CN103035004B - 一种大视场下圆形目标中心定位的方法 - Google Patents

Abstract

本发明公开了一种大视场下圆形目标中心定位的方法，包括以下步骤：1)在输入图像中提取包含圆形目标的适当矩形区域，计算适当矩形区域的水平宽度和垂直高度，纪录圆形目标中心与输入图像中心的初始偏移量；2)提取适当矩形区域的四个角的背景区域，计算其相应的像素面积；3)根据步骤2)中的像素面积构建面积特征向量L，采用非线性优化算法迭代求解圆形目标的中心坐标。本发明通过间接测量区域的像素面积值，从而对圆形目标中心坐标进行估计，将测量误差缩小了百倍量级。

Description

一种大视场下圆形目标中心定位的方法

技术领域

本发明涉及圆形目标中心定位的方法，尤其涉及一种大视场下圆形目标中心定位的方法。

背景技术

深空探测任务中为保证航天器的正确飞行轨道，自主导航技术成为一项重要的保障，其中光学自主导航便是利用航天器上的有效载荷，拍摄目标星体及其背景恒星，通过星体中心定位以及星图匹配的图像处理方法确定航天器的实时飞行轨道。目标星体在图像处理技术中被考虑为圆形目标，星体中心定位即是完成圆形目标的中心定位，当航天器接近目标星体时，为观察到整个星体往往需要较大视场的成像***，此时拍摄到的星体图像往往存在较大畸变。在接近目标星体阶段，为保证航天器的正确飞行轨道，需要对存在较大畸变的圆形目标即目标星体实施中心定位。

传统的圆形目标中心定位方法，主要有质心法、高斯曲面法、边缘拟合法。质心法是基于目标的灰度分布信息，比较适用于较小的且灰度分布均匀的目标，应用最广的是改进的平方加权质心法，它采用目标灰度值的平方作为权值，突出了离中心较近的区域像素点对目标中心的影响，在星敏感器拍摄得到星图的应用中，质心法体现了很好的使用价值；高斯曲面法的原理是认为目标星体经成像***后，成像器件收集到的光强分布服从高斯分布，那么最后输出的数字图像上目标星体的灰度分布就是一个高斯曲面，最后通过最小二乘法计算出高斯曲面函数的参数，就能获得目标星体的中心坐标，然而当目标星体过大时，它的计算量非常大；边缘拟合法通过边缘检测手段得到目标星体的边缘点，再通过矩、拟合、插值等方法得到亚像素级的精度，最后通过最小二乘法拟合出圆心坐标，它对目标的灰度分布不敏感，但为了成功检测到目标边缘，它需要目标的像素面积足够大。

然而当航天器接近目标星体时，为观察到整个目标星体，往往需要大视场的成像***，考虑到成像***的整体设计，此时拍摄到的目标星体几乎充斥整个视场，甚至部分超出了视场。当成像***的视场很大时，镜头畸变必然会成为问题的关键，中心视场处可认为没有畸变，随着物方视场的增大，像面上的畸变量也相应增大，虽然畸变校正技术发展至今，但对于较大视场(如半视场角75度)下的畸变，很难将其校正到亚像素水平，这一定程度上限制了传统的圆形目标中心定位算法的运用。并且，质心法要求目标灰度分布比较对称，镜头畸变的不可校正因素必然导致它的定位精度很差；高斯曲面法在目标星体过曝或畸变较大时，定位偏差很大，且大目标的运算量很大；边缘拟合法的适用准则是目标是绝对精准的圆形，而畸变的不可校正因素完全限制了它的应用。

发明内容

本发明的技术方案避开了畸变的不可校正因素，对目标图像进行预处理之后，提取图像中的背景区域即图像的四个角，因为相机在装调过程中已保证镜头的光轴指向与成像器件的物理中心重合，所以如果输入图像中圆形目标的中心与输入图像的中心重合，那么这四个角的像素面积应该相等，反之则可推算出圆形目标的中心相对输入图像中心的偏移量，即实现了圆形目标的中心定位。

一种大视场下圆形目标中心定位的方法，包括以下步骤：

1)在输入图像中提取包含圆形目标的适当矩形区域，计算所述适当矩形区域的水平宽度W和垂直高度H，令圆形目标中心与所述输入图像中心的初始偏移量为：Δ₀＝(x₀，y₀)；

