CN113870150A - 基于连续多张遥感图像反演航天器低频振动参数的方法 - Google Patents

基于连续多张遥感图像反演航天器低频振动参数的方法 Download PDF

Info

Publication number
CN113870150A
CN113870150A CN202111450163.6A CN202111450163A CN113870150A CN 113870150 A CN113870150 A CN 113870150A CN 202111450163 A CN202111450163 A CN 202111450163A CN 113870150 A CN113870150 A CN 113870150A
Authority
CN
China
Prior art keywords
vibration
remote sensing
spacecraft
blocks
frequency
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
CN202111450163.6A
Other languages
English (en)
Other versions
CN113870150B (zh
Inventor
马越
闫钧华
张寅�
戚景淳
范君杰
丁鹏远
张少帅
顾恩臣
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202111450163.6A priority Critical patent/CN113870150B/zh
Publication of CN113870150A publication Critical patent/CN113870150A/zh
Application granted granted Critical
Publication of CN113870150B publication Critical patent/CN113870150B/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
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20048—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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

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

本发明公开了一种基于连续多张遥感图像反演航天器低频振动参数的方法，包括如下步骤：首先使用航天器光学相机以远高于航天器振动的频率对地面场景高速连拍多张遥感图像，使用SIFT尺度不变特征变换算法截取场景相同的图块，然后针对连续多张遥感图块计算基于灰度共生矩阵的熵值；接着对图块使用刃边法测得对应的MTF数据，构建支持向量回归SVR测出每幅遥感图块对应的振动量；然后根据连续多张遥感图块熵值极大值出现的时刻，确定振动量正负，由此确定航天器的振动方向是否改变；最后对矢量化的振动量积分并使用离散傅里叶变换得到航天器振动的频谱，从频谱图中读取出航天器振动的频率分布和对应频率下的振动幅度。

