一种基于局部二值模式的星敏感器星点提取方法

摘要

本发明公开了一种基于局部二值模式的星敏感器星点提取方法，其包含以下步骤：S1、对星图进行均值滤波，得到滤波后星图中各像素点的灰度值，并获得滤波后的星图；S2、利用局部二值模式LBP算子计算滤波后星图中像素点的特征向量；S3、利用支持向量机SVM训练实拍星图中星点像素样本和背景像素样本；S4、匹配星点训练结果与LBP算子计算的图像像素点的特征向量，完成星点提取。其优点是：本方法充分考虑了星点的图像特征，能够在消除杂光背景像素的同时保留尽可能多的星点信息，因此解决了杂光干扰下传统星点提取算法容易提取出星图中的杂光高频噪声点和易丢失星点中灰度值较低的像素点的问题。

说明书

技术领域

本发明涉及星敏感器技术领域，具体涉及一种基于局部二值模式的星敏感器星点提取方法。

背景技术

星敏感器是通过对恒星的观测、识别、计算得到空间飞行器的姿态信息，它是一种以恒星作为观测基准的高精度飞行器姿态测量敏感器。

星敏感器首先从星图中分割星点像素，之后进行利用星点像素提取星点，再根据提取的星点进行星图识别和姿态计算。星点提取的精度很大程度地影响了星敏感器工作的性能。

现有的星敏感器星点提取方法中，一种是采用全局阈值方法，然后根据全局阈值提取出星点像素，具体的，首先，在整幅图像中计算整幅图像的灰度均值，以及整幅图像的灰度标准差，以灰度均值加上三倍倍灰度标准差作为全局阈值，窗口中像素灰度值大于阈值的像素点为星点像素，反之，该像素为背景像素。还有一种是采用基于数字高通滤波方法提取星点，具体的，首先，利用高通滤波模板计算每一个像素点的阈值，然后，将该像素点阈值与像素点的灰度值比较，像素点灰度值大于阈值，则该像素点为星点像素，反之，为背景像素。

然而，上述常用的两种星点提取方法都容易受不均匀光照的影响，在提取星点的同时提取出杂光背景像素。

发明内容

本发明的目的在于提供一种基于局部二值模式的星敏感器星点提取方法，通过对杂光干扰下的星图进行均值滤波处理，得到星图像素点的灰度均值，进而再计算像素点的LBP算子特征向量，用样品星点完成SVM训练，最后利用SVM从星图中将星点像素与背景像素区分开，从而完成星点的提取算法，解决了杂光干扰下传统星点提取算法容易提取出星图中的杂光高频噪声点和易丢失星点中灰度值较低的像素点的问题。

为了达到上述目的，本发明通过以下技术方案实现：

一种基于局部二值模式的星敏感器星点提取方法，其特征是，包含以下步骤：

S1、对星图进行均值滤波，得到滤波后星图中各像素点的灰度值，并获得滤波后的星图；

S2、利用局部二值模式LBP算子计算滤波后星图中像素点的特征向量；

S3、利用支持向量机SVM训练实拍星图中星点像素样本和背景像素样本；

S4、匹配星点训练结果与LBP算子计算的图像像素点的特征向量，完成星点提取。

上述的基于局部二值模式的星敏感器星点提取方法，其中，所述的步骤S1具体包含：

通过计算公式得到多个像素点的灰度值，式中，I(i,j)为像素点(i,j)的灰度值，m(i,j)为像素点的(i,j)的灰度均值。

上述的基于局部二值模式的星敏感器星点提取方法，其中，所述的步骤S2具体包含：

根据步骤S1中获得的每一像素点的灰度值，利用LBP算子计算星点像素处的特征向量，包括：

式中，g_c为中心像素值，g_P为邻域像素值，P为邻域点个数，R为邻域点半径。

上述的基于局部二值模式的星敏感器星点提取方法，其中，所述的步骤S4具体包含：

S41、利用步骤S2中LBP算子得到的滤波后星图像素点的特征向量并将计算得到的特征向量作为支持向量机的输入条件；

S42、支持向量机根据步骤S3中训练获得的星点样本像素的特征向量将滤波后星图中像素点分为星点像素和背景像素，从而完成星点提取。

本发明与现有技术相比具有以下优点：充分考虑了星点的图像特征，能够在消除杂光背景像素的同时保留尽可能多的星点信息，因此解决了杂光干扰下传统星点提取算法容易提取出星图中的杂光高频噪声点和易丢失星点中灰度值较低的像素点的问题。

