CN114638968B - 一种空间目标的几何结构与关键点提取方法及装置 - Google Patents

一种空间目标的几何结构与关键点提取方法及装置 Download PDF

Info

Publication number
CN114638968B
CN114638968B CN202210022762.6A CN202210022762A CN114638968B CN 114638968 B CN114638968 B CN 114638968B CN 202210022762 A CN202210022762 A CN 202210022762A CN 114638968 B CN114638968 B CN 114638968B
Authority
CN
China
Prior art keywords
image
parallel
cross structure
extreme points
representing
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
CN202210022762.6A
Other languages
English (en)
Other versions
CN114638968A (zh
Inventor
刘永祥
李玮杰
杨威
张弛
霍凯
张双辉
张文鹏
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 CN202210022762.6A priority Critical patent/CN114638968B/zh
Publication of CN114638968A publication Critical patent/CN114638968A/zh
Application granted granted Critical
Publication of CN114638968B publication Critical patent/CN114638968B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种空间目标的几何结构与关键点提取方法、装置、计算机设备和存储介质。所述方法包括：对ISAR图像进行预处理，得到最终二值化图像；通过霍夫变换从最终二值化图像提取多个十字结构极值点，对十字结构极值点的坐标进行绝对值提取，利用高斯混合模型对绝对值进行聚类分析，得到十字结构；十字结构的各直线对应的起点和终点为十字结构的关键点；利用霍夫变换从最终二值化图像提取多个平行极值点，根据平行极值点和十字结构在极坐标参数空间中进行平行线检测，得到平行结构；平行结构的各直线对应的起点和终点为平行结构的关键点。采用本方法能够提高空间目标的关键点提取效率。

