CN115861134B - 一种天基背景下星图处理方法 - Google Patents

Abstract

天基背景下星图处理方法。属于图像处理技术领域，具体涉及星图图像处理技术领域。其解决了传统天基背景下星图处理方法在去除星图中的图像噪声及背景恒星时，无法保证图像的高清晰度和对比度特征的问题。本发明采用基于去噪因子的二维高斯固定阈值法对星图进行预处理；采用拉普拉斯算子加权融合法对预处理后的星图进行图像增强；采用局部对称因子描述恒星周围梯度强度信息，提取星图背景；结合局部对称因子、局部控制因子和局部增强因子构建平滑函数，通过平滑函数的输出结果对星图中相应区域进行标记并作出保留或删除。本发明适用于天基复杂背景下的星图处理领域、目标探测领域以及空间目标光电探测***制造领域及空间目标探测领域。

Description

一种天基背景下星图处理方法

技术领域

本发明属于图像处理技术领域，具体涉及星图图像处理技术领域。

背景技术

空间目标光电探测***如今已成为目标探测领域的前沿性技术。

空间目标光电探测***包括天基和地基两种类型，天基可见光探测***优势在于：对空间目标进行探测时，由于受到太阳光照射，待测目标特征清晰，易于检测、跟踪和识别；可见光探测能够捕捉到高分辨率远距离图像，同时在每帧图像上可以获取大量信息，利用多帧图像信息融合可以更有效的对目标进行探测分析；可见光图像处理技术成熟，且探测***成本低，体积小，空间小型化经济化问题易于解决，适合搭载在天基平台上。

研究天基背景下星图处理技术的重要性和意义在于：由于星图中包含大量的恒星及噪声，在拍摄的序列图像中，空间目标的成像区域与恒星背景会出现交叉重叠，从而对目标的有效检测、跟踪及识别产生影响。抑制星图中的噪声及恒星背景，有助于空间低信噪比小目标的快速检测、高精度跟踪以及准确识别，有效提高空间光电探测***性能。

目前，在天基星图图像的处理上，仍然存在如下不足：

在星图处理操作上，仍然采用传统的平场校正、均值滤波和形态学滤波方法。

平场校正适用于对成像***探测器像元响应的非均匀性进行矫正，对于复杂的恒星背景环境下，多种噪声以及外部杂散光等引起的非均匀性干扰难以获得理想的处理效果。

均值滤波在处理星图背景图像时，由于背景有大量高亮的恒星干扰，使得预测到的背景均值偏高，会将一些暗弱的低信噪比目标当成背景去除掉，而且滤波效果很大程度上受到选取的滤波模板大小的影响，难以确定选择多大的滤波模板是合适的，虽然有学者提出了采用不同大小的滤波模板进行迭代滤波的方法，但多次迭代大大增加了算法的时间开销，难以在星图的在轨处理上应用。

形态学滤波效果的好坏关键在于选取合适的结构元素，需要根据光学***的参数、观测信息等确定星图中恒星的大小范围。如果结构元素选取过小，容易导致图像中的目标被当作背景消除，如果选取过大，则无法准确得到背景，无法达到非均匀性背景的抑制效果。除此之外，当图像中同时存在点目标和长条状目标时，形态学滤波会将长条状目标当作背景去除掉，将影响后续的目标检测。

传统天基背景下星图处理方法在去除星图中的图像噪声及背景恒星时，存在无法保证图像的高清晰度和对比度特征的问题。

发明内容

为解决传统天基背景下星图处理方法在去除星图中的图像噪声及背景恒星时，无法保证图像的高清晰度和对比度特征这一技术问题，本发明提供一种天基背景下星图处理方法。

所述方法包括如下步骤：

S1、星图去噪：采用基于去噪因子的二维高斯固定阈值法对原始星图进行预处理以消除背景噪声，获得预处理后的星图；所述去噪因子的取值由图像的梯度决定，去噪因子的取值保证图像中的目标被保留且图像中的噪声被消除；

S2、星图增强：采用拉普拉斯算子加权融合方法对预处理后的星图进行图像增强，获得增强的星图；加权融合采用权重因子，所述权重因子的取值由图像的对比度决定，权重因子的取值保证图像中细节信息被保留；

S3、星图背景提取：采用局部对称因子描述恒星周围梯度强度信息，提取增强的星图中的背景；所述局部对称因子由恒星梯度差值决定，局部对称因子的取值保证图像中的恒星与空间目标被区分；