所述适当矩形区域应满足的条件为：适当矩形区域的边长上限为圆形目标的外切正方形边长，其下限为所述圆形目标的内接正方形边长；

当所述的输入图像符合适当矩形区域应满足的条件时，不需要对输入图像进行处理，即可得到上述的适当矩形区域，则圆形目标中心与输入图像中心的初始偏移量Δ₀＝(0，0)；

当输入图像不符合适当矩形区域应满足的条件时，对输入图像进行二值化处理得到二值图像，根据适当矩形区域的准则对所述的二值图像进行腐蚀，得到所述的适当矩形区域，其中，R为圆形目标的半径，N是适当矩形区域的边长。

采用最大类间分割方法对输入图像进行处理，并得到最佳二值化分割阈值，为滤除噪声和其它非目标物体的干扰，对输入图像二值化后，只保留二值图像中的最大连通区域且认为它就是圆形目标；

计算最大连通区域的水平宽度W和垂直高度H，使用最小二乘法估计圆形目标的半径R，采用圆形模板对二值图像进行腐蚀，使得W和H缩小约为原来的0.8倍或者R的1.6倍，使得此时提取的矩形区域即为所述的适当矩形区域，并记下此时适当矩形区域的左上角坐标(x₀，y₀)、以及适当矩形区域的水平宽度W和垂直高度H，且记初始偏移量Δ₀＝(x₀，y₀)。

2)提取适当矩形区域的四个角的背景区域，计算其相应的像素面积，并分别记为S_左上、S_左下、S_右上、S_右下；

对所述的适当矩形区域按像素进行逐行扫描提，每一行得到一条对应的灰度曲线S_g，再求得相应的梯度曲线S_d；梯度曲线有两种分布形式，一是呈双峰形，两边和中间的山谷区分别对应了平坦的背景和目标区域，山峰区就对应了目标边缘的渐变区，另一种形式是整条曲线都较平坦，它表明该行图像数据属于圆形目标区域，梯度曲线的两种形式与图像信息的对应关系，直接从图像上可判别；

分离圆形目标与背景区域，便是以逐行的形式，在灰度曲线S_g中寻找最佳的分割点，灰度在分割点灰度以下即认为是背景区域，标记为1，否则标记为0，视为圆形目标区域。最佳分割点的确定方法是，计算梯度曲线S_d的直方图，利用最大类间分割方法将S_d分为两层，上层为大梯度层，对应山峰区域，下层为小梯度层，对应山谷区域，计算上层区域的中心位置点记为x₁和x₂，即是某行图像数据的最佳分割点；

逐行扫描图像后，得到最佳分割后的二值图像，对其进行区域分割得到五个区域，第一个区域即代表了圆形目标，其余四个区域分别代表了四个角附近的背景区域，记为区域左上、区域左下、区域右上、区域右下，以像素为单位计算四个背景区域的面积，即统计区域的像素数，分别记为S_左上、S_左下、S_右上、S_右下。

3)记像素面积S_左上、S_左下、S_右上、S_右下分别为S₁、S₂、S₃、S₄，构建面积特征向量L：

L＝[L₁，L₂]

其中：

L₁＝[P₁₂-P₃₄，S₁₃，S₂₄]

L₂＝[P₁₃-P₂₄，S₁₂，S₃₄]

P₁₂＝|S₁+S₂|

P₃₄＝|S₃+S₄|

S₁₃＝|S₁-S₃|

S₂₄＝|S₂-S₄|

P₁₃＝|S₁+S₃|

P₂₄＝|S₂+S₄|

S₁₂＝|S₁-S₂|

S₃₄＝|S₃-S₄|

选取四个背景区域中面积最小的，并固定面积最小的背景区域的两个矩形边界，将所述适当矩形区域的另两条边界向所述面积最小的背景区域所在的方向移动，并令移动量为(x′，y′)，利用所述的面积特征向量L构建如下约束：

(x′，y′)＝arg min{||L₁||₂+||L₂||₂}

并利用非线性优化算法可求得上式的最优解(x′，y′)，最终的圆形目标中心的定位结果为：

Δ＝Δ₀+0.5·(W-x′，H-y′)

式中：W和H分别为所述适当矩形区域的水平宽度和垂直高度。

本发明的大视场下圆形目标中心定位方法的主要思路是：

1、当圆形目标中心相对图像中心重合时，四个角的背景区域面积将完全相等，若目标中心发生小量偏移Δ，四个角的面积则将产生较大量的变化，可进行如下分析：

假设图像大小为N×N，为保证图像相对圆形目标是合适的矩形区域，拍摄到的圆形目标半径R应该满足假设目标中心与图像中心的偏移量为Δ＝(Δ_x，Δ_y)，那么此时可求得左上角面积与右上角面积分别是，

