CN112634295B - 一种基于双重梯度阈值的星敏感器星点分割方法 - Google Patents

一种基于双重梯度阈值的星敏感器星点分割方法 Download PDF

Info

Publication number
CN112634295B
CN112634295B CN202011588245.2A CN202011588245A CN112634295B CN 112634295 B CN112634295 B CN 112634295B CN 202011588245 A CN202011588245 A CN 202011588245A CN 112634295 B CN112634295 B CN 112634295B
Authority
CN
China
Prior art keywords
star
gradient
matrix
star point
gradient threshold
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
CN202011588245.2A
Other languages
English (en)
Other versions
CN112634295A (zh
Inventor
江文超
戴东凯
丁建群
谭文锋
倪源蔓
秦石乔
王省书
郑佳兴
吴伟
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.)
National University of Defense Technology
Original Assignee
National University of Defense 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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202011588245.2A priority Critical patent/CN112634295B/zh
Publication of CN112634295A publication Critical patent/CN112634295A/zh
Application granted granted Critical
Publication of CN112634295B publication Critical patent/CN112634295B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/20004—Adaptive image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于双重梯度阈值的星敏感器星点分割方法，包括以下步骤：获取灰度分布矩阵；根据灰度分布矩阵得到星图的梯度分量矩阵；对梯度分量矩阵进行处理得到分割星图；将行列两个维度得到的分割星图求并集得到星图。应用本发明的方法，效果是：采用双重梯度阈值分割可有效减少星图中星点误检测的概率；通过微分处理求解星图梯度的方法，可以有效提高复杂背景条件下暗星的探测能力；同时利用分支梯度判定，在较高的暗星探测能力条件下具有去除探测器噪声的能力；采用星点分支补偿的方法，对双重梯度阈值分割得到的星点分支窗口进行梯度判定补偿临近星点像素，提高了星敏感器的星点像素分割的完整性，有助于提高后续星点提取算法的精度。

Description

一种基于双重梯度阈值的星敏感器星点分割方法
技术领域
本发明涉及航空航天技术领域，具体涉及一种星敏感器的星点分割方法，特别是涉及一种基于双重梯度阈值的星敏感器星点分割方法。
背景技术
高精度姿态测量，是航天器、飞行器和导弹的导航系统正常工作的重要保障。在当今多种多样的姿态测量部件中，星敏感器是姿态测量精度最高的器件之一。星敏感器以星图中深空恒星为基准，通过探测恒星质心坐标并将其与导航星库数据进行匹配解算，从而为载体提供准确的姿态信息。恒星与地球的位置通常保持相对静止，并且恒星在面阵传感器所占的像素面积小，其对应的张角一般为角秒量级，所以通过高分辨率星图可以实现高精度姿态测量。