附图说明

图1为本发明的方法流程图；

图2为本发明的实施例中LBP圆形邻域示意图；

图3为本发明的实施例中所使用的星图；

图4为利用现有技术的全局阈值算法对图3的星图进行星点提取的实验结果；

图5为利用本发明的方法对图3的星图进行星点提取的实验结果。

具体实施方式

以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。

如图1所示，本发明公开了一种基于局部二值模式的星敏感器星点提取方法，其包含以下步骤：

S1、对星图进行均值滤波，得到滤波后星图中各像素点的灰度值，并获得滤波后的星图；本步骤是为了防止背景像素，噪声像素干扰星点像素提取，本实施例中，首先使用均值滤波模板，滤波模板大小通常为3×3；

S2、利用局部二值模式LBP算子计算滤波后星图中像素点的特征向量；

S3、利用支持向量机SVM训练实拍星图中星点像素样本和背景像素样本的特征向量；

S4、匹配星点训练结果与LBP算子计算的图像像素点的特征向量，完成星点提取。

所述的步骤S1具体包含，利用下式对星图进行均值滤波，得到星图中点的灰度均值：

上式中，m(i,j)表示图像滤波后像素点(i,j)的灰度均值，I(i,j)表示点(i,j)的像素灰度值。

所述的步骤S2具体包含，根据步骤S1中获得的每一像素点的灰度值，利用LBP算子计算星点像素处的特征向量；

通常LBP算子取3×3邻域，传统的LBP算子存在采样点数过少的问题，这会降低LBP算子的鲁棒性。因此，将标准的LBP算子扩展为圆形邻域后可得到任意半径和邻域点数的算子，增加采样点个数，提高LBP算子鲁棒性。图2给出了圆形领域下(P，R)取不同值时算子邻域示意图，

式中，g_c为中心像素值；g_P为邻域像素值；P为邻域点个数；R为邻域点半径。星图中，星点大小一般为3×3像素大小，为了使LBP算子能够准确计算星点像素的特征向量，本实施例中选取LBP算子半径R为1.5，P为12。根据上述LBP算子计算滤波后星图中像素点的特征向量。

所述的步骤S3具体为利用LBP算子计算实拍星图中星点像素样本和背景像素样本的特征向量，并用SVM训练样本星点的特征向量，具体地，本实施例中，从实拍星图中选出200个星点像素样本和200个背景像素样本，首先用S2步骤中的LBP算子计算星点像素样本和背景像素样本的特征向量，然后用SVM训练星点像素和背景像素样本。

利用样本星点训练SVM，求解α值，SVM训练原理如下：

SVM的优化目标函数可以写成：

上式中，label为标签变量，如果数据点处于正方向位置，则label取值为1；反之，label取值为-1。尖括号表示x⁽ⁱ⁾和x^(j)两个向量的内积；

其约束条件为：

C≥α≥0和

常数C用于控制最大化间隔和保证大部分点的函数间隔小于1.0。SVM的主要工作就是求解α，用SVM训练样本星点求解出α，那么分割超平面就可以用这些α来表达。

所述的步骤S4具体包含：

S41、利用步骤S2中LBP算子得到滤波后星图像素点的特征向量并将计算得到的特征向量作为支持向量机的输入条件；

S42、支持向量机根据步骤S3中训练获得的星点样本像素的特征向量将滤波后星图中像素点分为星点像素和背景像素，从而完成星点提取。

使用SVM从星图提取出星点像素，具体地，结合S2中LBP算子计算的滤波后星图中像素点的特征向量，以及步骤S3中完成训练的支持向量机，将星点像素从星图中提取出来。

本发明提供的基于局部二值模式的星敏感器星点提取方法，通过对星图进行滤波处理，得到星图中像素点的灰度均值，进而再利用LBP算子计算星图中星点像素的特征向量，并且使用SVM训练星点样本，最后利用训练完成的SVM从星图中提取星点像素，本发明充分利用了星点的图像特征，能够在消除杂光背景像素的同时保留尽可能多的星点信息，因此解决了杂光干扰下传统星点提取算法容易提取出星图中的杂光高频噪声点和易丢失星点中灰度值较低的像素点的问题。

为了验证本发明处理杂光干扰下星敏感器星图时，消除杂光背景像素和保留星点像素信息的能力，下面是依据上述的具体实施例，以月光进入星敏感器视场的实拍星图为例，并结合图例说明本发明的星点提取方法实际实验获得的对比结果：

图3为本实施例中使用的杂光干扰下星敏感器星图，分别使用全局阈值算法与局部阈值算法处理该图，实验结果如图4、5所示，分别为杂光像素的实验结果示意图，其中图4为全局算法星点提取的实验结果，图5为本发明算法星点提取的实验结果，根据结果可以看出，本发明能在消除杂光背景像素的同时保留尽可能多的星点信息，有利于提高后续步骤中质心定位的精度。

应当注意的是，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。