CN114943713B - 一种用于广域天区中密集星图的高精度星象检测方法 - Google Patents
一种用于广域天区中密集星图的高精度星象检测方法 Download PDFInfo
- Publication number
- CN114943713B CN114943713B CN202210601533.XA CN202210601533A CN114943713B CN 114943713 B CN114943713 B CN 114943713B CN 202210601533 A CN202210601533 A CN 202210601533A CN 114943713 B CN114943713 B CN 114943713B
- Authority
- CN
- China
- Prior art keywords
- star
- image
- star image
- pixel
- wide
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 238000000926 separation method Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 9
- 230000003287 optical effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种用于广域天区中密集星图的高精度星象检测技术,包括星图自适应预处理和星象尺寸估计;对星图进行全局背景值和噪声值进行估计;基于星象预估尺寸对星图进行全局二维连通域标记;统计每块连通区域,基于连通区域信噪比阈值剔除虚假星象得到候选星象集;统计候选星象集的形态学参数,基于星象预估尺寸筛选得到候选重叠星象集;对候选重叠星象集进行三维连通域标记,实现重叠星象的分离;统计并输出所有星象参数。本发明能有效解决超大天区星图背景复杂、星象密集易重叠粘连等问题,实现密集星场的高精度星象检测。
Description
技术领域
本发明属于数字图像处理技术领域,具体涉及广域天区中密集星图的星象检测领域。
背景技术
星象检测是指对空间成像系统采集的星点图像进行图像处理,获取星象质心量度坐标、星象的灰度值和信噪比等星象参数的方法。
传统星象检测通常采用经典连通域方法,该方法是非常常见的图像处理操作,一般是针对二值图像。在进行星象检测时,将采集的星象图像中具有相同像素值且相邻的像素找出来并标记。
然而广域星图中星象密集,极易出现重叠、黏连等现象。采用传统的星象检测方法会把重叠、黏连星象判断为一个星象,这将导致星象定心结果错误和目标漏检现象。如何实现重叠黏连星象的准确分离是广域天文观测中亟待解决的问题。
发明内容
发明目的:本发明目的在于提供一种用于广域天区中密集星图的高精度星象检测方法,有效解决超大天区星图星象密集易重叠粘连的问题,大幅提升广域天区密集星图中星象检测的完备性和准确性。
技术方案:本发明所述用于广域天区中密集星图的高精度星象检测方法,包括如下步骤:
S1、利用广域光学设备采集密集星场星图作为广域天区星图;
S2、采用连通域算法对广域天区星图进行全局二维连通域标记,提取出广域天区星图中属于同一连通区域的像素,并对各连通区域分别标记;
S3、计算各连通区域的信噪比,设定星象信噪比下限,剔除信噪比低于下限的连通区域,得到候选星象集;
S4、基于候选星象集的形态学参数,筛选得到候选重叠星象集;
S5、对候选重叠星象集进行三维连通域标记,实现重叠星象的分离,具体方法为:
I、将候选重叠星象的最大像素值和最小像素值分别记为pmax和pmin,将pmax-pmin之间区域等分为若干小区间,并为若干小区间从高到低依次设定连通域标记的阈值;
II、采用步骤S3的连通域算法完成各阈值下的连通域标记,记录每个像素在每个阈值下标记的id值;在一个像素对应多个id时,以该像素到不同星象中心的距离为权重,分配该像素的灰度值;
III、完成全部像素的标记后,同id值的像素点组合为分离星象,完成重叠星象的分离;
S6、统计并输出所有分离星象的参数,包括:星象质心量度坐标、星象的灰度值和信噪比,完成广域天区密集星图的高精度星象检测。
本发明进一步优选地技术方案为,步骤S1在获得广域天区星图后对广域天区星图进行自适应处理,具体方法为:
I、根据观星设备的光学设计和探测器参数,对星象直径进行估计;
II、设置大于星象最大直径估计值2倍的滤波窗口,在X和Y方向依次扫描全图,获得星图的背景图像;
III、计算背景图像的均值,将原始星图除以背景图像对应位置的像素值再乘以背景均值,完成广域星图的自适应预处理。
作为优选地,步骤S1在获得广域天区星图后,估算广域天区星图的全局背景值和噪声值,具体方法为:
I、计算全局图像的均值,记为bkgd,以及其均方差,记为bkgdsigma;