由于星敏感器姿态测量只需星图信息，因此利用星敏感器可以独立进行高精度姿态测量，这也使得星敏感器的使用范围越来越广。从初期应用于航天器姿态测量，发展到应用在机载、船载、弹载等多种近地应用领域，高精度以及抗干扰能力成为星敏感器的发展趋势。而随着星敏感器的应用环境由深空向近地不断发展，星图背景愈发复杂，导航系统对星敏感器姿态测量提出了更高的抗干扰能力及更强去噪声能力的要求。
星敏感器在近地面应用时受云层、月光、杂散光及异形星点的影响，星点质心提取难度增大，传统星点分割算法已经无法适应这一需求。因此星敏感器在复杂背景干扰下，很难实现高精准度姿态测量。
目前多种基于区域化、形态学法、极大值窗口等方案被提出用于解决这一问题，其中基于形态学滤波的小目标和弱光目标的实时检测和定位方法在星点提取领域效果显著。北航教授Jiang Jie课题组于2016年在Optical Engineering杂志发表的论文《Robust andaccurate star segmentation algorithm based on morphology》在形态学基础上提出了一种新的星点目标分割算法。该算法利用三种不同结构元素组合来定义一种新的星点分割算法，能够抑制多种不同噪声干扰并分割出星点像素信息，提高星点提取算法准确度。但是该算法在云层(复杂背景)边缘的过滤效果并不显著，尤其在复杂云层背景下会发生星点误检测。
因此，开发一种新的且能解决复杂背景条件下星点像素分割的问题的星点分割方法具有重要意义。
发明内容
本发明提供一种基于双重梯度阈值的星敏感器星点分割方法，目的是解决复杂背景条件下星点像素分割的问题，从而抑制背景噪声，提升复杂背景条件下星敏感器的星点分割算法精度具体技术方案如下：
一种基于双重梯度阈值的星敏感器星点分割方法，包括以下步骤：
步骤一、采用星敏感器拍摄复杂背景星图，得到灰度分布矩阵I；
步骤二、对灰度分布矩阵I进行梯度转换，得到星图的x梯度分量矩阵dx和y梯度分量矩阵dy；
步骤三、对梯度分量矩阵进行处理得到分割星图，具体是：
步骤3.1、根据全局梯度阈值的公式，利用星图的梯度分量矩阵求解全局梯度阈值；
步骤3.2、根据自适应梯度阈值求解公式求解相应像素对应梯度的左自适应梯度窗口及右自适应梯度窗口对应的左边缘梯度阈值及右边缘梯度阈值，将所有像素的左边缘梯度阈值集合得到左边缘梯度阈值矩阵，将所有像素的左边缘梯度阈值集合得到右边缘梯度阈值矩阵；
步骤3.3、利用左边缘梯度阈值和全局梯度阈值对梯度分量矩阵进行分割得到左边缘标志；利用右边缘梯度阈值和全局梯度阈值对梯度分量矩阵进行分割得到右边缘标志；根据左边缘标志和右边缘标志构建星点分支窗口，并将星点分支窗口记录在初步星点边缘标志矩阵；
步骤3.4、对初步星点边缘标志矩阵中每一个星点分支进行分支梯度判定得到新的星点边缘标志矩阵；
步骤3.5、对新的星点边缘标志矩阵进行二次补偿判定得到星点分支窗口标志矩阵；
步骤3.6、根据星点分支窗口标志矩阵锁定星点分支窗口并得到分割星图Ix和Iy；
步骤四、将行列两个维度得到的分割星图Ix和Iy求并集得到完全去除背景分割出有效星点的星图It。
优选的，所述步骤二中利用偏导及微分的求解方法对二维星图矩阵I进行梯度转换，得到星图的x梯度分量矩阵dx和y梯度分量矩阵dy，具体是：
采用表达式1)和表达式2)分别获得星图的x梯度分量矩阵dx和y梯度分量矩阵dy：dx(i，j)＝I(i，j)-I(i-1，j) 1)；
dy(i，j)＝I(i，j)-I(i，j-1) 2)；
其中：dx(i，j)代表(i，j)位置的像素对应的x分量梯度，dx为所有像素对应的x分量梯度的集合；dy(i，j)代表(i，j)位置的像素对应的y分量梯度，dy为所有像素对应的y分量梯度的集合；第i行、第j列像素的灰度计为I(i，j)。
优选的，所述分割星图Ix获得过程如下：
根据全局梯度阈值的公式，利用星图的x梯度分量矩阵dx求解全局梯度阈值Tdx-global；
根据自适应梯度阈值求解公式求解(i，j)位置的像素对应梯度的左自适应梯度窗口及右自适应梯度窗口对应的左边缘梯度阈值Tleft(i，j)及右边缘梯度阈值Tright(i，j)；集合所有像素的左边缘梯度阈值和右边缘梯度阈值，得到左边缘梯度阈值矩阵Tleft和右边缘梯度阈值矩阵Tright；
