CN115797366A - 一种基于霍夫变换的移动目标提取图像处理方法和系统 - Google Patents

一种基于霍夫变换的移动目标提取图像处理方法和系统 Download PDF

Info

Publication number
CN115797366A
CN115797366A CN202211481409.0A CN202211481409A CN115797366A CN 115797366 A CN115797366 A CN 115797366A CN 202211481409 A CN202211481409 A CN 202211481409A CN 115797366 A CN115797366 A CN 115797366A
Authority
CN
China
Prior art keywords
image
straight line
target
point
hough transform
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.)
Pending
Application number
CN202211481409.0A
Other languages
English (en)
Inventor
胡绍明
张波
曹海
杜俊举
陈旭
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202211481409.0A priority Critical patent/CN115797366A/zh
Publication of CN115797366A publication Critical patent/CN115797366A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于霍夫变换的移动目标提取图像处理方法和系统，主要涉及天文学应用领域。包括以下步骤：采集图像数据并进行图像预处理、星像提取和天文定位；通过三维霍夫变换对上述步骤提取到的星像中暗弱移动目标进行检测。本发明的有益效果在于：它不仅可大大提高监测数据的处理速度和能力，更有利于提高空间碎片领域的监测能力，可促进空间碎片图像处理及应用的产业化发展。