Description

基于连续多张遥感图像反演航天器低频振动参数的方法
技术领域
本发明提供一种基于连续多张遥感图像反演航天器低频随机振动参数的方法，属于数字图像和信号处理领域。
背景技术
在信息资讯需求日益扩大化的今天，利用航天器载荷获取高质量高分辨率遥感图像并解析其中蕴含的丰富信息具有广阔的应用前景。
根据国内外资料显示，航天器的随机振动已经成为影响遥感成像质量的重要因素。振动将导致地面目标在成像器件上的成像位置发生相应的变化，从而造成图像模糊、几何失真等退化，使得遥感图像分辨率降低。此外，研究部门经过数据分析得知：航天器随机振动的能量主要集中在低频区，且对成像质量影响较大的振动主要集中在10Ｈｚ以下的低频范围内。航天器在低频段平台颤振幅度大，成像期间振动累积的像移量较大，对成像的影响较严重。在高频段，卫星平合颤振幅度小频率高，成像期间像移的累积量反而较小，对成像质量的影响没有低频振动那么明显。
若能反演出航天器低频随机振动频率分布和振幅参数，得到航天器振动的功率谱信息，一方面有助于迅速定位导致航天器振动的诱因，如太阳帆板伸展，飞轮基波等，方便在轨调整航天器；另一方面，振动参数决定了图像振动模糊的像质退化模型，这对遥感图像复原和像质提升具有重要意义。目前主流测量航天器振动参数的方法，极度依赖航天器额外搭载传感器如加速度计等，且在轨测量，费时费力。若航天器因为配重限制等原因无法携带相应传感器或航天器无人值守，这类方法较难实施。本发明提出的基于遥感图像反演航天器低频振动参数，无需借助额外传感器，仅通过航天器回传的遥感图像即可在地面迅速反演出航天器低频振动的频率分布和振幅，进而得到振动对应的功率谱信息。
发明内容
针对上述技术难题，本发明的目的是提供一种基于连续多张遥感图像反演航天器低频振动参数的方法，此方法适应性强，可用于绝大多数航天器；反演出的振动参数精度较高；操作简单，无需使用额外携带的传感器进行人工在轨测量，为航天器省去大量复杂的自动控制环节。
为解决上述技术问题，本发明提供一种基于连续多张遥感图像反演航天器低频振动参数的方法，包括如下步骤：
1）使用航天器光学相机以远高于航天器振动的频率对地面场景高速连拍多张遥感图像，使用SIFT尺度不变特征变换算法对连续多张遥感图像特征点匹配并截取场景相同的图块，将图块按拍摄的时间排序并计算相机高速连拍的时间间隔；
2）针对连续多张遥感图块计算基于灰度共生矩阵的熵值；
3）对连续多张遥感图块选取相同的边缘纹理使用刃边法测得对应的MTF数据,采用机器学习算法，构建支持向量回归SVR。使用仿真得到的数据库训练该SVR，再将拍摄所得连续多张遥感图块对应的MTF数据输入已训练好的SVR，输出每幅遥感图块对应的振动量，此振动量为此时间间隔内航天器的振动量，也即航天器实际振动曲线在此时刻的导数值的绝对值；
4）根据连续多张遥感图块熵值极大值出现的时刻，确定步骤3）中航天器实际振动曲线在此时刻导数值的正负号（将该导数值由标量转化为矢量），由此确定航天器的振动方向是否改变；
5）对矢量化的振动量（导数值）积分并使用离散傅里叶变换得到航天器振动的频谱，从频谱图中读取出航天器振动的频率分布和对应频率下的振动幅度。
优选的，步骤1）中，使用航天器光学相机以远高于航天器振动的频率对地面场景高速连拍多张遥感图像，使用SIFT尺度不变特征变换算法对连续多张遥感图像特征点匹配并截取场景相同的图块，将图块按拍摄的时间排序并计算相机高速连拍的时间间隔，具体步骤如下：
步骤1.1使用航天器搭载的光学相机对地面场景高速连拍30张连续多张遥感图像，将这30幅遥感图像按拍摄时间排序；
步骤1.2使用SIFT尺度不变特征变换算法对每幅连续多张遥感图像进行特征点匹配，在已匹配的点中选取边缘纹理丰富区域内的点作为坐标中心点截取图块，如图1所示。根据匹配点截取30张连续多张遥感图像中纹理特征相同的图块，将这30幅图块命名为img1,img2,img3…,img30；
步骤1.3记下相机高速连拍的总时间t, 高速连拍的时间间隔即为t/30；
优选的，步骤3）中，使用训练好的SVR，测得每幅遥感图块对应的振动量，具体步骤如下：
步骤3.1在获得的遥感图块中取灰度值亮度较大的地物直线边界作为刃边区域(Region of Interest, ROI)，使用边缘检测的Canny算子找出刃边位置，提取亚像素边缘位置，据亚像素边缘位置提取采样数据拟合出边缘扩散函数曲线，对边缘扩散函数离散点差分得到线扩散函数曲线，对归一化的线扩散函数进行离散傅立叶变换，取变换后各分量的模并以0频率处的MTF值为基准作归一化处理就得到了不同空间频率下的MTF曲线，在每幅遥感图块的MTF曲线上等距离选取20个离散点，作为后续SVR支持向量回归的输入；