Description

一种空间目标的几何结构与关键点提取方法及装置
技术领域
本申请涉及雷达图像处理技术领域，特别是涉及一种空间目标的几何结构与关键点提取方法、装置、计算机设备和存储介质。
背景技术
随着雷达分辨率的不断提高，可观测到清晰的空间目标整体结构和局部细节，进一步提取几何结构信息用于目标识别与检测，并根据几何结构对应的关键点信息进行目标的姿态估计。同时技术的不断进步带来了海量的逆合成孔径雷达图像，大量数据需要自动化处理，以减少人工提取结构与关键点所消耗的人力物力。
在ISAR图像中，空间目标的结构信息为散射点斑状分布，并且成像过程中存在噪声影响，导致传统方法中直线提取方法，存在大量的部分混叠线段，难以获得清晰的几何结构。深度学习中姿态估计方法依赖于大量的关键点标注数据来训练模型，目前已有研究应用Hourglass等网络进行空间目标的关键点提取，但是相关ISAR标注数据集的缺乏导致网络泛化性能差、成本较高以及效率低，目前不具备实用性。
发明内容
基于此，有必要针对上述技术问题，提供能够提高空间目标的关键点提取效率的一种空间目标的几何结构与关键点提取方法、装置、计算机设备和存储介质。
一种空间目标的几何结构与关键点提取方法，所述方法包括：
获取待处理空间目标的ISAR图像；
对ISAR图像进行归一化处理，得到归一化图像；
根据最大类间方差法对所述归一化图像进行图像划分，得到初始二值化图像；
对初始二值化图像进行膨胀运算和腐蚀运算，得到最终二值化图像；
通过霍夫变换从最终二值化图像提取多个十字结构极值点，对十字结构极值点的坐标进行绝对值提取，利用高斯混合模型对绝对值进行聚类分析，得到十字结构；十字结构的各直线对应的起点和终点为十字结构的关键点；
利用霍夫变换从最终二值化图像提取多个平行极值点，根据平行极值点和十字结构在极坐标参数空间中进行平行线检测，得到平行结构；平行结构的各直线对应的起点和终点为平行结构的关键点。
在其中一个实施例中，对ISAR图像进行归一化处理，得到归一化图像，包括：利用底数为10的对数函数对ISAR图像进行弱散射点增强，得到对数图像；将对数图像归一化到[0,255]区间，得到归一化图像为
其中，Xinput表示输入像素值；Xnorm表示归一化像素值；Xmax表示输入图片像素最大值；Xmin表示输入图片像素最小值；[]表示取整运算。
在其中一个实施例中，根据最大类间方差法对归一化图像进行图像划分，得到初始二值化图像，包括：
根据最大类间方差法确定二值化阈值k，利用归一化图像进行图像划分，大于二值化阈值的像素点作为目标点，小于二值化阈值的像素点作为背景点，得到目标图像和像素图像；目标图像为初始二值化图像。
在其中一个实施例中，对初始二值化图像进行膨胀运算和腐蚀运算，得到最终二值化图像，包括：
对初始二值化图像先进行膨胀运算，再腐蚀运算，得到最终二值化图像为
其中，A表示膨胀运算后的二值化图像；A′表示最终二值化图像，B表示卷积核；(B)a表示以a为中心的卷积核，(B)x表示以x为中心的卷积核。
在其中一个实施例中，利用高斯混合模型对绝对值进行聚类分析，得到十字结构，包括：
利用高斯混合模型对绝对值进行聚类分析，得到多个聚类结果；
对多个聚类结果取各类中位数作为十字结构对应极值点，提取十字结构。
在其中一个实施例中，高斯混合模型的概率P计算公式为：
其中，xn表示第n个样本数据；K表示聚类总数；φ表示高斯分布密度函数；αk表示子高斯模型先验概率；μk表示子高斯模型均值；σk表示子高斯模型方差。
在其中一个实施例中，根据平行极值点和十字结构在极坐标参数空间中进行平行线检测，得到平行结构，包括：
在极坐标参数空间中，从平行极值点中找到θ与十字结构的极值点相同，且ρ不同的极值点对应的平行线构建平行结构；其中，θ表示极坐标中从原点到过目标点线段的垂线相对于正x轴顺时针旋转角度，ρ表示极坐标中从原点到过目标点线段垂线长度。
一种空间目标的几何结构与关键点提取装置，所述装置包括：
图像预处理模块，用于获取待处理空间目标的ISAR图像；对ISAR图像进行归一化处理，得到归一化图像；根据最大类间方差法对归一化图像进行图像划分，得到初始二值化图像；对初始二值化图像进行膨胀运算和腐蚀运算，得到最终二值化图像；
十字结构提取模块，用于通过霍夫变换从最终二值化图像提取多个十字结构极值点，对十字结构极值点的坐标进行绝对值提取，利用高斯混合模型对绝对值进行聚类分析，得到十字结构；十字结构的各直线对应的起点和终点为十字结构的关键点；
平行结构提取模块，用于利用霍夫变换从最终二值化图像提取多个平行极值点，根据平行极值点和十字结构在极坐标参数空间中进行平行线检测，得到平行结构；平行结构的各直线对应的起点和终点为平行结构的关键点。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待处理空间目标的ISAR图像；
对ISAR图像进行归一化处理，得到归一化图像；
