CN115393440B - 一种光端机信标光斑中心定位方法、存储介质及电子设备 - Google Patents

一种光端机信标光斑中心定位方法、存储介质及电子设备 Download PDF

Info

Publication number
CN115393440B
CN115393440B CN202211321922.3A CN202211321922A CN115393440B CN 115393440 B CN115393440 B CN 115393440B CN 202211321922 A CN202211321922 A CN 202211321922A CN 115393440 B CN115393440 B CN 115393440B
Authority
CN
China
Prior art keywords
light spot
image
effective response
spot
center
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
CN202211321922.3A
Other languages
English (en)
Other versions
CN115393440A (zh
Inventor
董科研
刘超
宋延嵩
张博
梁宗林
朴明旭
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.)
Changchun University of Science and Technology
Original Assignee
Changchun University of Science and 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 Changchun University of Science and Technology filed Critical Changchun University of Science and Technology
Priority to CN202211321922.3A priority Critical patent/CN115393440B/zh
Publication of CN115393440A publication Critical patent/CN115393440A/zh
Application granted granted Critical
Publication of CN115393440B publication Critical patent/CN115393440B/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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20081—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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Optical Communication System (AREA)

Abstract

一种光端机信标光斑中心定位方法、存储介质及电子设备，涉及空间激光通信技术领域，解决了现有光斑中心定位方法定位精度低的问题。所述方法包括：S1、对粗定位检测到的信标光斑ROI区域进行二值化；S2、将二值化图像划分为4x4网格；S3、分别计算各个网格单元的有效响应面积，抑制噪声及光斑能量不均匀的影响；S4、将4x4网格的有效响应面积序列输入预训练的BP神经网络，得到光斑中心位置坐标。可应用于空间激光通信APT光束控制系统中光端机液晶空间光调制器光斑中心定位中。