Description

一种基于霍夫变换的移动目标提取图像处理方法和系统
技术领域
本发明涉及天文学应用领域，具体是一种基于霍夫变换的移动目标提取图像处理方法和系统。
背景技术
天文光学图像处理的过程中要清晰、准确地区分图像中信号的来源是噪声还是目标源。现有光学图像处理的环节大致分为两步：图像预处理和目标源提取。对于图像预处理，它主要改正观测图像的偏差，有时会进行一些图像背景的处理，例如基本的图像变换(中值滤波、均值滤波)；用于背景估计的贝叶斯方法；突出显示对象并减少背景波动的匹配滤波以及多尺度并行的方法。目标源提取大致有阈值分割(在计算机视觉中，阈值分割是一种简单的目标源提取方法，利用这种方法，将灰度图像转换为二值图像。)、局部最大值搜索(局部峰值搜索方法的主要原理在于搜索被认为是峰值的那些像素，或者换句话说，是邻域中的局部最大值。)和神经网络(将目标检测问题转化为分类问题，对像素进行分类，使用一种神经网络进行筛选，类似机械学习)等方法。但是这些方法在提取暗弱目标时极易受到图像背景影响，不能处理背景恒星与目标重叠的情况，且在信噪比较低时无法区分噪声和目标的差别。
天文观测图像目标检测就是从图像处理提取的星像中检测特定的目标。常用的目标检测方法可以分为两大类，即跟踪前检测(Detect before track，DBT)和检测前跟踪(Track before detect，TBD)。基于DBT的目标检测是一种比较直观的做法，其实现思路是先在单帧图像中进行抽检，列举出所有可能的候选目标，然后通过各种限制性条件剔除候选目标中虚假的目标，最终获取到真实的目标，之后再开始目标的跟踪工作。基于TBD目标检测算法在执行跟踪时并不清楚究竟哪一个才是真实的目标，因此需要对视野内所有可见的目标在一段时间内进行连续跟踪，直至跟踪结束后再通过对所有轨迹的分析并计算出每一条轨迹属于真实目标的后验概率，从中筛选出最有可能的那一条作为目标运动轨迹从而实现真实目标检测功能。
目前采用的天文图像目标检测方法较多，2005年韩建涛等人对图像对称差分运算进行改进，发展出新的的天文运动小目标检测法。方法假设在某一段时间间隔(tk，tk+1，…，tk+m-1)内CCD获取的一个m帧图像序列经预处理后表示为：
{f(xi，yj，tk)，f(xi，yj，tk+1)，…，f(xi，yj，tk-m+1)} i，j＝1，…，N
算法步骤如下：
(1)考虑连续三帧序列图像f(xi，yj，tk)，f(xi，yj，tk+1)，f(xi，yj，tk+2)。计算相邻两帧图像的绝对差灰度g(xi，yj，tk)，g(xi，yj，tk+1)：
g(xi，yj，tk)＝|f(xi，yj，tk+2)-f(xi，yj，tk)|
g(xi，yj，tk+1)＝|f(xi，yj，tk+2)-f(xi，yj，tk+1)|
(2)利用前三帧图像进行背景估计：
Figure BDA0003961797920000021
(3)把灰度图像g(xi，yj，tk)，g(xi，yj，tk+1)对应像素值相乘得到g2(xi，yj，tk)；
(4)抑制f(xi，yj，tk+2)的背景，即：
f-Bg(xi，yj，tk)＝f(xi，yj，tk+2)-Bg(xi，yj，tk)
(5)得到最后增强后的图像：
fEn(xi，yj，tk)＝f-Bg(xi，yj，tk)*g2(xi，yj，tk)
(6)对灰度图像fEn(xi，yj，tk)进行自动门限分割得到二值图像B(xi，yj，tk)；对B(xi，yj，tk)进行后处理，利用顺序滤波去掉从背景中分割出的孤立噪声点，填充目标区域的背景空缺，得到的结果为原始图像f(xi，yj，tk)的运动目标分割图像F(xi，yj，tk)。
(7)对下一个连续三帧进行上述操作，得到m-2帧序列图像的运动目标分割图像：
{F(xi，yj，tk)，F(xi，yj，tk+1)，…，F(xi，yj，tk+m-3)} i，j＝1，…，N
(8)应用基于简单预测的目标点集匹配方法对原始图像m-2帧序列图像的运动目标图像进行目标确认，剔除m-2帧分割图像中的虚假目标。
但是这种方法只适用于静止望远镜或者相应天区背景在帧间隔时间内的变化很小的状况，同时要求图像视场较小，运算速度较慢。
因此，目前天文光学图像处理中存在暗弱目标提取率较低，星像重叠无法区分等问题；目标检测不能够及时有效的从大视场巡天图像中快速提取空间碎片等移动目标。故而需要研发一种能够在大视场巡天图像中对暗弱移动目标进行快速检测的方法，该方法能够实现移动目标星像、尤其是暗弱移动目标星像的精确提取与快速检测。
发明内容
本发明的目的在于提供一种基于霍夫变换的移动目标提取图像处理方法和系统，它不仅可大大提高监测数据的处理速度和能力，更有利于提高空间碎片领域的监测能力，可促进空间碎片图像处理及应用的产业化发展。