利用左边缘梯度阈值Tleft(i，j)和全局梯度阈值Tdx-global对x梯度分量矩阵dx进行分割得到左边缘标志；利用右边缘梯度阈值Tright(i，j)和全局梯度阈值Tdx-global对x梯度分量矩阵dx进行分割得到右边缘标志；根据左边缘标志和右边缘标志构建星点分支窗口，并将星点分支窗口记录在初步星点边缘标志矩阵Mdx；
对初步星点边缘标志矩Mdx中每一个星点分支进行分支梯度判定得到新的星点边缘标志矩阵M’dx；
对新的星点边缘标志矩阵M’dx进行二次补偿判定得到星点分支窗口标志矩阵Sdx；
根据星点分支窗口标志矩阵Sdx锁定星点分支窗口并得到分割星图Ix。
优选的，全局梯度阈值Tdx-global采用表达式5)进行求解：
Figure BDA0002867804490000031
其中：
Figure BDA0002867804490000032
为dx的平均值；s是s2的算术平方根，而s2是dx的方差，采用表达式6)表示：
Figure BDA0002867804490000033
其中：dx(i，j)为(i，j)位置的像素对应的x分量梯度；M，N分别是x分量梯度矩阵的行数和列数。
优选的，(i，j)位置的像素的左边缘梯度阈值Tleft(i，j)及右边缘梯度阈值Tright(i，j)采用表达式7)和表达式8)获得：
Figure BDA0002867804490000034
Figure BDA0002867804490000035
其中：l是自适应区域半径；max和min分别为求解自适应梯度窗口内最大值和最小值区域的函数。
优选的，所述步骤五中：利用左边缘梯度阈值Tleft(i，j)和全局梯度阈值Tdx-global对x梯度分量矩阵dx中所有大于零的梯度进行分割得到左边缘标志；利用右边缘梯度阈值Tright(i，j)和全局梯度阈值Tdx-global对y梯度分量矩阵dy中所有小余零的梯度进行分割得到右边缘标志。
优选的，获得新的星点边缘标志矩阵M’dx具体是：对初步星点边缘标志矩阵Mdx中每一个星点分支进行分支梯度判定去除因梯度处理放大的探测器噪声及散粒噪声，得到新的星点边缘标志矩阵M’dx。
优选的，获得星点分支窗口标志矩阵Sdx具体是：
对新的星点边缘标志矩阵M’dx的所有分支窗口左边界左侧的梯度进行二次补偿判定，同时对所有分支窗口右边界右侧的梯度进行二次补偿判定，扩大星点分支窗口大小，进而保留更多的有效星点像素信息，得到星点分支窗口标志矩阵Sdx。
优选的，所述分割星图Iy的获得过程与分割星图Ix的获得过程相同。
应用本发明的技术方案，有益效果是：
1、本发明方法采用的双重梯度阈值分割可有效提高复杂背景条件下星点提取的去噪能力从而减少星图中星点误检测的概率，具体是：全局梯度阈值可以有效筛选去除低标准差区域白噪声，自适应梯度阈值可以有效剔除云层及月亮边缘等高标准差区域的无关信号。
2、本发明方法通过微分处理求解星图梯度的方法，放大了星点边缘信号，可以有效提高复杂背景条件下暗星的探测能力；同时利用分支梯度判定来剔除微分处理放大的探测器噪声像素，从而在较高的暗星探测能力条件下具有去除探测器噪声的能力。
3、本发明方法采用星点分支补偿的方法，对双重梯度阈值分割得到的星点分支窗口进行梯度判定补偿临近星点像素，提高了星敏感器的星点像素分割的完整性，有助于提高后续星点提取算法的精度。
附图说明
图1为本实施例的基于双重梯度阈值的星敏感器星点分割方法流程图；
图2为本实施例中自适应梯度阈值获取示意图；
图3为本实施例中像素梯度及其自适应梯度阈值分布示例：(a)为三颗星Tleft(i，j)、Tright(i，j)和dx(i，j)的分布情况；(b)为星1(star 1)的Tleft(i，j)、Tright(i，j)和dx(i，j)的分布情况；(c)为星2(star 2)的Tleft(i，j)、Tright(i，j)和dx(i，j)的分布情况；(d)为星3(star 3)的Tleft(i，j)、Tright(i，j)和dx(i，j)的分布情况；
图4为本实施例中星图分支梯度判定示意图；
图5为本实施例中星点分支像素补偿流程图；