S4、星图平滑处理：结合局部对称因子、局部控制因子和局部增强因子构建出平滑函数，通过平滑函数的输出结果对增强的星图中相应区域进行标记并作出保留或删除处理，得到空间目标图像；

所述步骤S1中，基于去噪因子的二维高斯固定阈值法对星图进行预处理，获得预处理后的星图R(x,y)，采用：

；

实现，其中f(x,y)表示初始星图，x表示像素的空间横坐标位置，y表示像素的空间纵坐标位置，

表示求取导数操作，a表示去噪因子；

去噪因子a为：

；

其中，n表示迭代次数，

表示原始星图二维梯度值，g(x,y)表示二维高斯函数；

所述步骤S2中，拉普拉斯算子加权融合方法对预处理后的星图进行图像增强获得增强的星图B(x,y)为：

；

其中，I(x,y)表示拉普拉斯变换算子，β表示权重因子；

所述权重因子β为：

；

其中，p(i,j)表示像素间的灰度差的像素分布概率，L表示图像灰度值，g _k表示第k个图像直方图，b ₀、b为常数项，i表示像素在x轴上距原点的距离，j表示像素在y轴上距原点的距离；

所述步骤S3中，所述局部对称因子c(x,y)为：

；

其中，α表示恒星绝对梯度差值，p表示初始窗口大小，q表示窗口的最大值；

所述步骤S4中，结合局部对称因子、局部控制因子和局部增强因子构建出的平滑函数M(x,y,n)为：

；

其中，S表示局部控制因子，H表示局部增强因子；

所述局部控制因子S为：

；

其中，n表示迭代次数，B ⁿ表示增强后的星图B(x,y)第n次迭代；

所述局部增强因子H为：

；

其中，I _local表示局部背景平均强度，I _all表示整个图像背景的平均强度；

所述步骤S4中，进一步包括：当平滑函数趋近于1时，标记该区域为恒星；当平滑函数趋近于0时，标记该区域为目标；剔除剔除星图中标记的所有恒星，进而得到空间目标图像。

本发明所述方法的有益效果为：

（1）相较于本发明所述的方法，传统的均值滤波在对星图背景图像去噪时，由于背景有大量高亮的恒星干扰，会将一些暗弱的低信噪比目标当成背景去除掉；本发明所述方法采用基于去噪因子的二维高斯固定阈值法去除星图噪声，去噪因子不是固定值，在过滤噪声时通过图像二维梯度值来判断去噪因子最终取值，梯度值大表示为目标，此时去噪因子的值也随之增大，在图像去噪时不会对其进行消除，梯度值小代表噪声，此时去噪因子的值也随之减小，在图像去噪过程中会对其进行消除，且随着迭代次数的增加，效果越来越明显；结合去噪因子可以实现自适应的平滑星图噪声的同时最大限度的保留空间目标信息，从而提升图像质量。

（2）相较于本发明所述的方法，传统拉普拉斯图像增强通过拉普拉斯算子检测边缘轮廓时，可以增强暗处亮点，但是传统拉普拉斯图像增强无法对图像进行去噪处理，并且会模糊掉图像细节；本发明所述的方法中，采用的拉普拉斯算子加权融合方法是对原本图像增强算法的改进，本发明所述的方法将二维高斯软阈值与权重因子相融合，更加适合局部对称因子对星图恒星与目标几何特点的判别，结合该方法可以提升星图整体清晰度、对比度和灰度方差等性能指标。

（3）相较于本发明所述的方法，传统形态学滤波效果的好坏关键在于选取合适的结构元素，需要根据光学***的参数、观测信息等确定星图中恒星的大小范围。如果结构元素选取过小，容易导致图像中的目标被当作背景消除，如果选取过大，则无法准确得到背景，无法达到非均匀性背景的抑制效果。由恒星的几何特征可知，若将其上下左右四个方向的强度梯度值两两相减，则强度梯度的差近似为0，然而空间目标在连续多帧运动条件下通常呈线条状，其四周强度梯度差值较大，由此可以区分恒星与空间目标。本发明所述的方法利用恒星与空间目标的几何特征差异，采用局部对称因子描述恒星周围梯度强度信息，提取星图背景，所述局部对称因子由恒星梯度差值决定，对称因子具有良好的恒星及空间目标分辨能力，结合梯度信息提取恒星目标，为避免在平滑恒星过程中误将空间目标去除，采用局部控制因子和局部增强因子对平滑函数进行限制，实现保留高清晰度对比度星图信息条件下有效的去除背景恒星，最终的星图处理结果可以为天基目标的检测、跟踪及识别提供有效的技术支持。