Description

一种光端机信标光斑中心定位方法、存储介质及电子设备
技术领域
本发明涉及空间激光通信技术领域，具体涉及一种光端机信标光斑中心定位方法、存储介质及电子设备。
背景技术
空间激光通信是利用激光光束所具备的方向性强、功率密度大、单色性好等特性，以其作为通信载波，在一定的空间范围内实现信息传输的通信方式，具有传输速率高、抗干扰性强、保密性好、设备体积小等优点。近年来，空间激光通信技术发展迅速，具有良好的应用前景。虽然空间激光通信有诸多优点，但也存在着由大气散射衰减、湍流闪烁、湍流散斑等大气因素对激光造成各种不同程度的干扰，使得通信系统接收端接收到的光斑质量下降，对光斑的检测精度也会有影响。需要针对不同影响下的光斑，对其分析选择最合适的图像处理方法，可以提高光斑定位的精度，进一步的提高激光通信的稳定性。
在图像处理方面，通常使用的光斑中心定位方法有灰度重心法、二维高斯拟合法以及高斯截面圆拟合等。灰度重心法算法相对易理解，精度相对较高，却对光斑几何外形有一定的标准，对于形状不规则的光斑定位时会存在一定的偏差；与灰度重心法算法相比，二维高斯拟合法的定位精度更高，其定位的稳定性也比较好，但其局限性在于对采样数据样本和图像分布要求严格，必须符合高斯分布；基于边缘的高斯截面圆拟合通常需要对目标对象的边缘进行提取，然后通过诸如霍夫变换等圆拟合方法确定光斑中心，适用于与灰度变换相反的对象特征。而在实际大气信道中，光斑在受到大气湍流散射、闪烁、散斑影响下，信噪比会降低，呈现忽强忽弱的闪烁状态，以及激光光束漂移、弥散畸变以及空间相干性退化。因此，光斑能量并不是呈现高斯分布的理想状态，往往存在中心区域过曝、形状及内部花纹结构发生畸变、扭曲等问题，如图1所示。对于这种光斑状态的定位，灰度重心法和二维高斯拟合法都不能很好的进行光斑中心定位，光斑定位精度低，极大影响了激光通信的稳定性；虽然基于边缘的高斯截面圆拟合方法能一定程度上避免光斑能量分布不均匀、中心区域过曝的影响，但该方法对边缘几何外形要求较高，对于光斑形状及内部花纹结构发生畸变、扭曲的问题仍然无法解决，难以判断这种状态下的光斑中心位置，导致定位精度低，这对通信系统的稳定影响极大。
发明内容
为了解决现有光斑中心定位方法定位精度低的问题，本发明提出了一种光端机信标光斑中心定位方法、存储介质及电子设备。
本发明的技术方案如下：
一种光端机信标光斑中心定位方法，包括以下步骤：
S1、对粗定位检测到的信标光斑ROI区域进行二值化；
S2、将二值化图像划分为4x4网格；
S3、分别计算各个网格单元的有效响应面积，抑制噪声及光斑能量不均匀的影响；
S4、将4x4网格的有效响应面积序列输入预训练的BP神经网络，得到光斑中心位置坐标。
优选地，步骤1中所述对ROI区域进行二值化具体是通过最大熵阈值图像分割方法，截取光斑有效相应区域。
优选地，所述最大熵阈值图像分割方法包括以下步骤：
S11、用
Figure 277950DEST_PATH_IMAGE001
表示原始图像像素
Figure 398353DEST_PATH_IMAGE002
的灰度值，光斑中心未过曝的情况下，
Figure 365041DEST_PATH_IMAGE003
，
其中，
Figure 697933DEST_PATH_IMAGE004
为光斑中心能量，
Figure 699256DEST_PATH_IMAGE005
为光斑质心位置坐标，
Figure 193823DEST_PATH_IMAGE006
为高斯光斑束腰半径，
Figure 647807DEST_PATH_IMAGE007
为CCD靶面光电转换系数；
光斑中心存在过曝的情况下，
Figure 784390DEST_PATH_IMAGE008
；
S12、通过设定最大熵阈值
Figure 374640DEST_PATH_IMAGE009
，将图像中的像素分为有效响应和背景两类，实现输入图像
Figure 305687DEST_PATH_IMAGE001
到输出图像
Figure 856754DEST_PATH_IMAGE010
的变换：
Figure 780717DEST_PATH_IMAGE011
，
其中，
Figure 976206DEST_PATH_IMAGE012
表示属于有效响应区域的图像，
Figure 593001DEST_PATH_IMAGE013
表示属于背景类别的图像，最大熵阈值
Figure 506730DEST_PATH_IMAGE009
可表示为
Figure 703225DEST_PATH_IMAGE014
，其中，对于具有
Figure 284379DEST_PATH_IMAGE015