图6为本实施例中星图有效像素分割；
图7为本实施例方案与Top-Hat算法星图分割对比图，其中图7(a)为自适应梯度阈值星点分割算法后后星点提取结果，图7(b)为全局梯度阈值星点分割算法后星点提取结果，图7(c)为双重梯度阈值星点分割后星点提取结果，图7(d)为将Top-Hat算法(已经调整好最佳的灰度阈值)应用于同样的云层星图进行星图分割后星点提取结果；图7(a)-图7(d)中：红色的十字叉为星点提取算法成功检测的星点；绿色圆圈为标准星点坐标。
具体实施方式
下面结合附图对本发明的实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
实施例：
一种基于双重梯度阈值的星敏感器星点分割方法，详见图1，具体如下：
定义复杂星图的灰度分布矩阵为I，第i行、第j列像素的灰度计为I(i，j)，其中i和j的取值范围分别为0＜i＜M，0＜j＜N；M和N分别为星图矩阵的行数和列数。
星点分割方法具体如下：
第一步、采用星敏感器拍摄复杂背景星图，得到灰度分布矩阵I，具体实现方式如下：
在夜空存在可视星点且云以块状出现的情况下，利用星敏感器对天空采集星图，将星图输出为灰度分布矩阵I。
第二步、利用偏导及微分的求解方法对二维星图矩阵I进行梯度转换，得到星图的x梯度分量矩阵dx和y梯度分量矩阵dy，详情如下：
星图以离散数据的形式二维分布，对星图一维行像素(x方向)求偏导，即利用表达式1)对I中所有像素点进行处理，得到星图的x梯度分量矩阵dx。对星图一维列像素(dy方向)求偏导，即利用表达式2)对I中所有像素点进行处理，得到星图的dy梯度分量矩阵dy：
dx(i，j)＝I(i，j)-I(i-1，j) 1)；
dy(i，j)＝I(i，j)-I(i，j-1) 2)；
其中：dx(i，j)代表(i，j)位置的像素对应的x分量梯度，dx为所有像素对应的x分量梯度的集合；dy(i，j)代表(i，j)位置的像素对应的y分量梯度，dy为所有像素对应的y分量梯度的集合。
由于i和j均为整数，这里分别将dx和dy第一行和第一列的梯度分量定义为0。如表达式3)和表达式4)：
dx(1，j)＝0 3)；
dy(i，1)＝0 4)。
第三步、根据全局梯度阈值的公式，利用星图梯度分量矩阵求解全局梯度阈值Tdx-global，详情如下：
根据表达式3)和表达式4)，通过第二步得到的星图的x梯度分量矩阵dx，进而计算得到dx对应的全局梯度阈值Tdx-global。由于背景噪声基本也是符合高斯分布，因此在梯度阈值选取中选用通用表达式5)的平均值加3倍方差来分割对应的背景杂散光噪声：
Figure BDA0002867804490000061
其中：
Figure BDA0002867804490000062
为dx的平均值；s是s2的算术平方根，而s2是dx的方差，采用表达式6)表示：
Figure BDA0002867804490000063
其中：dx(i，j)为(i，j)位置的像素对应的x分量梯度。
由此，我们可以分别得到x分量方向上的全局梯度阈值Tdx-global。利用全局梯度阈值可以有效剔除低标准差区域的白噪声。
第四步、根据自适应梯度阈值求解公式，求解当前像素对应梯度的左自适应梯度窗口及右自适应梯度窗口对应的左边缘梯度阈值Tleft(i，j)及右边缘梯度阈值Tright(i，j)，进而得到左边缘梯度阈值矩阵Tleft和右边缘梯度阈值矩阵Tright。
分别建立与当前像素I(i，j)相邻的左右一维窗口(如图2中的左窗口和右窗口)，利用左右窗口的最大值、最小值和平均值计算相应的边缘自适应梯度阈值，如表达式7)和表达式8)和图2所示：
Figure BDA0002867804490000064
Figure BDA0002867804490000065
其中：l是自适应区域半径，本实施例设定为6；
max和min分别为求解自适应梯度窗口内最大值和最小值区域的函数；Tleft(i，j)和Tright(i，j)分别为(i，j)位置像素的左自适应梯度阈值和右自适应梯度阈值。
集合所有像素的左边缘梯度阈值Tleft(i，j)和右边缘梯度阈值Tright(i，j)，得到左边缘梯度阈值矩阵Tleft和右边缘梯度阈值矩阵Tright。