根据最大类间方差法对所述归一化图像进行图像划分，得到初始二值化图像；
对初始二值化图像进行膨胀运算和腐蚀运算，得到最终二值化图像；
通过霍夫变换从最终二值化图像提取多个十字结构极值点，对十字结构极值点的坐标进行绝对值提取，利用高斯混合模型对绝对值进行聚类分析，得到十字结构；十字结构的各直线对应的起点和终点为十字结构的关键点；
利用霍夫变换从最终二值化图像提取多个平行极值点，根据平行极值点和十字结构在极坐标参数空间中进行平行线检测，得到平行结构；平行结构的各直线对应的起点和终点为平行结构的关键点。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待处理空间目标的ISAR图像；
对ISAR图像进行归一化处理，得到归一化图像；
根据最大类间方差法对所述归一化图像进行图像划分，得到初始二值化图像；
对初始二值化图像进行膨胀运算和腐蚀运算，得到最终二值化图像；
通过霍夫变换从最终二值化图像提取多个十字结构极值点，对十字结构极值点的坐标进行绝对值提取，利用高斯混合模型对绝对值进行聚类分析，得到十字结构；十字结构的各直线对应的起点和终点为十字结构的关键点；
利用霍夫变换从最终二值化图像提取多个平行极值点，根据平行极值点和十字结构在极坐标参数空间中进行平行线检测，得到平行结构；平行结构的各直线对应的起点和终点为平行结构的关键点。
上述一种空间目标的几何结构与关键点提取方法、装置、计算机设备和存储介质，首先对ISAR图像进行归一化处理，得到归一化图像；根据最大类间方差法对所述归一化图像进行图像划分，得到初始二值化图像；对初始二值化图像进行膨胀运算和腐蚀运算，得到最终二值化图像；通过对图像进行预处理增强图像质量，减轻散射点斑状分布对结果影响，有利于准确提取结构信息，再通过霍夫变换从最终二值化图像提取多个十字结构极值点，对十字结构极值点的坐标进行绝对值提取，利用高斯混合模型对绝对值进行聚类分析，得到十字结构，利用霍夫变换从最终二值化图像提取多个平行极值点，根据平行极值点和十字结构在极坐标参数空间中进行平行线检测，得到平行结构；平行结构的各直线对应的起点和终点为平行结构的关键点，本申请通过利用高斯混合模型可有效解决霍夫变换提取的大量部分混叠线段问题，在不同类中取中位数可有效降低离群点的影响。对于空间站等典型空间目标，能提取到稳定、准确的几何结构，并且无需大量标注数据用于深度学习模型训练，并且本发明所提取的信息可作为标注信息辅助深度学习训练，减少人工标注所消耗的人力物力，有助于后续深度学习等数据驱动模型在该领域的应用。
附图说明
图1为一个实施例中一种空间目标的几何结构与关键点提取方法的流程场景图；
图2为一个实施例中从空间站仿真ISAR像结果图示意图；
图3为一个实施例中图像预处理结果示意图；
图4为另一个实施例中霍夫变换极值点及对应线段提取结果示意图；
图5为另一个实施例中高斯混合模型聚类及所提十字结构结果示意图；
图6为另一个实施例中平行线检测中极值点及对应线段提取结果示意图；
图7为另一个实施例中平行线检测几何结构提取结果示意图；
图8为一个实施例中一种空间目标的几何结构与关键点提取装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种空间目标的几何结构与关键点提取方法，包括以下步骤：
步骤102，获取待处理空间目标的ISAR图像；对ISAR图像进行归一化处理，得到归一化图像；根据最大类间方差法对归一化图像进行图像划分，得到初始二值化图像；对初始二值化图像进行膨胀运算和腐蚀运算，得到最终二值化图像。
如图2所示，通过高分辨率宽带雷达获取待处理空间目标的ISAR图像，进行图像预处理，包括归一化、闭运算等，对初始二值化图像的闭预算分为两步，先进行膨胀运算，再进行腐蚀运算，以填补目标内部缺失结构和平滑目标轮廓，如图3所示，得到最终的二值化图像，从而增强图像质量，减轻散射点斑状分布对结果影响，有利于准确提取空间几何目标的结构信息。
步骤104，通过霍夫变换从最终二值化图像提取多个十字结构极值点，对十字结构极值点的坐标进行绝对值提取，利用高斯混合模型对绝对值进行聚类分析，得到十字结构；十字结构的各直线对应的起点和终点为十字结构的关键点。
先通过霍夫变换将最终二值化图像从坐标系转换到极坐标系进行极值点的提取，从最终二值化图像提取中N1个极值点，霍夫变换将二值化图像目标点的直角坐标系(x,y)变换到极坐标系(ρ,θ)进行累计计数，通过投票判断局部极大值确定直线结构，如图4所示，为霍夫变换极值点及对应线段提取结果。其中，N1应远大于2，本申请取20，以包括十字结构中两条直线所对应的散射点。霍夫变换公式为：
ρ＝xcosθ+ysinθ
其中：(x,y)表示目标点直角坐标；|ρ|表示从原点到过目标点线段垂线长度；θ表示从原点到过目标点线段的垂线相对于正x轴顺时针旋转角度。
再利用高斯混合模型对绝对值进行聚类分析，有效消除了部分混叠线段，准确提取到了十字结构，如图5所示。