步骤3.2构建仿真图像数据库：选取灰度共生矩阵熵值最高的图块（即最清晰的图块），对该图块按-90°至+90°每2°为步长作为模糊方向，每个模糊方向的振动量分别为1,2,…,5像素，在Matlab使用如下命令仿真出450幅振动模糊遥感图像，建立振动模糊遥感图像数据库：
Figure 862225DEST_PATH_IMAGE001
Figure 372841DEST_PATH_IMAGE002
这里的Initial_img为清晰遥感图像，Blur_img为仿真的振动模糊遥感图像，
Figure 886998DEST_PATH_IMAGE003
为 振幅尺度，
Figure 344525DEST_PATH_IMAGE004
为模糊方向；
步骤3.3在Matlab中使用以下命令构建一个支持向量回归SVR模型model：
Figure 955635DEST_PATH_IMAGE005
将450幅仿真振动模糊图像使用步骤3）中的刃边法得到这些图像对应的MTF离散 数据，计为
Figure 637152DEST_PATH_IMAGE006
,
Figure 373026DEST_PATH_IMAGE007
,
Figure 371594DEST_PATH_IMAGE008
,…,
Figure 633948DEST_PATH_IMAGE009
（均是20维的向量），对应每幅仿真模糊遥感图像的MTF离 散数据，将这些图像的MTF数据和对应的振幅尺度
Figure 361733DEST_PATH_IMAGE010
打包为训练样本集(
Figure 912800DEST_PATH_IMAGE011
),(
Figure 508866DEST_PATH_IMAGE012
),…, (
Figure 828989DEST_PATH_IMAGE013
)输入SVR训练，建立图像MTF离散数据
Figure 727675DEST_PATH_IMAGE014
和图像对应振幅尺度
Figure 562776DEST_PATH_IMAGE010
的映射关系；
步骤3.4对连续多张遥感图块img1,img2,…,img30使用步骤3）中的刃边法得到每 幅图块对应的MTF离散数据
Figure 572320DEST_PATH_IMAGE015
，
Figure 12529DEST_PATH_IMAGE016
,…,
Figure 941170DEST_PATH_IMAGE017
（均是20维的向量），输入已训练的SVR,在Matlab 中使用如下命令:
Figure 404513DEST_PATH_IMAGE019
得到连续多张遥感图块对应的振幅尺度
Figure 79732DEST_PATH_IMAGE020
,即振动量
Figure 374447DEST_PATH_IMAGE021
,
Figure 880515DEST_PATH_IMAGE022
,…,
Figure 424629DEST_PATH_IMAGE023
，此振动量即 为航天器实际振动曲线在此时刻的导数值的绝对值。
优选的，步骤4）中，根据连续多张遥感图块的熵值极大值出现时刻，确定航天器实际振动曲线在此时刻导数值正负，进而确定航天器的振动方向是否改变，具体步骤如下：
步骤4.1将步骤2）中计算所得的基于灰度共生矩阵的熵值按拍摄时间顺序绘成一组连续多张遥感图块对应的熵值散点图，散点图横坐标对应拍摄图块的时间轴，时间间隔为t/30，纵坐标为遥感图块对应的熵值；
步骤4.2找出熵值散点图中的所有极大值，当熵极大值之处计算的振动量
Figure 103872DEST_PATH_IMAGE024
正负 变号，将确定好正负号的连续多张遥感图块对应的振动量记为
Figure 190777DEST_PATH_IMAGE025
,
Figure 930062DEST_PATH_IMAGE026
,…,
Figure 961472DEST_PATH_IMAGE027
，即为航天 器实际振动曲线在此时刻的导数；
步骤4.3绘制另一幅散点图，横坐标为图块拍摄的时间轴，时间间隔为t/30，纵坐 标为确定好正负号的连续多张遥感图块对应的振动量
Figure 116510DEST_PATH_IMAGE028
,
Figure 385817DEST_PATH_IMAGE029
,…,
Figure 92742DEST_PATH_IMAGE027
；
优选的，步骤5）中，对矢量化连续多张遥感图块对应的振动量（导数值）积分并使用离散傅里叶变换得到航天器振动的频谱，从频谱图中读取出航天器振动的频率分布和对应频率下的振动幅度，具体步骤如下：
步骤5.1对步骤4）中的离散导数值
Figure 752394DEST_PATH_IMAGE025
,
Figure 764650DEST_PATH_IMAGE029
,…,
Figure 419623DEST_PATH_IMAGE027
积分，离散值的积分即为累计 求和，得到航天器实际振动曲线的离散值，其中n=1,2,…,30：
