[发明专利]一种基于加权约束的星图分割方法

说明书

技术领域

本发明属于图像处理技术领域，具体涉及一种基于加权约束的星图分割方法。

背景技术

通过星敏感器获得原始的星图后，从中提取出目标星点的位置和亮度信息是利用恒星信息进行空间科学观测的前提条件，例如星敏感器的星图匹配，天基光学空间目标监视的信息处理等。星图定位和识别算法是星图处理中的关键技术，星图定位一般分为星图预处理、星点目标识别、星点质心提取等步骤。

星图预处理是对星图的滤波和去噪处理。星点目标的识别包括两个阶段：(1)将星点目标与背景分开(即星图分割)；(2)将单个星点目标与其他星点目标分离开。第一阶段可以通过星图阈值分割实现，将恒星目标和背景分割开来；第二阶段通常采用连通域法，确定出每颗恒星目标在图像中的坐标范围，然后运用亚像元细分定位算法对不同区域进行运算，得到各个星点的位置和亮度信息。

星点目标在星图中一般表现为较暗背景上的点状光斑，典型星图中背景和噪声的灰度级别一般远低于星点目标，星点信号峰值远高于背景平均值，星图的直方图一般呈现出典型的双峰值结构，并且两峰值的距离较远，数值差异很大，即星点图像具有背景和前景区别明显的特点，并且背景点占据了绝对多数的像素。

原始星图经过滤波处理后，只需采用简单的固定全局阈值便可将前景图(包含有星点目标)和背景图分割开来。在背景灰度变化较小时，背景信号和目标信号在直方图上是两个较为明显的尖峰，可以选取两峰之间谷底的灰度值作为固定的阈值。但当背景变化较大时，背景和暗星的信号混杂在一起，无法准确而恰当的估计出阈值。

图像分割阈值的选取对目标物体的定位精度影响很大，过低的阈值会把背景和噪声一起当作星点目标提取出来，即会出现伪星点；相反，过高的阈值在星图二值化时容易丢失掉暗星，所以确定最佳分割阈值十分重要。常用的星图分割方法有基于迭代优化的阈值法和自适应阈值法。

基于迭代优化的阈值法基本思想是：开始时选择一个阈值作为初始计算，然后根据某种策略不断地改进这一估计，直到满足给定的准则为止。在迭代过程中，关键之处在于选择什么样的阈值改进策略。在实际处理中，其通常以图像灰度的最大值和最小值的平均值或直方图的双峰值平均值作为初始阈值，同时，一般将满足“背景点错划为目标的概率最小”作为最优准则选取阈值。

自适应阈值法是星图分割中采用较多的另一种阈值方法，根据实时得到的图像数据进行阈值计算，具有很强的灵活性。

但在实际星图的处理过程中发现，上述两种方法获得的阈值均不能有效的分割星图，分割得到的星点数目也往往不符合要求。基于迭代优化的阈值法缺点主要是它的适用范围，该方法本质上是一种全局阈值化方法，在星点目标能量太弱、噪声太大等情况下，造成图像的直方图不具备“双峰型”的特点，对整幅星图使用单个阈值不能获得有效的分割。自适应阈值法缺点是对于噪声水平较高的星图，得到的分割阈值会产生较大的偏差，分割得到的星点目标不是太多就是太少。

发明内容

针对现有技术所存在的上述技术缺陷，本发明提供了一种基于加权约束的星图分割方法，能够有效消除噪声和背景对星点识别和定位的影响，在保证后续星点质心提取精度的前提下，大大提高了星图定位的处理速度。

一种基于加权约束的星图分割方法，包括如下步骤：

(1)获取星图中像素的最大灰度值和最小灰度值，从而计算出初始分割阈值；根据初始分割阈值对所述的星图进行分割，进而计算出对应的初始前景平均灰度值和初始背景平均灰度值；

(2)根据初始分割阈值、初始前景平均灰度值和初始背景平均灰度值，利用优化迭代阈值算法，计算出最优分割阈值；根据最优分割阈值对所述的星图进行分割，进而计算出对应的最优前景平均灰度值和最优背景平均灰度值；

(3)根据最优分割阈值、最优前景平均灰度值和最优背景平均灰度值，利用加权迭代阈值算法，计算出加权分割阈值；

(4)根据加权分割阈值对所述的星图进行分割。

所述的步骤(1)中，通过以下公式，计算初始分割阈值；