本发明为实现上述目的，通过以下技术方案实现：
包括以下步骤：采集图像数据并进行图像预处理、星像提取和天文定位；通过三维霍夫变换对上述步骤提取到的星像中暗弱移动目标进行检测。
优选的，所述图像预处理包括本底改正、暗流改正和平场改正。
优选的，所述星像提取包括非拖长星像的时间提取、位置提取、流量提取和信噪比提取。
优选的，所述天文定位具体为：使用已知参考星表中恒星坐标为标准，确定像素坐标系和天球坐标系之间的转换关系，进而解算出目标实际空间位置。
优选的，所述通过三维霍夫变换对暗弱移动目标进行检测主要包括以下步骤：构建点云；进行三维霍夫变换得到点云中目标的运动轨迹直线方程；对上述步骤中得到的轨迹直线方程进行测评。
优选的，所述构建点云具体为：以所有提取目标的赤经赤纬坐标作为点云横纵坐标，以时间作为Z轴构建点云。
优选的，所述进行三维霍夫变换得到点云中目标的运动轨迹直线方程具体为：在三维空间X-Y-Z中定义一条直线，所述直线描述为：
Figure BDA0003961797920000041
其中
Figure BDA0003961797920000042
定义一个通过原点并垂直于上述直线的平面，定义x′和y′为平面自身的2D坐标框架中直线和平面的交点坐标，即将原坐标X-Y平面绕原点旋转到X′-Y′平面，所得旋转矩阵根据直线方向矢量
Figure BDA0003961797920000043
为：
Figure BDA0003961797920000044
从直线上的任意点
Figure BDA0003961797920000045
出发，进行变换：
Figure BDA0003961797920000051
得到：
Figure BDA0003961797920000052
Figure BDA0003961797920000053
Figure BDA0003961797920000054
和方向矢量
Figure BDA0003961797920000055
此时
Figure BDA0003961797920000056
可以用两个参数x′和y′表示，设置步长dx将X′和Y′离散，得到
Figure BDA0003961797920000057
Figure BDA0003961797920000058
X′-Y′平面被离散为一个个面单元格
Figure BDA0003961797920000059
其中i∈N2，j∈N3，利用B、X′、Y′构建参数空间，将点云输入到参数空间中，输入的任意点坐标(x0，y0，z0)利用转换矩阵转换为(x′0，y′0，z′0)，在参数空间中代表
Figure BDA00039617979200000510
这些单元格，其中k∈N1，i0∈N2，j0∈N3且
Figure BDA00039617979200000511
Figure BDA00039617979200000512
由于点(x0，y0，z0)没有确切方向，所以
Figure BDA00039617979200000513
Figure BDA00039617979200000514
即点(x0，y0，z0)在参数空间中为这些单元格各投票一次，在参数空间中每个单元格
Figure BDA00039617979200000515
其中k∈N1，i∈N2，j∈N3，代表一条直线，找出得票最高的单元格，确定与之相对应的直线参数，然后回到点云中查找所有到直线距离小于单元格宽度的点，用最小二乘法拟合通过所有点的最佳直线，从参数空间中删掉这些点，重复上述操作直到直线包含的点少于设定参数时停止迭代。
优选的，所述对轨迹直线方程进行测评具体为：利用直线方程找到直线上目标点，对目标点以时间进行插值、剔除在视场外的插值点、搜索插值点附近的目标点；通过目标点的状况对直线进行决策判断直线真假；输出可靠直线上的目标点。
优选的，所述方向矢量
Figure BDA0003961797920000061
的获取具体为：在直线
Figure BDA0003961797920000062
中，
Figure BDA0003961797920000063
是直线的方向矢量，可以使用柏拉图镶嵌进行离散，选用二十面体，使用多边形三角剖分将二十面体表面上的每个三角形划分为四个新的三角形，在三角形的每对相邻顶点之间插入一个新的顶点，并对其长度进行归一化，对所有多边形三角形执行此操作会为每条边生成一个新顶点，并为每个新顶点生成三条新边，对于所需细化级别，重复执行此操作，在二十面体细分4次后停止，得到1281个不同的方向矢量，方向矢量
Figure BDA0003961797920000064