Figure 438394DEST_PATH_IMAGE030
步骤5.2绘制航天器实际振动曲线对应的离散点图，横坐标为图块拍摄的时间轴， 时间间隔为t/30，纵坐标为
Figure 647659DEST_PATH_IMAGE031
,
Figure 269133DEST_PATH_IMAGE032
,…,
Figure 778612DEST_PATH_IMAGE033
；
步骤5.3在matlab中对积分得到的离散点图使用离散傅里叶变换，即可得到航天器振动对应的频谱图，从频谱图中即可读取出航天器振动的频率分布和对应频率下的振动幅度。
本发明的有益效果为：本发明提出的基于遥感图像反演航天器低频振动参数，仅通过航天器回传的连续多张遥感图像即可在地面迅速反演出航天器低频振动的频率分布和振幅，一方面有助于迅速定位导致航天器振动的诱因，方便在轨调整航天器；另一方面，可以建立图像像质退化模型，这对遥感图像复原和像质提升具有重要意义。
附图说明
图1 为特征点匹配并截取图块示意图；
图2 为遥感图块的刃边区域示意图；
图3 为连续多张遥感图块对应的振幅尺度示意图；
图4 为SVR测量图块振动量的流程图；
图5 为根据熵值确定振动量（导数）正负示意图；
图6 为离散傅里叶变换示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合说明书附图对本发明的实施方式做进一步地详细叙述，一种基于连续多张遥感图像反演航天器低频振动参数的方法包括如下步骤：
1）使用航天器光学相机以远高于航天器振动的频率对地面场景高速连拍多张遥感图像，使用SIFT尺度不变特征变换算法对连续多张遥感图像特征点匹配并截取场景相同的图块，将图块按拍摄的时间排序并计算相机高速连拍的时间间隔；
2）针对连续多张遥感图块计算基于灰度共生矩阵的熵值；
3）对连续多张遥感图块选取相同的边缘纹理使用刃边法测得对应的MTF数据,构建支持向量回归SVR。使用仿真得到的数据库训练该SVR，再将拍摄所得连续多张遥感图块对应的MTF数据输入已训练好的SVR，输出每幅遥感图块对应的振动量；
4）根据连续多张遥感图块熵值极大值出现的时刻，确定步骤3）中航天器实际振动曲线在此时刻导数值的正负号（将该导数值由标量转化为矢量），由此确定航天器的振动方向是否改变；
5）对矢量化的振动量（导数值）积分并使用离散傅里叶变换得到航天器振动的频谱，从频谱图中读取出航天器振动的频率分布和对应频率下的振动幅度。
进一步的，步骤1）具体为：
步骤1.1使用航天器搭载的光学相机对地面场景高速连拍30张连续多张遥感图像，将这30幅遥感图像按拍摄时间排序；
步骤1.2使用SIFT尺度不变特征变换算法对每幅连续多张遥感图像进行特征点匹配，在已匹配的点中选取边缘纹理丰富区域内的点作为坐标中心点截取图块，如图1所示。根据匹配点截取30张连续多张遥感图像中纹理特征相同的图块，将这30幅图块命名为img1,img2,img3…,img30；
步骤1.3记下相机高速连拍的总时间t, 高速连拍的时间间隔即为t/30.
进一步的，步骤2）具体为：
步骤2.1基于灰度共生矩阵的熵衡量了图像所包含信息量，某时刻航天器振动量越大，遥感图像越模糊，信息量的损失量越多，反之振动量越小则遥感图像的纹理复杂度越高，熵值也越大。计算基于灰度共生矩阵的熵公式为：
Figure 437126DEST_PATH_IMAGE034
式中i，j=0,1,2…,L-1,L为灰度级数目；
Figure 133687DEST_PATH_IMAGE035
为归一化的为灰度共生矩阵中第i 行第j列的元素值。
进一步的，步骤3）具体为：
步骤3.1在获得的遥感图块中取灰度值亮度较大的地物直线边界作为刃边区域(Region of Interest, ROI)，使用边缘检测的Canny算子找出刃边位置，提取亚像素边缘位置（红圈部分），如图2所示，据亚像素边缘位置提取采样数据拟合出边缘扩散函数曲线，对边缘扩散函数离散点差分得到线扩散函数曲线，对归一化的线扩散函数进行离散傅立叶变换，取变换后各分量的模并以0频率处的MTF值为基准作归一化处理就得到了不同空间频率下的MTF曲线，在每幅遥感图块的MTF曲线上等距离选取20个离散点，作为后续SVR支持向量回归的输入；
步骤3.2构建仿真图像数据库：选取灰度共生矩阵熵值最高的图块（即最清晰的图块），对该图块按-90°至+90°每2°为步长作为模糊方向，每个模糊方向的振动量分别为1,2,…,5像素，在Matlab使用如下命令仿真出450幅振动模糊遥感图像，建立振动模糊遥感图像数据库：
Figure 558852DEST_PATH_IMAGE001
Figure 657258DEST_PATH_IMAGE037
这里的Initial_img为清晰遥感图像，Blur_img为仿真的振动模糊遥感图像，