第五步、利用左边缘梯度阈值Tleft(i，j)和全局梯度阈值Tdx-global对dx中所有大于零的梯度进行分割得到左边缘标志，利用右边缘梯度阈值Tright(i，j)和全局梯度阈值Tdx-global对dx中所有小余零的梯度进行分割得到右边缘标志，根据左右边缘标志构建星点分支窗口，并将星点分支窗口记录在初步星点边缘标志矩阵Mdx。
x分量梯度(dx(i，j))的正负决定了有效的梯度是左边缘梯度还是右边缘梯度。通过比较Tleft(i，j)、Tright(i，j)和dx(i，j)的大小关系来分割出有效梯度，具体是：
当dx(i，j)的值大于Tleft(i，j)和Tdx-global时，当前dx(i，j)对应的像素为有效左边缘；
当dx(i，j)的值小于Tright(i，j)和-Tdx-global时，当前dx(i，j)对应的像素为有效右边缘。
星点边缘信息记录在矩阵Mdx，并将有效的边缘梯度大小记录在矩阵dxT中，如表达式9-12)：
Figure BDA0002867804490000071
Figure BDA0002867804490000072
Figure BDA0002867804490000073
Figure BDA0002867804490000074
其中，Mdx为由Mdx(i，j)组成的初步星点边缘标志矩阵，该矩阵中，“1”代表有效左边缘像素，“2”代表有效右边缘像素；dxT(i，j)代表矩阵dxT中(i，j)位置的边缘梯度。同一行相邻有效左边缘像素中，星点分支左边界为其中最左侧的有效左边缘像素，星点分支右边界为其中最右侧的有效右边缘像素。即左边缘像素和右边缘像素之间的为星点分支窗口(包括左边缘像素及右边缘像素)。图3给出了第五步中的自适应梯度矩阵阈值分割示例图。
第六步、对星点边缘标志矩阵Mdx中每一个星点分支进行分支梯度判定去除因梯度处理放大的探测器噪声及散粒噪声，并得到分支梯度判定后新的星点边缘标志矩阵M’dx。
若分支中所有像素对应dx矩阵中的梯度dx(i，j)均为0，则可将当前星点分支判定为无效；若当前星点分支中像素个数(包含边界像素)小余3，则也可将当前星点分支判定为无效；得到分支判定后新的星点边缘标志矩阵M’dx，如图4所示。
第七步、对新的星点边缘标志矩阵M’dx的左边界左侧的梯度进行二次补偿判定，对分支窗口右侧的梯度进行二次补偿判定，从而扩大星点分支窗口大小，进而保留更多的有效星点像素信息，得到星点分支窗口标志矩阵Sdx。
补偿算法通过对分支边界相邻像素梯度进行二次阈值分割判定，若其大于相邻有效梯度的1/a(本实施例中采用a＝2)，则将该位置对应的像素判定为有效的星点像素，进而将相应的星点分支窗口进行放大，步骤的详细信息如图5所示。
输入：dx(i，j)，Mdx(i，j)，决策参数a＝2；
输出：Sdx(k，j)；其中Sdx(k，j)为矩阵Sdx中(k，j)位置元素，k在流程图里定义。
Sdx矩阵初始化矩阵元素均为0，步骤6结束后，矩阵Sdx存储的为补偿像素之后的星点分支窗口标志矩阵(“1”代表星点分支左边缘，“2”代表星点分支右边缘)。
第八步、根据星点分支窗口标志矩阵Sdx锁定星点分支窗口并得到分割星图Ix，具体是：
Sdx记录新的星点分支窗口标志矩阵，在图6中，用“+”“-”分别表示星的左边缘和右边缘(为避免和灰度混淆，说明时，将“1”替换成“+”，“2”替换成“-”)。将同一“+”和“-”之间的所有像素称为有效的星点分支，只有在有效的星点分支中的像素才是有效的。将星点分支区域与星图比对分割得到一幅根据x方向梯度分量去除背景的星图Ix。
第九步、将行列两个维度得到的分割星图Ix和Iy求并集得到完全去除背景分割出有效星点的星图It；
具体是，在获得星图Ix之后，在dy方向上对dy梯度分量矩阵dy重复第三步至第八步得到根据dy方向梯度分量去除背景的星图到Iy；最后将Ix和Iy求并集得到最终结果It，即得到最终完全去除背景的星图。该过程采用表达式13)示意：
It＝Ix∪Iy 13)。
