天文图像中弱小动目标的检测方法技术

本发明专利技术公开了一种天文图像中弱小动目标的检测方法，首先采用选择性视觉集中机制中的特征整合模型进行二维轨迹投影图的获取，得到注意焦点整合图即含有目标轨迹的投影图；采用曲线中的连接点问题模型进行目标轨迹的检测，使用逆推法，最终获得目标轨迹；将二维投影图中检测的目标轨迹映射回投影前的原始图像序列中的每一帧上，并通过平方加权质心提取法进行目标的质心定位。由于利用目标的轨迹连续性进行轨迹的检测，采用选择性视觉集中机制和连接点问题模型的曲线发现相结合的方法进行弱小动目标的检测，当信噪比小于２时，检测率由现有技术的低于５０％提高到８５～８９％。

【技术实现步骤摘要】

本专利技术涉及一种弱小动目标检测方法，特别是。
技术介绍
低信噪比的弱小动目标检测问题直接决定了天文观测系统的作用距离及检测性能，有效 地解决此问题对于提高系统性能具有非常重要的意义。现有的弱小目标的检测方法主要有 基于轨迹投影的检测方法和基于三维轨迹搜索的方法。文献"天文图像序列中弱目标的实时检测算法，光电工程，2005， 32(12):1-4"公开了一种在轨迹二维投影基础上检测弱小目标轨迹 的算法。此方法采用背景抑制和阈值分割得到含有动目标的二值图，之后采用空域差分滤波 和目标点集匹配法两个步骤检测弱小动目标。在获取含有动目标二值图阶段，此方法利用序 列图像的前三帧图像进行背景估计，并采用自动阈值分割方法进行灰度图像分割，因此，对 于目标的弱小程度具有局限性；在空域差分滤波和目标点集匹配阶段，由于匹配的精度直接 决定了弱小目标检测率低，并且差分滤波的抗噪性较差。在目标信噪比小于2时，检测率低 于50%。
技术实现思路
为了克服现有技术检测率低、抗噪性差的不足，本专利技术提供一种天文图像中弱小动目标 的检测方法，采用基于选择性视觉集中机制和基于连接点问题模型的曲线发现相结合的方法 进行弱小动目标的检测，可以提高检测率，且抗噪性强。本专利技术解决其技术问题所采用的技术方案 一种，其特征在于包括下述步骤(a) 采用选择性视觉集中机制中的特征整合模型进行二维轨迹投影图的获取，将全局场 景图进行水平和垂直的均匀划分，得到互不相交的小区域，选取出其中具有视觉显著性的灰 度特征作为焦点集合，剔除其中部分不满足限制条件的特征元素构成最终的焦点集合，最后将每帧图像的焦点集合按照规则进行特征整合，构成含有目标轨迹的二维轨迹投影(b) 采用曲线发现中的连接点问题模型进行目标轨迹的检测，将每一个数据点看作检测 问题的一个阶段，每一个阶段只有一个状态，将曲线的连续性条件作为决策条件，并采用曲 线经过点的最大数目作为指标函数，按顺序遍历经过的点，计算每一个阶段的指标值，指标值最大的点，即为目标曲线最后一个点，最后使用逆推法，可最终得到目标曲线上所有点， 即获得目标轨迹；(c)将步骤(a)中二维投影图中检测的目标轨迹映射回投影前的原始图像序列中的每 一帧上，并通过平方加权质心提取法最终进行目标的质心定位。本专利技术的有益效果是由于利用目标的轨迹连续性进行轨迹的检测，采用选择性视觉集 中机制和连接点问题模型的曲线发现相结合的方法进行弱小动目标的检测，基于选择性视觉 集中机制的方法有效地降低了待处理信息量和背景噪声，基于连接点问题模型的曲线发现方 法具有较强的抗噪性，因此，对动目标的运动速度没有限制，在信噪比小于2时，检测率由 现有技术的低于50%提高到85 89%。下面结合附图和实施例对本专利技术作详细说明。 附图说明附图是本专利技术流程图。具体实施例方式参照附图。首先进行二维轨迹投影。将输入的1024x1024大小的原始图像进行水平和垂直方向的均匀划分，得到大小均等的 4x4的小区域集合，它们各自互不相交。对于均匀划分的小区域，恒星和目标所属的区域的 像素点具有显著的灰度最优特征，即在各小区域内，目标区域的注意焦点应该是灰度值最大 的一个或者几个之一。因此，依据公式(l)，求取小区域内的最大值，即将各小区域内的灰度 特性进行排列，得到一个顺序统计量，取这个统计量的最大值即得到小区域的注意焦点。其 中，《表示块A中灰度值最大的象素点，gy表示q的灰度值，/(x,力表示图像在(;c,y)处的灰度值。g =mpc(/(x,>0) (1)在求取了各小区域的注意焦点后，将每个小区域的注意焦点进行合并，构成原始图像的 注意焦点集合，其中不仅包含有所要检测的弱小目标，也包含一些恒星背景和大量噪声所产 生的假目标。因此，对于不感兴趣注意焦点元素的剔除，可以大大减少注意焦点集合的无价值信息量。根据公式(2)、 (3)，将初始注意焦点集合中的每个元素与^-25进行比较，剔除不 感兴趣注意焦点，可以得到最终的注意焦点集合。其中，^表示潜在目标点灰度值，《表示 潜在目标点位置，r表示潜在目标点集合，(J为图像方差。<formula>complex formula see original document page 5</formula>根据Treismna的FIT模型理论，在注意阶段这些视觉特征将以串行方式被整合为视觉客 体。在前注意处理阶段我们已经得到一帧图像的注意焦点集合，由于所研究问题是针对序列 图像，因此，对每一帧图像都可以得到对应的注意焦点集合，在不同帧的注意焦点集合中， 对于提取的恒星背景的注意焦点，由于背景的不变性(注意焦点位置的一致)，通过公式(4)， 对这些注意焦点重新进行整合，将得到包含目标轨迹信息在内的新注意焦点集合。其中，FO,力表示整合后的图像，,(x,力表示序列图像中的第/帧注意焦点集合。<formula>complex formula see original document page 5</formula> (4)第二步，进行目标轨迹检测。将每一个数据点看作检测问题的一个阶段，每一个阶段只有一个状态。将曲线的连续性 条件作为决策条件，并采用曲线通过当前阶段所经过点的最大数目作为指标函数。按顺序遍 历所有阶段，计算每一个阶段的指标值，指标值最大的点，即为目标曲线最后一个点，最后 使用逆推法，可最终得到目标曲线上所有点，即获得目标轨迹。首先，记丄&为/ 等于c的曲线类，丄w(工i;O为曲线通过的最大点数，Co"e(p,)表示点p,右边的点的集合，并且满足集合中的点与A的连线与水平线的夹角不超过arctan(c)。将数据点进行从左到右排序，把每一个点A划分为一个阶段，每一个阶段有一个状态。决策为某一个点的下一个选择，这里我们将和点A满足一定连续关系的点集作为其决策，记 为Owe(p,)，指标函数为M(; ,)，即表示到阶段A点时曲线通过的最大点数。可以通过下述 策略进行计算。MO,) = l+ max (M(a》 (5) 按照上式计算每一个状态的指标值，最后所有M值中最大的就是曲线通过的最大点数，即Zw (Z max M O,) (6) 记录下阶段点p,的前一个阶段点，并且保证maxAf(/7,:o//， //为一个给定量，决定检测得到的曲线是否满足轨迹点数要求，最后通过回朔方法，从M最大的点逆推寻找所有曲线上 的点，即最终实现了目标轨迹的检测。 第三步，进行目标质心定位。将二维投影图中检测的目标轨迹按照相应的坐标位置映射回投影前的原始图像序列中的 每一帧上，并通过公式(7)最终进行目标的质心定位。x0=^- - 。jc=1少=1 义=1 _V=1其中，x,j为像素的横纵坐标，F(x，力为(x,力处的灰度值，(/n,")为窗口的大小，x。，a 为求得的中心坐标。利用本专利技术方法进行弱小动目标的检测，在信噪比小于2时，检测率为85 89%。权利要求1、一种，其特征在于包括下述步骤(a)采用选择性视觉集中机制中的特征整合模型进行二维轨迹投影图的获取，将全局场景图进行水平和垂直的均匀划分，得到互不相交的小区域，选取出其中具有视觉显著性的灰度特征作为焦点集合，剔除其中部分不本文档来自技高网...

