CN117314800A - 基于形态学重构的暗弱空间目标质心提取方法 - Google Patents
基于形态学重构的暗弱空间目标质心提取方法 Download PDFInfo
- Publication number
- CN117314800A CN117314800A CN202310811070.4A CN202310811070A CN117314800A CN 117314800 A CN117314800 A CN 117314800A CN 202310811070 A CN202310811070 A CN 202310811070A CN 117314800 A CN117314800 A CN 117314800A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- histogram
- thr
- window
- 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
Links
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 15
- 238000000605 extraction Methods 0.000 title description 8
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000005260 corrosion Methods 0.000 claims abstract description 13
- 230000007797 corrosion Effects 0.000 claims abstract description 13
- 238000012937 correction Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 16
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 6
- 238000012804 iterative process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Image Processing (AREA)
Abstract
一种基于形态学重构的暗弱空间目标质心提取方法,首先对光学空间目标图像进行直方图统计,对直方图进行两类混合高斯模型参数估计,得到估计的理想直方图;将理想直方图与原始图像直方图匹配,对原始图像进行灰度校正;对校正后的图像进行自适应双参数阈值分割,得到二值图像;基于形态学腐蚀对二值图像进行迭代处理,对每个像素用迭代腐蚀计算次数还原,得到二值图像重构灰度图;最后重构灰度图进行插值和高斯拟合,得到高分辨率恒星及目标图像,进而求取质心位置。该方法能够有效解决现有技术对存在拖尾的空间暗弱目标质心定位精度不高、抗噪声能力差的问题。
Description
技术领域
本发明涉及空间探测技术领域,特别涉及一种基于形态学重构的暗弱空间目标质心提取方法。
背景技术
空间目标的高精度质心提取技术,是对目标检测跟踪之后,生成天文定位信息之前的关键步骤。空间目标探测产品诸如天文定位、定轨信息的精度,主要依赖于质心提取的准确与否。当前对目标的天文定位精度要求一般在角秒级,这就要求之心提取的精度在亚像元,甚至于0.1像素以上。
目标质心提取的精度,会受到传感器镜头畸变、噪声、过曝像元及其周边光源的污染干扰,同时场景中恒星背景、目标的拖尾遮挡也会造成估计精度下降。特别是对于低星等微小、暗弱目标,往往在CCD像元仅呈现几个弥散亮点,拖尾及本体边缘处往往无法形成规则、椭圆外形,灰度统计难以形成标准高斯分布,这也导致传统的普通质心、平方加权质心等传统方法很难准确评估。改进的阈值质心法和曲面拟合法能够通过内插,对惯性系背景凝视场景进行有效估算,但当观测平台与恒星背景相对速度较大时质心定位精度则会迅速下降。
目前,空间目标的高精度质心提取方法通常包括:预处理,减少相机周边或特定天区背景光源的干扰和污染,防止高亮度噪声像素被检测为虚警;提高恒星、目标边缘处与周边噪声的对比度;通过拟合插值提高恒星、目标像元分辨率,提升质心计算精度。
但现有技术对于带有拖尾的空间暗弱目标,存在质心定位精度不高、抗噪声能力差等问题。