步骤106，利用霍夫变换从最终二值化图像提取多个平行极值点，根据平行极值点和十字结构在极坐标参数空间中进行平行线检测，得到平行结构；平行结构的各直线对应的起点和终点为平行结构的关键点。
基于十字结构提取结果，在极坐标参数空间中进行平行线检测，通过霍夫变换从最终二值化图像提取远大于十字结构极值点的多个平行极值点，然后十字结构的基础上进行平行线检测提取多太阳能帆板等平行结构，平行结构的各直线对应的起点和终点作为关键点。
上述一种空间目标的几何结构与关键点提取方法中，首先对ISAR图像进行归一化处理，得到归一化图像；根据最大类间方差法对所述归一化图像进行图像划分，得到初始二值化图像；对初始二值化图像进行膨胀运算和腐蚀运算，得到最终二值化图像；通过对图像进行预处理增强图像质量，减轻散射点斑状分布对结果影响，有利于准确提取结构信息，再通过霍夫变换从最终二值化图像提取多个十字结构极值点，对十字结构极值点的坐标进行绝对值提取，利用高斯混合模型对绝对值进行聚类分析，得到十字结构，利用霍夫变换从最终二值化图像提取多个平行极值点，根据平行极值点和十字结构在极坐标参数空间中进行平行线检测，得到平行结构；平行结构的各直线对应的起点和终点为平行结构的关键点，本申请通过利用高斯混合模型可有效解决霍夫变换提取的大量部分混叠线段问题，在不同类中取中位数可有效降低离群点的影响。对于空间站等典型空间目标，能提取到稳定、准确的几何结构，并且无需大量标注数据用于深度学习模型训练，并且本发明所提取的信息可作为标注信息辅助深度学习训练，减少人工标注所消耗的人力物力，有助于后续深度学习等数据驱动模型在该领域的应用。
在其中一个实施例中，对ISAR图像进行归一化处理，得到归一化图像，包括：利用底数为10的对数函数对ISAR图像进行弱散射点增强，得到对数图像；将对数图像归一化到[0,255]区间，得到归一化图像为
其中，Xinput表示输入像素值；Xnorm表示归一化像素值；Xmax表示输入图片像素最大值；Xmin表示输入图片像素最小值；[]表示取整运算。
在其中一个实施例中，根据最大类间方差法对归一化图像进行图像划分，得到初始二值化图像，包括：
根据最大类间方差法确定二值化阈值k，利用归一化图像进行图像划分，大于二值化阈值的像素点作为目标点，小于二值化阈值的像素点作为背景点，得到目标图像和像素图像；目标图像为初始二值化图像。
采用最大类间方差法(OSTU算法)确定阈值k将归一化后图像分成目标、背景两部分，大于阈值k的像素点作为目标点，小于阈值k像素点作为背景点。
OSTU算法确定的二值化阈值k为：
式中：p1——目标区域占图像比例；p2——目标区域均值；m1——背景区域占图像比例；m2——背景区域均值。
在其中一个实施例中，对初始二值化图像进行膨胀运算和腐蚀运算，得到最终二值化图像，包括：
对初始二值化图像先进行膨胀运算，再腐蚀运算，得到最终二值化图像为
其中，A表示膨胀运算后的二值化图像；A′表示最终二值化图像，B表示卷积核；(B)a表示以a为中心的卷积核，(B)x表示以x为中心的卷积核。
在其中一个实施例中，利用高斯混合模型对绝对值进行聚类分析，得到十字结构，包括：
利用高斯混合模型对绝对值进行聚类分析，得到多个聚类结果；
对多个聚类结果取各类中位数作为十字结构对应极值点，提取十字结构。
利用高斯混合模型对于极值点进行聚类分析，首先对极值点极坐标取绝对值来防止中轴对称结构对于聚类结果的影响，使用高斯混合模型将极值点分为K类来去除大量部分混叠的线段，其中K取值为2。对于聚类结果取各类中位数作为十字结构对应极值点，去除离群点影响。
在其中一个实施例中，高斯混合模型的概率P计算公式为：
其中，xn表示第n个样本数据；K表示聚类总数；φ表示高斯分布密度函数；αk表示子高斯模型先验概率；μk表示子高斯模型均值；σk表示子高斯模型方差。
在其中一个实施例中，根据平行极值点和十字结构在极坐标参数空间中进行平行线检测，得到平行结构，包括：
在极坐标参数空间中，从平行极值点中找到θ与十字结构的极值点相同，且ρ不同的极值点对应的平行线构建平行结构；其中，θ表示极坐标中从原点到过目标点线段的垂线相对于正x轴顺时针旋转角度，ρ表示极坐标中从原点到过目标点线段垂线长度。
通过霍夫变换提取最终二值化图像中N2>>N1个极值点，如图6所示，使得在原有十字结构极值点基础上增加平行线极值点，其中N2＝100。在十字结构的基础上进行平行线检测，在N2个极值点中找到θ与原十字结构极值点相同，且ρ不同的极值点即对应的平行线，平行线检测中极值点及对应线段提取结果如图6所示，利用平行线构建的平行结构和平行结构的关键点如图7所示，在极坐标参数空间中，通过对十字结构进行平行线检测，得到空间目标的平行结构。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种空间目标的几何结构与关键点提取装置，包括：图像预处理模块802、十字结构提取模块804和平行结构提取模块806，其中：