级灰度值的光斑图像，其灰度变化范围为
Figure 416283DEST_PATH_IMAGE016
，假设光斑图像的有效响应区域
Figure 66576DEST_PATH_IMAGE017
由灰度级高于
Figure 817495DEST_PATH_IMAGE018
的像素点构成，暗背景区域
Figure 768002DEST_PATH_IMAGE019
由灰度级低于
Figure 211753DEST_PATH_IMAGE018
的像素点构成，那么有效响应区域
Figure 83763DEST_PATH_IMAGE017
的熵
Figure 763006DEST_PATH_IMAGE020
和暗背景区域
Figure 53173DEST_PATH_IMAGE019
的熵
Figure 917092DEST_PATH_IMAGE021
分别为：
Figure 292710DEST_PATH_IMAGE022
，
其中，
Figure 634699DEST_PATH_IMAGE023
表示图像中像素灰度值为
Figure 779372DEST_PATH_IMAGE024
的概率，
Figure 689559DEST_PATH_IMAGE025
表示有效响应区域
Figure 801741DEST_PATH_IMAGE017
所有像素累计概率；
选取该最大熵阈值T进行图像分割，得到最大熵阈值图像。
优选地，步骤S3中所述各个网格单元的有效响应面积计算方法为：
Figure 698153DEST_PATH_IMAGE026
，
其中，
Figure 681021DEST_PATH_IMAGE027
代表第
Figure 637476DEST_PATH_IMAGE028
行第
Figure 846740DEST_PATH_IMAGE029
列单元有效响应面积，
Figure 796110DEST_PATH_IMAGE030
、
Figure 649797DEST_PATH_IMAGE031
、
Figure 760841DEST_PATH_IMAGE032
和
Figure 457402DEST_PATH_IMAGE033
分别代表网格单元
Figure 695616DEST_PATH_IMAGE034
轴和
Figure 942094DEST_PATH_IMAGE035
轴的上下限，
Figure 240351DEST_PATH_IMAGE036
为网格单元中二值化图像坐标
Figure 158628DEST_PATH_IMAGE037
处像素响应值。
优选地，所述预训练的BP神经网络的初始权重、每层神经元的数量、网络隐藏层数量以及输入层和输出层节点数量如下：
（1）输入层和输出层节点的数量：输入层节点数量为16个，输出层节点为光斑位置的横纵坐标值，数量为2个；
（2）隐藏层的数量：1；
（3）隐层节点数的选择：10；
（4）初始权重：
Figure 449801DEST_PATH_IMAGE038
之间的随机数；
（5）学习速率：0.1。
一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序执行如上所述的光端机信标光斑中心定位方法。
一种电子设备，包括处理器和存储器，其中处理器、存储器通过通信总线完成相互间的通信；存储器，用于存储计算机程序；处理器，用于执行存储器上所存放的计算机程序时，实现如上所述的光端机信标光斑中心定位方法。
与现有技术相比，本发明解决了光斑中心定位精度低问题，具体有益效果为：
本发明针对大气信道中光斑能量并不是呈现高斯分布的理想状态的现象，在信标光斑受到大气信道影响的情况下，能够准确定位液晶空间光调制器布拉格衍射光斑的中心位置，为后续光斑小目标跟踪工作提供准确的位置信息，为激光通信的稳定提供保障。与现有方法相比，本申请提供的方法能有效抑制大气信道下光斑质量不佳、光斑形状不规则以及能量分布不均匀对光斑中心定位精度的影响，提高通信系统的稳定性，具有一定的实际应用价值。
附图说明
图1为背景技术中所述大气信道下光斑能量分布情况示意图；
图2 为ROI区域二值化示意图；
图3为光斑能量分布情况示意图，其中（a）表示光斑中心未过曝，（b）表示光斑中心存在过曝；
图4为二值化图像划分为4x4网格示意图；
图5为有效响应面积和光斑质心实际位置的关系拟合曲面；
图6为实施例8中所述信标光斑中心定位结果示意图。
具体实施方式
为使本发明的技术方案更加清楚，下面将结合本发明的说明书附图，对本发明实施例中的技术方案进行清楚、完整地描述，需要说明的是，以下实施例仅用于更好地理解本发明的技术方案，而不应理解为对本发明的限制。
实施例1.