$S_1=\frac{(N/2-y_1)\·(N/2+x_1)}{2}$

$S_3=\frac{(N/2-x_2)\·(N/2-y_2)}{2}$

其中

$x_1={\mathrm{\Δ}}_x-\sqrt{R^2-{(N/2-{\mathrm{\Δ}}_y)}^2}$

$y_1={\mathrm{\Δ}}_y+\sqrt{R^2-{(N/2+{\mathrm{\Δ}}_x)}^2}$

$x_2={\mathrm{\Δ}}_x+\sqrt{R^2-{(N/2-{\mathrm{\Δ}}_y)}^2}$

$y_2={\mathrm{\Δ}}_y+\sqrt{R^2-{(N/2-{\mathrm{\Δ}}_x)}^2}$

为求解偏移量Δ，在图像处理过程中实际是计算面积差Δ_S＝S₁-S₃，这样就通过测量值Δ_S来计算估计值Δ，可以建立函数

Δ_S＝f(Δ_x，Δ_y)

它表示图像的左上角背景区域与右上角的面积之差是圆形目标中心偏移量Δ＝(Δ_x，Δ_y)的二元函数，假设某一幅拍摄到的图像中，圆形目标的中心偏移量为(Δ_x0，Δ_y0)，固定住Δ_y0，让目标在x方向上移动，即改变偏移量Δ_x，观察测量到的面积差Δ_S与变量Δ_x之间的关系，便可获得测量值Δ_S与估计值Δ之间的倍率关系，因此，将函数f(Δ_x，Δ_y)在点(0，Δ_y0)处泰勒展开，近似为一次函数，可以得到

${\mathrm{\Δ}}_S=[{\mathrm{\Δ}}_{y0}-\frac{N}{2}+\sqrt{R^2-N^2/4}-\frac{N\·(N/2-\sqrt{R^2-{(N/2-{\mathrm{\Δ}}_{y0})}^2})}{2\sqrt{R^2-N^2/4}}]\·{\mathrm{\Δ}}_x$

定义测量值与估计值之比为放大倍率β，可知，在y方向上，将圆形目标中心固定在Δ_y0处，另x方向存在自由移动量Δ_x，此时测量到的左上角背景区域与右上角的面积差Δ_S与x方向移动量Δ_x的放大倍率为

$\mathrm{\β}={\mathrm{\Δ}}_{y0}-\frac{N}{2}+\sqrt{R^2-N^2/4}-\frac{N\·(N/2-\sqrt{R^2-{(N/2-{\mathrm{\Δ}}_{y0})}^2})}{2\sqrt{R^2-N^2/4}}$

因为初始偏移量Δ_y0□N，于是放大倍率近似满足关系

$\mathrm{\β}\≈\frac{N^2-2R^2}{\sqrt{4R^2-N^2}}$

当圆形目标半径R满足关系时，β取值为(0，+∞)且随着R的增大而减小。本发明的步骤1)中提取的适当矩形区域，将水平宽度W和垂直高度H缩小到原来的0.8倍，是因为此时正好使得R取值为N/2和的平均值，此时放大倍率β＝0.4·N，若成像器件分辨率为2048×2048，可得到放大倍率β＝822，它的物理意义是，假如实验中计算图像的面积特征向量L时产生了1个像素的误差，则它对圆形目标的中心定位结果将产生0.0012个像素的误差。

因此当圆形目标发生微量偏移Δ_x时，实验中的测量值即左上角背景与右上角背景的面积之差Δ_S将产生β倍于偏移量Δ_x的变化。这样估计值偏移量Δ_x被放大了若干倍，间接测量Δ_S时产生的误差作用到Δ_x上就被缩小若干倍，当圆形目标大小适当时，使用本发明求取圆形目标的中心将获得较高的精度。

2、在不考虑镜头畸变的情况下，圆形目标相对于输入图像中心的偏移量Δ与测量值Δ_S满足可解析的函数关系，因此理论情况下，得到测量值Δ_S后可反推出精准的偏移量Δ。然而在较宽视场下镜头存在很大的畸变，如果不对畸变进行校正，那必须分析畸变对本发明中算法的影响，分析过程如下：

