空間碎片星點提取與定位方法
【專利摘要】本發(fā)明公開了一種空間碎片星點提取與定位方法，用于解決現(xiàn)有方法對相鄰空間碎片目標分割困難的技術問題。技術方案是通過MSER算法在候選空間碎片區(qū)域內(nèi)過構建數(shù)據(jù)結構樹，提取出該區(qū)域內(nèi)空間碎片像素集合并確定空間碎片星點個數(shù)。在MSER算法得到的像素點樹形結構中，通過檢測該候選空間碎片區(qū)域中最大的MSER，為后續(xù)擬合GMM模型生成訓練樣本。在基于GMM的定位過程中，通過EM算法迭代求解混合模型中高斯成分的均值與協(xié)方差，對應的均值就是各個空間碎片星點光斑的質(zhì)心。該方法結合MSER和GMM模型的特點，通過GMM模型對近距離彌散光斑質(zhì)心進行共同求解，解決了相鄰空間碎片目標分割困難的技術問題。
【專利說明】空間碎片星點提取與定位方法

【技術領域】
[0001] 本發(fā)明設及一種空間碎片星點提取與定位方法。

【背景技術】
[0002] 文獻"基于能量累加的空間目標星像質(zhì)屯、定位，《光學精密工程》，2011，第12期， P2043-3048"提出了基于能量累積的插值求解質(zhì)屯、方法。該方法使用插值方式降低離散采 樣點和實際感光區(qū)域光線照度的不一致性；利用彌散光斑能量累加自適應地確定空間碎片 目標的有效窗口。由于該種自適應確定空間碎片目標有效窗口的方法僅適用于單個獨立的 空間碎片進行定位，當多個空間碎片由于距離較近，而使得圖像上的星點光斑相互黏連或 重疊時就會難W分割提取和定位。


【發(fā)明內(nèi)容】

[0003] 為了克服現(xiàn)有方法對相鄰空間碎片目標分割困難的不足，本發(fā)明提供一種空間碎 片星點提取與定位方法。該方法通過MSER算法在候選空間碎片區(qū)域內(nèi)，通過構建數(shù)據(jù)結構 樹，提取出該區(qū)域內(nèi)空間碎片像素集合并確定空間碎片星點個數(shù)，為利用高斯混合模型對 星點光斑建模和利用最大期望EM算法求解是的初始化提供了基礎。在MSER算法得到的像 素點樹形結構中，通過檢測該候選空間碎片區(qū)域中最大的MS邸可W為生成后續(xù)擬合GMM模 型生成訓練樣本。在基于GMM的定位過程中，通過EM算法迭代求解混合模型中高斯成分的 均值與協(xié)方差，對應的均值就是各個空間碎片星點光斑的質(zhì)屯、。該方法結合MSER和GMM模 型的特點，通過GMM模型對近距離彌散光斑質(zhì)屯、進行共同求解，避免了在空間碎片目標的 彌散光斑靠近、黏連甚至部分重疊時分割的困難。
[0004] 本發(fā)明解決其技術問題所采用的技術方案是；一種空間碎片星點提取與定位方 法，其特點是包括W下步驟：
[0005] 步驟一、對于星空圖像I，首先對針對星空圖像中每個像素統(tǒng)計圖像的灰度直方 圖，根據(jù)像素值按升序?qū)D像中的像素點進行排序，去除像素灰度值最小的A1%的像素 點，W減弱暗噪聲對背景的影響，去除像素灰度值最高的A 2%的像素點，W減弱強噪聲和 恒星對背景估計的影響，其中A。入2為設定的背景闊值參數(shù)。利用剩余的（100-^ 1-^2)% 像素點，求得背景的灰度均值y和灰度標準差0，使用闊值y + K 0對圖像進行二值化處 理，K為需要設置的分割系數(shù)。二值化處理公式為； 1 /(.、反-(了 ,
[0006] 《('、-，>:)氣A 丄 (1) 0 /(.V, v)^// + /fcr
[0007] 式中，I (X，y)表示在坐標為（X，y)處的圖像I中像素的灰度值，B(x, y)就是（X，y) 處像素點的二值化結果，把二值化的后的圖像記為B。該一步為星圖的二值化粗分割，因此 每個B(x，y) = 1的連通區(qū)域中可能包含多于一個的星點。