一种基于霍夫变换的移动目标提取图像处理系统，包括数据采集模块、数据处理模块和数据抓取模块，所述数据采集模块用于采集移动目标所在星像的具体数据，所述数据处理模块用于对上述采集到的数据进行计算并处理，所述数据抓取模块用于将上述经过处理的数据中涉及移动目标所在直线的数据信息进行抓取。
对比现有技术，本发明的有益效果在于：
可以应用到空间碎片监测系统中，提升系统的图像处理能力，可以应用于大口径、大视场望远镜及阵列对于空间目标的快速提取，同时也可以应用于大规模巡天数据中小行星的搜寻。
近些年来，随着望远镜的大规模建造，天文观测的数据也必将增多，空间碎片关乎太空环境和航天安全，空间碎片的观测数据将大幅度增长，因此需要一种能够大规模快速处理空间碎片的技术。
不仅可大大提高监测数据的处理速度和能力，更有利于提高空间碎片领域的监测能力，可促进空间碎片图像处理及应用的产业化发展。
附图说明
图1是方法流程图。
图2是移动目标在多幅图像中的运动轨迹。
图3是原始构建点云。
图4是降噪后点云。
图5是坐标旋转示意图。
图6是柏拉图镶嵌示意图。
图7是三维霍夫变换结果示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所限定的范围。
实施例：一种基于霍夫变换的移动目标提取图像处理方法和系统
具体方法流程如图1所示。
对于暗弱目标来说，从图像提取目标信息，经常会导致误识别。而在空间碎片领域，需要观测的目标大多是移动目标。如果连续有多幅图像，将图像对齐再叠加，这样移动暗弱目标轨迹就会凸显，如图2所述，识别这种轨迹就可以得到暗弱目标信息，进而能够准确提取图像中的暗弱移动目标。在实际观测中，短时间内观测目标轨迹通常是直线，我们提出利用霍夫变换的方法进行识别。
霍夫变换是一种特征检测方法，被广泛应用于图像分析、计算机视觉以及数位影像处理。传统二维霍夫变换能够将多幅图像中、空间碎片的运动轨迹变换到参数空间中同一个点上，实现暗弱星像的增强，进而识别暗弱目标运动轨迹。但是二维霍夫变换在实际图像处理中限制很大，所以我们经过大量研究提出使用三维霍夫变换。三维霍夫变换同样是参数空间变换，但其思路和解决方案针对我们的实际问题比二维霍夫变化更高效和精确。该方法的具体流程如下：
(1)图像预处理、星像提取、天文定位
在进行目标提取之前，需要对得到的图像进行预处理以改正CCD本身对图像的影响。图像预处理分为本底改正、暗流改正、平场改正。
本底(bias)是指在不曝光的情况下，CCD上每个像素所记录的光电荷数的底值。由于栅压的微小起伏、环境噪声以及仪器等因素，使观测过程中的本底存在变化，因此需要在观测前后或过程中进行多幅本底的测定，取其平均值作为使用值。本底改正，即将所有图像减本底。
暗流(dark)是指在通电状态下，CCD势阱中产生的热电子。暗流具有累积效应，大小与积分时间有关，并且对温度很敏感。如果某些像素点比较异常，热电子会快速累积，形成噪点。测量暗流的方法是关闭快门，对CCD进行较长时间的通电，读出CCD图像即为暗流图像。暗场改正，即将所有图像减暗场。
平场(fiat)是CCD上各像素灵敏度的体现，它可能来源于像素的分光响应不一致、滤光片厚薄不均匀、CCD平面与焦面不重合等因素。测定平场的方法，是让CCD对一个均匀的漫射光源进行多次曝光，取其平均值或中值图像作为平场图像。为了消除平场的影响，将目标图像与合并后的平场图像相除，即完成平场改正。
天文定位是使用已知参考星表中恒星坐标为标准，确定像素坐标系和天球坐标系之间的转换关系，进而解算出目标实际空间位置的一种技术。针对大视场巡天观测数据，可认为背景恒星和移动目标星像均拖长不严重，可近似认为非拖长星像，星像提取主要包含背景恒星及空间碎片等非拖长星像的时间提取、位置提取、流量提取以及信噪比提取，均采用传统方法进行目标提取。
(2)暗弱移动目标检测
暗弱移动目标检测分为三个步骤。首先是构建点云：以所有提取源的赤经赤纬坐标作为点云横纵坐标，以时间作为Z轴构建点云，如图3所示。由于赤经赤纬的量级与时间的量级不一致，所以我们将赤经和赤纬除以像元比例尺扩大到图像像素的尺度；将时间换算为秒，再扩大10倍，这样便于后序过程的参数设置。此时点云数据量巨大且有大量恒星的干扰，因此将不同时间上，具有相同赤经赤纬坐标的点去重，去除恒星以达到降噪的目的，经过以上处理后点云中移动目标运动轨迹得以凸显，如图4所示。
其次是霍夫变换。从本质上说，霍夫变换是一种累加效应，从而可以实现暗弱目标信号的检测，为了实现这种累加效应，需要进行三维霍夫变换。在X-Y空间，对于点，用坐标(X，Y)表示；对于线，用参数方程(B，K)描述：Y＝KX+B。反之，同样可以构建K-B空间，对于点，用坐标(B，K)表示；对于线，用参数方程(X，Y)描述：B＝-KX+Y。X-Y空间与K-B空间存在一种变换关系，将X-Y空间称为原空间，将K-B空间称为参数空间，这就是二维霍夫变换的空间变换。在三维霍夫变换中，原空间是X-Y-Z空间，描述一条直线需要六个参数