II、设图像中像素的灰度值为p(i,j),扫描全图,将|p(i,j)-bkgd|>α*bkgdsigma的像素剔除,其中α为星象检测阈值;
III、计算全局图像中剩余像素的均值和均方差,替代原来的bkgd和bkgdsigma,并重复步骤II,直至前后两次计算的背景均值差异小于0.1~0.2adu,停止迭代,输出最后一次计算获得的bkgd和bkgdsigma,供后续连通域标记使用。
优选地,步骤S2中对广域天区星图进行全局二维连通域标记的具体方法为:
I、扫描广域天区星图全图,定义灰度值p(i,j)>bkgdsigma+α*bkgdsigma的像素为星象点,反之则为背景点;其中α为星象检测阈值;
II、如p(i,j)为背景点则不做处理;
如p(i,j)为星象点,则判断该像素的邻域像素的属性,如邻域像素均为背景点,则认为p(i,j)为某块连通区域的第一个像素,并赋予该像素id值;
如p(i,j)的邻域像素包含星象点,则将p(i,j)的id值标记为邻域星象的id值;
完全扫描完成后,属于同一连通区域的像素具有相同的id值,实现连通。
优选地,步骤S3中剔除信噪比低于下限的连通区域,得到候选星象集的具体方法为:
I、将连通区域内所有星象点的像素值减去估算输出的背景值bkgd,并求和记为S,该连通区域的信噪比由式(1)计算获得:
其中npix为该连通区域所占像素个数;
II、设定星象信噪比下限,剔除信噪比低于下限的连通区域,得到候选星象集。
优选地,步骤S4中基于候选星象集的形态学参数,筛选得到候选重叠星象集的具体方法为:
I、由式(2)获得候选星象集中每个候选星象的质心坐标:
II、统计每个候选星象的边界像素下标,记星象最左侧像素的X坐标为left,最右侧像素的X坐标为right,最上侧像素的Y坐标为up,最下侧像素的Y坐标为down;
III、计算每个候选星象的偏心率:
IV、计算每个候选星象的长宽比:
V、以星象的偏心率和长宽比为星象的形态学参数,表征星象形态与理想星象圆形特性的偏离程度,设定星象的长宽比与偏心率的阈值,将长宽比或偏心率大于阈值的星象认为是候选重叠星象。
优选地,星象长宽比的阈值为1.2~1.8,星象偏心率的阈值为1。
有益效果:本发明的高精度星象检测方法能够对密集星象进行三维连通域标记,实现重叠星象的分离,从而分别统计并输出所有星象参数,有效解决星象密集易重叠粘连等问题,大幅提升广域天区密集星图中星象检测的完备性和准确性;
此外,由于望远镜视场越大,天光背景的不均匀性就越显著,在星图中表现为背景的不均匀低频起伏,且无法通过预置平场等流程修正,本发明通过对广域天区星图的自适应预处理,可在不依赖外部数据的前提下,完成对星图的背景处理。
附图说明
图1为本发明的用于广域天区中密集星图的高精度星象检测方法的流程图;
图2为采用本发明所述方法对实施例1的广域星图进行自适应预处理的效果图;
图3为采用本发明所述方法对实施例1的密集星图星象检测的效果图。
具体实施方式
下面通过附图对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
实施例:一种用于广域天区中密集星图的高精度星象检测方法,包括如下步骤:
S1、利用广域光学设备采集密集星场星图作为广域天区星图;
广域一般指设备视场达到10°×10°量级,密集星场指星象点像素占比达到20%量级。本实施例中所使用的望远镜为口径14cm,焦距15cm;照相机为QHY4040-CMOS相机,靶面边长3.6cm,望远镜视场大小为14°×14°。
获得广域天区星图后对广域天区星图进行自适应处理,具体方法为:
I、根据观星设备的光学设计和探测器参数,对星象直径进行估计;
II、设置大于星象最大直径估计值2倍的滤波窗口,在X和Y方向依次扫描全图,获得星图的背景图像,背景中主要为星图中的低频起伏,包含天光背景不均匀性和光学系统渐晕;
III、计算背景图像的均值,将原始星图除以背景图像对应位置的像素值再乘以背景均值,以保证预处理后星图整体灰度值和原图保持不变,即可不依赖外部数据完成广域星图的自适应预处理。
如图2所示,左图为原始图像的相关信息,右图为预处理后图像的相关信息。星图对角线像素值分布的高频部分为星象点,低频部分为背景成分,可以看出预处理后星图的背景成分更均匀平坦。
S2、估算广域天区星图的全局背景值和噪声值,具体方法为:
I、计算全局图像的均值,记为bkgd,以及其均方差,记为bkgdsigma;
II、设图像中像素的灰度值为p(i,j),扫描全图,将|p(i,j)-bkgd|>2.6*bkgdsigma的像素剔除,2.6为星象检测阈值,可根据需求调整;
III、计算全局图像中剩余像素的均值和均方差,替代原来的bkgd和bkgdsigma,并重复步骤II,直至前后两次计算的背景均值差异小于0.1adu,停止迭代,输出最后一次计算获得的bkgd和bkgdsigma,供后续连通域标记使用。