实际应用案例如图7所示，图7中：红色的十字叉对应经过不同星点分割算法后星点提取成功检测的星点坐标；绿色圆圈对应原图标准星点坐标。图7(a)为自适应梯度阈值星点分割算法后的星点提取结果，图7(b)为全局梯度阈值星点分割算法后星点提取结果，图7(c)为双重梯度阈值星点分割后星点提取结果，图7(d)为将Top-Hat算法(已经调整好最佳的灰度阈值)应用于同样的云层星图进行星图分割后星点提取结果。基于分割对象是星图，本实施例中采用红色和绿色才能很好地表达出成功检测的星点坐标及原图标准星点坐标，且结合图7(a)-图7(d)可以看出：采用双重梯度阈值分割可有效减少星图中星点误检测的概率；通过微分处理求解星图梯度的方法，可以有效提高复杂背景条件下暗星的探测能力；同时利用分支梯度判定，在较高的暗星探测能力条件下具有去除探测器噪声的能力；采用星点分支补偿的方法，对双重梯度阈值分割得到的星点分支窗口进行梯度判定补偿临近星点像素，提高了星敏感器的星点像素分割的完整性，有助于提高后续星点提取算法的精度。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种基于双重梯度阈值的星敏感器星点分割方法，其特征在于，包括以下步骤：
步骤一、采用星敏感器拍摄复杂背景星图，得到灰度分布矩阵I；
步骤二、对灰度分布矩阵I进行梯度转换，得到星图的x梯度分量矩阵dx和y梯度分量矩阵dy；
步骤三、对梯度分量矩阵进行处理得到分割星图，具体是：
步骤3.1、根据全局梯度阈值的公式，利用星图的梯度分量矩阵求解全局梯度阈值；
步骤3.2、根据自适应梯度阈值求解公式求解相应像素对应梯度的左自适应梯度窗口及右自适应梯度窗口对应的左边缘梯度阈值及右边缘梯度阈值，将所有像素的左边缘梯度阈值集合得到左边缘梯度阈值矩阵，将所有像素的左边缘梯度阈值集合得到右边缘梯度阈值矩阵；
步骤3.3、利用左边缘梯度阈值和全局梯度阈值对梯度分量矩阵进行分割得到左边缘标志；利用右边缘梯度阈值和全局梯度阈值对梯度分量矩阵进行分割得到右边缘标志；根据左边缘标志和右边缘标志构建星点分支窗口，并将星点分支窗口记录在初步星点边缘标志矩阵；
步骤3.4、对初步星点边缘标志矩阵中每一个星点分支进行分支梯度判定得到新的星点边缘标志矩阵；
步骤3.5、对新的星点边缘标志矩阵进行二次补偿判定得到星点分支窗口标志矩阵；
步骤3.6、根据星点分支窗口标志矩阵锁定星点分支窗口并得到分割星图Ix和Iy；
步骤四、将行列两个维度得到的分割星图Ix和Iy求并集得到完全去除背景分割出有效星点的星图It。
2.根据权利要求1所述的基于双重梯度阈值的星敏感器星点分割方法，其特征在于，所述步骤二中利用偏导及微分的求解方法对二维星图矩阵I进行梯度转换，得到星图的x梯度分量矩阵dx和y梯度分量矩阵dy，具体是：
采用表达式1)和表达式2)分别获得星图的x梯度分量矩阵dx和y梯度分量矩阵dy：
dx(i，j)＝I(i，j)-I(i-1，j) 1)；
dy(i，j)＝I(i，j)-I(i，j-1) 2)；
其中：dx(i，j)代表(i，j)位置的像素对应的x分量梯度，dx为所有像素对应的x分量梯度的集合；dy(i，j)代表(i，j)位置的像素对应的y分量梯度，dy为所有像素对应的y分量梯度的集合；第i行、第j列像素的灰度计为I(i，j)。
3.根据权利要求1所述的基于双重梯度阈值的星敏感器星点分割方法，其特征在于，所述分割星图Ix获得过程如下：
根据全局梯度阈值的公式，利用星图的x梯度分量矩阵dx求解全局梯度阈值Tdx-global；
根据自适应梯度阈值求解公式求解(i，j)位置的像素对应梯度的左自适应梯度窗口及右自适应梯度窗口对应的左边缘梯度阈值Tleft(i，j)及右边缘梯度阈值Tright(i，j)；集合所有像素的左边缘梯度阈值和右边缘梯度阈值，得到左边缘梯度阈值矩阵Tleft和右边缘梯度阈值矩阵Tright；
利用左边缘梯度阈值Tleft(i，j)和全局梯度阈值Tdx-global对x梯度分量矩阵dx进行分割得到左边缘标志；利用右边缘梯度阈值Tright(i，j)和全局梯度阈值Tdx-global对x梯度分量矩阵dx进行分割得到右边缘标志；根据左边缘标志和右边缘标志构建星点分支窗口，并将星点分支窗口记录在初步星点边缘标志矩阵Mdx；
对初步星点边缘标志矩Mdx中每一个星点分支进行分支梯度判定得到新的星点边缘标志矩阵M’dx；
对新的星点边缘标志矩阵M’dx进行二次补偿判定得到星点分支窗口标志矩阵Sdx；