Figure 752253DEST_PATH_IMAGE003
为 振幅尺度，
Figure 939039DEST_PATH_IMAGE004
为模糊方向；
步骤3.3在Matlab中使用以下命令构建一个支持向量回归SVR模型model：
Figure 902316DEST_PATH_IMAGE005
将450幅仿真振动模糊图像使用步骤（3）中的刃边法得到这些图像对应的MTF离散 数据，计为
Figure 527332DEST_PATH_IMAGE006
,
Figure 121125DEST_PATH_IMAGE007
,
Figure 323436DEST_PATH_IMAGE008
,…,
Figure 231349DEST_PATH_IMAGE009
（均是20维的向量），对应每幅仿真模糊遥感图像的MTF离 散数据，将这些图像的MTF数据和对应的振幅尺度
Figure 38768DEST_PATH_IMAGE010
打包为训练样本集(
Figure 600199DEST_PATH_IMAGE011
),(
Figure 430752DEST_PATH_IMAGE012
),…, (
Figure 939094DEST_PATH_IMAGE013
)输入SVR训练，建立图像MTF离散数据和图像对应振幅尺度 的映射关系，如图3 所示；
步骤3.4对连续多张遥感图块img1,img2,…,img30使用步骤（3）中的刃边法得到 每幅图块对应的MTF离散数据
Figure 397757DEST_PATH_IMAGE015
，
Figure 271035DEST_PATH_IMAGE016
,…,
Figure 450868DEST_PATH_IMAGE017
（均是20维的向量），输入已训练的SVR,在 Matlab中使用如下命令:
Figure 497322DEST_PATH_IMAGE039
得到连续多张遥感图块对应的振幅尺度
Figure 217016DEST_PATH_IMAGE020
,即振动量
Figure 323512DEST_PATH_IMAGE021
,
Figure 253291DEST_PATH_IMAGE040
,…,
Figure 103435DEST_PATH_IMAGE023
，此振动量 即为航天器实际振动曲线在此时刻的导数值的绝对值，如图4中图柱所示。
进一步的，步骤4）具体为：
步骤4.1将步骤2）中计算所得的基于灰度共生矩阵的熵值按拍摄时间顺序绘成一组连续多张遥感图块对应的熵值散点图，散点图横坐标对应拍摄图块的时间轴，时间间隔为t/30，纵坐标为遥感图块对应的熵值；
步骤4.2找出熵值散点图中的所有极大值，当熵极大值之处计算的振动量
Figure 412057DEST_PATH_IMAGE024
正负 变号，将确定好正负号的连续多张遥感图块对应的振动量记为
Figure 751771DEST_PATH_IMAGE041
,
Figure 840950DEST_PATH_IMAGE026
,…,
Figure 432468DEST_PATH_IMAGE027
，即为航天 器实际振动曲线在此时刻的导数；
绘制另一幅散点图，横坐标为图块拍摄的时间轴，时间间隔为t/30，纵坐标为确定 好正负号的连续多张遥感图块对应的振动量
Figure 720230DEST_PATH_IMAGE041
,
Figure 171459DEST_PATH_IMAGE026
,…,
Figure 685617DEST_PATH_IMAGE027
。
进一步的，步骤5）具体为：
步骤5.1对步骤4）中的离散导数值
Figure 939881DEST_PATH_IMAGE025
,
Figure 957515DEST_PATH_IMAGE029
,…,
Figure 842295DEST_PATH_IMAGE027
积分，离散值的积分即为累计 求和，得到航天器实际振动曲线的离散值，其中n=1,2,…,30：
Figure 968382DEST_PATH_IMAGE042
步骤5.2绘制航天器实际振动曲线对应的离散点图，横坐标为图块拍摄的时间轴， 时间间隔为t/30，纵坐标为
Figure 636124DEST_PATH_IMAGE031
,
Figure 836161DEST_PATH_IMAGE032
,…,
Figure 688580DEST_PATH_IMAGE033
；
步骤5.3在matlab中对积分得到的离散点图使用离散傅里叶变换，即可得到航天器振动对应的频谱图，从频谱图中即可读取出航天器振动的频率分布和对应频率下的振动幅度，如图6所示。
上述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和调整，这些改进和调整也应视为本发明的保护范围。