S3、采用连通域算法对广域天区星图进行全局二维连通域标记,提取出广域天区星图中属于同一连通区域的像素,并对各连通区域分别标记,具体方法为:
I、定义灰度值p(i,j)>bkgdsigma+2.6*bkgdsigma的像素为星象点,反之则为背景点;其中2.6为星象检测阈值,可根据需求调整;扫描广域天区星图全图,本实施例中对星图从左至右,从下至上进行扫描,定义p(i,j)的左边像素p(i-1,j)、左下像素p(i-1,j-1)、下边像素p(i,j-1)和右下像素p(i+1,j-1)为邻域像素;
II、如p(i,j)为背景点则不做处理;
如p(i,j)为星象点,则判断该像素的邻域像素的属性,如邻域像素均为背景点,则认为p(i,j)为某块连通区域的第一个像素,并赋予该像素id值,id值根据星图中已检测到的连通区域数量从1开始累计;
如p(i,j)的邻域像素包含星象点,则将p(i,j)的id值标记为邻域星象的id值;
完全扫描完成后,属于同一连通区域的像素具有相同的id值,实现连通。
S4、计算各连通区域的信噪比,设定星象信噪比下限,剔除信噪比低于下限的连通区域,得到候选星象集,具体方法为:
I、将连通区域内所有星象点的像素值减去估算输出的背景值bkgd,并求和记为S,该连通区域的信噪比由式(1)计算获得:
其中npix为该连通区域所占像素个数;此处定义的信噪比为星象的整体信噪比,相较峰值信噪比和平均信噪比更稳定,不易受噪声和野值像素点的影响;
II、设定星象信噪比下限,剔除信噪比低于下限的连通区域,得到候选星象集。
S5、基于候选星象集的形态学参数,筛选得到候选重叠星象集,具体方法为:
I、由式(2)获得候选星象集中每个候选星象的质心坐标:
II、统计每个候选星象的边界像素下标,记星象最左侧像素的X坐标为left,最右侧像素的X坐标为right,最上侧像素的Y坐标为up,最下侧像素的Y坐标为down;
III、计算每个候选星象的偏心率:
IV、计算每个候选星象的长宽比:
V、以星象的偏心率和长宽比为星象的形态学参数,表征星象形态与理想星象圆形特性的偏离程度,将长宽比大于1.5或偏心率大于1像素的星象认为是候选重叠星象。
S6、对候选重叠星象集进行三维连通域标记,实现重叠星象的分离,具体方法为:
I、将候选重叠星象的最大像素值和最小像素值分别记为pmax和pmin,将pmax-pmin之间区域等分为16个小区间,并为16个小区间从高到低依次设定连通域标记的阈值;
II、采用步骤S3的连通域算法完成16个阈值下的连通域标记,记录每个像素在每个阈值下标记的id值;在一个像素对应多个id时,以该像素到不同星象中心的距离为权重,分配该像素的id值;
III、完成全部像素的标记后,同id值的像素点组合为分离星象,完成重叠星象的分离。
S7、统计并输出所有分离星象的参数,包括:星象质心量度坐标、流量值、星象的灰度值和信噪比,完成广域天区密集星图的高精度星象检测;
其中星象质心量度坐标通过式(3)的公式计算获得;
信噪比通过式(1)的公式计算获得;
星象的流量值由同一id对应的所有像素值减去背景值并求和获得。
图3为基于本发明方法实现广域天区密集星图的高精度星象检测的效果图,左边局部放大图为传统方法的星象检测结果,右边局部放大图为本发明所述方法的检测结果。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上作出各种变化。
Claims (7)
1.一种用于广域天区中密集星图的高精度星象检测方法,其特征在于,包括如下步骤:
S1、利用广域光学设备采集密集星场星图作为广域天区星图;
S2、采用连通域算法对广域天区星图进行全局二维连通域标记,提取出广域天区星图中属于同一连通区域的像素,并对各连通区域分别标记;
S3、计算各连通区域的信噪比,设定星象信噪比下限,剔除信噪比低于下限的连通区域,得到候选星象集;
S4、基于候选星象集的形态学参数,筛选得到候选重叠星象集;
S5、对候选重叠星象集进行三维连通域标记,实现重叠星象的分离,具体方法为:
I、将候选重叠星象的最大像素值和最小像素值分别记为pmax和pmin,将pmax-pmin之间区域等分为若干小区间,并为若干小区间从高到低依次设定连通域标记的阈值;
II、采用步骤S3的连通域算法完成各阈值下的连通域标记,记录每个像素在每个阈值下标记的id值;在一个像素对应多个id时,以该像素到不同星象中心的距离为权重,分配该像素的灰度值;
III、完成全部像素的标记后,同id值的像素点组合为分离星象,完成重叠星象的分离;
S6、统计并输出所有分离星象的参数,包括:星象质心量度坐标、星象的灰度值和信噪比,完成广域天区密集星图的高精度星象检测。
2.根据权利要求1所述的用于广域天区中密集星图的高精度星象检测方法,其特征在于,步骤S1在获得广域天区星图后对广域天区星图进行自适应处理,具体方法为:
I、根据观星设备的光学设计和探测器参数,对星象直径进行估计;
II、设置大于星象最大直径估计值2倍的滤波窗口,在X和Y方向依次扫描全图,获得星图的背景图像;
III、计算背景图像的均值,将原始星图除以背景图像对应位置的像素值再乘以背景均值,完成广域星图的自适应预处理。
3.根据权利要求1所述的用于广域天区中密集星图的高精度星象检测方法,其特征在于,步骤S1在获得广域天区星图后,估算广域天区星图的全局背景值和噪声值,具体方法为:
I、计算全局图像的均值,记为bkgd,以及其均方差,记为bkgdsigma;
II、设图像中像素的灰度值为p(i,j),扫描全图,将|p(i,j)-bkgd|>α*bkgdsigma的像素剔除,其中α为星象检测阈值;
III、计算全局图像中剩余像素的均值和均方差,替代原来的bkgd和bkgdsigma,并重复步骤II,直至前后两次计算的背景均值差异小于0.1~0.2adu,停止迭代,输出最后一次计算获得的bkgd和bkgdsigma,供后续连通域标记使用。
4.根据权利要求3所述的用于广域天区中密集星图的高精度星象检测方法,其特征在于,步骤S2中对广域天区星图进行全局二维连通域标记的具体方法为:
I、扫描广域天区星图全图,定义灰度值p(i,j)>bkgdsigma+α*bkgdsigma的像素为星象点,反之则为背景点;其中α为星象检测阈值;
II、如p(i,j)为背景点则不做处理;
如p(i,j)为星象点,则判断该像素的邻域像素的属性,如邻域像素均为背景点,则认为p(i,j)为某块连通区域的第一个像素,并赋予该像素id值;
如p(i,j)的邻域像素包含星象点,则将p(i,j)的id值标记为邻域星象的id值;
完全扫描完成后,属于同一连通区域的像素具有相同的id值,实现连通。
5.根据权利要求4所述的用于广域天区中密集星图的高精度星象检测方法,其特征在于,步骤S3中剔除信噪比低于下限的连通区域,得到候选星象集的具体方法为:
I、将连通区域内所有星象点的像素值减去估算输出的背景值bkgd,并求和记为S,该连通区域的信噪比由式(1)计算获得:
其中npix为该连通区域所占像素个数;
II、设定星象信噪比下限,剔除信噪比低于下限的连通区域,得到候选星象集。
6.根据权利要求5所述的用于广域天区中密集星图的高精度星象检测方法,其特征在于,步骤S4中基于候选星象集的形态学参数,筛选得到候选重叠星象集的具体方法为:
I、由式(2)获得候选星象集中每个候选星象的质心坐标:
II、统计每个候选星象的边界像素下标,记星象最左侧像素的X坐标为left,最右侧像素的X坐标为right,最上侧像素的Y坐标为up,最下侧像素的Y坐标为down;
III、计算每个候选星象的偏心率:
IV、计算每个候选星象的长宽比:
V、以星象的偏心率和长宽比为星象的形态学参数,表征星象形态与理想星象圆形特性的偏离程度,设定星象的长宽比与偏心率的阈值,将长宽比或偏心率大于阈值的星象认为是候选重叠星象。
7.根据权利要求6所述的用于广域天区中密集星图的高精度星象检测方法,其特征在于,星象长宽比的阈值为1.2~1.8,星象偏心率的阈值为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210601533.XA CN114943713B (zh) | 2022-05-30 | 2022-05-30 | 一种用于广域天区中密集星图的高精度星象检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210601533.XA CN114943713B (zh) | 2022-05-30 | 2022-05-30 | 一种用于广域天区中密集星图的高精度星象检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114943713A CN114943713A (zh) | 2022-08-26 |
CN114943713B true CN114943713B (zh) | 2024-03-29 |
Family
ID=82909039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210601533.XA Active CN114943713B (zh) | 2022-05-30 | 2022-05-30 | 一种用于广域天区中密集星图的高精度星象检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114943713B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018101893A (ja) * | 2016-12-20 | 2018-06-28 | コニカミノルタ株式会社 | 画像投映システムおよび光学式投映装置 |