本实施例提供了一种光端机信标光斑中心定位方法，包括以下步骤：
S1、对粗定位检测到的信标光斑ROI区域进行二值化；
S2、将二值化图像划分为4x4网格；
S3、分别计算各个网格单元的有效响应面积，抑制噪声及光斑能量不均匀的影响；
S4、将4x4网格的有效响应面积序列输入预训练的BP神经网络，得到光斑中心位置坐标。
实施例2.
本实施例为对实施例1的进一步举例说明，步骤1中所述对ROI区域进行二值化具体是通过最大熵阈值图像分割方法，截取光斑有效相应区域。
实施例3.
本实施例为对实施例1的进一步举例说明，所述最大熵阈值图像分割方法包括以下步骤：
S11、用
Figure 278080DEST_PATH_IMAGE001
表示原始图像像素
Figure 996506DEST_PATH_IMAGE002
的灰度值，光斑中心未过曝的情况下，
Figure 277446DEST_PATH_IMAGE003
，
其中，
Figure 247676DEST_PATH_IMAGE004
为光斑中心能量，
Figure 179729DEST_PATH_IMAGE005
为光斑质心位置坐标，
Figure 819789DEST_PATH_IMAGE006
为高斯光斑束腰半径，
Figure 837292DEST_PATH_IMAGE007
为CCD靶面光电转换系数；
光斑中心存在过曝的情况下，
Figure 345634DEST_PATH_IMAGE039
；
S12、通过设定最大熵阈值
Figure 882925DEST_PATH_IMAGE009
，将图像中的像素分为有效响应和背景两类，实现输入图像
Figure 208733DEST_PATH_IMAGE001
到输出图像
Figure 729845DEST_PATH_IMAGE010
的变换：
Figure 166511DEST_PATH_IMAGE011
，
其中，
Figure 823888DEST_PATH_IMAGE012
表示属于有效响应区域的图像，
Figure 320598DEST_PATH_IMAGE013
表示属于背景类别的图像，最大熵阈值
Figure 63426DEST_PATH_IMAGE009
可表示为
Figure 913570DEST_PATH_IMAGE014
，其中，对于具有
Figure 674722DEST_PATH_IMAGE015
级灰度值的光斑图像，其灰度变化范围为
Figure 827485DEST_PATH_IMAGE016
，假设光斑图像的有效响应区域
Figure 306877DEST_PATH_IMAGE017
由灰度级高于
Figure 836079DEST_PATH_IMAGE018
的像素点构成，暗背景区域B由灰度级低于
Figure 327103DEST_PATH_IMAGE018
的像素点构成，那么有效响应区域
Figure 900036DEST_PATH_IMAGE017
的熵
Figure 883035DEST_PATH_IMAGE020
和暗背景区域B的熵
Figure 199616DEST_PATH_IMAGE021
分别为：
Figure 420513DEST_PATH_IMAGE022
，
其中，
Figure 305292DEST_PATH_IMAGE023
表示图像中像素灰度值为
Figure 759276DEST_PATH_IMAGE024
的概率，
Figure 630280DEST_PATH_IMAGE025
表示有效响应区域
Figure 954951DEST_PATH_IMAGE017
所有像素累计概率；
选取该最大熵阈值T进行图像分割，得到最大熵阈值图像。
将粗定位检测到信标光斑ROI区域通过最大熵阈值图像分割方法进行二值化，结果如图2所示，图中中心白色区域即为有效响应区域
Figure 885998DEST_PATH_IMAGE017
，黑色区域即为暗背景区域
Figure 827278DEST_PATH_IMAGE040
。
在实际情况下，当光斑照射在4x4网格单元阵列上，光斑中心的过曝情况并不确定，光斑能量分布情况如图3所示，其中光斑中心未过曝时能量分布如图3（a）所示；光斑中心存在过曝时其能量分布如图3（b）所示。
实施例4.
本实施例为对实施例1的进一步举例说明，步骤S3中所述各个网格单元的有效响应面积计算方法为：
Figure 361027DEST_PATH_IMAGE026
，
其中，
Figure 556517DEST_PATH_IMAGE027
代表第
Figure 907732DEST_PATH_IMAGE028
行第
Figure 555883DEST_PATH_IMAGE029