Figure BDA0003961797920000091
其中
Figure BDA0003961797920000092
参数空间就是px-py-pz-bx-by-bz空间。此时空间变换较为复杂，根据实际情况，我们可以简化参数、离散化参数空间，从而简化求解。
当直线的位置由任意锚点表示时，这将导致位置矢量
Figure BDA0003961797920000101
中三个参数，其中一个是冗余的。Roberts的最优线表示法是消除这种冗余的一种方法。这种方法首先定义了一个通过原点并垂直于直线的平面；然后，将两个参数x′和y′定义为平面自身的2D坐标框架中直线和平面的交点坐标，如图5所示,这就相当于将原坐标X-Y平面绕原点旋转到X′-Y′平面，旋转矩阵A根据直线方向矢量
Figure BDA0003961797920000102
为：
Figure BDA0003961797920000103
从直线上的任意点
Figure BDA0003961797920000104
出发，进行变换：
Figure BDA0003961797920000105
得到：
Figure BDA0003961797920000106
Figure BDA0003961797920000107
Figure BDA0003961797920000108
此时
Figure BDA0003961797920000109
可以用两个参数x′和y′表示。
在直线
Figure BDA00039617979200001010
中，
Figure BDA00039617979200001011
是直线的方向矢量，可以使用柏拉图镶嵌进行离散。选用二十面体，如图6(a)所示，使用多边形三角剖分将二十面体表面上的每个三角形划分为四个新的三角形，方法是在三角形的每对相邻顶点之间插入一个新的顶点，并对其长度进行归一化，如图6(b)所示。对所有多边形三角形执行此操作会为每条边生成一个新顶点，并为每个新顶点生成三条新边。对于所需细化级别，可以根据需要重复执行此操作。我们在二十面体细分4次后停止，得到1281个不同的方向矢量，方向矢量
Figure BDA0003961797920000111
直线位置矢量
Figure BDA00039617979200001111
用x′和y′表示，在进行三维霍夫变换前，还要设置步长dx将x′和y′离散，得到
Figure BDA0003961797920000112
Figure BDA0003961797920000113
X′-Y′平面被离散为一个个面单元格
Figure BDA0003961797920000114
Figure BDA0003961797920000115
其中i∈N2，j∈N3。利用B、X′、Y′构建参数空间L，将点云D输入到L中，输入的任意点坐标(x0，y0，z0)利用转换矩阵A转换为(x′0，y′0，z′0)，在参数空间中代表
Figure BDA0003961797920000116
这些单元格，其中k∈N1，i0∈N2，j0∈N3且
Figure BDA0003961797920000117
由于点(x0，y0，z0)没有确切方向，所以
Figure BDA0003961797920000118
Figure BDA0003961797920000119
即点(x0，y0，，z0)在参数空间中为这些单元格各投票一次，在参数空间中每个单元格
Figure BDA00039617979200001110
其中k∈N1，i∈N2，j∈N3，代表一条直线，找出得票最高的单元格，确定与之相对应的直线参数，然后回到点云中查找所有到直线距离小于单元格宽度的点，用最小二乘法拟合通过所有点的最佳直线，从参数空间中删掉这些点，重复上述操作直到直线包含的点少于设定参数时停止迭代。最终得到点云中目标的运动轨迹直线方程，在这些直线上的点即为可能的移动目标，如图7所示。
在输出目标前，最后需要对直线进行评测。利用直线方程找到直线上目标点，对目标点以时间进行插值、剔除在视场外的插值点、搜索插值点附近的目标点；然后通过目标点的状况对直线进行决策判断直线真假；最后输出可靠直线上的目标点，实现暗弱移动目标的快速可靠检测。
实施例2：一种基于霍夫变换的移动目标提取图像处理系统
包括数据采集模块、数据处理模块和数据抓取模块，所述数据采集模块用于采集移动目标所在星像的具体数据，所述数据处理模块用于对上述采集到的数据进行计算并处理，所述数据抓取模块用于将上述经过处理的数据中涉及移动目标所在直线的数据信息进行抓取。