假设圆形目标的中心与输入图像的中心存在偏移量Δ＝(Δ_x，Δ_y)，此时圆形目标的边缘与适当矩形区域边界相交于8个点，取上半部的4个点A、B、C、D，其中A、B属于左上角背景区域，C、D属于右上角背景区域，可计算此时A、B、C、D的视场百分比为θ₁、θ₂、θ₃、θ₄，并且记左上角的圆目标边缘部分平均视场百分比为θ_L＝(θ₁+θ₂)/2，右上角的圆目标边缘部分平均视场百分比为θ_R＝(θ₃+θ₄)/2，那么可得到左上角边缘与右上角边缘的平均视场百分比差Δ_θ在点(0，Δ_y0)处的一次泰勒展开，

${\mathrm{\Δ}}_{\mathrm{\θ}}=\frac{\sqrt{2}}{2N}\·\left[\begin{array}{c}\frac{2\sqrt{R^2-{(N/2-{\mathrm{\Δ}}_{y0})}^2}}{\sqrt{N^2/4-{(N/2-{\mathrm{\Δ}}_{y0})}^2+R^2}}+\\ \frac{N({\mathrm{\Δ}}_{y0}+\sqrt{R^2-N^2/4})}{\sqrt{{({\mathrm{\Δ}}_{y0}+\sqrt{R^2-N^2/4})}^2+N^2/4}\·\sqrt{R^2-N^2/4}}\end{array}\right]\·{\mathrm{\Δ}}_x$

由于初始偏移量Δ_y0□N，该泰勒展开可化解为：

${\mathrm{\Δ}}_{\mathrm{\θ}}=\frac{\sqrt{2}(N+\sqrt{{4R}^2-N^2})}{2\mathrm{NR}}\·{\mathrm{\Δ}}_x.$

若R取值为N/2和的平均值，此时Δ_θ＝1.96Δ_x/N，假设成像器件分辨率为2048×2048，则Δ_θ＝0.096％·Δ_x，圆形目标相对于输入图像中心产生的偏移量对图像四角部分的边缘的平均视场差影响非常小，因此通过这样的方法可以理论计算圆形目标与输入图像中心存在偏移时，图像上圆形目标的左上角边缘与右上角边缘所存在的平均视场百分比差，正是它的存在使得圆形目标经大视场光学***成像以后，左上角边缘与右上角边缘的畸变程度不一样，最终导致左上角背景区域与右上角背景区域的面积之差与理论值存在一定的误差量Δ_D，它也正是本发明计算的面积特征向量L与其理论值的误差，该误差大小是圆形目标中心定位误差的β倍，对该误差量Δ_D的分析如下：

可计算不考虑畸变的情况下，当圆形目标与输入图像中心存在偏移量Δ＝(Δ_x，Δ_y)时，图像左上角背景区域与右上角背景区域的面积差Δ_S满足函数关系：

Δ_S＝f(Δ_x，Δ_y)

考虑畸变的情况，假设图像中圆形目标的左上角边缘因畸变向左上角方向平均移动了Δ_r1，右上角边缘向右上角方向平均移动了Δ_r2，这两个量可以根据Δ_θ和光学***畸变曲线计算得到，因此同样计算左上角背景区域面积S′₁和右上角背景区域面积S′₁，

$S_1^{\′}=\frac{(N/2-y_1^{\′})\·(N/2+x_1^{\′})}{2}$

$S_3^{\′}=\frac{(N/2-x_2^{\′})\·(N/2-y_2^{\′})}{2}$

其中

$x_1^{\′}={\mathrm{\Δ}}_x-\sqrt{{(R+{\mathrm{\Δ}}_{r1})}^2-{(N/2-{\mathrm{\Δ}}_y)}^2}$

$y_1^{\′}={\mathrm{\Δ}}_y+\sqrt{{(R+{\mathrm{\Δ}}_{r1})}^2-{(N/2+{\mathrm{\Δ}}_x)}^2}$

$x_2^{\′}={\mathrm{\Δ}}_x+\sqrt{{(R+{\mathrm{\Δ}}_{r2})}^2-{(N/2-{\mathrm{\Δ}}_y)}^2}$

$y_2^{\′}={\mathrm{\Δ}}_y+\sqrt{{(R+{\mathrm{\Δ}}_{r2})}^2-{(N/2-{\mathrm{\Δ}}_x)}^2}$

同样，考虑畸变的情况下，左上角背景区域与右下角背景区域的面积之差Δ′_S满足函数关系

Δ′_S＝S′₁-S′₃＝g(Δ_x，Δ_y)

