[發明專利]一種微小衛星非合作目標圖像處理方法

有效

• 申請號: 201310591817.6
• 申請日: 2013-11-20
• 公開（公告）號: CN103617613B
• 公開（公告）日: 2016-10-26
• 發明（設計）人: 袁建平;岳曉奎;劉宗明;張守華;張宇;葉東;吳斌
• 申請（專利權）人: 西北工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 陳星

1.一種微小衛星非合作目標圖像處理方法，其特征在于包括以下步驟:

步驟1.計算目標星在一幀初始圖像中所占的像素個數N，判斷像素個數N是否大于一預設閾值，若否，則基于反饋直線分離的方法識別出初始圖像中目標星的特征；若是，則基于反饋直線聚合的方法識別出初始圖像中目標星的特征；

步驟2.計算目標星在相面中所占的像素個數N，采用大律法計算目標星在相面中所占的像素個數N；

步驟3.基于反饋直線分離的方法識別出初始圖像中目標星的特征:對初始圖像的每個像素點的像素值f(x,y)進行中值濾波得到濾波后的圖像的每個像素點的像素值f1(x,y)；對濾波后的圖像進行雙線性插值得到插值后的圖像；對插值后的圖像的每個像素點進行sobel算子濾波、非極大抑制、二值化得到二值化后的邊緣圖像的每個像素點的像素值G(x,y)；對二值化后的邊緣圖像的每個像素點的像素值G(x,y)進行Hough直線檢測以獲取目標星的每個邊緣i的邊緣直線（ρi，θi）作為目標星的直線特征，i為正整數；

步驟4.對初始圖像的每個像素點的像素值f(x,y)進行中值濾波，得到濾波后的圖像的每個像素點的像素值f1(x,y):獲取待進行中值濾波的像素點的第一3×3階鄰域窗口；對所述3×3階鄰域窗口中的9個像素點分別分配一個初值為0的計數器，并將所述第一3×3階鄰域窗口中的每個待比較像素點的像素值分別與其它8個像素點的像素值進行比較，每次若大于其它8個像素點中的一個像素點的像素值，則每次該待比較像素點的計數值+1，否則，每次該待比較像素點的計數值不變；對所述第一3×3階鄰域窗口中的每個像素點的計數器的計數值進行排序，獲取排序為中間的計數值作為待進行中值濾波的像素點的濾波后的像素值f1(x,y)；

步驟5.對濾波后的圖像進行雙線性插值得到插值后的圖像:將濾波后的圖像分割為若干個4×4階鄰域窗口；

根據公式f2(x+u,y+v)=(1-u)(1-v)f1(x,y)+(1-u)vf1(x,y+1)+u(1-v)f1(x+1,y)+uvf1(x+1,y+1)]]>獲取每個4×4階鄰域窗口內插值后的點的像素值f₂(x,y)，其中u，v是[0，1]區間的浮點數，（u，v）取值分別為(0，0.5)、(0.5，0)、(0.5，0.5)、(0.5，1)、(1，0.5)，將得到的插值后的圖像中的每個濾波后的像素點和插值后的點的像素值統一計為f₂’(x,y)；

步驟6.對插值后的圖像的每個像素點進行sobel算子濾波:在第二3×3階鄰域窗口內根據公式g(x,y)=|g_x(x,y)+g_y(x,y)|獲取每個待進行sobel算子濾波的像素點的梯度幅值g(x,y)，其中，

g_x(x,y)=-f′₂(x-1,y-1)-2·f′₂(x-1,y)-f′₂(x-1,y+1)+

f′₂(x+1,y-1)+2·f′₂(x+1,y)+f′₂(x+1,y+1)，

g_y(x,y)=f′₂(x-1,y-1)+2·f′₂(x,y-1)+f′₂(x+1,y-1)-

f′₂(x-1,y+1)-2·f′₂(x,y+1)-f′₂(x+1,y+1)，

g_x(x,y)，g_y(x,y)分別為每個待進行sobel算子濾波的像素點的X方向和Y方向的梯度幅值；

步驟7.對插值后的圖像的每個像素點進行非極大抑制:根據sobel算子濾波的結果判斷插值后的圖像的每個像素點C的梯度幅值是否大于梯度方向上相鄰的兩點dTmp1和dTmp2的梯度幅值，若是，則像素點C的梯度幅值不變；若否，將該像素點C的梯度幅值置0；

步驟8.對插值后的圖像的每個像素點進行二值化得到二值化后的邊緣圖像的所有像素點的像素值G(x,y):判斷非極大抑制后的每一個像素點是否大于預設的梯度幅值閾值，若是，則將該像素點的梯度幅值置為1，若否，則將該像素點的梯度幅值置為0；提取每個梯度幅值為1像素點的像素值作為二值化后的邊緣圖像的像素點的像素值G(x,y)；

