共查询到20条相似文献,搜索用时 296 毫秒
1.
2.
提出了一种新的红外弱小目标检测方法,在对红外图像进行背景预测的基础上,对残差图像采用小波变换方法增加对弱小目标的检测率,有效地提高了检测算法对低信噪比红外图像中弱小目标的检测性能。通过实测的星图数据与传统方法进行了对比和分析,证明了该方法适用于非平稳背景中低信噪比目标的检测。 相似文献
3.
4.
5.
6.
复杂背景下低信噪比弱小目标的检测是红外搜索系统中的重点和难点,为解决红外搜索系统中杂波干扰多、目标信噪比低等问题,提出一种模板匹配滤波的目标检测方法。该算法在预测背景的同时,通过对图像背景灰度值进行动态的阈值处理,自适应地进行背景抑制。当背景包含较多复杂因素时,采用模板匹配滤波的目标检测方法,消除背景抑制后的残留杂波,实现弱小目标的提取。试验结果表明:当场景较复杂且图像信噪比较低时,使用该算法处理后可使图像信噪比达到4 dB以上,从而提高了弱小目标的检测概率。 相似文献
7.
8.
9.
10.
11.
12.
导航星表的性能对于星敏感器姿态测量的实时性及精度至关重要。为了克服星等过滤算法的缺点,将支持向量机应用于导航星表的构造算法中。将基本星表中的恒星视为待分类的数据点,选取抽样视场中最亮的k颗星作为导航星,而非导航星的数量由抽样视场中恒星的密度决定。为了获得具有最大推广能力的抽样数据,采用了一种球面螺旋形算法生成抽样视场视轴指向,使用抽样数据构建最优导航星分类器,应用最优导航星分类器对基本星表中每一颗恒星进行分类判决。仿真结果表明,在满足8°×8°视场中至少出现3颗导航星的条件下,该算法生成的导航星表导航星总数约为星等过滤算法的33%,比传统支持向量机算法减少了7.8%,其标准差仅为星等过滤算法的21%,这表明本算法在导航星表容量及导航星分布均匀性方面大大优于星等过滤算法和传统支持向量机算法。 相似文献
13.
14.
15.
16.
基于几何覆盖的导航星视场构造算法 总被引:1,自引:0,他引:1
由导航星表构造导航星匹配模式是星图匹配、识别的最关键步骤。为了从根本上能保证星图识别模式的完备性,提出了构造导航星视场的方法。从导航星表中任一颗星开始,依次找到两两角距小于FOV的星,构成1颗星、2颗星…m颗星的全部子集(子集P)。以子集P中心的视轴为基准,取两倍于视场的导航星子集Q(Q包含P)。把Q中的每一颗星投影到星敏感器像平面,形成点列子集Q。视场的构造就可以表述为平面上点集的几何覆盖问题。对每一个子集P来说,先计算其最小覆盖圆,若其半径小于视场在像平面的投影值(R),则计算点列子集Q删除P后的Voronoi图,这样就可求出包含点列子集P的最大空圆;若其半径大于R,则点列子集P为一个导航星视场。给出了由20颗导航星生成的124个视场,并与Monte Carlo 20万次随机生成的视场作了比较。结果证明了该算法是有效的、实用的。 相似文献
17.
针对天文/惯性组合导航中对星敏感器快速姿态测量的要求,提出了一种基于星体跟踪的星图识别算法应用于星敏感器姿态测量。建立了基于星区的导航星库便于快速搜索导航星。实验结果表明,该算法比传统星图识别算法有着明显的优点,识别速度快,识别成功率高。 相似文献
18.
19.
基于高斯分布的星点图像亚像元定位算法研究 总被引:1,自引:0,他引:1
应用高斯点分布函数为数学模型,提出了一种新的获取高精度恒星质心位置的方法.由于入射到星像点邻域内像元中的光子能量呈近高斯分布,因此利用成像邻域内像元强度的比值,将高斯点分布函数展开成为关于质心位置的多项式,可将质心位置在x、y轴方向分别计算出来,并利用从星图中提取出的多星对角距误差的统计值来间接验证提出的算法.试验结果... 相似文献
20.
主要研究了一种新的基于LASSO算法的恒星α元素丰度估计方法。海量恒星的α元素(O, Mg, Si, Ca 和Ti)丰度信息将有助于我们了解银河系的演化进程。但目前从中低分辨率光谱中确定α元素丰度的方法主要是模板匹配法,但该方法算法复杂,优化参数较为困难且对噪声敏感,因此有必要研究新的方法。实验结果显示,LASSO算法对ELODIE光谱的α丰度的估计精度为0.003(0.078)dex。为验证光谱分辨率变化对LASSO算法结果的影响,我们首先用ELODIE光谱通过高斯卷积得到了分辨率为42 000, 21 000, 10 500, 4 200和2 100的光谱,然后使用LASSO算法估计α元素丰度,精度分别为0.003 3(0.078)dex,-0.05(0.059)dex,-0.007(0.060)dex,0.008 0(0.069)dex和-0.004 5(0.067)dex。上述结果证明LASSO算法对分辨率变化不敏感。为验证LASSO算法对信噪比变化的鲁棒性,使用ELODIE光谱分别构造了信噪比为30, 25, 20, 15和5的光谱。LASSO算法在上述数据集上的精度分别为-0.002(0.076)dex, -0.09(0.073)dex, 0.003 6(0.075)dex, 0.007 6(0.078)dex 和-0.009(0.08)dex,因而LASSO算法对信噪比变化不敏感。因此,LASSO算法适用于低分辨率低信噪比的LAMOST和SDSS光谱。LASSO算法在SDSS光谱上的估计精度为0.003 7(0.097)dex,而在球状星团和疏散星团成员星上的结果显示LASSO算法给出的丰度与文献给出α丰度值误差在1σ以内。因此,LASSO算法能够用于估计恒星的α元素丰度。 相似文献