发明内容
基于上述情况,本公开提供一种基于形态学重构的暗弱空间目标质心提取方法,以提高该类目标的质心提取精度。
本公开提供的基于形态学重构的暗弱空间目标质心提取方法,包括以下步骤:
步骤1:对光学空间目标图像进行直方图统计,对直方图进行两类混合高斯模型参数估计,得到噪声分布的均值和方差、恒星及目标分布的均值和方差;
步骤2:对步骤1得到的两类高斯混合模型直方图,用于和原始图像直方图进行匹配,得到模型直方图的近似结果,并根据近似结果对原始图像进行灰度校正;
步骤3:对灰度校正之后的图像进行自适应双参数阈值分割,得到二值图像;
步骤4:基于形态学腐蚀计算对二值图像进行迭代处理,对每个像素用迭代腐蚀计算次数还原,直到前后处理结果一致,得到二值图像重构灰度图;
步骤5:对重构灰度图进行插值和高斯拟合,得到高分辨率恒星及目标图像,根据质心法求取质心位置。
进一步的,步骤1具体如下:
空间目标灰度图像数据x(i,j)(i,j∈[0,N-1],i,j∈Z),其中N为图像像素数,对图像x(i,j)做直方图统计,得到g(y):
g(y)=g1(y)+g2(y)+Δ(y) (1)
其中,y∈[0,65535],y∈Z,Δ(y)表示直方图误差函数。
g1(y)和g2(y)分别表示背景噪声和恒星、目标的高斯统计分布直方图:
其中,μ1和μ2表示均值,σ1和σ2表示方差。
实际空间目标图像中的背景噪声往往与暗弱恒星、目标亮度差异不大,μ1和μ2之间差值较小,直方图两个高斯分布重叠在一起,导致普通阈值分割方法很容易把暗弱目标作为虚警剔除。同时,由于恒星、目标灰度与噪声差异较小,采用滤波方法容易降低暗弱目标的信噪比,采用普通的直方图均衡等预处理容易提高噪声中亮斑的灰度值,造成新的虚警。本方法通过对两类混合高斯分布直方图进行参数估计,形成理想直方图后再对原始图像进行直方图匹配,实现校正计算。
对于g(y)的最大值M=max(g(y)),存在M对应的横坐标yM∈[min{μ1,μ2},max{μ1,μ2}];对于g(y)的方差σ,存在σ∈[min{σ1,σ2},max{σ1,σ2}]。
令表示总直方图面积,定义yThr,L和yThr,R,有/>和则min{μ1,μ2}∈[yThr,L,yM],max{μ1,μ2}∈[yM,yThr,R]。β为面积比阈值。
两类高斯分布直方图中心不会存在于有效灰度像素区域边界之外。因此,对μ1、μ2、σ1和σ2的估计等价为
由于在[yThr,L,yM]区间和[yM,yThr,R],T(μ′1,σ′1,μ′2,σ′2)为单调函数,令σ′1=σ′2=var(x(i,j))。
首先,令μ'2=yM,搜索y,μ′1∈[yThr,L,yM]范围内当T(μ′1,var(x(i,j)),yM,var(x(i,j)))成立时,得到g1(y)均值的最有估计值μ1;
然后,令μ′1=μ1,搜索y,μ'2∈[yM,yThr,R]范围内当T(μ1,var(x(i,j)),μ'2,var(x(i,j)))最小成立时,得到g2(y)均值的最有估计值μ2;
最后,考虑T(μ1,σ′1,μ2,σ′2)在y∈{[yThr,L,μ1],[μ2,yThr,R]}范围内为单调函数,搜索σ′1∈(0,σ],σ′2∈[σ,+∞)范围内,当T(μ1,σ′1,μ2,σ′2)最小时即可得到两类高斯混合模型的最佳参数估计μ1、μ2、σ1和σ2,
由此得到原始数据的直方图估计结果g′(y)=g1(y)+g2(y)。
进一步的,步骤2具体如下:
分别计算g(y)和g′(y)的累积分布函数
其中,v∈[0,65535],v∈Z。
找到F(v)与F′(v)之间距离最近的数值的坐标集合F_index(v):
其中,w∈[0,65535],w∈Z,τ(τ<10,τ∈Z+)为均值窗口。
具体方法可采用:原始图像直方图累积分布函数F(v),在2τ+1范围内求取均值,并和估计直方图累积分布函数F′(v)向量求差,得到最小差值的坐标,存入坐标集合F_index(v)。
直方图匹配之后的映射校正图像x′(i,j),根据x(i,j)在坐标集合F_index(v)中的对应数值得到:
x′(i,j)=F_index(x(i,j)) (6)
进一步的,步骤3具体如下:
对校正之后的图像数据x′(i,j)进行自适应双参数恒虚警检测,检测过程包括对三个窗口的信息统计:目标窗口Ta、保护窗口P和背景窗口B,三类窗口半径参数分别为rP和rB。其中目标窗口主要包括待检测目标的灰度信息;保护窗口主要包括目标与背景过度之间的灰度信息,用于保护目标弥散部分不被统计到背景窗口;背景窗口主要涵盖星空噪声信息。
目标窗口内检测到目标的判断依据是
其中,为目标窗口的均值,μB为背景窗口的均值,σB为背景窗口的标准偏差,TThr为比较阈值,一般选择1~2之间。
背景窗口B的半径rB的大小根据相机角度及CCD像元数来确定,且与前者成反比关系,与后者成正比关系,一旦相机设计固定则rB固定。目标窗口Ta的半径的大小由背景窗口B内的亮度统计数值决定:
这里认为背景窗口B内部的亮度集合主要是由目标亮度构成,因此每次滑动根据区域内亮度统计确定目标窗口半径,能够有效增加目标窗口目标有效信息的覆盖。
二值图像的结果为:
进一步的,步骤4具体包括:
令xrt(i,j)表示x″b(i,j)=x′b(i,j)x(i,j)经过形态学腐蚀处理还原的灰度图像,xmin=min(x″b(i,j))表示二值图像掩膜下原始数据的最小值。
令xrt(i,j)=0;对于全图的单个像素进行操作,如果x″b(i,j)=xmin,则xrt(i,j)=xrt(i,j)+1;对x″b(i,j)进行腐蚀处理并迭代,B为腐蚀模板,z2表示被腐蚀图像区域,更新图像x″b=x″b,next,重复上一步,直到x″b与x″b,next相等。得到的xrt(i,j)即为重构之后的灰度图像。
进一步的,步骤5具体包括:
对重构图像xrt(i,j)进行插值和高斯滤波拟合,定义x′rt(i′,j′)(i′,j′∈[0,DN-1],i′,j′∈Z),D表示插值后一维数据倍数。初始化x′rt(i′,j′)=0,x′rt(i′,j′)插值计算过程为x′rt(0:D:DN-1,0:D:DN-1)=xrt(:,:);对插值后的结果进行高斯滤波拟合,结果为h表示二维高斯滤波器,考虑工程化流水计算,一般选择小阶数p(p∈Z+,p≥3);对滤波拟合结果进行重复迭代,迭代次数一般选择p2次,即:
对公式(10)最终的迭代结果图像数据x″rt进行二值化:
对二值化结果进行连通域标记得到恒星、目标覆盖信息:
则各个恒星及目标质心位置为:
与现有技术相比,本公开的有益效果是:(1)采用对直方图的两类混合高斯模型参数估计,得到理想直方图,避免了现有技术中容易把暗弱目标作为虚警剔除、或者提高噪声中亮斑的灰度值,造成新的虚警的问题;(2)将估计直方图和原始图像直方图匹配,对原始图像进行灰度校正,减少了相机周边或特定天区背景光源的干扰和污染,防止高亮度噪声像素被检测为虚警;(3)对灰度校正之后的图像进行自适应双参数阈值分割,得到二值图像,消除了以往阈值分割不适用于较大或较小目标与噪声隔离的问题;(4)对二值重构灰度图进行插值和高斯拟合,得到高分辨率恒星及目标图像,降低了过曝、弥散对质心的影响,减少了噪声、目标形变对质心计算造成的影响;(5)所述方法易于工程实现。
附图说明
通过结合附图对本公开示例性实施例进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施例方式中,相同的参考标号通常代表相同部件。
图1为根据本公开的示例性实施例流程图;
图2为原始图像归一化统计直方图示例;
图3为原始图像直方图、估计直方图及各分量直方图对比;
图4是直方图匹配前(a)、后(b)图像;
图5是二值图灰度重构图像(a)及局部放大图像(b);
图6是插值及高斯拟合前(a)后(b)局部放大对比图像。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
本公开提供了一种基于形态学重构的暗弱空间目标高精度质心提取方法,示例性实施例流程如附图1所示,主要包括以下步骤:
步骤1:对光学空间目标图像进行直方图统计,对直方图进行两类混合高斯模型参数估计,得到噪声分布的均值和方差、恒星及目标分布的均值和方差。
对于空间目标灰度图像数据x(i,j)(i,j∈[0,4095],i,j∈Z),其中N为图像像素数,对图像x(i,j)做直方图统计,得到g(y),如图2所示:
g(y)=g1(y)+g2(y)+Δ(y) (1)
其中,y∈[0,65535],y∈Z,Δ(y)表示直方图误差函数;
g1(y)和g2(y)分别表示背景噪声和恒星、目标的高斯统计分布直方图:
其中,μ1和μ2表示均值,σ1和σ2表示方差;