步驟9.對二值化后的邊緣圖像的每個像素點的像素值G(x,y)進行Hough直線檢測以獲取目標星的每個邊緣i的邊緣直線（ρi，θi）作為目標星的直線特征:設Hough平面累加器（ρi，θi），其中θi從0到180°，θi的步長為1°，ρi為其中，w為圖像寬度、h為圖像高度，ρi的步長為一個像素；對二值化后的邊緣圖像的每個像素點進行Hough變換：依次將θi從0到180°帶入直線極坐標方程ρi=xcosθi+ysinθi中計算，每次計算得（ρi，θi）在累加器的相應單元的計數值+1；Hough變換處理完成后，設定閾值T_hough，累加器中大于T_hough的單元對應的（ρi，θi）作為檢測出的邊緣直線的直線特征，其中，T_hough=0.5·(Amax-Amin)，Amin、Amax分別為累加器的所有單元的計算值的最小值和最大值；

步驟10.對二值化后的邊緣圖像的每個像素點的像素值G(x,y)進行Hough直線檢測以獲取目標星的每個邊緣i的邊緣直線（ρi，θi）作為目標星的直線特征，從第二幀的初始圖像開始，減少Hough空間的搜索范圍；

步驟11.對二值化后的邊緣圖像的每個像素點的像素值G(x,y)進行Hough直線檢測以獲取目標星的每個邊緣i的邊緣直線（ρi，θi）作為目標星的直線特征，并對G(x,y)進行harris角點提取以獲取目標星的角點特征；

步驟12.對G(x,y)進行harris角點提取以獲取目標星的角點特征:對二值化后的邊緣圖像的每個像素點的像素值G(x,y)進行x、y和xy方向離散求導得Ix、Iy和Ixy:

Ix=-2·G(x-2,y)-G(x-1,y)+G(x+1,y)+2·G(x+2,y)，

Iy=-2·G(x,y-2)-G(x,y-1)+G(x,y+1)+2·G(x,y+2)，

Ixy=Ix·Iy；

對每個Ix和Iy做平方得到Ix²、Iy²；采用5階高斯濾波器對Ix²、Iy²和Ixy分別進行5階高斯濾波，得到濾波后的結果:Ix²*、Iy²*、Ixy*，其中，5階高斯濾波器如下:h=[15851；

??????????52134215；

??????????83456348；

??????????52134215；

??????????15851]；

對二值化后的邊緣圖像的每個像素點(x,y)求對應的R=（AB-CD）²-k（A+B）²，其中，A=Ix²*(i,j)、B=Iy²*(i,j)、C=D=Ixy*(i,j)，k為響應系數，取0.04；選取角點閾值，如果該像素點對應的R大于所述角點閾值，并且對應的R在該像素點的3×3階鄰域窗口內最大，則將該像素點作為目標星的角點特征作為角點，其中角點閾值為該像素點的3×3階鄰域窗口內最大R值的0.01倍；

步驟13.基于反饋直線聚合的方法識別出所述幀的初始圖像中目標星的特征:對所述幀的初始圖像的每個像素點的像素值f(x,y)進行中值濾波得到濾波后的圖像的每個像素點的像素值f1(x,y)；對濾波后的圖像的每個像素點進行sobel算子濾波、非極大抑制、二值化得到二值化后的邊緣圖像的每個像素點的像素值G(x,y)；對二值化后的邊緣圖像的每個像素點的像素值G(x,y)進行Hough直線檢測以獲取目標星的每個邊緣i的邊緣直線（ρi，θi），i為正整數；對目標星的表示同一邊緣i的多條邊緣直線（ρi，θi）進行聚合以獲取一條聚合后的邊緣直線（ρi’，θi’）作為目標星的直線特征；

步驟14.對所述幀的初始圖像的每個像素點的像素值f(x,y)進行中值濾波得到濾波后的圖像的每個像素點的像素值f1(x,y):獲取待進行中值濾波的像素點的第一3×3階鄰域窗口；對所述3×3階鄰域窗口中的9個像素點分別分配一個初值為0的計數器，并將所述第一3×3階鄰域窗口中的每個待比較像素點的像素值分別與其它8個像素點的像素值進行比較，每次若大于其它8個像素點中的一個像素點的像素值，則每次該待比較像素點的計數值+1，否則，每次該待比較像素點的計數值不變；對所述第一3×3階鄰域窗口中的每個像素點的計數器的計數值進行排序，獲取排序為中間的計數值作為待進行中值濾波的像素點的濾波后的像素值f1(x,y)；

步驟15.對濾波后的圖像的每個像素點進行sobel算子濾波:將每個待進行sobel算子濾波的像素點的第二3×3階鄰域窗口；在第二3×3階鄰域窗口內根據公式g(x,y)=|g_x(x,y)+g_y(x,y)|獲取每個待進行sobel算子濾波的像素點的梯度幅值g(x,y)，其中，

g_x(x,y)=-f₁(x-1,y-1)-2·f₁(x-1,y)-f₁(x-1,y+1)+

f₁(x+1,y-1)+2·f₁(x+1,y)+f₁(x+1,y+1)，

g_y(x,y)=f₁(x-1,y-1)+2·f₁(x,y-1)+f₁(x+1,y-1)-

f₁(x-1,y+1)-2·f₁(x,y+1)-f₁(x+1,y+1)，

g_x(x,y)，g_y(x,y)分別為每個待進行sobel算子濾波的像素點的X方向和Y方向的梯度幅值；

步驟16.對濾波后的圖像的每個像素點進行非極大抑制:根據sobel算子濾波的結果判斷插值后的圖像的每個像素點C的梯度幅值是否大于梯度方向上相鄰的兩點dTmp1和dTmp2的梯度幅值，若是，則像素點C的梯度幅值不變；若否，將該像素點C的梯度幅值置0；

