遥感图像的快速配准方法

针对多传感器遥感图像的配准,提出了一种快速有效的图像配准方法.该基于分级候选点集匹配的配准算法充分利用了分级匹配和候选点集匹配方法的优点,减少了特征提取空间和搜索空间.并在同名控制点对的确定中引入距离计算,能更有效地确定同名控制点对,减少了误匹配率,增加的距离计算时间代价很小,而且不随图像大小发生变换,只与最终匹配点对数目有关.采用主观与客观判断相结合的方法进行配准评价,实验结果表明,该算法在图像存在一定背景噪声,同时具有平移、旋转的情况下,可以准确地进行配准,提高了配准速度和精度.      

基于Hausdorff距离的星图识别方法

提出了一种新的星图识别方法,这种方法的基本思想是首先从星敏感器中提取全部星图信息,把提取的星图组成一个待识别数据集合B,把全星图参考星库作为一个标准数据集合A,然后,计算2个数据集合A,B之间的相对Hausdorff距离,根据最小相对距离得到待识别星的位置,其中A, B分别由矢量坐标a,b构成.与传统的星光角距识别方法不同,这种方法充分利用了星敏感器中的所有星的空间结构信息,所以,它对各种噪声干扰具有很强的鲁棒性.半物理仿真实验结果表明,在具有强的随机噪声、星图畸变和一定数目的流星干扰情况下,这种方法具有很好的识别效果.     

一种快速全天星图识别算法

对星敏感器全天识别算法进行了研究,综合考虑三角形匹配识别法和四面体识别法的优缺点,提出一种改进的快速全天星图识别算法.该算法通过优化导航星对角距筛选方法,节省存储空间;同时引入K矢量法用于加快星图识别中角距匹配的速度;在三角形识别不唯一时,引入第四颗观测星进行四面体识别,提高识别成功率;并在三角形识别结束后增加投影验证功能以避免误识别.仿真结果表明,该算法合理有效,可节省存储空间,减小星图识别时间,提高识别正确率,具有很好的实用价值.     

基于代价敏感剪枝卷积神经网络的弹道目标识别

为降低弹道目标整体误识别代价，提出了基于代价敏感剪枝（CSP）一维卷积神经网络（1D-CNN）的弹道目标高分辨距离像识别方法。首先，基于彩票假设提出了同时以降低模型复杂度和误识别代价为目标的统一框架；然后，在此基础上，提出了基于人工蜂群算法的网络结构无梯度优化方法，以网络结构搜索的方式自动地寻找1D-CNN的代价敏感子网络，即代价敏感剪枝；最后，为了使代价敏感子网络在微调过程中仍以最小化误识别代价为目标，提出了一种代价敏感交叉熵（CSCE）损失函数对训练进行优化，使代价敏感子网络侧重对误识别代价较高的类别正确分类来进一步降低整体误识别代价。实验结果表明:结合CSP和CSCE损失函数的1D-CNN能在保持较高的识别正确率的前提下，相比传统的1D-CNN具有更低的整体误识别代价，且降低了50%以上的计算复杂度。      

星敏感器中快速星跟踪技术

跟踪模式是星敏感器的主要工作模式之一,跟踪过程的快速性直接影响星敏感器的整体性能.提出了一种快速星跟踪算法.在跟踪算法的3个耗时环节,分别采用了分区星表、阈值映射、先排序后匹配识别这3种方法,以提高跟踪过程的快速性.其中分区星表法将整个天区分成了若干个子天区,使得在星体映射时,只是搜索星敏感器视轴指向附近的部分子天区,而不是搜索整个天区,减少了搜索星体的数量;阈值映射法,在满足精确度的情况下,设置被跟踪星体的数量阈值,只有被跟踪的星体数目少于此阈值时,才进行星体映射,减少了映射次数;先排序后匹配识别法,先根据星体在星图中的坐标值进行排序,然后再进行匹配识别,减少了那些距离较大的无谓的星体间的匹配识别.仿真测试结果表明,这3种方法的采用,提高了跟踪算法的快速性,提高了星敏感器的整体效能.      