[000引步驟二、對空間碎片區(qū)域進行粗分割。根據(jù)上一步圖像二值化的結果，當B(x，y) =1時表示該像素為空間碎片星點區(qū)域，當B(x，y) = 0時表示該像素為非有效空間碎片星 點區(qū)域，即背景區(qū)域。對B中B(x，y) =1的點進行廣度優(yōu)先捜索，提取到所有滿足B(x，y) =1的點的連通域，所有連通域集合為Q，其中一個連通域表示為Q。Q為一個空間碎片 星點區(qū)域，包含了一系列二值化結果為1的像素點坐標，并且他們相互連通，而且對于任一 個Q中的坐標為（x，y)的點，它在原始圖像中的灰度值為I(x，y)。
[0009] 步驟S、在提取空間碎片區(qū)域后，需要對每一個連通域Q通過MS邸算法進行局部 極大灰度值和最大穩(wěn)定極值區(qū)域檢測。MSER檢測是通過不同闊值對空間碎片區(qū)域進行二值 化處理，根據(jù)不同的結果對穩(wěn)定極大灰度值點和區(qū)域進行檢測。對于一個星點區(qū)域Q，當令 二值化闊值為t時，公式（2)中的表示在空間碎片區(qū)域Q中，像素灰度值大于t的像 素點集合，當二值化闊值t不斷變大的時候集合Q 的元素個數(shù)會越來越少，同理t變小的 時候集合n>t的元素個數(shù)會變多。在MSER檢測過程中通過集合中元素個數(shù)的變化速率來 表示一個區(qū)域Q>t是否是一個穩(wěn)定的空間碎片彌散光斑。公式（3)表示當分割闊值變化大 小為d時，光斑變化的穩(wěn)定度計算方法。該里I Q J，I 和I QJ分布表示集合Q>t， Q>tw和Q >t的元素個數(shù)，d為需要設置參數(shù)，St為光斑的穩(wěn)定度。
[0010] ^ >t = {(x, y) I I (x, y) >t, (x, y) G Q }似
[0011]

【權利要求】
1. 一種空間碎片星點提取與定位方法，其特征在于包括以下步驟： 步驟一、對于星空圖像I，首先對針對星空圖像中每個像素統(tǒng)計圖像的灰度直方圖，根 據(jù)像素值按升序?qū)D像中的像素點進行排序，去除像素灰度值最小的A的像素點，以減 弱暗噪聲對背景的影響，去除像素灰度值最高的的像素點，以減弱強噪聲和恒星對背 景估計的影響，其中A1,A2為設定的背景閾值參數(shù)；利用剩余的（100-AA2) %像素點， 求得背景的灰度均值U和灰度標準差〇，使用閾值y+K〇對圖像進行二值化處理，K為 需要設置的分割系數(shù)；二值化處理公式為：
式中，I(X，y)表示在坐標為（X，y)處的圖像I中像素的灰度值，B(X，y)就是（X，y)處 像素點的二值化結果，把二值化的后的圖像記為B;這一步為星圖的二值化粗分割，因此每 個B(x，y) = 1的連通區(qū)域中可能包含多于一個的星點； 步驟二、對空間碎片區(qū)域進行粗分割；根據(jù)上一步圖像二值化的結果，當B(x,y) = 1時 表示該像素為空間碎片星點區(qū)域，當B(x，y) = 0時表示該像素為非有效空間碎片星點區(qū) 域，即背景區(qū)域；對B中B(x，y) = 1的點進行廣度優(yōu)先搜索，提取到所有滿足B(x，y) = 1 的點的連通域，所有連通域集合為Q，其中一個連通域表示為D 為一個空間碎片星點 區(qū)域，包含了一系列二值化結果為1的像素點坐標，并且他們相互連通，而且對于任一個D中的坐標為（x，y)的點，它在原始圖像中的灰度值為I(x，y); 步驟三、在提取空間碎片區(qū)域后，需要對每一個連通域D通過MSER算法進行局部極大 灰度值和最大穩(wěn)定極值區(qū)域檢測；MSER檢測是通過不同閾值對空間碎片區(qū)域進行二值化 處理，根據(jù)不同的結果對穩(wěn)定極大灰度值點和區(qū)域進行檢測；對于一個星點區(qū)域D，當令 二值化閾值為t時，公式（2)中的Q>t表示在空間碎片區(qū)域Q中，像素灰度值大于t的像 素點集合，當二值化閾值t不斷變大的時候集合D>t的元素個數(shù)會越來越少，同理t變小的 時候集合D>t的元素個數(shù)會變多；在MSER檢測過程中通過集合中元素個數(shù)的變化速率來 表不一個區(qū)域D>t是否是一個穩(wěn)定的空間碎片彌散光斑；公式（3)表不當分割閾值變化大 小為d時，光斑變化的穩(wěn)定度計算方法；這里IQ>tI，IQ>t+dI和IQ>tI分布表示集合D>t， 0>1+(1和Q>t的元素個數(shù)，d為需要設置參數(shù)，st為光斑的穩(wěn)定度； Q>t= {(x,y) 11 (x,y) >t, (x,y)GQ} (2)