Claims (5)

1.一种基于连续多张遥感图像反演航天器低频振动参数的方法，其特征在于，包括如下步骤：
1）使用航天器光学载荷对地面场景连拍多张遥感图像，使用SIFT尺度不变特征变换算法对连续多张遥感图像特征点匹配并截取场景相同的图块，将图块按拍摄的时间排序并计算相机高速连拍的时间间隔；
2）针对连续多张遥感图块计算基于灰度共生矩阵的熵值；
3）对连续多张遥感图块选取相同的边缘纹理使用刃边法测得对应的MTF数据,构建支持向量回归SVR模型；使用仿真得到的数据库训练该SVR神经网络，再将拍摄所得连续多张遥感图块对应的MTF数据输入已训练好的SVR神经网络，输出每幅遥感图块对应的振动量；
4）根据连续多张遥感图块熵值极大值出现的时刻，确定步骤3）中航天器实际振动曲线在此时刻导数值的正负号，由此确定航天器的振动方向是否改变；
5）对矢量化的振动量，即在所述此时刻的导数值积分，并使用离散傅里叶变换得到航天器振动的频谱，从频谱图中读取出航天器振动的频率分布和对应频率下的振动幅度。
2.如权利要求1所述的基于连续多张遥感图像反演航天器低频振动参数的方法，其特征在于，所述步骤1）具体为：
步骤1.1 使用航天器搭载的光学载荷对地面场景高速连拍30张连续的遥感图像，所述光学载荷的频率高于航天器振动的频率，将这所述遥感图像按拍摄时间排序；
步骤1.2 使用SIFT尺度不变特征变换算法对连续的每幅遥感图像进行特征点匹配，在已匹配的点中选取边缘纹理丰富区域内的点作为坐标中心点截取图块；根据特征点截取各遥感图像中纹理特征相同的图块，将所述图块分别命名为img1,img2,img3…,img30；
步骤1.3 记下相机高速连拍的总时间t, 高速连拍的时间间隔即为t/30。
3.如权利要求2所述的基于连续多张遥感图像反演航天器低频振动参数的方法，其特征在于，所述步骤3）具体为：
步骤3.1 在获得的遥感图块中取灰度值亮度较大的地物直线边界作为刃边区域，使用边缘检测的Canny算子提取出所述刃边位置，提取亚像素边缘位置，根据亚像素边缘位置提取采样数据拟合出边缘扩散函数曲线，对边缘扩散函数曲线进行等间隔采样得到离散点数据，对离散点差分拟合出线扩散函数曲线；对所述线扩散函数曲线进行归一化处理，对归一化的线扩散函数进行离散傅立叶变换，取变换后各分量的模并以0频率处的MTF值为基准，作归一化处理，得到不同空间频率下的MTF曲线；
在每幅遥感图块的MTF曲线上等距离选取20个离散点，作为后续SVR支持向量回归的输入；
步骤3.2 构建仿真图像数据库：选取步骤2）中计算得到的灰度共生矩阵熵值最高的图块，即最清晰的图块，对该图块按-90°至+90°每2°为步长作为模糊方向，每个模糊方向的振动量分别为1、2、…、5像素，仿真出450幅振动模糊遥感图像，建立振动模糊遥感图像数据库：
步骤3.3构建一个支持向量回归SVR模型；将450幅仿真振动模糊图像分别按照步骤3.1 中的方法进行处理，得到这些图像对应的MTF离散数据，计为
Figure 519742DEST_PATH_IMAGE001
,
Figure 446110DEST_PATH_IMAGE002
,
Figure 526061DEST_PATH_IMAGE003
,…,
Figure 663038DEST_PATH_IMAGE004
，对应每 幅仿真模糊遥感图像的MTF离散数据，将这些图像的MTF离散数据和对应的振幅尺度
Figure 461230DEST_PATH_IMAGE005
打包 为训练样本集(
Figure 925709DEST_PATH_IMAGE006
), (
Figure 125746DEST_PATH_IMAGE007
),…, (
Figure 666580DEST_PATH_IMAGE008
)输入SVR训练，建立图像MTF离散数据
Figure 952068DEST_PATH_IMAGE009
和图像对应振幅尺度
Figure 485818DEST_PATH_IMAGE010