Claims (10)

1.一种基于霍夫变换的移动目标提取图像处理方法，其特征在于，包括以下步骤：
S1采集图像数据并进行图像预处理、星像提取和天文定位；
S2通过三维霍夫变换对步骤S1提取到的星像中暗弱移动目标进行检测。
2.根据权利要求1所述一种基于霍夫变换的移动目标提取图像处理方法，其特征在于，所述图像预处理包括本底改正、暗流改正和平场改正。
3.根据权利要求1所述一种基于霍夫变换的移动目标提取图像处理方法，其特征在于，所述星像提取包括非拖长星像的时间提取、位置提取、流量提取和信噪比提取。
4.根据权利要求1所述一种基于霍夫变换的移动目标提取图像处理方法，其特征在于，所述天文定位具体为：使用已知参考星表中恒星坐标为标准，确定像素坐标系和天球坐标系之间的转换关系，进而解算出目标实际空间位置。
5.根据权利要求1所述一种基于霍夫变换的移动目标提取图像处理方法，其特征在于，所述通过三维霍夫变换对暗弱移动目标进行检测主要包括以下步骤：
S21构建点云；
S22进行三维霍夫变换得到点云中目标的运动轨迹直线方程；
S23对步骤S22中得到的轨迹直线方程进行测评。
6.根据权利要求5所述一种基于霍夫变换的移动目标提取图像处理方法，其特征在于，所述构建点云具体为：以所有提取目标的赤经赤纬坐标作为点云横纵坐标，以时间作为Z轴构建点云。
7.根据权利要求5所述一种基于霍夫变换的移动目标提取图像处理方法，其特征在于，所述进行三维霍夫变换得到点云中目标的运动轨迹直线方程具体为：在三维空间X-Y-Z中定义一条直线，所述直线描述为：
Figure FDA0003961797910000021
其中
Figure FDA0003961797910000022
定义一个通过原点并垂直于上述直线的平面，定义x′和y′为平面自身的2D坐标框架中直线和平面的交点坐标，即将原坐标X-Y平面绕原点旋转到X′-Y′平面，所得旋转矩阵根据直线方向矢量
Figure FDA0003961797910000023
为：
Figure FDA0003961797910000024
从直线上的任意点
Figure FDA0003961797910000025
出发，进行变换：
Figure FDA0003961797910000026
得到：
Figure FDA0003961797910000027
Figure FDA0003961797910000028
Figure FDA0003961797910000029
和方向矢量
Figure FDA00039617979100000210
此时
Figure FDA00039617979100000211
可以用两个参数x′和y′表示，设置步长dx将X′和Y′离散，得到
Figure FDA00039617979100000212
Figure FDA00039617979100000213
X′-Y′平面被离散为一个个面单元格
Figure FDA00039617979100000214
其中i∈N2，j∈N3，利用B、X′、Y′构建参数空间，将点云输入到参数空间中，输入的任意点坐标(x0，y0，z0)利用转换矩阵转换为(x′0，y′0，z′0)，在参数空间中代表
Figure FDA0003961797910000031
这些单元格，其中k∈N1，i0∈N2，j0∈N3且
Figure FDA0003961797910000032
Figure FDA0003961797910000033
由于点(x0，y0，z0)没有确切方向，所以
Figure FDA0003961797910000034
Figure FDA0003961797910000035
即点(x0，y0，，z0)在参数空间中为这些单元格各投票一次，在参数空间中每个单元格
Figure FDA0003961797910000036
其中k∈N1，i∈N2，j∈N3，代表一条直线，找出得票最高的单元格，确定与之相对应的直线参数，然后回到点云中查找所有到直线距离小于单元格宽度的点，用最小二乘法拟合通过所有点的最佳直线，从参数空间中删掉这些点，重复上述操作直到直线包含的点少于设定参数时停止迭代。
8.根据权利要求5所述一种基于霍夫变换的移动目标提取图像处理方法，其特征在于，所述对轨迹直线方程进行测评具体为：利用直线方程找到直线上目标点，对目标点以时间进行插值、剔除在视场外的插值点、搜索插值点附近的目标点；通过目标点的状况对直线进行决策判断直线真假；输出可靠直线上的目标点。
9.根据权利要求7所述一种基于霍夫变换的移动目标提取图像处理方法，其特征在于，所述方向矢量
Figure FDA0003961797910000037
的获取具体为：在直线
Figure FDA0003961797910000038
中，
Figure FDA0003961797910000039
是直线的方向矢量，可以使用柏拉图镶嵌进行离散，选用二十面体，使用多边形三角剖分将二十面体表面上的每个三角形划分为四个新的三角形，在三角形的每对相邻顶点之间插入一个新的顶点，并对其长度进行归一化，对所有多边形三角形执行此操作会为每条边生成一个新顶点，并为每个新顶点生成三条新边，对于所需细化级别，重复执行此操作，在二十面体细分4次后停止，得到1281个不同的方向矢量，方向矢量
Figure FDA00039617979100000310
10.一种基于霍夫变换的移动目标提取图像处理系统，其特征在于，包括数据采集模块、数据处理模块和数据抓取模块，所述数据采集模块用于采集移动目标所在星像的具体数据，所述数据处理模块用于对上述采集到的数据进行计算并处理，所述数据抓取模块用于将上述经过处理的数据中涉及移动目标所在直线的数据信息进行抓取。
CN202211481409.0A 2022-11-24 2022-11-24 一种基于霍夫变换的移动目标提取图像处理方法和系统 Pending CN115797366A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211481409.0A CN115797366A (zh) 2022-11-24 2022-11-24 一种基于霍夫变换的移动目标提取图像处理方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211481409.0A CN115797366A (zh) 2022-11-24 2022-11-24 一种基于霍夫变换的移动目标提取图像处理方法和系统