本发明所述的方法可以应用在天基复杂背景下星图处理领域、天基复杂背景下目标探测领域、空间目标光电探测***制造领域及空间目标探测领域。

附图说明

图1为本发明实施例中天基背景下星图处理方法流程图；

图2为本发明实施例中采集的原始星图；

图3为本发明实施例中星图去噪结果图；

图4为本发明实施例中星图增强结果图；

图5为本发明实施例中仿真恒星目标图；

图6为本发明实施例中最终的星图处理结果图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

实施例1.

本实施例提供一种天基背景下星图处理方法，如图1所示为本实施例提供的天基背景下星图处理方法的流程图，主要包括如下步骤：

S1、星图去噪：采用基于去噪因子的二维高斯固定阈值法对星图进行预处理以消除背景噪声；所述去噪因子的取值由图像的梯度决定，去噪因子的取值保证图像中的目标被保留且图像中的噪声被消除；通常图像中大梯度值定义为目标特征，小梯度值定义为噪声特征，通过改变去噪因子平滑梯度值较小的值，实现滤除噪声的同时保留目标特征。如图2所示为本实施例中采集的原始星图，如图3所示为本实施例中星图去噪结果图；将图2与图3对比可以发现，星图中的背景噪声得到了抑制。

S2、星图增强：采用拉普拉斯算子加权融合方法对预处理后的星图进行图像增强；通过拉普拉斯算子检测边缘轮廓时，可以使星图中暗处的亮点更加清晰，从而提高星图中低信噪比的空间目标清晰度，提升图像质量，经过增强后的图像更加适用于进一步的图像特征提取及分析；加权融合采用权重因子，权重因子的取值取决于星图中亮点清晰度及对比度，暗点目标权重取值大，亮点目标权重取值小，权重因子的取值保证图像中细节信息被保留。如图4所示为本实施例中星图增强结果图，将图4与图3对比可以发现，星图中暗处的亮点更加清晰。

S3、星图背景提取：利用恒星与空间目标的几何特征差异，采用局部对称因子描述恒星周围梯度强度信息，提取星图背景。如图5所示为本实施例的仿真恒星目标图，星图背景中恒星通常为理想的点源，其四周强度梯度的差值接近于0，以此为基础建立描述恒星几何特征的函数，梯度差绝对值α为：

其中，

表示恒星的中心像素，对于给定的B（x _i,y _i）以该像素为中心的上下左右四个方向的强度梯度值分别表示为/>

、/>

、/>

、

，由恒星的几何特征可知，若将其上下左右四个方向的强度梯度值两两相减，则强度梯度的差近似为0，然而空间目标在连续多帧运动条件下通常呈线条状，其四周强度梯度差值较大，由此可以区分恒星与空间目标。

S4、星图平滑处理：在实拍星图中，会存在暗弱小目标与恒星相互重叠的现象，平滑函数可能误将空间目标去除，针对这个问题，本实施例在进行恒星平滑处理过程中为避免空间目标被去除，结合局部对称因子的特点引入局部控制因子，星图中存在空间信噪比低的暗弱小目标，为避免暗弱小目标被平滑函数误判平滑，采用局部增强因子提高平滑函数的低信噪比目标处理能力；结合局部对称因子、局部控制因子和局部增强因子构建出平滑函数，通过平滑函数的输出结果对星图中相应区域进行标记并作出保留或删除处理；所述局部控制因子通过迭代作用使图像中的恒星被去除，所述局部增强因子提高平滑函数对低信噪比目标处理能力。如图6所示为本实施例中最终的星图处理结果图，星图中的背景噪声以及恒星均被去除，空间目标得以保留。

实施例2.

本实施例是对实施例1的进一步限定，所述步骤S1中，基于去噪因子的二维高斯固定阈值法对星图进行预处理,获得处理后的星图R(x,y)，采用：

；

实现，其中，f(x,y)表示星图；x表示像素的空间横坐标位置，y表示像素的空间纵坐标位置，且在全文的含义与之相同；

表示求取导数操作；t表示图像去噪处理时间，a表示去噪因子，g(x,y)表示二维高斯函数。

所述二维高斯函数为：

；

其中，i表示像素在x轴上距原点的距离，j表示像素在y轴上距原点的距离，

是高斯分布的标准差。

实施例3.