列单元有效响应面积，
Figure 893323DEST_PATH_IMAGE030
、
Figure 723745DEST_PATH_IMAGE031
、
Figure 731015DEST_PATH_IMAGE032
和
Figure 381308DEST_PATH_IMAGE033
分别代表网格单元
Figure 132226DEST_PATH_IMAGE034
轴和
Figure 817154DEST_PATH_IMAGE035
轴的上下限，
Figure 119960DEST_PATH_IMAGE036
为网格单元中二值化图像坐标
Figure 8281DEST_PATH_IMAGE037
处像素响应值。
实施例5.
本实施例为对实施例1的进一步举例说明，所述预训练的BP神经网络的初始权重、每层神经元的数量、网络隐藏层数量以及输入层和输出层节点数量如下：
（1）输入层和输出层节点的数量：输入层节点数量为16个，输出层节点为光斑位置的横纵坐标值，数量为2个；
（2）隐藏层的数量：1；
（3）隐层节点数的选择：10；
（4）初始权重：
Figure 812158DEST_PATH_IMAGE038
之间的随机数；
（5）学习速率：0.1。
BP神经网络具有强大的非线性拟合能力，通过已有4x4网格有效响应面积序列和实际中心位置数据集，拟合出如图5所示的二维曲面。
实施例6.
本实施例提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序执行如实施例1-5中任意一项所述的光端机信标光斑中心定位方法。
实施例7.
本实施例提供了一种电子设备，包括处理器和存储器，其中处理器、存储器通过通信总线完成相互间的通信；存储器，用于存储计算机程序；处理器，用于执行存储器上所存放的计算机程序时，实现如实施例1-5中任意一项所述的光端机信标光斑中心定位方法。
本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（read only memory，ROM）、可编程只读存储器（programmable ROM，PROM）、可擦除可编程只读存储器（erasablePROM，EPROM）、电可擦除可编程只读存储器（electrically EPROM，EEPROM）或闪存。易失性存储器可以是随机存取存储器（random access memory，RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM 可用，例如静态随机存取存储器（static RAM，SRAM）、动态随机存取存储器（dynamic RAM，DRAM）、同步动态随机存取存储器（synchronousDRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（double data rate SDRAM，DDRSDRAM）、增强型同步动态随机存取存储器（enhanced SDRAM，ESDRAM）、同步连接动态随机存取存储器（synchlink DRAM，SLDRAM）和直接内存总线随机存取存储器（direct rambusRAM，DR RAM）。应注意，本发明描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（digital subscriber line，DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，高密度数字视频光盘（digital video disc，DVD））、或者半导体介质（例如，固态硬盘（solid state disc，SSD））等。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软 件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
应注意，本申请实施例中的处理器可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
实施例8.
本实施例采用输入分辨率1024x1024的光斑图像序列，通过光斑粗定位算法得到光斑ROI区域，然后按照本申请所述以上具体实施方式对四个光斑的ROI区域进行定位处理，最终得到如图6所示光斑中心定位结果，图中十字线即为信标光斑中心位置。
以上可以证明本申请提供的光端机信标光斑中心定位方法可以准确地定位形状不规则的光斑中心，可实现为后续光斑小目标跟踪工作提供准确的位置信息，为激光通信的稳定提供保障。

