一种航天器目标快速识别方法技术

本发明专利技术涉及一种航天器目标快速识别方法及装置，该方法包括：对获取的航天器观测图像进行杂光抑制增强处理，得到所述航天器观测图像的恢复图像；对所述恢复图像进行特征点及特征信息的提取；对所述特征信息进行优化处理，并通过语义分析和判别进行航天器目标的识别。通过杂光抑制及增强处理，能提高图像信噪比，增强图像质量。对观测图像的特征点以及不变矩特征信息和局部灰度特征信息的提取，能更有利于鉴别航天器型号。信息优化过程减轻计算量，有助于提高处理速度。根据图像中局部显著特征的特性，不同型号航天器的视觉特征和其语义概率值，然后依据后验概率值和经验阈值来判断语义信息，能够最大程度的保证视觉类似的航天器目标的识别。

A fast recognition method for spacecraft targets

The present invention relates to a method and device for fast recognition of a spacecraft target, which comprises a clutter suppression enhancement processing for acquired spacecraft observation images, a recovery image of the observed image of the spacecraft, extraction of feature points and feature information for the restored image, and optimization of the feature information. Processing and identifying spacecraft targets through semantic analysis and discrimination. By means of stray light suppression and enhancement processing, image SNR and image quality can be improved. The extraction of feature points, invariant moments and local grayscale features of the observed image is more conducive to identify the spacecraft model. The process of information optimization reduces the amount of computation, which helps to improve the processing speed. According to the characteristic feature of the image in the image, the visual features and the semantic probability values of different types of spacecraft are judged, and the semantic information is judged according to the posterior probability value and the empirical threshold, and the recognition of the visual similar spacecraft targets can be guaranteed to the maximum extent.