利用MSER算法在一個空間碎片星點連通區(qū)域Q中分割提取星點的步驟為： (1) .首先對于圖像中某個空間碎片星點連通區(qū)域D內(nèi)的每個像素點灰度值按照大 小排序，依次初始化他們?yōu)槲丛L問狀態(tài)再根據(jù)各個像素點的灰度值大小和他們空間位置關 系，按照步驟（2)、步驟（3)的描述把他們組織成一顆樹形結構，這個樹的各個節(jié)點都代表 了圖像中的一個像素點； (2) .按照像素灰度值從大到小遍歷Q中所有的像素，針對某個（x，y)處的像素點遍歷 它周圍相鄰的8個點；假設（X'，y')為一個與（x，y)相鄰的位置，那么如果（X'，y') 處像素點未被遍歷，則直接遍歷下一個相鄰點，如果已經(jīng)被遍歷那么： a)當Root(x，y)=Root(x<，太）相同時，貝Ij不進行任何處理，遍歷（x，y)處像素的 下一個相鄰點，因為（x，y)處像素點與（X'，y')處像素點已經(jīng)處于同一個子樹中；這里 的Root(x，y)表示（x，y)處像素點在當前樹結構中對應的根像素點的位置； 13)當1(1?〇〇1:(1，7))=1(1?〇〇1:(1'，7'))時，則把1?〇〇1:(1'，7')處像素點作為子 節(jié)點添加到Root(X，y)處像素點下； c)當I(Root(x，y))〈I(Root(x'，y'))時，則把Root(x'，y')處像素點添加為Root(x，y)處像素點的子節(jié)點； (3) .標記當前（x，y)處像素點為已被遍歷像素點，并重新回到步驟（2)直到完成對所 有像素點的遍歷； (4) .當所有的像素點按照上面步驟遍歷完畢，依照像素點灰度值大小關系的樹形結構 建立完成，該樹中葉節(jié)點個數(shù)就等于該空間碎片區(qū)域D中局部極大灰度值像素點個數(shù)，也 對應了區(qū)域內(nèi)星點光斑數(shù)目，這個數(shù)目記為K，極值點的個數(shù)、位置將用于以下基于GMM模 型和EM迭代算法的星點定位的初始化； 為了使用EM算法擬合GMM模型提供樣本，需要在空間碎片區(qū)域內(nèi)檢測最大穩(wěn)定極值區(qū) 域；對于空間碎片光斑區(qū)域D內(nèi)，每當取到一個二值化分割閾值t，總是對空間碎片區(qū)域Q 進行分割得到一個子光斑為D>t，當該光斑的穩(wěn)定度st小于時，即滿足公式（4)時， 該子光斑就是為D的一個MSER，這里tmse,為判斷一個子光斑是否為MSER的閾值；當調(diào)整 t，就得到一系列MSER，這一系列的MSER呈現(xiàn)樹形的包含現(xiàn)象，即t較小時分割得到的MSER 包含t較大時分割得到的MSER，而最大的MSER包含所有其他的MSER;對區(qū)域Q提取不同 t情況下的MSER之后得到MSER集合C，其中包含像素點最多的MSER記為C;
步驟四、考慮單個空間碎片彌散光斑可以被合理假設為一個高斯函數(shù)形狀的的點狀光 斑，對于包含多個彌散光斑的空間碎片區(qū)域，利用混合高斯模型對空間碎片區(qū)域內(nèi)的多個 彌散光斑進行建模；GMM在質(zhì)心定位的時候需要多個像素點樣本； C為空間碎片區(qū)域Q的MSER集合C中包含最多像素點的MSER，對其范圍內(nèi)任一位 置（X，y)處的像素點進行重采樣，得到「取，J)]個樣本點，這「辦，州個樣本點的集合記為 S(x;y)，為向上取整符號；那么C中所有的樣本點集合記為S。，其中n= 1，...，L表示像素 點樣本的序號，L表示樣本點個數(shù)，即集合S。的中的成員數(shù)目，mn表示第n個樣本像素點的 位置；
