[发明专利]基于最优背景估计的星点质心提取方法及系统

说明书

本发明提供一种基于最优背景估计的星点质心提取方法及系统，该方法通过获取星点图像，对星点图像进行图像预处理，获得预处理后的图像；对预处理后的图像中星光灰度值进行高斯曲面拟合，得到星光的初步坐标(x₀,y₀)；采用区域优选方法，选取以初步质心坐标(x₀,y₀)和灰度最大值的像素点坐标(x₁,y₁)为直径的对称圆形区域，将得到的对称圆形区域作为优选区域；采用距离强加权的非线性质心法，对优选区域中的目标光斑图像进行定位，获得光斑的质心坐标；本发明对灰度分布不均匀的目标光斑定位精度较高，具有较强的抗噪性，能够减少灰度分布不规则对定位造成的不利影响，提高质心法定位精度，并有效减少计算量，且保证实时性。

技术领域

本发明涉及一种基于最优背景估计的星点质心提取方法及系统，属于图像处理技术领域。

背景技术

星点图像中目标光斑的质心定位与识别是高精密天文观测系统的核心支撑技术，由于深空观测到的星点图像中目标光斑存在灰度分度不均和底噪等，造成目标光斑质心定位与特征识别难以提取的问题。

现有的光斑定位方法主要有形心法、质心法、高斯曲面拟合法、Hough变换法、深度学习法等。其中，形心法步骤较少、计算量小且具有很高的实时性，但是由于该算法没有考虑到相邻像素点之间的灰度值关系，所以定位精度较低。质心法计算量较小，且有较高的定位精度，但对星点图像的质量要求较高受图像底噪影响很大，同时对灰度值分布不均匀的目标光斑定位精度较差。高斯曲面拟合法能很好拟合出光斑的灰度分布特性，但是受光斑灰度值具体分布的影响较大。Hough变换法对光斑的边缘形状要求较高，否则其定位精度下降。运用深度学习的算法能很好抽象出光斑的质心坐标，但其推理时延较长不适合运用在实时系统中。

上述问题是在星点质心提取过程中应当予以考虑并解决的问题。

发明内容

本发明的目的是提供一种基于最优背景估计的星点质心提取方法及系统，解决现有技术中存在的星点图像中底噪大，目标光斑灰度值分布不均匀，质心法定位精度较低，定位实时性要求高的问题。

本发明的技术解决方案是：

一种基于最优背景估计的星点质心提取方法，包括以下步骤，

S1、获取星点图像，对星点图像进行图像预处理，获得预处理后的图像；

S2、对预处理后的图像中星光灰度值进行高斯曲面拟合，得到星光的初步质心坐标(x₀,y₀)；

S3、采用区域优选方法，选取以初步质心坐标(x₀,y₀)和灰度最大值的像素点坐标(x₁,y₁)为直径的对称圆形区域，将得到的对称圆形区域作为优选区域；

S4、采用距离强加权的非线性质心法，对优选区域中的目标光斑图像进行定位，获得光斑的质心坐标(a,b)。

进一步地，步骤S1中，对星点图像进行图像预处理，具体为，

S11、通过中值滤波对星点图像中背景存在的噪声进行去除；

S12、采用最大熵的全局自动阈值分割方法对星点图像进行阈值分割，分割目标光斑与背景，确定目标区域；

S13、采用图像闭操作，去除底噪对目标区域的影响，获得预处理后的图像。

进一步地，步骤S2中，对预处理后的图像中星光灰度值进行高斯曲面拟合，得到星光的初步质心坐标(x₀,y₀)，具体为，