Claims (6)

1.一种光端机信标光斑中心定位方法，其特征在于，包括以下步骤：
S1、对粗定位检测到的信标光斑ROI区域进行二值化；
S2、将二值化图像划分为4x4网格；
S3、分别计算各个网格单元的有效响应面积，抑制噪声及光斑能量不均匀的影响；
S4、将4x4网格的有效响应面积序列输入预训练的BP神经网络，得到光斑中心位置坐标；
步骤S3中所述各个网格单元的有效响应面积计算方法为：
Figure FDA0004006684950000011
其中，Iij(i，j＝1，2，3，4)代表第i行第j列单元有效响应面积，Aij、Bij、Cij和Dij分别代表网格单元X轴和Y轴的上下限，f(m，n)为网格单元中二值化图像坐标(m，n)处像素响应值。
2.根据权利要求1所述的光端机信标光斑中心定位方法，其特征在于，步骤1中所述对ROI区域进行二值化具体是通过最大熵阈值图像分割方法，截取光斑有效相应区域。
3.根据权利要求2所述的光端机信标光斑中心定位方法，其特征在于，所述最大熵阈值图像分割方法包括以下步骤：
S11、用f(x，y)表示原始图像像素(x，y)的灰度值，光斑中心未过曝的情况下，
Figure FDA0004006684950000012
其中，I为光斑中心能量，(x0，y0)为光斑质心位置坐标，r为高斯光斑束腰半径，k为CCD靶面光电转换系数；
光斑中心存在过曝的情况下，
Figure FDA0004006684950000021
S12、通过设定最大熵阈值T，将图像中的像素分为有效响应和背景两类，实现输入图像f(x，y)到输出图像g(x，y)的变换：
Figure FDA0004006684950000022
其中，g(x，y)＝1表示属于有效响应区域的图像，g(x，y)＝0表示属于背景类别的图像，最大熵阈值T可表示为
Figure FDA0004006684950000023
其中，对于具有L级灰度值的光斑图像，其灰度变化范围为[0，L-1]，假设光斑图像的有效响应区域O由灰度级高于t的像素点构成，暗背景区域B由灰度级低于t的像素点构成，那么有效响应区域O的熵HO(t)和暗背景区域B的熵HB(t)分别为：
Figure FDA0004006684950000024
其中，pi表示图像中像素灰度值为i的概率，pt表示有效响应区域O所有像素累计概率；
选取该最大熵阈值T进行图像分割，得到最大熵阈值图像。
4.根据权利要求1所述的光端机信标光斑中心定位方法，其特征在于，所述预训练的BP神经网络的初始权重、每层神经元的数量、网络隐藏层数量以及输入层和输出层节点数量如下：
(1)输入层和输出层节点的数量：输入层节点数量为16个，输出层节点为光斑位置的横纵坐标值，数量为2个；
(2)隐藏层的数量：1；
(3)隐层节点数的选择：10；
(4)初始权重：[-1，1]之间的随机数；
(5)学习速率：0.1。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序执行如权利要求1-4中任意一项所述的光端机信标光斑中心定位方法。
6.一种电子设备，其特征在于，包括处理器和存储器，其中处理器、存储器通过通信总线完成相互间的通信；存储器，用于存储计算机程序；处理器，用于执行存储器上所存放的计算机程序时，实现如权利要求1-4中任意一项所述的光端机信标光斑中心定位方法。
CN202211321922.3A 2022-10-27 2022-10-27 一种光端机信标光斑中心定位方法、存储介质及电子设备 Active CN115393440B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211321922.3A CN115393440B (zh) 2022-10-27 2022-10-27 一种光端机信标光斑中心定位方法、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211321922.3A CN115393440B (zh) 2022-10-27 2022-10-27 一种光端机信标光斑中心定位方法、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN115393440A CN115393440A (zh) 2022-11-25
CN115393440B true CN115393440B (zh) 2023-01-24