獲得了樣本點集合S。和星點光斑數(shù)目K，利用GMM模型和相應的EM算法對空間碎片光 斑區(qū)域D內(nèi)K個光斑同時進行定位；具體的模型描述和定位算法如下： (1).定義用于擬合空間碎片區(qū)域星點光斑的混合高斯模型；由于空間碎片區(qū)域是有 多個彌散光斑組成，首先將對于空間碎片區(qū)域中的任一位置點變量（x，y)記為隨機變量m =(X，y)，它服從公式（6)描述的高斯混合分布，其中31k、yk和2k分別為第k個光斑的權 重系數(shù)、均值和協(xié)方差矩陣，k= 1，2，...，K為GMM中高斯成分的序號，N(m|yk，Sk)表示 Uk和2k為參數(shù)的隨機變量m的高斯分布，高斯分布成分數(shù)即為區(qū)域內(nèi)星體光斑數(shù)總數(shù)為 K;利用EM算法根據(jù)樣本點求解得到的K個高斯成分的參數(shù)k、yk和2k，而yk為對應的 第k個星點光斑的質(zhì)心；由于EM算法為迭代優(yōu)化算法，所以需要先根據(jù)以下步驟（2)、步驟 (3)對各參數(shù)進行初始化；
(2) .初始化每個彌散光斑的中心；每個彌散光斑的質(zhì)心，即K個高斯成分的均值yk，k =1，2,......，K，被初始化化為MSER檢測中得到的極大灰度值像素的中心位置； (3) .根據(jù)每個樣本點到各個彌散光斑的初始化中心的歐式距離，為每個樣本點選取最 近中心點為類別中心，把樣本點分為K類，并且把屬于第k類的樣本集合記為Stt;樣本點集 合S。被分割為K個集合，S中像素點樣本被記為= 1，…,|?|，？<上標表示其屬于 Stt集合，下標為S&集合元素序號；通過公式（7)初始化所有的Jrk，其中運算符I?I表示 求集合的元素個數(shù)；
(4) .在完成初始化工作后，進行質(zhì)心估計，高斯混合模型的質(zhì)心使用EM算法來估計， EM算法為迭代算法，每次迭代步驟分為兩步，第一步為期望估計，第二步為最大化；第一次 迭代為初始化，對于第a次迭代，a彡2,具體如下： a)通過初始化的參數(shù)計算第n個樣本點％由第個k個高斯模型生成的概率r：；，
估計更新參數(shù)，包括方差、均值和權值系數(shù)；具體通過公式（10)計算新的均值，通過公 式（11)計算新的協(xié)方差方差矩陣，通過公式（12)得到新的權重系數(shù)；
其中#f計算方法如公式（13)所示，L為訓練樣本的數(shù)目；
迭代執(zhí)行步驟b)，對樣本點集合S。，計算在不同參數(shù)下的對數(shù)似然函數(shù)值，當?shù)?到滿足不等式（14)時，迭代結束；tg_是判斷兩次對數(shù)似然值是否收斂的閾值；其中 InI1，1)與1n ,?)分布表示模型參數(shù)2T1，/C1，（1 與S, ，< 的似然值； \\np(Sc\lt，^^D-^p(Sc\ir\Mr\<^)\<tgmm 〇4) 其中的似然值lnp〇Sc 計算方式如公式（15)所示
對Ini^ciorur1)的計算同理； 迭代停止后得到的K個高斯成分的均值yk，k= 1，...，K為空間碎片區(qū)域D中的K個 空間碎片星點光斑的亞像素坐標定位結果；依次遍歷聯(lián)通區(qū)域集合Q中所有空間碎片區(qū) 域，完成對圖像I中所有空間碎片星點目標的提取與定位工作。
【文檔編號】G06T7/00GK104504674SQ201410546244
【公開日】2015年4月8日 申請日期:2014年10月15日 優(yōu)先權日:2014年10月15日
【發(fā)明者】張艷寧, 鞏東, 丁王斌, 李海森 申請人:西北工業(yè)大學