一种基于图像特征点提取及匹配的方法

针对图像特征提取与匹配的适应性和准确性的问题,将尺度不变特征变换(SIFT, Scale Invariant Feature Transform)算法应用到图像匹配领域.首先从原理上对SIFT算法的特性进行了分析,并以visual studio 2005为开发平台对SIFT算法分步骤进行了实现;最后以基于欧氏距离的最近邻准则作为特征的相似度量将SIFT算法提取的特征应用于图像特征匹配,并对不同的近邻比进行比较,给出了建议值.通过3组实验图像的匹配结果表明,SIFT算法提取的特征对图像缩放、旋转、亮度变化的匹配正确率都等于或接近100%,证明了SIFT算法提取的特征点有很好的适应性和准确性,可以进一步应用到图像识别以及图像重建等领域.      

星敏感器瞬态效应仿真及抗干扰算法

分析星敏感器在南大西洋异常区(south atlantic anomaly,SAA)工作异常的机理,建立空间粒子干扰仿真模型;并在此基础上,提出星点甄别和帧间比对两种抗空间粒子干扰算法.仿真结果表明,SAA环境下采用改进后的算法,星敏感器在捕获和跟踪模式下其识别成功率高、耗时少,空间辐射环境适用性较强.     

基于积谱的雷达目标高分辨率距离像识别

针对飞机目标的识别问题,将一种用于语音识别中的积谱特征引入雷达目标一维距离像识别领域.积谱定义为功率谱与群延迟的乘积,该特征能够充分利用目标一维距离像的幅度谱与相位谱信息.在目标分类阶段,选择基于弹性传播(RPROP)算法的多层前馈神经网络作为分类器.利用4种飞机模型的重点散射源二维分布测试数据和频率步进法得到目标的一维纵向距离像,对距离像积谱的分类性能进行了测试,结果表明基于积谱的特征对于一维距离像具有较高的识别率,并具有较好的抗噪性能.      

基于谱分割的视频镜头聚类方法

针对现有镜头聚类算法中选择最优化分类个数复杂度较高、分类结果准确性较低的问题,提出了一种基于谱分割理论的镜头聚类算法.通过对每个镜头集构造球状高斯模型SGM(Spherical Gaussian Model),最优化地拟合镜头数据集,提高镜头分割的准确性;在镜头迭代分类过程中采用谱分割算法以提高最终分类结果的准确性;在迭代分类过程中,采用贝叶斯信息准则BIC(Bayesian Information Criterion)作为分类停止的评判标准;最后根据BIC准则计算每两类融合前后的匹配值,判断比较后对分类结果进行融合,矫正在分类过程中同一类被割裂的错误.通过3类体育视频样本对算法的有效性进行了验证、比较和分析.     

基于改进SIFT的图像配准算法

为解决存在较大程度旋转和缩放的图像配准问题,提出了一种基于尺度不变特征变换(SIFT,Scale Invariant Features Transform)的图像配准算法.采用对数极坐标变换(LPT,Log-Polar Transform)进行图像粗匹配,对图像旋转角度和缩放尺度变化量进行估计,并对图像加以校正;在粗匹配的基础上对图像进行分块,根据信息熵原理提取子块的SIFT特征和不变矩特征,构造新型的特征描述符;结合欧氏距离和Procrustes迭代算法获得图像的同名点对,并估计图像形变参数,完成图像配准.实验结果表明:该算法速度快、稳定性强,并能达到亚像素级的匹配精度.     

结合自组织映射网络及三角形算法的星图识别方法

三角形方法是最经典且应用最广的星图识别方法之一,但是存在搜索范围大、匹配冗余、抗噪能力弱等问题。将神经网络技术应用到星图识别过程中,结合自组织映射网络（SOM）优秀的分类能力和三角形算法可靠的角距匹配能力,提出了一种新的识别方法。该方法基于邻近星的分布来构建每颗导航星的特征向量,将其作为SOM网络的输入向量,通过训练得到具有分类识别功能的网络及相应的三角形库。识别阶段,输入待识别星的特征向量,网络输出识别类,在该类对应的三角形库中应用三角形算法查找匹配三角形,完成星图识别。试验发现该方法减小三角形搜索范围、实现快速匹配的同时,提高了识别系统的抗噪能力,在全天识别过程中平均识别时间低于5ms,识别率在噪声标准差为0.025时仍高达99%。     

