01-29 | 北京遥感设备研究所 | 一种星敏感器与基础坐标系的安装误差角估计方法 |
CN109470268A (zh) * | 2018-11-02 | 2019-03-15 | 佛山科学技术学院 | 一种提高卫星姿态确定精度和效率的方法 |
CN109579872A (zh) * | 2018-12-04 | 2019-04-05 | 上海航天控制技术研究所 | 一种星敏感器仪器星等估计方法 |
CN110285807A (zh) * | 2019-06-28 | 2019-09-27 | 南京航空航天大学 | 一种高动态星敏感器 |
-
2020
- 2020-04-21 CN CN202010315082.4A patent/CN111402300B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226113A (zh) * | 2008-01-30 | 2008-07-23 | 北京航空航天大学 | 基于电注入星图的星敏感器功能测试方法及装置 |
EP2105380A1 (fr) * | 2008-03-27 | 2009-09-30 | Centre National d'Etudes Spatiales | Méthode d'estimation d'attitude d'un senseur stellaire |
US20130013199A1 (en) * | 2011-07-06 | 2013-01-10 | Zheng You | Method for measuring precision of star sensor and system using the same |
CN102435763A (zh) * | 2011-09-16 | 2012-05-02 | 中国人民解放军国防科学技术大学 | 一种基于星敏感器的航天器姿态角速度测量方法 |
US20140232867A1 (en) * | 2013-02-18 | 2014-08-21 | Tsinghua University | Method for determining attitude of star sensor based on rolling shutter imaging |
CN103453905A (zh) * | 2013-08-07 | 2013-12-18 | 北京航空航天大学 | 一种基于平面三角形主成分分析的星图识别方法 |
CN108871373A (zh) * | 2017-05-11 | 2018-11-23 | 北京遥感设备研究所 | 一种基于俯仰滚转台和非线性优化的星敏感器标定方法 |
CN107449444A (zh) * | 2017-07-17 | 2017-12-08 | 中国人民解放军国防科学技术大学 | 一种多星图姿态关联的星敏感器内参数标定方法及其装置 |
CN109282830A (zh) * | 2017-07-21 | 2019-01-29 | 北京遥感设备研究所 | 一种星敏感器与基础坐标系的安装误差角估计方法 |
CN108362307A (zh) * | 2018-01-16 | 2018-08-03 | 中国人民解放军国防科技大学 | 星敏感器在轨姿态测量精度主成分因素的确定方法 |
CN108332739A (zh) * | 2018-01-19 | 2018-07-27 | 中国人民解放军国防科技大学 | 确定星敏感器在轨姿态测量精度主成分因素响应边界的方法 |
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 |
CN109470268A (zh) * | 2018-11-02 | 2019-03-15 | 佛山科学技术学院 | 一种提高卫星姿态确定精度和效率的方法 |
CN109579872A (zh) * | 2018-12-04 | 2019-04-05 | 上海航天控制技术研究所 | 一种星敏感器仪器星等估计方法 |
CN110285807A (zh) * | 2019-06-28 | 2019-09-27 | 南京航空航天大学 | 一种高动态星敏感器 |
Non-Patent Citations (3)
Title |
---|
李晓等: "基于星敏感器的卫星角速度估计精度分析", 《空间控制技术与应用》 * |
王炯琦 等: "基于星敏感器/陀螺组合定姿建模及精度仿真", 《系统仿真学报》 * |
钟红军等: "星敏感器标定方法研究", 《光学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991299A (zh) * | 2021-03-18 | 2021-06-18 | 中国科学院紫金山天文台 | 一种图像处理中构建光滑点扩散函数的方法 |
CN113794873A (zh) * | 2021-08-24 | 2021-12-14 | 上海科江电子信息技术有限公司 | 频谱、频谱线积分图的构建方法及频谱形状数据分析方法 |
CN113794873B (zh) * | 2021-08-24 | 2024-04-16 | 上海科江电子信息技术有限公司 | 频谱、频谱线积分图的构建方法及频谱形状数据分析方法 |
CN115375695A (zh) * | 2022-10-27 | 2022-11-22 | 之江实验室 | 一种动态星敏感器暗弱恒星光斑的检测方法及装置、介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111402300B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402300B (zh) | 一种基于双谱域主成分分析的高动态星敏感器运动参数估计方法 | |
CN108765325B (zh) | 一种小型无人机模糊图像复原方法 | |
CN109377450B (zh) | 一种边缘保护的去噪方法 | |
CN116309757B (zh) | 基于机器视觉的双目立体匹配方法 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN112629409A (zh) | 一种线结构光条纹中心提取方法 | |
CN108932699A (zh) | 基于变换域的三维匹配调和滤波图像去噪方法 | |
CN111223063A (zh) | 基于纹理特征和双核函数的手指静脉图像nlm去噪方法 | |
CN110390338B (zh) | 一种基于非线性引导滤波与比率梯度的sar高精度匹配方法 | |
CN112465712B (zh) | 一种运动模糊星图复原方法及系统 | |
CN110930433A (zh) | 一种基于图像复原的高速移动对象机器视觉目标检测方法 | |
CN111145198A (zh) | 一种基于快速角点检测的非合作目标运动估计方法 | |
CN111429479B (zh) | 基于图像积分均值的空间目标识别方法 | |
CN113052794A (zh) | 一种基于边缘特征的图像清晰度识别方法 | |
CN113223074A (zh) | 一种水下激光条纹中心提取方法 | |
CN111160362B (zh) | 一种fast特征均匀化提取与帧间特征误匹配去除方法 | |
CN112750090A (zh) | 一种改进小波阈值的水下图像降噪方法及系统 | |
CN116612032A (zh) | 基于自适应维纳滤波和2d-vmd的声呐图像去噪方法及设备 | |
CN111062972A (zh) | 基于图像频率域转换的图像跟踪方法 | |
CN108428216B (zh) | 基于散布矩阵特征的二阶偏微分方程遥感图像去噪方法 | |
Potocnik et al. | Image enhancement by using directional wavelet transform | |
CN104966271A (zh) | 基于生物视觉感受野机制的图像去噪方法 | |
Soe et al. | A simple PSF parameters estimation method for the de-blurring of linear motion blurred images using wiener filter in OpenCV | |
CN115147613A (zh) | 一种基于多向融合的红外小目标检测方法 | |
CN111798506A (zh) | 一种图像处理方法、控制方法、终端及计算机可读存储介质 |
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 |