Family

ID=84127585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211321922.3A Active CN115393440B (zh) 2022-10-27 2022-10-27 一种光端机信标光斑中心定位方法、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN115393440B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437438A (zh) * 2023-11-01 2024-01-23 哈尔滨工业大学 一种远距离信标光斑跟踪识别方法、系统、设备及介质
CN117315011B (zh) * 2023-11-30 2024-04-02 吉林珩辉光电科技有限公司 一种大气湍流中光斑中心定位方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617611A (zh) * 2013-11-12 2014-03-05 清华大学 一种自动阈值分割光斑中心及尺寸检测方法
CN103955687A (zh) * 2014-05-12 2014-07-30 北京航空航天大学 一种基于质心法的光斑图像中心的快速定位方法
CN110345815A (zh) * 2019-07-16 2019-10-18 吉林大学 一种基于视线追踪的履带车枪械瞄准方法
CN112102402A (zh) * 2020-09-23 2020-12-18 平安科技（深圳）有限公司 闪光灯光斑位置识别方法、装置、电子设备及存储介质
CN112950650A (zh) * 2021-01-27 2021-06-11 广东工业大学 一种适用于高精度形貌测量的深度学习畸变光斑中心提取方法
CN114299137A (zh) * 2021-12-27 2022-04-08 中国电子科技集团公司第十一研究所 激光光斑中心定位方法及测试系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104966308B (zh) * 2015-06-12 2017-12-01 深圳大学 一种计算激光光束光斑大小的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617611A (zh) * 2013-11-12 2014-03-05 清华大学 一种自动阈值分割光斑中心及尺寸检测方法
CN103955687A (zh) * 2014-05-12 2014-07-30 北京航空航天大学 一种基于质心法的光斑图像中心的快速定位方法
CN110345815A (zh) * 2019-07-16 2019-10-18 吉林大学 一种基于视线追踪的履带车枪械瞄准方法
CN112102402A (zh) * 2020-09-23 2020-12-18 平安科技（深圳）有限公司 闪光灯光斑位置识别方法、装置、电子设备及存储介质
CN112950650A (zh) * 2021-01-27 2021-06-11 广东工业大学 一种适用于高精度形貌测量的深度学习畸变光斑中心提取方法
CN114299137A (zh) * 2021-12-27 2022-04-08 中国电子科技集团公司第十一研究所 激光光斑中心定位方法及测试系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
关于光斑图像阈值分析及其中心点的提取;单德强等;《计算机与数字工程》;20200720(第07期);全文 *
基于分级定位的远端激光光斑中心定位算法;漆云海等;《电光与控制》;20200601(第06期);第76-80页 *
基于阵列探测器的空间激光通信光斑位置检测技术研究;李千;《中国博士学位论文全文数据库基础科学辑》;20200815;第3章 *
天空背景光条件下空间激光通信系统粗跟踪光斑提取方法;谢欣欣等;《大气与环境光学学报》;20170515(第03期);全文 *
改进阈值分割的光斑中心定位方法;赵琦等;《激光与红外》;20180520(第05期);第633-637页 *

Also Published As

Publication number Publication date
CN115393440A (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN115393440B (zh) 一种光端机信标光斑中心定位方法、存储介质及电子设备
CN111462225A (zh) 一种红外光斑图像的质心识别定位方法
CN115830459B (zh) 基于神经网络的山地林草生命共同体损毁程度检测方法
CN111666854B (zh) 融合统计显著性的高分辨率sar影像车辆目标检测方法
CN110610143B (zh) 多任务联合训练的人群计数网络方法、系统、介质及终端
CN110969656B (zh) 一种基于机载设备激光光束光斑大小的检测方法
CN103162818B (zh) 基于矩不变性的激光光束束宽评价方法
CN110365404B (zh) 无波前传感自适应系统及利用该系统提高收敛速度的方法
CN111638511A (zh) 基于信号融合的多雷达空间配准的协同探测方法及装置
CN110765631B (zh) 基于有效成像像素的红外辐射特性测量小目标判断方法
Li et al. A novel detail weighted histogram equalization method for brightness preserving image enhancement based on partial statistic and global mapping model
CN115393441B (zh) 一种基于液晶光闭环系统的光斑高精度提取定位方法
CN105005967A (zh) 时空滤波相结合的红外成像非均匀性校正方法及其装置
CN115984646B (zh) 面向遥感跨卫星观测的分布式目标检测方法、装置和卫星
CN111859266A (zh) 基于多源信息融合的空间目标结构反演方法和装置
Zhou et al. Image illumination adaptive correction algorithm based on a combined model of bottom-hat and improved gamma transformation
Zhou et al. An improved algorithm using weighted guided coefficient and union self‐adaptive image enhancement for single image haze removal
CN115343711A (zh) 一种基于改进YOLOx的SAR图像舰船目标检测方法
CN115661443A (zh) 复杂环境的多尺度正向特征增益红外弱小目标检测方法
Salazar Colores et al. Statistical multidirectional line dark channel for single‐image dehazing
Li et al. Infrared imaging enhancement through local window‐based saliency extraction with spatial weight
Mei et al. Matching by pixel distribution comparison: Multisource image template matching
Xia et al. Step‐by‐step image enhancement method for PTZ‐camera based crack detection in expressways
CN116342417B (zh) 一种航空遥感影像的辐射校正方法及系统
Yan et al. Multiscale saliency detection method for ship targets in synthetic aperture radar images

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