根据星点分支窗口标志矩阵Sdx锁定星点分支窗口并得到分割星图Ix。
4.根据权利要求3所述的基于双重梯度阈值的星敏感器星点分割方法，其特征在于，全局梯度阈值Tdx-global采用表达式5)进行求解：
Figure FDA0002867804480000021
其中：
Figure FDA0002867804480000022
为dx的平均值；s是s2的算术平方根，而s2是dx的方差，采用表达式6)表示：
Figure FDA0002867804480000023
其中：dx(i，j)为(i，j)位置的像素对应的x分量梯度；M，N分别是x分量梯度矩阵的行数和列数。
5.根据权利要求4所述的基于双重梯度阈值的星敏感器星点分割方法，其特征在于，(i，j)位置的像素的左边缘梯度阈值Tleft(i，j)及右边缘梯度阈值Tright(i，j)采用表达式7)和表达式8)获得：
Figure FDA0002867804480000025
Figure FDA0002867804480000024
其中：l是自适应区域半径；max和min分别为求解自适应梯度窗口内最大值和最小值区域的函数。
6.根据权利要求4所述的基于双重梯度阈值的星敏感器星点分割方法，其特征在于，所述步骤三 中：利用左边缘梯度阈值Tleft(i，j)和全局梯度阈值Tdx-global对x梯度分量矩阵dx中所有大于零的梯度进行分割得到左边缘标志；利用右边缘梯度阈值Tright(i，j)和全局梯度阈值Tdx-global对y梯度分量矩阵dy中所有小余零的梯度进行分割得到右边缘标志。
7.根据权利要求5所述的基于双重梯度阈值的星敏感器星点分割方法，其特征在于，获得新的星点边缘标志矩阵M’dx具体是：对初步星点边缘标志矩阵Mdx中每一个星点分支进行分支梯度判定去除因梯度处理放大的探测器噪声及散粒噪声，得到新的星点边缘标志矩阵M’dx。
8.根据权利要求6所述的基于双重梯度阈值的星敏感器星点分割方法，其特征在于，获得星点分支窗口标志矩阵Sdx具体是：
对新的星点边缘标志矩阵M’dx的所有分支窗口左边界左侧的梯度进行二次补偿判定，同时对所有分支窗口右边界右侧的梯度进行二次补偿判定，扩大星点分支窗口大小，进而保留更多的有效星点像素信息，得到星点分支窗口标志矩阵Sdx。
9.根据权利要求3所述的基于双重梯度阈值的星敏感器星点分割方法，其特征在于，所述分割星图Iy的获得过程与分割星图Ix的获得过程相同。
CN202011588245.2A 2020-12-29 2020-12-29 一种基于双重梯度阈值的星敏感器星点分割方法 Active CN112634295B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011588245.2A CN112634295B (zh) 2020-12-29 2020-12-29 一种基于双重梯度阈值的星敏感器星点分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011588245.2A CN112634295B (zh) 2020-12-29 2020-12-29 一种基于双重梯度阈值的星敏感器星点分割方法

Publications (2)

Publication Number Publication Date
CN112634295A CN112634295A (zh) 2021-04-09
CN112634295B true CN112634295B (zh) 2022-05-20

Family

ID=75285811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011588245.2A Active CN112634295B (zh) 2020-12-29 2020-12-29 一种基于双重梯度阈值的星敏感器星点分割方法

Country Status (1)

Country Link
CN (1) CN112634295B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102564457B (zh) * 2011-12-29 2014-07-02 北京控制工程研究所 一种aps星敏感器在轨噪声自主抑制方法