对于g(y)的最大值M=max(g(y))=1.335*106,存在M对应的横坐标yM=104;对于g(y)的方差σ,存在σ=99.59;
令表示直方图面积,定义yThr,L和yThr,R,有和/>则min{μ1,μ2}∈[yThr,L,yM],max{μ1,μ2}∈[yM,yThr,R]。β为面积比阈值;
考虑到两类高斯分布直方图中心不会存在于有效灰度像素区域边界之外,当β=0.1时,yThr,L=89,yThr,R=129;
因此,对μ1、μ2、σ1和σ2的估计等价为
由于在[yThr,L,yM]区间和[yM,yThr,R],T(μ′1,σ′1,μ′2,σ′2)为单调函数,令σ′1=σ′2=var(x(i,j));
首先,令μ'2=yM,搜索y,μ′1∈[yThr,L,yM]范围内当T(μ′1,var(x(i,j)),yM,var(x(i,j)))成立时,得到g1(y)均值的最有估计值μ1=100;
然后,令μ′1=μ1,搜索y,μ'2∈[yM,yThr,R]范围内当T(μ1,var(x(i,j)),μ'2,var(x(i,j)))最小成立时,得到g2(y)均值的最有估计值μ2=110;
最后,考虑T(μ1,σ′1,μ2,σ′2)在y∈{[yThr,L,μ1],[μ2,yThr,R]}范围内为单调函数,搜索σ′1∈(0,σ],σ′2∈[σ,+∞)范围内,当T(μ1,σ′1,μ2,σ′2)最小时即可得到两类高斯混合模型的最佳参数估计μ1=100、μ2=110、σ1=30和σ2=120,得到原始数据的直方图估计结果g′(y)=g1(y)+g2(y),如图3所示。
步骤2:对步骤1得到的两类高斯混合模型直方图,和原始图像直方图进行匹配,得到模型直方图的近似结果,并根据近似结果对原始图像进行灰度校正。
分别计算g(y)和g′(y)的累积分布函数
其中,v∈[0,65535],v∈Z;
找到F(v)与F′(v)之间距离最近的数值的坐标集合F_index(v),
其中,w∈[0,65535],w∈Z,τ=5为均值窗口;
原始图像直方图累积分布函数F(v),在2τ+1范围内求取均值,并和估计直方图累积分布函数F′(v)向量求差,得到最小差值的坐标,存入坐标集合F_index(v);
直方图匹配之后的映射校正图像x′(i,j),根据x(i,j)在坐标集合F_index(v)中的对应数值得到:
x′(i,j)=F_index(x(i,j)) (6)
如图4所示,直方图匹配后的图像抑制了光源污染,降低了噪声对恒星、目标的影响。
步骤3:对灰度校正之后的图像进行自适应双参数阈值分割,得到二值图像。
对校正之后的图像数据x′(i,j)进行自适应双参数恒虚警检测,检测过程包括对三个窗口的信息统计:目标窗口Ta、保护窗口P和背景窗口B,三类窗口半径参数分别为rP和rB;其中,目标窗口主要包括待检测目标的灰度信息;保护窗口主要包括目标与背景过度之间的灰度信息,用于保护目标弥散部分不被统计到背景窗口;背景窗口主要涵盖星空噪声信息;
目标窗口内检测到目标的判断依据是
其中,为目标窗口的均值,μB为背景窗口的均值,σB为背景窗口的标准偏差,TThr=1.2;
背景窗口B的半径rB=31的大小根据相机角度及CCD像元数来确定,且与前者成反比关系,与后者成正比关系,一旦相机设计固定则rB固定;
目标窗口Ta的半径的大小由背景窗口B内的亮度统计数值决定:
这里认为背景窗口B内部的亮度集合主要是由目标亮度构成,因此每次滑动根据区域内亮度统计确定目标窗口半径,能够有效增加目标窗口目标有效信息的覆盖;
二值图像的结果为:
步骤4:基于形态学腐蚀计算对二值图像进行迭代处理,对每个像素用迭代腐蚀计算次数还原,直到前后处理结果一致,得到二值图像重构灰度图。
令xrt(i,j)表示x″b(i,j)=x′b(i,j)x(i,j)经过形态学腐蚀处理还原的灰度图像,xmin=min(x″b(i,j))=0表示二值图像掩膜下原始数据的最小值;
首先,令xrt(i,j)=0;
然后,对于全图的单个像素进行操作,如果x″b(i,j)=xmin=0,则xrt(i,j)=xrt(i,j)+1;
最后,对x″b(i,j)进行腐蚀处理并迭代,B为3×3矩阵腐蚀模板,z2表示被腐蚀图像区域,更新图像x″b=x″b,next,重复上一步,直到x″b与x″b,next相等;
得到的xrt(i,j)即为重构之后的灰度图像。图5给出了二值图灰度重构图像以及局部放大图像。