本实施例是对实施例2的进一步限定，去噪因子a不是固定值，在过滤噪声时通过图像的二维梯度值来判断a最终取值，梯度值大表示为目标，此时a的值也随之增大，在图像去噪时不会对其进行消除，梯度值小代表噪声，此时a的值也随之减小，在图像去噪过程中会对其进行消除，且随着迭代次数n的增加，效果越来越明显，去噪因子a为：

；

其中，n表示迭代次数，

表示原始星图二维梯度值，/>

。

结合去噪因子可以实现自适应的平滑星图噪声的同时最大限度的保留空间目标信息，从而提升图像质量。

实施例4.

本实施例是对实施例1的进一步限定，所述步骤S2中，采用拉普拉斯算子加权融合方法对预处理后的星图进行图像增强，获得增强处理后的星图B(x,y)为：

；

其中，I(x,y)表示拉普拉斯变换算子，β表示权重因子，权重因子β的取值取决于星图中亮点清晰度及对比度，暗点目标权重取值大，亮点目标权重取值小。

本实施例采用的拉普拉斯加权融合是基于拉普拉斯算子的图像增强方法，是对原本图像增强算法的改进，传统拉普拉斯图像增强通过拉普拉斯算子检测边缘轮廓时，可以增强暗处亮点，但是传统拉普拉斯图像增强无法对图像进行去噪处理，并且会模糊掉图像细节，本实施例将二维高斯软阈值与权重因子相融合，改进后的方法更加适合局部对称因子对星图恒星与目标几何特点的判别，是更加适用于本发明主要技术特征的图像增强算法，结合该方法可以提升星图整体清晰度、对比度和灰度方差等性能指标。

实施例5.

本实施例是对实施例4的进一步限定，权重因子的取值取决于星图中亮点清晰度及对比度，暗点目标权重取值大，亮点目标权重取值小。权重因子β为：

；

其中，p(i,j)表示像素间的灰度差的像素分布概率，L表示图像灰度值，g _k表示第k个图像直方图，b ₀、b为常数项。

实施例6.

本实施例是对实施例1的进一步限定，所述步骤S3中，所述局部对称因子c(x,y)为：

；

其中，α表示恒星绝对梯度差值，p表示初始窗口大小，q表示窗口的最大值。初始窗口p的选择决定对称因子的计算量及准确度，取值越小则计算越准确，同时计算量也随之增加。

局部对称因子可以有效描述恒星的几何结构，从而提取出星图中恒星，进而对恒星进行去除，去除星图中恒星的意义是由于恒星会对空间目标进行干扰，对恒星的去除可以有助于空间目标检测、跟踪、识别。在此问题上，传统的形态学滤波方法同样可以去除恒星背景，形态学滤波技术缺陷为：形态学滤波效果的好坏关键在于选取合适的结构元素，需要根据光学***的参数、观测信息等确定星图中恒星的大小范围。如果结构元素选取过小，容易导致图像中的目标被当作背景消除，如果选取过大，则无法准确得到背景，无法达到非均匀性背景的抑制效果。除此之外，当图像中同时存在点目标和长条状目标时，形态学滤波会将长条状目标当作背景去除掉，将影响后续的目标检测、跟踪、识别。

实施例7.

本实施例是对实施例1的进一步限定，所述步骤S4中，结合局部对称因子、局部控制因子和局部增强因子构建出的平滑函数M(x,y,n)为：

；

其中，S表示局部控制因子，H表示局部增强因子。

实施例8.

本实施例是对实施例7的进一步限定，在实拍星图中，会存在暗弱小目标与恒星相互重叠的现象，平滑函数可能误将空间目标去除，针对这个问题，本实施例在进行恒星平滑处理过程中为避免空间目标被去除，结合对称因子的特点引入局部控制因子S，所述控制因子S为：

；

其中，n表示迭代次数，B ⁿ表示增强后的图像B(x,y)第n次迭代。随着迭代次数的增加，对于对称性的恒星特征，S的值趋近于0。对于非对称的目标特征，S的值趋近于

。在对星图进行处理时，n为150时，星图中恒星基本被去除。

实施例9.