于是，利用本发明的方法可计算出实验的面积特征向量L′和面积特征向量理论值L的误差值Δ_D，可以描述为

Δ_D＝Δ′_S-Δ_S＝g(Δ_x，Δ_y)-f(Δ_x，Δ_y)

综上，给定某一光学***的畸变曲线，就能够计算使用它观测某一圆形目标时，在考虑畸变和不考虑畸变两种情况下，圆形目标与输入图像中心存在一定偏移量时的面积特征向量L的理论值和实测值，因为本发明的目的是在实际应用中，避开畸变校正的过程，将特征向量的实测值直接视为理论值，从而完成优化计算，通过本发明提出的理论方法，能够计算出特征向量的理论值和实测值间的误差，即能根据实际的应用条件计算出本发明的误差，在工程应用中有足够的可行性。

附图说明

图1为本发明大视场下圆形目标中心定位的方法的操作流程框图。

图2为本发明的输入图像。

图3为本发明的输入图像的最佳二值化图像。

图4为本发明的包含圆形目标的适当矩形区域。

图5为本发明的某行图像数据的灰度分布曲线。

图6为图5中灰度分布曲线的梯度曲线。

图7为图6中梯度曲线的最佳分割结果。

图8为本发明的逐行分离目标区域与背景区域结果。

具体实施方式

为了更好地理解本发明的实现过程，下面结合附图详细阐述本发明的大视场下圆形目标中心定位的方法，具体步骤的流程图如图1所示，应用本发明的方法求取大视场下圆形目标中心的具体步骤如下：

步骤1：利用大视场光学***拍摄圆形目标，得到存在较大畸变的目标图像，即为输入图像，它的仿真图如图2所示。

步骤2：使用最大类间分割方法将输入图像(即图2)，处理为二值图像，得到图3所示的结果，根据最大连通区域提取出包含圆形目标的最小矩形区域，并计算出它的水平宽度W和垂直高度H。

步骤3：逐个扫描图3中目标区域的所有外边缘点，即背景区域与目标区域的区域分界线，剔除其中可能的水平或垂直边缘的候选点(当圆形目标超过光学***的物方视场角时，此步骤中就会出现水平或垂直的边缘)，基于剩下的边缘候选点，采用最小二乘法拟合出圆的半径R。

步骤4：根据准则令R取准则区间的中间值，当步骤3中不存在水平或垂直边缘点时，对步骤2得到的二值图像进行腐蚀操作，使W和H都减小到原来的0.8倍，若步骤3存在水平或垂直边缘点，使W和H都减小到R的1.6倍，将腐蚀后的二值模板与图2相与，得到包含圆形目标的适当矩形区域，记下适当矩形区域的左上角在图2中的坐标(x₀，y₀)，并记初始位移量Δ₀＝(x₀，y₀)，将适当矩形区域剪裁得到图4，以及更新的适当矩形区域的水平宽度W和垂直高度H。

步骤5：逐行扫描图4，可得到两种类型的灰度曲线，如图5所示。其中横坐标是图像的列数，纵坐标是某行图像的灰度值，带圈曲线表示该行数据包含了灰度较低的背景区域和灰度较高的目标区域，如图4中的黑色实线所示行，而带点曲线表示该行数据是灰度较高的目标区域，如图4中的黑色虚线所示行。

步骤6：对步骤5中逐行扫描图像得到的所有灰度曲线求梯度，得到两种类型的梯度曲线，如图6所示。其中横坐标表示图像的列数，纵坐标表示某行图像灰度的梯度值，带圈、带点曲线分别与图5中对应，可看出，带圈曲线呈双峰形，两边和中间的山谷区分别对应了平坦的背景和平坦的圆形目标内部区域，而山峰区就对应了圆形目标边缘的渐变区，带点曲线则整条曲线相对较平坦，它表明该行数据属于圆形目标区域。

步骤7：观察图6中数据，根据灰度的梯度值大小明显地可以分为两类，第一类代表了圆形目标的边缘渐变区，用1表示，第二类代表了图像的平坦区域，用0表示，使用最大类间分割法得到的分类结果如图7所示，计算第一类数据的中心位置即圆形目标和背景区域的分割点，并记为x₁和x₂，逐行处理得到每行图像数据的分割点，最后标记背景区域为1，目标区域为0，结果见图8。

步骤8：统计图8中四个角的背景区域的像素面积，记为S₁、S₂、S₃、S₄分别代表区域左上、区域左下、区域右上、区域右下的像素面积，构建面积特征向量L，有

L＝[L₁，L₂]

其中：

L₁＝[P₁₂-P₃₄，S₁₃，S₂₄]