Publications (1)

Publication Number Publication Date
CN115797366A true CN115797366A (zh) 2023-03-14

Family

ID=85440954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211481409.0A Pending CN115797366A (zh) 2022-11-24 2022-11-24 一种基于霍夫变换的移动目标提取图像处理方法和系统

Country Status (1)

Country Link
CN (1) CN115797366A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117689879A (zh) * 2024-01-05 2024-03-12 哈尔滨工业大学 一种天基巡天望远镜图像中的空间目标检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117689879A (zh) * 2024-01-05 2024-03-12 哈尔滨工业大学 一种天基巡天望远镜图像中的空间目标检测方法

Similar Documents

Publication Publication Date Title
Ren et al. State of the art in defect detection based on machine vision
CN113469177B (zh) 基于深度学习的排水管道缺陷检测方法及系统
Hoang et al. Metaheuristic optimized edge detection for recognition of concrete wall cracks: a comparative study on the performances of roberts, prewitt, canny, and sobel algorithms
Khoshelham et al. Performance evaluation of automated approaches to building detection in multi-source aerial data
CN104574347B (zh) 基于多源遥感数据的在轨卫星图像几何定位精度评价方法
CN112529015A (zh) 一种基于几何解缠的三维点云处理方法、装置及设备
AU2020272936B2 (en) Methods and systems for crack detection using a fully convolutional network
Yahya et al. Applied imagery pattern recognition for photovoltaic modules’ inspection: A review on methods, challenges and future development
CN113989604A (zh) 基于端到端深度学习的轮胎dot信息识别方法
CN115797366A (zh) 一种基于霍夫变换的移动目标提取图像处理方法和系统
CN116188943A (zh) 太阳射电频谱爆发信息检测方法及装置
Vida et al. Open-source meteor detection software for low-cost single-board computers
Mondal et al. Applications of computer vision-based structural health monitoring and condition assessment in future smart cities
Gao et al. Low saliency crack detection based on improved multimodal object detection network: an example of wind turbine blade inner surface
Li et al. Automated Tire visual inspection based on low rank matrix recovery
Zhu et al. YOLO-SDLUWD: YOLOv7-based small target detection network for infrared images in complex backgrounds
Albalooshi et al. Deep belief active contours (DBAC) with its application to oil spill segmentation from remotely sensed sea surface imagery
Chu et al. A rendering‐based lightweight network for segmentation of high‐resolution crack images
Ali et al. SURF and LA with RGB vector space based detection and monitoring of manholes with an application to tri-rotor UAS images
Manjunatha Vision-Based and Data-Driven Analytical and Experimental Studies into Condition Assessment and Change Detection of Evolving Civil, Mechanical and Aerospace Infrastructures
González-Santiago et al. Deep Self-Supervised Hyperspectral-Lidar Fusion for Land Cover Classification
Rodriguez A methodology to develop computer vision systems in civil engineering: Applications in material testing and fish tracking
CN118470641B (zh) 基于图像识别的船舶超载判定方法及装置
Tupe-Waghmare et al. A Scoping Review of Classification of Concrete Cracks using Deep Convolution Learning Approach
Sun Convolutional neural network-based crack identification and detection in underwater buildings

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