图像预处理模块802，用于获取待处理空间目标的ISAR图像；对ISAR图像进行归一化处理，得到归一化图像；根据最大类间方差法对归一化图像进行图像划分，得到初始二值化图像；对初始二值化图像进行膨胀运算和腐蚀运算，得到最终二值化图像；
十字结构提取模块804，用于通过霍夫变换从最终二值化图像提取多个十字结构极值点，对十字结构极值点的坐标进行绝对值提取，利用高斯混合模型对绝对值进行聚类分析，得到十字结构；十字结构的各直线对应的起点和终点为十字结构的关键点；
平行结构提取模块806，用于利用霍夫变换从最终二值化图像提取多个平行极值点，根据平行极值点和十字结构在极坐标参数空间中进行平行线检测，得到平行结构；平行结构的各直线对应的起点和终点为平行结构的关键点。
在其中一个实施例中，图像预处理模块802还用于对ISAR图像进行归一化处理，得到归一化图像，包括：利用底数为10的对数函数对ISAR图像进行弱散射点增强，得到对数图像；将对数图像归一化到[0,255]区间，得到归一化图像为
其中，Xinput表示输入像素值；Xnorm表示归一化像素值；Xmax表示输入图片像素最大值；Xmin表示输入图片像素最小值；[]表示取整运算。
在其中一个实施例中，图像预处理模块802还用于根据最大类间方差法对归一化图像进行图像划分，得到初始二值化图像，包括：
根据最大类间方差法确定二值化阈值k，利用归一化图像进行图像划分，大于二值化阈值的像素点作为目标点，小于二值化阈值的像素点作为背景点，得到目标图像和像素图像；目标图像为初始二值化图像。
在其中一个实施例中，图像预处理模块802还用于对初始二值化图像进行膨胀运算和腐蚀运算，得到最终二值化图像，包括：
对初始二值化图像先进行膨胀运算，再腐蚀运算，得到最终二值化图像为
其中，A表示膨胀运算后的二值化图像；A′表示最终二值化图像，B表示卷积核；(B)a表示以a为中心的卷积核，(B)x表示以x为中心的卷积核。
在其中一个实施例中，十字结构提取模块804还用于利用高斯混合模型对绝对值进行聚类分析，得到十字结构，包括：
利用高斯混合模型对绝对值进行聚类分析，得到多个聚类结果；
对多个聚类结果取各类中位数作为十字结构对应极值点，提取十字结构。
在其中一个实施例中，高斯混合模型的概率P计算公式为：
其中，xn表示第n个样本数据；K表示聚类总数；φ表示高斯分布密度函数；αk表示子高斯模型先验概率；μk表示子高斯模型均值；σk表示子高斯模型方差。
在其中一个实施例中，平行结构提取模块806还用于根据平行极值点和十字结构在极坐标参数空间中进行平行线检测，得到平行结构，包括：
在极坐标参数空间中，从平行极值点中找到θ与十字结构的极值点相同，且ρ不同的极值点对应的平行线构建平行结构；其中，θ表示极坐标中从原点到过目标点线段的垂线相对于正x轴顺时针旋转角度，ρ表示极坐标中从原点到过目标点线段垂线长度。
关于一种空间目标的几何结构与关键点提取装置的具体限定可以参见上文中对于一种空间目标的几何结构与关键点提取方法的限定，在此不再赘述。上述一种空间目标的几何结构与关键点提取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种空间目标的几何结构与关键点提取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
在一个实施例中，提供了一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种空间目标的几何结构与关键点提取方法，其特征在于，所述方法包括：
获取待处理空间目标的ISAR图像；
对所述ISAR图像进行归一化处理，得到归一化图像；
根据最大类间方差法对所述归一化图像进行图像划分，得到初始二值化图像；
对所述初始二值化图像进行膨胀运算和腐蚀运算，得到最终二值化图像；
通过霍夫变换从所述最终二值化图像提取多个十字结构极值点，对所述十字结构极值点的坐标进行绝对值提取，利用高斯混合模型对所述绝对值进行聚类分析，得到十字结构；所述十字结构的各直线对应的起点和终点为十字结构的关键点；
利用霍夫变换从所述最终二值化图像提取多个平行极值点，根据所述平行极值点和所述十字结构在极坐标参数空间中进行平行线检测，得到平行结构；所述平行结构的各直线对应的起点和终点为平行结构的关键点；
对所述ISAR图像进行归一化处理，得到归一化图像，包括：
利用底数为10的对数函数对所述ISAR图像进行弱散射点增强，得到对数图像；
将所述对数图像归一化到[0,255]区间，得到归一化图像为
其中，Xinput表示输入像素值；Xnorm表示归一化像素值；Xmax表示输入图片像素最大值；Xmin表示输入图片像素最小值；[]表示取整运算；
根据最大类间方差法对所述归一化图像进行图像划分，得到初始二值化图像，包括：
根据最大类间方差法确定二值化阈值k，利用所述归一化图像进行图像划分，大于二值化阈值的像素点作为目标点，小于二值化阈值的像素点作为背景点，得到目标图像和像素图像；所述目标图像为初始二值化图像；