本实施例是对实施例7的进一步限定，星图中存在空间信噪比低的暗弱小目标，为避免暗弱小目标被平滑函数误判平滑，采用局部增强因子提高平滑函数的低信噪比目标处理能力，所述局部增强因子H为：

；

其中，I _local表示局部背景平均强度，I _all表示整个图像背景的平均强度。对于本实施例采集的星图，以24

24窗口像素计算，I _all为整个图像背景的平均强度。

实施例10.

本实施例是对实施例1的进一步限定，平滑函数M的输出结果与星图中相应区域的标记之间的关系如下：

；

由对称因子c(x,y)描述星图中恒星几何特性，平滑函数M(x,y,n)与c(x,y)成反比，c(x,y)的值趋近于0时，平滑函数趋近于1，此时标记该区域为恒星。当平滑函数检测到目标不具备对称特征时，c(x,y)大于0，局部控制函数趋近于无穷，平滑函数M(x,y,n)趋近于0，此时标记该区域为目标。星图中某些恒星具有椭圆特征，为避免误将目标当做恒星被删除，所以会保留具有椭圆特征的恒星目标。

对于椭圆特征的恒星，其四周强度梯度的差值仍接近于0，通过增加控制因子迭代次数判断其是否为恒星目标，随着迭代次数的增加，对称性强的椭圆状恒星绝对梯度差值增长缓慢，而空间目标边缘轮廓明显导致绝对梯度差值急剧增长，以此特点标记星图背景恒星。剔除星图中标记的所有恒星，进而得到空间目标，输出最终处理后星图，图6为本实施例的最终的星图处理结果图，星图中的背景噪声和恒星得到去除，空间目标得到保留。

Claims (1)

1.一种天基背景下星图处理方法，其特征在于，所述方法包括如下步骤：

S1、星图去噪：采用基于去噪因子的二维高斯固定阈值法对原始星图进行预处理以消除背景噪声，获得预处理后的星图；所述去噪因子的取值由图像的梯度决定，去噪因子的取值保证图像中的目标被保留且图像中的噪声被消除；

S2、星图增强：采用拉普拉斯算子加权融合方法对预处理后的星图进行图像增强，获得增强的星图；加权融合采用权重因子，所述权重因子的取值由图像的对比度决定，权重因子的取值保证图像中细节信息被保留；

S3、星图背景提取：采用局部对称因子描述恒星周围梯度强度信息，提取增强的星图中的背景；所述局部对称因子由恒星梯度差值决定，局部对称因子的取值保证图像中的恒星与空间目标被区分；

S4、星图平滑处理：结合局部对称因子、局部控制因子和局部增强因子构建出平滑函数，通过平滑函数的输出结果对增强的星图中相应区域进行标记并作出保留或删除处理，得到空间目标图像；

所述步骤S1中，基于去噪因子的二维高斯固定阈值法对星图进行预处理，获得预处理后的星图R(x,y)，采用：

；

实现，其中f(x,y)表示初始星图，x表示像素的空间横坐标位置，y表示像素的空间纵坐标位置，

表示求取导数操作，/>

表示去噪因子；

去噪因子

为：

；

其中，n表示迭代次数，

表示原始星图二维梯度值，g(x,y)表示二维高斯函数；

所述步骤S2中，拉普拉斯算子加权融合方法对预处理后的星图进行图像增强获得增强的星图B(x,y)为：

；

其中，I(x,y)表示拉普拉斯变换算子，β表示权重因子；

所述权重因子β为：

；

其中，p(i,j)表示像素间的灰度差的像素分布概率，L表示图像灰度值，g _k表示第k个图像直方图，b ₀、b为常数项，i表示像素在x轴上距原点的距离，j表示像素在y轴上距原点的距离；

所述步骤S3中，所述局部对称因子c(x,y)为：

；

其中，α表示恒星绝对梯度差值，p表示初始窗口大小，q表示窗口的最大值；

所述步骤S4中，结合局部对称因子、局部控制因子和局部增强因子构建出的平滑函数M(x,y,n)为：

；

其中，S表示局部控制因子，H表示局部增强因子；

所述局部控制因子S为：

；

其中，n表示迭代次数，B ⁿ表示增强的星图B(x,y)第n次迭代；

所述局部增强因子H为：

；

其中，I _local表示局部背景平均强度，I _all表示整个图像背景的平均强度；

所述步骤S4中，进一步包括：当平滑函数趋近于1时，标记该区域为恒星；当平滑函数趋近于0时，标记该区域为目标；剔除星图中标记的所有恒星，进而得到空间目标图像。

Images