步骤5:对重构灰度图进行插值和高斯拟合,得到高分辨率恒星及目标图像,根据质心法求取质心位置。
对重构图像xrt(i,j)进行插值和高斯滤波拟合,定义x′rt(i′,j′)(i′,j′∈[0,DN-1],i′,j′∈Z),D=4表示插值后一维数据倍数;
初始化x′rt(i′,j′)=0,x′rt(i′,j′)插值计算过程为x′rt(0:4:16383,0:4:16383)=xrt(:,:);
对插值后的结果进行高斯滤波拟合,结果为h表示二维高斯滤波器,考虑工程化流水计算,一般选择小阶数p(p∈Z+,p≥3);对滤波拟合结果进行重复迭代,迭代次数一般选择p2=16次,即:
对公式(10)最终的迭代结果图像数据x″rt进行二值化:
对二值化结果进行连通域标记得到恒星、目标覆盖信息:
则各个恒星及目标质心位置为:
图6给出了插值及高斯拟合前后的局部放大图象对比图,可以看到既保证了信噪比又提高了恒星、目标本体的分辨率。相比于传统算法,对暗弱目标质心提取精度提升明显。
上述技术方案只是本发明的示例性实施例,对于本领域内的技术人员而言,在本发明公开了应用方法和原理的基础上,很容易做出各种类型的改进或变形,而不仅限于本发明上述具体实施例所描述的方法,因此前面描述的方式只是优选的,而并不具有限制性的意义。
Claims (9)
1.一种基于形态学重构的暗弱空间目标质心提取方法,包括以下步骤:
S1:对光学空间目标图像进行直方图统计,对直方图中的背景噪声分布和恒星、目标分布两类混合高斯模型进行参数估计,得到理想直方图;
S2:将步骤S1得到的理想直方图,与原始图像直方图匹配,根据匹配结果对原始图像进行灰度校正;
S3:对灰度校正后的图像进行自适应双参数阈值分割,得到二值图像;
S4:基于形态学腐蚀计算对二值图像进行迭代处理,对每个像素用迭代腐蚀计算次数还原,直到前后处理结果一致,得到二值图像重构灰度图;
S5:对重构灰度图进行插值和高斯拟合,得到恒星及目标高分辨率图像,根据质心法求取质心位置。
2.根据权利要求1所述的方法,其特征在于,所述步骤S1具体包括:
对空间目标灰度图像数据x(i,j)(i,j∈[0,N-1],i,j∈Z),N为图像像素数,做直方图统计,得到g(y):
g(y)=g1(y)+g2(y)+Δ(y) (1)
其中,y∈[0,65535],y∈Z,Δ(y)表示直方图误差函数;
g1(y)和g2(y)分别表示背景噪声和恒星、目标的高斯统计分布直方图:
其中,μ1和μ2表示均值,σ1和σ2表示方差;
对g1(y)和g2(y)的参数估计如下:
对于g(y)的最大值M=max(g(y)),存在M对应的横坐标yM∈[min{μ1,μ2},max{μ1,μ2}];对于g(y)的方差σ,存在σ∈[min{σ1,σ2},max{σ1,σ2}];
定义yThr,L和yThr,R,满足和/>其中表示总直方图面积,β为面积比阈值;则:
min{μ1,μ2}∈[yThr,L,yM],max{μ1,μ2}∈[yM,yThr,R];
考虑到两类高斯分布直方图中心不会存在于有效灰度像素区域边界之外,则对μ1、μ2、σ1和σ2的估计等价为
由于在[yThr,L,yM]区间和[yM,yThr,R],T(μ′1,σ′1,μ′2,σ′2)为单调函数,令σ′1=σ′2=var(x(i,j));
首先,令μ'2=yM,搜索y,μ'1∈[yThr,L,yM]范围内当T(μ'1,var(x(i,j)),yM,var(x(i,j)))成立时,得到g1(y)均值的最有估计值μ1;
然后,令μ'1=μ1,搜索y,μ'2∈[yM,yThr,R]范围内当T(μ1,var(x(i,j)),μ'2,var(x(i,j)))最小成立时,得到g2(y)均值的最有估计值μ2;
最后,考虑T(μ1,σ′1,μ2,σ′2)在y∈{[yThr,L,μ1],[μ2,yThr,R]}范围内为单调函数,搜索σ′1∈(0,σ],σ′2∈[σ,+∞)范围内,当T(μ1,σ′1,μ2,σ′2)最小时,即可得到两类高斯混合模型的最佳参数估计μ1、μ2、σ1和σ2;
由此得到原始数据的直方图估计结果g′(y)=g1(y)+g2(y)。
3.根据权利要求2所述的方法,其特征在于,所述步骤S2具体包括:
分别计算g(y)和g′(y)的累积分布函数
其中,v∈[0,65535],v∈Z;
找到F(v)与F′(v)之间距离最近的数值的坐标集合F_index(v):