步驟17.對濾波后的圖像的每個像素點進行二值化得到二值化后的邊緣圖像的每個像素點的像素值G(x,y):判斷非極大抑制后的每一個像素點是否大于一預設的梯度幅值閾值，若是，則將該像素點的梯度幅值置為1，若否，則將該像素點的梯度幅值置為0；提取每個梯度幅值為1像素點的像素值作為二值化后的邊緣圖像的像素點的像素值G(x,y)；

步驟18.對二值化后的邊緣圖像的每個像素點的像素值G(x,y)進行Hough直線檢測以獲取目標星的每個邊緣i的邊緣直線（ρi，θi）:設定Hough平面累加器（ρi，θi），其中θi從0到180°，θi的步長為1°，ρi為其中，w為圖像寬度、h為圖像高度，ρi的步長為一個像素；對二值化后的邊緣圖像的每個像素點進行Hough變換：依次將θi從0到180°帶入直線極坐標方程ρi=xcosθi+ysinθi中計算，每次計算的（ρi，θi）在累加器的相應單元的計數值+1；Hough變換處理完成后，設定閾值T_hough，累加器中大于T_hough的單元對應的（ρi，θi）作為檢測出的邊緣直線，其中，T_hough=0.5·(Amax-Amin)，Amin、Amax分別為累加器的所有單元的計算值的最小值和最大值；

步驟19.對目標星的表示同一邊緣i的多條邊緣直線（ρi，θi）進行聚合以獲取一條聚合后的邊緣直線（ρi’，θi’）作為目標星的直線特征:

（1）令從所述Hough直線檢測出的所有邊緣直線（ρi，θi）作為直線集L；

（2）從直線集L中取出第一條直線L₁，該直線L₁表示為（ρ_L1，θ_L1），Ln為直線集L中除第一條直線L₁外的所有其它直線，直線Ln表示為（ρ_L1，θ_L1），計算第一條直線L1與直線集L中的每一根直線Ln的d_θ=|θ_Ln-θ_L1|，d_ρ=|ρ_Ln-ρ_L1|，將第一條直線L1與直線集L中的每一根直線Ln進行比較，若有d_θ≤30且d_ρ≤5，則每次將直線Ln放入直線L₁的待聚合集中；否則，每次將直線Ln放入非當前待聚合集中；

（3）令所述非當前待聚合集中為直線集L，判斷當前的直線集L中的直線數據是否小于等于1，若是，則轉到下步驟（4），若否，則轉到上述步驟（2）；

（4）分別將每一個直線L₁的待聚合集中的多條直線進行聚合，以獲取每一邊緣的一條聚合后的邊緣直線（ρi’，θi’）作為目標星的直線特征；

步驟20.對二值化后的邊緣圖像的每個像素點的像素值G(x,y)進行Hough直線檢測以獲取目標星的每個邊緣i的邊緣直線（ρi，θi）的步驟中，從第二幀的初始圖像開始，減少Hough空間的搜索范圍；

步驟21.對二值化后的邊緣圖像的每個像素點的像素值G(x,y)進行Hough直線檢測以獲取目標星的每個邊緣i的邊緣直線（ρi，θi）的步驟之后，對G(x,y)進行harris角點提取以獲取目標星的角點特征；

步驟22.對G(x,y)進行harris角點提取以獲取目標星的角點特征:對二值化后的邊緣圖像的每個像素點的像素值G(x,y)進行x、y和xy方向離散求導得Ix、Iy和Ixy:

Ix=-2·G(x-2,y)-G(x-1,y)+G(x+1,y)+2·G(x+2,y)，

Iy=-2·G(x,y-2)-G(x,y-1)+G(x,y+1)+2·G(x,y+2)，

Ixy=Ix·Iy；

對每個Ix和Iy做平方得到Ix²、Iy²；采用5階高斯濾波器對Ix²、Iy²和Ixy分別進行5階高斯濾波，得到濾波后的結果Ix2*、Iy2*、Ixy*，其中，5階高斯濾波器如下:h=[15851；

??????????????52134215；

??????????????83456348；

??????????????52134215；

??????????????15851]；

對二值化后的邊緣圖像的每個像素點(x,y)求對應的R=（AB-CD）²-k（A+B）²，其中，A=Ix2*(i,j)、B=Iy2*(i,j)、C=D=Ixy*(i,j)，k為響應系數，取0.04；選取角點閾值，如果該像素點對應的R大于所述角點閾值，并且對應的R在該像素點的3×3階鄰域窗口內最大，則將該像素點作為目標星的角點特征作為角點，其中角點閾值為該像素點的3×3階鄰域窗口內最大R值的0.01倍。