【技术实现步骤摘要】
一种航天器目标快速识别方法
本专利技术涉及图像识别
，具体涉及一种航天器目标快速识别方法。
技术介绍
随着天基空间观测探测技术的快速发展，对空间场景中观测探测技术要求也越来越高。现有识别方法依靠观测的椭圆度、直线度、周长比等特征向量作为后续识别的基础和前提输入，采用聚类或者二分类的方法对航天器进行识别。忽略了航天器成像环境杂光的干扰，杂光形成原理如图1所示，同时由于航天器自身的姿态变化使得特征信息获取有很大的不确定性和不完整性，导致最后的识别结果精度下降。
技术实现思路
本专利技术针对现有技术中存在的技术问题，提供航天器目标快速识别方法及装置，首先对航天器图像进行杂光纠正，增强图像质量，进而提取更为精细的判别性好的局部特征进行快速语义识别，来实现对卫星目标进行稳定、可靠的语义识别。本专利技术采用的技术方案如下：本专利技术一方面提供一种航天器目标快速识别方法，包括，步骤1，对获取的航天器观测图像进行杂光抑制增强处理，得到所述航天器观测图像的恢复图像；步骤2，对所述航天器观测图像的恢复图像进行特征点及特征信息的提取；所述特征信息包括所述特征点的不变矩特征信息和局部灰度特征信息；步骤3，对所述特征信息进行优化处理，并通过语义分析和判别进行航天器目标的识别。本专利技术的有益效果是：航天器在空中被动成像，由于光照原因会形成杂光，使得局部特征信息受到干扰，导致后续特征提取不准确，影响识别效果。本方法通过杂光抑制及增强处理，能提高图像信噪比，增强图像质量，利于后续目标快速识别；对观测图像的特征点以及包含特征点的不变矩特征和局部灰度特征的特征信息的提取，能更有利于鉴别航天器型号；信息优化过程减轻计算量，有助于提高处理速度。根据图像中局部显著特征的特性，不同型号航天器的视觉特征和其语义概率值，然后依据后验概率值和经验阈值来判断语义信息，能够最大程度的保证视觉类似的航天器目标的识别。进一步，所述步骤1包括：步骤101，根据下式对获取的所述航天器观测图像进行图像恢复，式中y为航天器观测图像，为恢复图像，cos2γ是阴影系数，γ表示光轴和成像系统的夹角，SSTR是纯杂散光部分的点扩散函数矩阵，β为其权重系数；步骤102，对纯杂散光部分的点扩散函数SSTR进行量化,并采用Frobenius误差度量量化形变引起的误差，然后根据下式得到矩阵式中，E为单位正交阵，Λy为对航天器观测图像进行特征分解得到的对角阵；步骤103，采用K-L变换和小波变换对所述矩阵的行和列进行去相关运算；步骤104，对去相关后的矩阵进行量化，并利用稀疏矩阵变换对量化后的矩阵的行进行去相关，通过下式得到经过杂光抑制增强处理的所述航天器观测图像的恢复图像式中，W为二维正交小波变换矩阵，为量化后的空变点扩散函数，Tk为根据吉文斯旋转定理得到的稀疏矩阵。采用上述进一步方案的有益效果是根据航天器目标图像成像时杂散光不同的成因，建立了归一化的空变点扩散函数模型，并且对模型增加了光照的阴影系数，使模型更加符合光学成像系统的实际情况；VanCittert迭代方法是线性反卷积过程，最终收敛为一个简单的逆滤波，适用于杂散光降质图像校正时的图像恢复问题，在初始迭代情况下原始清晰图像受到移变杂散光点扩散函数的影响最小；稀疏矩阵是指大多数元素为零元素，只有极少非零元素的矩阵。和传统的变换方式不同，稀疏矩阵变换(SparseMatrixTransform，SMT)只用其有限数目点坐标的旋转，即吉文斯旋转的乘积就可以实现对既定目标矩阵的精确估计，且其运算和存储只需要针对非零元即可，在实现数据有效压缩的同时，又可对原始变换进行精确估计，作为估计正交变换的有效工具，吉文斯旋转可以有效降低反矩阵求解问题的计算复杂度。通过杂光抑制，增加航天器目标图像的可见度，同时纠正图像中的色差问题，提高图像质量。进一步，所述步骤2,包括：步骤201，对所述航天器观测图像的恢复图像进行候选特征点提取；步骤202，利用SUSAN算子，对所述候选特征点进行区域分割，并对分割获得的候选特征点区域进行分析，去掉伪特征点，获得所述航天器观测图像的特征点；步骤203，将所述特征点周围预设区域作为感兴趣区域，采用Sobel算子提取感兴趣区域的灰度特征信息，即为所述特征点的灰度特征信息；步骤204，以所述特征点为中心，求取所述恢复图像的归一化中心矩，并依据二阶和三阶的归一化中心矩，构造多个不变矩，所述多个不变矩构成一组特征量，所述特征量即为所述特征点的不变矩特征信息。采用上述进一步方案的有益效果是通过特征点的二次提取，去除伪特征点信息，提高特征点特征信息提取准确度。不变矩可以有效描述空间目标的统计特性，且对于图像的平移、缩放、旋转都不敏感，因此通过不变矩特征信息提取，增强对航天器观测图像处理时的几何不变性。进一步，所述步骤201包括，采用预设大小n*n的窗口(优选为5*5大小)对每个像元逐一探测，以所述像元为中心，分别计算所述像元四个方向(0°、45°、90°、135°)和相邻像素的灰度差的平方和，其中k＝[n/2]。取四个所述平方和V1,V2,V3,V4中的最小值作为该像元的兴趣值，同时计算四个所述平方和的中值：将所述兴趣值大于中值的像元作为侯选特征点。进一步，所述步骤202包括，以候选特征点所在的圆形区域作为SUSAN算子的模板，选取所述模板中构成候选特征点的最大的子域作为所述候选特征点的第一区域，而将其他子域视为单一的背景区域；将所述模板分为多个同心的圆，第一区域的特征点位置为圆中心；定义Si是第i个同心圆上第一区域的对应圆弧，对于每一个圆，则有：用计算信息量的方法获得候选特征点响应函数，将其定义为模板内像元n与平均信息量差的平方和，以模板内像元幅度值的累加值除以模板面积作为该模板的平均信息量gr(n)，其计算方法如下：其中，fk,l(n)表示内坐标(k,l)点的幅值，r表示圆形模板的半径，Ω表示模板的覆盖范围，特征点响应函数为：选取函数值最大的点作为特征点，其余的候选特征点作为伪特征点被除去。采用上述进一步方案的有益效果是去除候选特征点中的伪特征点，降低特征提取时的计算复杂度。进一步，所述步骤203包括，将特征点周围预设区域作为目标图像的感兴趣区域，采用Sobel算子计算感兴趣区域内每个像素点水平和垂直两个方向上的灰度梯度分量，获取感兴趣区域内每个像素点灰度梯度向量的幅值和幅角，即所述特征点的灰度特征信息。采用上述进一步方案的有益效果是不变矩可以有效描述空间目标的统计特性，且对于图像的平移、缩放、旋转都不敏感，因此通过不变矩特征信息提取，增强对航天器观测图像处理时的几何不变性。进一步，所述步骤203,还包括：采用高斯滤波器对以特征点为中心的感兴趣区域中的每个方向属性平面进行亚采样。采用上述进一步方案的有益效果是增强局部灰度特征信息的鲁棒性。进一步，所述步骤3,包括：步骤310，对所述特征信息进行优化，将所有高维特征数据映射到低维空间，获得优化后的特征信息；步骤320，对优化后的特征信息进行K-means聚类得到k个聚类中心，每个聚类中心对应一个视觉单词，获取视觉单词w、所述航天器观测图像的恢复图像及其潜在语义主题z所对应的联合概率分布，进而根据所述联合概率分布计算概率值步骤330，采用EM学习方法获取参数阈值，根据参数阈值本文档来自技高网...