高动态条件下星点像斑建模与补偿

高动态条件下星点提取有两个难点：一是暗弱星点目标湮没在噪声中不易识别,质心定位精度较差;二是星点像斑可能断裂,无法用常用的连通域算法提取。针对上述难点,本文建立了高动态条件下星点像斑模型,提出了基于该模型的像斑补偿与质心定位提取算法。该方法分为四步：第一,利用卡尔曼滤波实现星点像斑静态模板的实时迭代;第二,基于静态模型与星点运动模糊模型建立星点像斑动态模型;第三,以动态模型作为模板在恒星跟踪窗口内进行相关性匹配以确定星点像斑位置;第四,基于动态模型补偿星点像斑,并计算质心位置。实验结果表明,该方法能有效解决高动态条件下暗弱星点提取与断裂残损星点修复问题。相比传统算法,姿态精度误差均值减少了40.9%,最大误差减少了81.2%;星点提取率达到100%,提高174.5%,提取星数相比阈值分割与连通域法提高了173%。     

基于Delaunay三角剖分的全天自主星图识别算法

在地球物理建模中,Delaunay三角剖分因其对给定点集进行三角剖分具有剖分结果唯一性这一重要特点而得到广泛应用.采用Delaunay 剖分这一性质,首次将Delaunay剖分算法应用到星图识别中.利用全天球星图的剖分不变性,采用有界曲面剖分的边界递归法,生成有序且容量小的完备导航星库;利用二维Delaunay三角剖分对视场内恒星星图进行剖分,将其结果进行快速匹配识别.仿真实验结果表明与现有的星图识别算法相比,此算法具有高的识别率,良好的实时性和鲁棒性,且所需导航星库的容量小,检索速度快.     

基于星图匹配的小视场空间图像畸变校正

小视场星载相机受发射振动和空间环境等影响,会使所拍摄的空间图像产生畸变,并且畸变模型和参数也时有变化.针对小视场空间图像所含恒星点相当稀少的特点,提出一种基于Hausdorff距离多帧星图匹配的空间图像畸变校正方法,利用恒星点作为控制点实现畸变参数的计算.针对卫星姿态漂移所造成的相机光轴指向系统误差对校正的影响,给出一种自适应补偿方法.仿真实验结果表明,该方法计算量小、精度高,能够有效抑制图像噪声和输入误差的影响.      

上面级快速星图匹配算法研究

现有星图匹配算法存在搜索时间慢、算法实时性差的问题。为了满足上面级实时性的要求,文章采用K矢量查找算法来提高查找快速性,选择星对角矩作为星图匹配的特征量,构造星对角矩矢量,采用星棱锥星图匹配算法进行星图识别。最后采用上下位机的形式进行仿真分析,结果表明采用该星棱锥快速星图匹配算法成功率在99%以上,识别时间最长约为100ms,平均时间在15ms以内。该算法能够满足上面级对匹配算法快速性和高精度的要求。     

地磁测量卫星的矢量磁场在轨标定算法仿真

以SWARM为代表的高精度地磁测量卫星对地球磁场探测精度经过标定之后优于0.5 nT,对于开展地磁科学研究具有重要意义。地磁测量卫星通过安装在伸展杆上的矢量磁通门磁强计、标量磁强计和高精度星敏感器,获取测量方向的惯性空间姿态的地磁信息,其中高精度标量磁强计主要用于对磁通门矢量磁强计进行标定。针对地磁测量卫星,研究了矢量磁强计在轨测量误差的校正方法。考虑到矢量磁强计非正交角、标度因子以及偏差的影响,建立磁场矢量线性输出模型;结合标量磁强计的测量值分别设计基于小量近似的线性校正算法和基于参数辨识更新的非线性校正算法;校验两种算法的标定精度,并通过Tukey权重函数改善算法的鲁棒性。仿真结果表明,两种算法校正结果相似,磁场三轴误差可校正至0.5 nT以内,在标量磁强计存在异常值时仍具有较好的校正效果。      

基于卷积曲面的动态实时星图模拟

多星模拟器可动态刷新显示变化的星空,是星敏感器测试的关键设备。在动态条件下星点成像发生拖尾,要求星模拟器能够准确、实时仿真拖尾星图。建立了动态拖尾星点的卷积曲面模型。该模型是星点光斑弥散函数与权重函数沿着星点运动轨迹的卷积,可描述以任意形式运动产生的拖尾星点。提出了一种基于卷积曲面的像素离散算法,解决了星图仿真实时性不够的问题。先将星点轨迹分割为多段,再计算得到每段轨迹对应形成的星点光斑的像素值,将所有星点光斑累加。所提算法将多重积分化简,使得仿真速度提高了一个数量级,多星模拟器的刷新率达30 Hz。