其中,w∈[0,65535],w∈Z,τ(τ<10,τ∈Z+)为均值窗口;
直方图匹配之后的映射校正图像x′(i,j),根据x(i,j)在坐标集合F_index(v)中的对应数值得到:
x′(i,j)=F_index(x(i,j)) (6)。
4.根据权利要求3所述的方法,其特征在于,所述步骤S2中,找到坐标集合F_index(v)的具体方法包括:
将原始图像直方图累积分布函数F(v),在2τ+1范围内求取均值,并和估计直方图累积分布函数F′(v)向量求差,得到最小差值的坐标,存入坐标集合F_index(v)。
5.根据权利要求3或4所述的方法,其特征在于,所述步骤S3具体包括:
基于校正后的图像数据,设置三个窗口:目标窗口Ta、保护窗口P和背景窗口B,三类窗口半径参数分别为rP和rB,其中,目标窗口用于包括待检测目标的灰度信息;保护窗口用于包括目标向背景过渡的灰度信息;背景窗口用于涵盖星空噪声信息;
背景窗口B的半径rB的大小根据相机角度及CCD像元数来确定,且与前者成反比关系,与后者成正比关系;
目标窗口Ta的半径的大小由背景窗口B内的亮度统计数值决定:
则目标窗口内检测到目标的判断依据是
其中,为目标窗口的均值,μB为背景窗口的均值,σB为背景窗口的标准偏差,TThr为比较阈值;
则二值图像的结果为:
6.根据权利要求5所述的方法,其特征在于,所述比较阈值TThr取值1~2之间。
7.根据权利要求5或6所述的方法,其特征在于,所述步骤S4具体包括:
令xrt(i,j)表示x″b(i,j)=x′b(i,j)x(i,j)经过形态学腐蚀处理还原的灰度图像,xmin=min(x″b(i,j))表示二值图像掩膜下原始数据的最小值;
首先,令xrt(i,j)=0;
然后,对于全图的单个像素进行操作,如果x″b(i,j)=xmin,则xrt(i,j)=xrt(i,j)+1;
最后,对x″b(i,j)进行腐蚀处理并迭代,B为腐蚀模板,z2表示被腐蚀图像区域,更新图像x″b=x″b,next,重复上一步,直到x″b与x″b,next相等;
得到的xrt(i,j)即为重构后的灰度图像。
8.根据权利要求7所述的方法,其特征在于,所述步骤S5具体包括:
定义x′rt(i′,j′)(i′,j′∈[0,DN-1],i′,j′∈Z),D表示插值后一维数据倍数;
初始化x′rt(i′,j′)=0,x′rt(i′,j′)插值计算过程为x′rt(0:D:DN-1,0:D:DN-1)=xrt(:,:);
对插值后的结果进行高斯滤波拟合,结果为h表示二维高斯滤波器;对滤波拟合结果进行重复迭代,迭代次数选择p2(p∈Z+)次,即:
对式(10)最终的迭代结果图像数据xrt进行二值化:
对二值化结果进行连通域标记得到恒星、目标覆盖信息:
则各个恒星及目标质心位置为:
9.根据权利要求8所述的方法,其特征在于,所述步骤S5中选择p≥3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310811070.4A CN117314800A (zh) | 2023-07-04 | 2023-07-04 | 基于形态学重构的暗弱空间目标质心提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310811070.4A CN117314800A (zh) | 2023-07-04 | 2023-07-04 | 基于形态学重构的暗弱空间目标质心提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117314800A true CN117314800A (zh) | 2023-12-29 |
Family
ID=89272561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310811070.4A Pending CN117314800A (zh) | 2023-07-04 | 2023-07-04 | 基于形态学重构的暗弱空间目标质心提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314800A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853586A (zh) * | 2024-03-08 | 2024-04-09 | 中国人民解放军63921部队 | 面向暗弱目标的质心定位方法和设备终端 |