的映射关系；
步骤3.4 对步骤1.1中连续多张遥感图块img1,img2,…,img30使用步骤2.1中的方法 得到每幅图块对应的MTF离散数据
Figure 789629DEST_PATH_IMAGE011
，
Figure 750632DEST_PATH_IMAGE012
,…,
Figure 788995DEST_PATH_IMAGE013
，输入步骤3.3中已训练的SVR神经网络 中，得到连续多张遥感图块对应的振幅尺度
Figure 611588DEST_PATH_IMAGE014
,即振动量
Figure 786218DEST_PATH_IMAGE015
,
Figure 918122DEST_PATH_IMAGE016
,…,
Figure 912623DEST_PATH_IMAGE017
，此振动量即为航 天器实际振动曲线在此时刻的导数值的绝对值。
4.如权利要求1所述的基于连续多张遥感图像反演航天器低频振动参数的方法，其特征在于，所述步骤4）具体为：
步骤4.1 将步骤2）中计算所得的基于灰度共生矩阵的熵值按拍摄时间顺序绘成一组连续多张遥感图块对应的熵值散点图，所述熵值散点图横坐标对应拍摄图像的时间轴，时间间隔为t/30，纵坐标为遥感图块对应的熵值；
步骤4.2 获得所述熵值散点图中的所有极大值，当所述熵极大值出现之处，将振动量
Figure 305951DEST_PATH_IMAGE014
正负变号，将确定好正负号的连续多张遥感图块对应的振动量记为
Figure 335087DEST_PATH_IMAGE018
,
Figure 372313DEST_PATH_IMAGE019
,…,
Figure 870422DEST_PATH_IMAGE020
， 即为航天器实际振动曲线在此时刻的导数；
步骤4.3 根据所述振动量绘制另一幅散点图，横坐标为图像拍摄的时间轴，时间间隔 为t/30，纵坐标为步骤4.2中确定好正负号的连续多张遥感图块对应的振动量
Figure 284086DEST_PATH_IMAGE021
,
Figure 433307DEST_PATH_IMAGE019
,…,
Figure 641435DEST_PATH_IMAGE020
。
5.如权利要求4所述的基于连续多张遥感图像反演航天器低频振动参数的方法，其特征在于：所述步骤5）具体为：
步骤5.1 对步骤4.2中的离散导数值积分，离散值的积分即为累计求和，得到航天器实际振动曲线的离散值，其中n=1,2,…,30：
Figure 859795DEST_PATH_IMAGE022
步骤5.2 绘制航天器实际振动曲线对应的离散点图，横坐标为图像拍摄的时间轴，时 间间隔为t/30，纵坐标为
Figure 342729DEST_PATH_IMAGE023
,
Figure 80878DEST_PATH_IMAGE024
,…,
Figure DEST_PATH_IMAGE025
；
步骤5.3对得到的离散点图使用离散傅里叶变换，即可得到航天器振动对应的频谱图，从频谱图中即可读取出航天器振动的频率分布和对应频率下的振动幅度。
CN202111450163.6A 2021-12-01 2021-12-01 基于连续多张遥感图像反演航天器低频振动参数的方法 Active CN113870150B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111450163.6A CN113870150B (zh) 2021-12-01 2021-12-01 基于连续多张遥感图像反演航天器低频振动参数的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111450163.6A CN113870150B (zh) 2021-12-01 2021-12-01 基于连续多张遥感图像反演航天器低频振动参数的方法