CN112419180A (zh) * | 2020-11-19 | 2021-02-26 | 北京航空航天大学 | 一种未知方向的高动态星点提取方法 |
-
2022
- 2022-05-30 CN CN202210601533.XA patent/CN114943713B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018101893A (ja) * | 2016-12-20 | 2018-06-28 | コニカミノルタ株式会社 | 画像投映システムおよび光学式投映装置 |
CN112419180A (zh) * | 2020-11-19 | 2021-02-26 | 北京航空航天大学 | 一种未知方向的高动态星点提取方法 |
Non-Patent Citations (3)
Title |
---|
MULTISTAR: INSTANCE SEGMENTATION OF OVERLAPPING OBJECTS WITH STAR-CONVEX POLYGONS;Florin C. Walter et al.;《2021 IEEE 18th International Symposium on Biomedical Imaging》;20210416;全文 * |
基于FAST的星图中星的提取方法;石汉路;付文兴;李凯悦;马杰;田金文;;计算机与数字工程;20151020(10);全文 * |
星敏感器星图的高精度星点提取方法;何贻洋等;《哈尔滨工业大学学报》;20190430;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114943713A (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035276B (zh) | 一种图像边缘提取方法、装置及自动驾驶系统 | |
CN111288967B (zh) | 一种基于机器视觉的远距离高精度位移检测方法 | |
CN109211198B (zh) | 一种基于三目视觉的智能目标检测和测量系统和方法 | |
CN106197612B (zh) | 一种基于机器视觉的透明瓶装液位检测方法 | |
KR100780464B1 (ko) | 별센서에서의 별 중심찾기 방법 | |
CN111369495B (zh) | 一种基于视频的全景图像的变化检测方法 | |
CN107687819A (zh) | 一种快速高精度的光条中心亚像素提取方法 | |
CN109389630B (zh) | 可见光图像与红外图像特征点集确定、配准方法及装置 | |
CN110969656B (zh) | 一种基于机载设备激光光束光斑大小的检测方法 | |
CN106952262B (zh) | 一种基于立体视觉的船板加工精度分析方法 | |
CN111178193A (zh) | 一种车道线的检测方法、检测装置及计算机可读存储介质 | |
CN106097319A (zh) | 一种用于相机检校的黑白棋盘格角点提取方法 | |
CN112767497A (zh) | 基于圆形标定板的高鲁棒性标定装置及定位方法 | |
CN113012234A (zh) | 基于平面变换的高精度相机标定方法 | |
CN111256607B (zh) | 一种基于三通道标志点的变形测量方法 | |
CN109872315B (zh) | 一种光学天文望远镜杂散光均匀性实时检测方法 | |
CN115330684A (zh) | 基于双目视觉与线结构光的水下构筑物表观缺陷检测方法 | |
CN114943713B (zh) | 一种用于广域天区中密集星图的高精度星象检测方法 | |
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 | |
CN105005985B (zh) | 背光图像微米级边缘检测方法 | |
CN116934833A (zh) | 基于双目视觉水下结构病害检测方法、设备及介质 | |
CN114998571B (zh) | 基于固定尺寸标志物的图像处理及颜色检测方法 | |
RU2692970C2 (ru) | Способ калибровки видеодатчиков многоспектральной системы технического зрения | |
CN109493382B (zh) | 一种基于像元内响应的恒星高精度位置提取方法 | |
CN114569114A (zh) | 一种身高测量方法及装置 |
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 |