-
2023
- 2023-07-04 CN CN202310811070.4A patent/CN117314800A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853586A (zh) * | 2024-03-08 | 2024-04-09 | 中国人民解放军63921部队 | 面向暗弱目标的质心定位方法和设备终端 |
CN117853586B (zh) * | 2024-03-08 | 2024-06-04 | 中国人民解放军63921部队 | 面向暗弱目标的质心定位方法和设备终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Single image rain streak decomposition using layer priors | |
CN109272489B (zh) | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 | |
CN112307901B (zh) | 一种面向滑坡检测的sar与光学影像融合方法及系统 | |
CN111210395B (zh) | 基于灰度值映射的Retinex水下图像增强方法 | |
CN107169962B (zh) | 基于空间密度约束核模糊聚类的灰度图像快速分割方法 | |
CN109712149B (zh) | 一种基于小波能量和模糊c均值的图像分割方法 | |
CN117314800A (zh) | 基于形态学重构的暗弱空间目标质心提取方法 | |
CN107392095A (zh) | 一种基于掩码图像的红外弱小目标检测算法 | |
CN113222866B (zh) | 灰度图像增强方法、计算机可读介质及计算机系统 | |
Srinivas et al. | Remote sensing image segmentation using OTSU algorithm | |
CN113514054A (zh) | 一种星敏感器星点像斑检测方法及系统 | |
Ju et al. | IDBP: Image dehazing using blended priors including non-local, local, and global priors | |
CN111563849A (zh) | 一种观测图像去噪方法及系统 | |
CN112991222A (zh) | 图像雾霾去除处理方法、系统、计算机设备、终端及应用 | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
CN111598788B (zh) | 一种基于四叉树分解与非局部先验的单幅图像去雾方法 | |
Tan et al. | Image haze removal based on superpixels and Markov random field | |
CN111369449A (zh) | 基于生成式对抗网络的红外盲元补偿方法 | |
CN117314766B (zh) | 一种手机钢化玻璃膜表面图像增强方法和系统 | |
CN112465712B (zh) | 一种运动模糊星图复原方法及系统 | |
CN111667498B (zh) | 一种面向光学卫星视频的运动舰船目标自动检测方法 | |
CN110930358B (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
Zhang et al. | Dehazing with improved heterogeneous atmosphere light estimation and a nonlinear color attenuation prior model | |
CN109087334B (zh) | 基于显著语境稀疏表示的目标追踪方法 | |
CN109035306B (zh) | 动目标自动检测方法及装置 |
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 |