Publications (2)

Publication Number Publication Date
CN113870150A true CN113870150A (zh) 2021-12-31
CN113870150B CN113870150B (zh) 2022-02-22

Family

ID=78985392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111450163.6A Active CN113870150B (zh) 2021-12-01 2021-12-01 基于连续多张遥感图像反演航天器低频振动参数的方法

Country Status (1)

Country Link
CN (1) CN113870150B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116467818A (zh) * 2023-06-19 2023-07-21 山东科技大学 像移补偿参数优化分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5852524A (ja) * 1981-09-24 1983-03-28 Ricoh Co Ltd 光学系の振動検出方式
CN105069313A (zh) * 2015-08-24 2015-11-18 北京理工大学 基于相位非线性重采样拟合刃边的在轨mtf估计方法
CN111610001A (zh) * 2020-05-25 2020-09-01 中国科学院长春光学精密机械与物理研究所 一种宽幅遥感图像mtf地面模拟测试装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5852524A (ja) * 1981-09-24 1983-03-28 Ricoh Co Ltd 光学系の振動検出方式
CN105069313A (zh) * 2015-08-24 2015-11-18 北京理工大学 基于相位非线性重采样拟合刃边的在轨mtf估计方法
CN111610001A (zh) * 2020-05-25 2020-09-01 中国科学院长春光学精密机械与物理研究所 一种宽幅遥感图像mtf地面模拟测试装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116467818A (zh) * 2023-06-19 2023-07-21 山东科技大学 像移补偿参数优化分析方法
CN116467818B (zh) * 2023-06-19 2023-09-05 山东科技大学 像移补偿参数优化分析方法

Also Published As

Publication number Publication date
CN113870150B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
Barman et al. Soil texture classification using multi class support vector machine
CN112836610B (zh) 一种基于遥感数据的土地利用变化与碳储量定量估算方法
CN109145830B (zh) 一种智能水尺识别方法
CN101776486B (zh) 一种基于红外焦平面探测器非均匀性指纹模式的校正方法
CN101776487B (zh) 一种红外焦平面非均匀性指纹提取及图像校正方法
CN101561932B (zh) 一种动态复杂背景下的实时运动目标检测方法和装置
CN112561883B (zh) 农作物rgb图像重建高光谱图像的方法
CN106780546B (zh) 基于卷积神经网络的运动模糊编码点的身份识别方法
CN110009688A (zh) 一种红外遥感影像相对辐射定标方法、系统及遥感平台
CN108664970A (zh) 一种快速目标检测方法、电子设备、存储介质及系统
CN108257153B (zh) 一种基于方向梯度统计特征的目标跟踪方法
CN104978738A (zh) 检测数字图像中的兴趣点的方法
CN113870150B (zh) 基于连续多张遥感图像反演航天器低频振动参数的方法
CN112001361A (zh) 一种基于欧拉视角的多目标微小振动频率测量方法
CN110619373A (zh) 一种基于bp神经网络的红外多光谱微弱目标检测方法
CN111563458A (zh) 基于YOLOv3和OpenCV的目标检测与定位方法
CN117197462A (zh) 基于多尺度特征融合和对齐的轻量地基云分割方法及系统
CN118094333A (zh) 基于金字塔多尺度通道注意力机制的人类行为分类方法
CN107451608B (zh) 基于多视幅度统计特性的sar图像无参考质量评价方法
CN112070736A (zh) 一种结合目标检测和深度计算的物体体积视觉测量方法
CN109934765B (zh) 高速相机全景图像拼接方法
CN104392209B (zh) 一种目标与背景的图像复杂度评价方法
CN107301628B (zh) 基于震颤像移轨迹的卫星平台震颤影像去模糊方法
CN116486140B (zh) 土壤质地分类方法、装置和电子设备
Prasad et al. Evaluating the transferability potential of deep learning models for climate downscaling

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