CN104835177B (zh) * 2015-05-29 2016-05-18 北京航空航天大学 一种月光干扰下星点分割方法及其fpga实现装置
CN105374035A (zh) * 2015-11-03 2016-03-02 北京航空航天大学 杂光干扰下星敏感器星点提取方法
CN105631903B (zh) * 2015-12-24 2018-01-16 河海大学 基于rgbw特征空间图割算法的遥感图像水体提取方法、装置
CN107507123B (zh) * 2017-06-20 2018-10-02 上海航天控制技术研究所 星敏感器快速波门图像处理系统及方法
CN108645401B (zh) * 2018-04-03 2020-05-22 中国人民解放军国防科技大学 基于姿态关联图像叠加的全天时星敏感器星点提取方法
CN111105446B (zh) * 2019-11-18 2023-04-18 上海航天控制技术研究所 一种星点提取与补偿方法

Also Published As

Publication number Publication date
CN112634295A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN109409292B (zh) 基于精细化特征优化提取的异源图像匹配方法
CN101509782B (zh) 一种小型地标捕获定位方法
CN108416292B (zh) 一种基于深度学习的无人机航拍图像道路提取方法
CN111507901B (zh) 基于航带gps及尺度不变约束的航拍图像拼接定位方法
CN108305288B (zh) 用于静止轨道对地观测卫星线列仪器的恒星质心提取方法
CN109523585B (zh) 一种基于方向相位一致性的多源遥感影像特征匹配方法
CN106815553B (zh) 一种基于边缘匹配的红外前视图像舰船检测方法
CN103697883B (zh) 一种基于天际线成像的飞行器水平姿态确定方法
CN109978797B (zh) 基于暗通道噪声模板的主动式像素传感器星图去噪方法
Jeong et al. Improved multiple matching method for observing glacier motion with repeat image feature tracking
CN107504966A (zh) 一种白昼有云环境下导航星星点提取的方法
CN110927765B (zh) 激光雷达与卫星导航融合的目标在线定位方法
CN116863357A (zh) 一种无人机遥感堤坝影像定标与智能分割变化检测方法
CN108876829B (zh) 基于非线性尺度空间及径向基函数的sar高精度配准方法
CN112634295B (zh) 一种基于双重梯度阈值的星敏感器星点分割方法
CN111089586B (zh) 一种基于多帧累加算法的全天时星敏感器星点提取方法
Ren et al. Automated SAR reference image preparation for navigation
CN112330669B (zh) 基于点光源衍射星芒现象的星敏感器星点位置定位方法
CN111899289A (zh) 一种基于图像特征信息的红外图像与可见光图像的配准方法
CN114565653B (zh) 一种存在旋转变化和尺度差异的异源遥感图像匹配方法
CN116295363A (zh) 一种星点快速提取与高精度定位方法
CN114463224B (zh) 一种基于sar技术的海洋目标图像修复识别方法及系统
CN109918968B (zh) 一种舰船目标检测方法
CN115984751A (zh) 一种基于多通道多尺度融合的孪生网络遥感目标跟踪方法
CN111696054B (zh) 基于全极化sar图像的橡胶坝体检测方法

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