对所述初始二值化图像进行膨胀运算和腐蚀运算，得到最终二值化图像，包括：
对所述初始二值化图像先进行膨胀运算，再腐蚀运算，得到最终二值化图像为
其中，A表示膨胀运算后的二值化图像；A′表示最终二值化图像，B表示卷积核；(B)a表示以a为中心的卷积核，(B)x表示以x为中心的卷积核；
利用高斯混合模型对所述绝对值进行聚类分析，得到十字结构，包括：
利用高斯混合模型对所述绝对值进行聚类分析，得到多个聚类结果；
对所述多个聚类结果取各类中位数作为十字结构对应极值点，提取十字结构；
根据所述平行极值点和所述十字结构在极坐标参数空间中进行平行线检测，得到平行结构，包括：
在极坐标参数空间中，从所述平行极值点中找到θ与所述十字结构的极值点相同，且ρ不同的极值点对应的平行线构建平行结构；其中，θ表示极坐标中从原点到过目标点线段的垂线相对于正x轴顺时针旋转角度，ρ表示极坐标中从原点到过目标点线段垂线长度。
2.根据权利要求1所述的方法，其特征在于，所述高斯混合模型的概率P计算公式为：
其中，xn表示第n个样本数据；K表示聚类总数；φ表示高斯分布密度函数；αk表示子高斯模型先验概率；μk表示子高斯模型均值；σk表示子高斯模型方差。
3.一种空间目标的几何结构与关键点提取装置，其特征在于，所述装置包括：
图像预处理模块，用于获取待处理空间目标的ISAR图像；对所述ISAR图像进行归一化处理，得到归一化图像；根据最大类间方差法对所述归一化图像进行图像划分，得到初始二值化图像；对所述初始二值化图像进行膨胀运算和腐蚀运算，得到最终二值化图像；对所述ISAR图像进行归一化处理，得到归一化图像，包括：利用底数为10的对数函数对所述ISAR图像进行弱散射点增强，得到对数图像；将所述对数图像归一化到[0,255]区间，得到归一化图像为
其中，Xinput表示输入像素值；Xnorm表示归一化像素值；Xmax表示输入图片像素最大值；Xmin表示输入图片像素最小值；[]表示取整运算；
根据最大类间方差法对所述归一化图像进行图像划分，得到初始二值化图像，包括：
根据最大类间方差法确定二值化阈值k，利用所述归一化图像进行图像划分，大于二值化阈值的像素点作为目标点，小于二值化阈值的像素点作为背景点，得到目标图像和像素图像；所述目标图像为初始二值化图像；
对所述初始二值化图像进行膨胀运算和腐蚀运算，得到最终二值化图像，包括：
对所述初始二值化图像先进行膨胀运算，再腐蚀运算，得到最终二值化图像为
其中，A表示膨胀运算后的二值化图像；A′表示最终二值化图像，B表示卷积核；(B)a表示以a为中心的卷积核，(B)x表示以x为中心的卷积核；
十字结构提取模块，用于通过霍夫变换从所述最终二值化图像提取多个十字结构极值点，对所述十字结构极值点的坐标进行绝对值提取，利用高斯混合模型对所述绝对值进行聚类分析，得到十字结构；所述十字结构的各直线对应的起点和终点为十字结构的关键点；利用高斯混合模型对所述绝对值进行聚类分析，得到十字结构，包括：利用高斯混合模型对所述绝对值进行聚类分析，得到多个聚类结果；对所述多个聚类结果取各类中位数作为十字结构对应极值点，提取十字结构；
平行结构提取模块，用于利用霍夫变换从所述最终二值化图像提取多个平行极值点，根据所述平行极值点和所述十字结构在极坐标参数空间中进行平行线检测，得到平行结构；所述平行结构的各直线对应的起点和终点为平行结构的关键点；根据所述平行极值点和所述十字结构在极坐标参数空间中进行平行线检测，得到平行结构，包括：在极坐标参数空间中，从所述平行极值点中找到θ与所述十字结构的极值点相同，且ρ不同的极值点对应的平行线构建平行结构；其中，θ表示极坐标中从原点到过目标点线段的垂线相对于正x轴顺时针旋转角度，ρ表示极坐标中从原点到过目标点线段垂线长度。
4.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至2中任一项所述方法的步骤。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至2中任一项所述的方法的步骤。
CN202210022762.6A 2022-01-10 2022-01-10 一种空间目标的几何结构与关键点提取方法及装置 Active CN114638968B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210022762.6A CN114638968B (zh) 2022-01-10 2022-01-10 一种空间目标的几何结构与关键点提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210022762.6A CN114638968B (zh) 2022-01-10 2022-01-10 一种空间目标的几何结构与关键点提取方法及装置