【技术保护点】
一种航天器目标快速识别方法，其特征在于：包括，步骤1，对获取的航天器观测图像进行杂光抑制增强处理，得到所述航天器观测图像的恢复图像；步骤2，对所述航天器观测图像的恢复图像进行特征点及特征信息的提取；所述特征信息包括所述特征点的不变矩特征信息和局部灰度特征信息；步骤3，对所述特征信息进行优化处理，并通过语义分析和判别进行航天器目标的识别。

【技术特征摘要】
1.一种航天器目标快速识别方法，其特征在于：包括，步骤1，对获取的航天器观测图像进行杂光抑制增强处理，得到所述航天器观测图像的恢复图像；步骤2，对所述航天器观测图像的恢复图像进行特征点及特征信息的提取；所述特征信息包括所述特征点的不变矩特征信息和局部灰度特征信息；步骤3，对所述特征信息进行优化处理，并通过语义分析和判别进行航天器目标的识别。2.根据权利要求1所述一种航天器目标快速识别方法，其特征在于，所述步骤1包括：步骤101，根据下式对获取的所述航天器观测图像进行图像恢复，式中，y为所述航天器观测图像，为恢复图像，cos2γ是阴影系数，γ表示光轴和成像系统的夹角，SSTR是纯杂散光部分的点扩散函数，β为其权重系数；步骤102，对纯杂散光部分的点扩散函数SSTR进行量化,并采用Frobenius误差度量量化形变引起的误差，然后根据下式得到矩阵式中，E为单位正交阵，Λy为对航天器观测图像进行特征分解得到的对角阵；步骤103，采用K-L变换和小波变换对所述矩阵的行和列进行去相关运算；步骤104，对去相关后的矩阵进行量化，并利用稀疏矩阵变换对量化后的矩阵的行进行去相关，通过下式得到经过杂光抑制增强处理的所述航天器观测图像的恢复图像式中，W为二维正交小波变换矩阵，为量化后的空变点扩散函数，Tk为根据吉文斯旋转定理得到的稀疏矩阵。3.根据权利要求1所述一种航天器目标快速识别方法，其特征在于，所述步骤2包括：步骤201，对所述航天器观测图像的恢复图像进行候选特征点提取；步骤202，利用SUSAN算子，对所述候选特征点进行区域分割，并对分割获得的候选特征点区域进行分析，去掉伪特征点，获得所述航天器观测图像的特征点；步骤203，将所述特征点周围预设区域作为感兴趣区域，采用Sobel算子提取感兴趣区域的灰度特征信息，即为所述特征点的灰度特征信息；步骤204，以所述特征点为中心，求取所述恢复图像的归一化中心矩，并依据二阶和三阶的归一化中心矩，构造多个不变矩，所述多个不变矩构成一组特征量，所述特征量即为所述特征点的不变矩特征信息。4.根据权利要求3所述一种航天器目标快速识别方法，其特征在于，所述步骤201包括：采用预设大小的窗口对每个像元逐一探测，分别以每个所述像元为中心，分别计算每个所述像元四个方向和相邻像素的灰度差的平方和，取四个所述平方和中的最小值作为该像元的兴趣值，同时计算四个所述平方和的中值，将所述兴趣值大于所述中值的像元作为侯选特征点。5.根据权利要求3所述一种航天器目标快速识别方法，其特征在于，所述步骤202包括：以候选特征点所在的圆形区域作为SUSAN算子的模板，选取所述模板中构成候选特征点的最大的子域作为所述候选特征点的第一区域，而将其他子域视为单一的背景区域；将所述模板分为多个同心的圆，第一区域的特征点位置为圆中心；定义Si是第i个同心圆上第一区域的对应圆弧，对于每一个圆，则有：用计算信息量的方法获得候选特征点响应函数，将其定义为模板内像元n与平均信息量差的平方和，以模板内像元幅度值的累加值除以模板面积作为该模板的平均信息量gr(n)，其计算方法如下：

【专利技术属性】
技术研发人员：范玉华，孙忠贵，范丽亚，
申请(专利权)人：聊城大学，
类型：发明
国别省市：山东,37