L₂＝[P₁₃-P₂₄，S₁₂，S₃₄]

P₁₂＝|S₁+S₂|

P₃₄＝|S₃+S₄|

S₁₃＝|S₁-S₃|

S₂₄＝|S₂-S₄|

P₁₃＝|S₁+S₃|

P₂₄＝|S₂+S₄|

S₁₂＝|S₁-S₂|

S₃₄＝|S₃-S₄|

计算S₁、S₂、S₃、S₄中的最小者，假设是像素面积S₁，那么固定住S₁所包含的两条矩形边界，将另外两条边界向S₁方向移动，假设移动量为(x′，y′)，求出此时的面积特征向量L，并构建如下约束，

(x′，y′)＝arg min{||L₁||₂+||L₂||₂}

利用非线性优化算法求得最优解(x′，y′)，那么最后圆形目标的中心坐标Δ通过下式计算得到。

Δ＝Δ₀+0.5·(W-x′，H-y′)

式中：W和H分别为所述适当矩形区域的水平宽度和垂直高度。

Claims (7)

1.一种大视场下圆形目标中心定位的方法，其特征在于，包括以下步骤：

1)在输入图像中提取包含圆形目标的适当矩形区域，计算所述适当矩形区域的水平宽度W和垂直高度H，令圆形目标中心与所述输入图像中心的初始偏移量为：Δ₀＝(x₀，y₀)；

2)提取适当矩形区域的四个角的背景区域，计算其相应的像素面积，并分别记为S_左上、S_左下、S_右上、S_右下；

3)记像素面积S_左上、S_左下、S_右上、S_右下分别为S₁、S₂、S₃、S₄，构建面积特征向量L：

L＝[L₁，L₂]

其中：

L₁＝[P₁₂-P₃₄，S₁₃，S₂₄]

L₂＝[P₁₃-P₂₄，S₁₂，S₃₄]

P₁₂＝|S₁+S₂|

P₃₄＝|S₃+S₄|

S₁₃＝|S₁-S₃|

S₂₄＝|S₂-S₄|

P₁₃＝|S₁+S₃|

P₂₄＝|S₂+S₄|

S₁₂＝|S₁-S₂|

S₃₄＝|S₃-S₄|

选取四个背景区域中面积最小的，并固定面积最小的背景区域的两个矩形边界，将所述适当矩形区域的另两条边界向所述面积最小的背景区域所在的方向移动，并令移动量为(x′，y′)，利用所述的面积特征向量L构建如下约束：

(x′，y′)＝argmin{||L₁||₂+||L₂||₂}

并利用非线性优化算法可求得上式的最优解(x′，y′)，最终的圆形目标中心的定位结果为：

Δ＝Δ₀+0.5·(W-x′，H-y′)

式中：W和H分别为所述适当矩形区域的水平宽度和垂直高度。

2.如权利要求1所述的大视场下圆形目标中心定位的方法，其特征在于，所述适当矩形区域应满足的条件为：适当矩形区域的边长上限为圆形目标的外切正方形边长，其下限为所述圆形目标的内接正方形边长。

3.如权利要求2所述的大视场下圆形目标中心定位的方法，其特征在于，所述输入图像满足所述适当矩形区域的条件时，所述初始偏移量Δ₀＝(0，0)。

4.如权利要求2所述的大视场下圆形目标中心定位的方法，其特征在于，所述输入图像不满足所述适当矩形区域的条件时，对所述输入图像进行二值化处理得到二值图像，根据适当矩形区域的准则对所述的二值图像进行腐蚀，得到所述的适当矩形区域，其中，R为圆形目标的半径，N是适当矩形区域的边长。

5.如权利要求4所述的大视场下圆形目标中心定位的方法，其特征在于，对所述适当矩形区域按像素进行逐行扫描，得到每行的灰度曲线，并利用所述灰度曲线中的最佳分割点，对所述适当矩形区域中的圆形目标和背景区域进行分离。

6.如权利要求5所述的大视场下圆形目标中心定位的方法，其特征在于，根据所述的灰度曲线可得到相应的梯度曲线，利用最大类间分割方法将所述梯度曲线分为大梯度层和小梯度层，计算大梯度层所对应区域的中心位置点，即为所述的最佳分割点。

7.如权利要求6所述的大视场下圆形目标中心定位的方法，其特征在于，通过统计所述适当矩形区域四个角的背景区域的像素数，可得到相应的S_左上、S_左下、S_右上和S_右下。