Publications (2)

Publication Number Publication Date
CN114638968A CN114638968A (zh) 2022-06-17
CN114638968B true CN114638968B (zh) 2024-01-30

Family

ID=81946448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210022762.6A Active CN114638968B (zh) 2022-01-10 2022-01-10 一种空间目标的几何结构与关键点提取方法及装置

Country Status (1)

Country Link
CN (1) CN114638968B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080674A (zh) * 2019-12-18 2020-04-28 上海无线电设备研究所 一种基于混合高斯模型的多目标isar关键点提取方法
CN111860309A (zh) * 2020-07-20 2020-10-30 汪秀英 一种人脸识别方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3201882A4 (en) * 2014-09-30 2018-07-11 Fitfully Ltd. System and method of 3d modeling and virtual fitting of 3d objects

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080674A (zh) * 2019-12-18 2020-04-28 上海无线电设备研究所 一种基于混合高斯模型的多目标isar关键点提取方法
CN111860309A (zh) * 2020-07-20 2020-10-30 汪秀英 一种人脸识别方法及系统

Also Published As

Publication number Publication date
CN114638968A (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN111860670B (zh) 域自适应模型训练、图像检测方法、装置、设备及介质
CN108710866B (zh) 汉字模型训练方法、汉字识别方法、装置、设备及介质
WO2019232853A1 (zh) 中文模型训练、中文图像识别方法、装置、设备及介质
CN109285105B (zh) 水印检测方法、装置、计算机设备和存储介质
CN109840524B (zh) 文字的类型识别方法、装置、设备及存储介质
CN110807491A (zh) 车牌图像清晰度模型训练方法、清晰度检测方法及装置
CN111368638A (zh) 电子表格的创建方法、装置、计算机设备和存储介质
CN108334879B (zh) 一种区域提取方法、系统及终端设备
CN113269257A (zh) 一种图像分类方法、装置、终端设备及存储介质
CN113469092B (zh) 字符识别模型生成方法、装置、计算机设备和存储介质
CN114155363A (zh) 换流站车辆识别方法、装置、计算机设备和存储介质
CN114549603A (zh) 细胞病理图像的标注坐标转换方法、系统、设备及介质
CN114638968B (zh) 一种空间目标的几何结构与关键点提取方法及装置
CN110728316A (zh) 一种课堂行为检测方法、系统、装置和存储介质
CN113610090B (zh) 印章图像识别分类方法、装置、计算机设备和存储介质
CN108364024B (zh) 图像匹配方法、装置、计算机设备和存储介质
CN110909733A (zh) 基于ocr图片识别的模版定位方法、装置和计算机设备
CN113705270B (zh) 识别二维码定位码区的方法、装置、设备和存储介质
CN111462059B (zh) 胎儿超声图像智能目标检测的并行处理方法和装置
US20210012472A1 (en) Adaptive video subsampling for energy efficient object detection
CN115205680A (zh) 基于显著性迁移的雷达目标sar图像联合检测识别方法
CN114155471A (zh) 设计图纸与实物的核验方法、装置、计算机设备和系统
CN113537229A (zh) 票据图像生成方法、装置、计算机设备和存储介质
CN113128496B (zh) 一种从图像中提取结构化数据的方法、装置和设备
CN114241463A (zh) 签名验证方法、装置、计算机设备和存储介质

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