基于星图识别的空间目标检测算法研究

从恒星背景中检测出空间目标是空间目标天基光学测量相机所要解决的关键技术难题之一。提出了一种基于星图识别的空间目标检测算法,利用背景星图的平移、旋转、比例伸缩不变性,应用星图识别原理,根据识别恒星在不同帧图像中的坐标变化估计背景运动参数,进行探测图像序列的配准,然后在配准后的图像序列中检测出空间目标。通过仿真验证,该方法对于运动恒星背景中运动小目标的检测具有比较好的效果。     

一种基于背景预测及小波变换的红外弱小目标检测方法

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。     

深空背景弱小目标实时检测算法研究

根据深空背景的特点,提出一种基于FPGA和DSP的检测算法,并设计相应的硬件系统,能对大小为512×512像素、帧频率为40帧/s的视频图像进行实时处理。先在FPGA中用最大中值滤波抑制空间成像噪声,解决了图像预处理运算量大对处理速度要求高的难题,再在DSP中用使用改进的双差分法进行运动目标分割,克服了单差分提取目标轮廓不准的缺点,最后结合候选目标的特征,采用基于逻辑的最近邻关联方法提取目标航迹。试验结果证明该算法满足了深空背景弱小目标实时检测的要求。     

基于双边滤波的弱小目标背景抑制

 为解决红外弱小目标检测技术中结构化背景抑制的难题,利用双边滤波集成了图像几何、光度和局部结构相似性等信息并以非迭代、局部操作的优点,提出了一种基于双边滤波的红外弱小目标背景抑制算法,并引入了局部梯度的统计特性来抑制背景细节、增强目标信息,从而达到更好抑制图像中的背景,突出目标图像,提高图像整体对比度、信噪比的目的。实验结果显示,与小波滤波算法比较,该算法对含有弱小目标的复杂背景从主观视觉和数值指标都具有良好抑制效果。     

基于自适应频域滤波的红外弱小目标检测技术

研究复杂背景下弱小目标检测问题对提高靶场光电设备探测能力具有重要意义.根据红外图像的背景复杂程度,提出一种自适应高斯高通滤波算法.该算法利用改进中值滤波器对图像进行降噪,采用图像方差加权熵,定量描述红外图像背景复杂程度,根据图像背景复杂程度自动调整滤波器截止频率,实现不同背景下红外弱小目标自动检测,并利用靶场实测光电图像对算法进行了验证.实验结果表明该算法能够有效地在不同图像背景下检测到弱小目标.     

红外搜索系统中弱小目标检测算法研究

 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。     

凝视观测图像空间弱小目标检测方法

针对凝视观测模式下光测图像中弱小目标的检测问题,提出一种多帧频域特征累积的目标检测方法。利用恒星匹配、临帧差分等方法消除背景变化的影响,通过图像时频域特征分析,推导出递归形式频域特征累积方程,并由此检测图像中的弱小目标。实验结果表明采用多帧频域特征累积方法能将图像信噪比提高3倍以上,有利于检测出弱小目标。     

基于复杂地面背景序列图像的运动弱小目标检测

分析了复杂地面背景下序列图像检测弱小目标的困难,研究了一种针对场景较复杂的运动弱小目标检测方法。首先将序列图像分割成等间隔的处理单元,并利用最小二乘匹配进行坐标对齐,然后使用Top-Hat算子处理图像并进行CFAR分割,综合考虑处理单元中的每幅图像,对固定背景干扰进行抑制,最后根据运动弱小目标轨迹进行检测。进行了三组序列图像实验并绘制了ROC曲线,证明该方法是一种有效的弱小运动目标检测方法。     

基于多特征融合的复杂背景下弱小多目标检测和跟踪算法

针对红外弱小多目标的检测和跟踪难题,提出一种基于多特征融合的复杂背景下弱小多目标检测和跟踪算法.融合红外弱小运动目标的灰度特征、梯度特征、运动特征等多个典型特性,进行复杂背景下弱小多目标的检测和跟踪.实验证明：该算法应用于复杂背景下低信噪比的红外弱小多目标图像序列能得到较理想的结果,算法检测概率高、检测速度快、具有较强鲁棒性.     

自适应双边滤波红外弱小目标检测方法

针对红外弱小目标检测,提出一种基于自适应双边滤波的背景预测算法.该算法利用空域低通滤波和图像灰度信息的非线性组合,自适应的对背景进行预测,达到提高弱小目标检测性能的目的.仿真和实验表明:与小波滤波的检测算法相比,该算法能够更加有效地从结构化背景中检测目标抑制背景.     

一种改进全天自主栅格星图识别算法

栅格算法是一种较优秀的星图识别算法 ,但它要求视场中有较多的恒星 ,从而要求星跟踪器有大的视场或高的星等灵敏度。为了克服这一缺点 ,引入主星的概念 ,并在星图识别过程中加入星等信息。仿真结果表明改进后的算法只需较少的恒星就能保证算法的鲁棒性 ,且实时性得到显著改善。     

适用于星敏感器的导航星表构造算法研究

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。     

基于BP神经网络的小样本星图识别方法

为解决星敏感器的星图识别算法高实时性和鲁棒性,采用了BP神经网络;根据飞行轨迹精简了导航星及对应的模式,即一个视场中的一幅星图对应一个惟一的导航模式。采用二维Voronoi图计算向平面上最大空圆,构造了完备的圆视场集合;经过反复比较,选择以恒星为顶点能构造包含视场中所有星的凸多边形的导航模式,以其角距和顶角作为识别向量,具有平移和旋转不变性,并以该模式为BP神经网络的训练样本。仿真试验表明：该方法的识别成功率达100%,识别时间小于20ms。     

基于Log-Polar变换的星图识别方法

基于Log-Polar变换提取特征模式,并将特征模式进行字符串编码,在KMP算法的基础上给出一种适合于星图识别的字符串匹配算法用以实现观测星和导航星的匹配识别。与栅格算法在相同实验条件下的比较表明:该方法对星点位置噪声和星等噪声具有更强的抗干扰能力,且具有更小的存储容量,但其识别速度还有待于进一步提高。     

一种改进的全天自主三角形星图识别算法

三角形算法是一种当前使用最为广泛的星图识别算法 ,但作为其识别基元的三角形的特征维数比较低 ,容易出现冗余匹配或误匹配 ,因而对测量误差比较敏感。针对这一缺点 ,从导航星的选取、星座数据库的构造和算法的实现三方面着手对传统三角形算法进行改进 ,提出了新的导航星自动选取方法和导航星座数据库构造方法 ,并在此基础上实现了改进三角形算法 ,其数据库容量和实时性都略优于传统三角形算法 ,且识别成功率接近多边形算法     

基于几何覆盖的导航星视场构造算法

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。     

星体跟踪星图识别算法

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。     

一种基于先验信息和多模板匹配的票据水印检测算法

针对票据水印多目标检测过程中误检率和漏检率高的难题,提出了一种基于先验信息和多模板匹配的票据水印检测算法.该算法采用分级匹配的思想,首先选取初始水印模板进行单模板、粗匹配运算|然后利用票据水印的先验信息计算水印散布区间|接着在水印散布区间内进行多模板、细匹配运算|最后利用先验信息校验已检测到的水印位置,并估算未检测到的水印位置,降低水印检测的漏检率和误检率.仿真实验证明本算法误检率和漏检率低,可以有效地检测票据水印.     

基于高斯分布的星点图像亚像元定位算法研究

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...     

基于LASSO算法的恒星α元素丰度估计方法研究

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。