【技术保护点】
一种天文图像中弱小动目标的检测方法，其特征在于包括下述步骤：　（ａ）采用选择性视觉集中机制中的特征整合模型进行二维轨迹投影图的获取，将全局场景图进行水平和垂直的均匀划分，得到互不相交的小区域，选取出其中具有视觉显著性的灰度特征作为焦点集合，剔除其中部分不满足限制条件的特征元素构成最终的焦点集合，最后将每帧图像的焦点集合按照规则进行特征整合，构成含有目标轨迹的二维轨迹投影图；　（ｂ）采用曲线发现中的连接点问题模型进行目标轨迹的检测，将每一个数据点看作检测问题的一个阶段，每一个阶段只有一个状态，将曲线的连续性条件作为决策条件，并采用曲线经过点的最大数目作为指标函数，按顺序遍历经过的点，计算每一个阶段的指标值，指标值最大的点，即为目标曲线最后一个点，最后使用逆推法，可最终得到目标曲线上所有点，即获得目标轨迹；　（ｃ）将步骤（ａ）中二维投影图中检测的目标轨迹映射回投影前的原始图像序列中的每一帧上，并通过平方加权质心提取法最终进行目标的质心定位。

【技术特征摘要】

【专利技术属性】
技术研发人员：张艳宁，孙瑾秋，姜磊，郗润平，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：87[中国|西安]