行星图像处理方法、系统以及装置

技术领域

本发明涉及图像处理技术领域，具体为一种行星图像处理方法及装置。

背景技术

行星探测将是未来深空探测最核心的任务之一，其中复杂地形特征识别与感知技术是行星探测的关键技术之一。深空探测距离远、时间长，传统的测控方式存在较大的通信延迟。另外，深空动力学环境复杂，基于地面遥控的导航模式已无法满足实现高精度探测的需要。随着计算机硬件技术的突破和光学敏感器件的发展，使得基于星载计算机和光学导航相机的地形特征识别感知成为研究热点。

中国专利公开号CN113554639A公开了“一种图像特征提取及描述符获取方法包括如下步骤：步骤A：提取待处理图片的有效区域图像及像素点颜色值数据并进行色块分割，获取有效区域图像的图像数据；步骤B：对有效区域图像进行多等份细分，获得有效区域图像的细分区域；步骤C：对所述细分区域进行连通域确认、线段识别和线长计量，以获取所述细分区域的图像特征数据；步骤D：对所述细分区域的图像特征数据进行统计、组合处理，以获取图像特征描述符。采用图像特征描述符来描述图像特征，能有效解决相同或近似图像的共同性特征和区分性特征描述的稳定性问题，弥补传统图像特征提取技术方法可能会造成图像检索中相同或近似图像的漏检缺陷，提高图像识别检索中相同或近似图像的匹配效果”。该种方案根据图像的粗略图像特征描述符和精细图像特征描述符来描述图像特征，存在对一些远近不同的拍摄物的图像特征无法精细图像特征，存在一定的局限性。

而目前在拍摄天文行星的图像过程中，使用行星望远镜对天体拍摄时，因为设备的局限性，导致拍摄的图片相对过于模糊，而现有的技术一些对天体拍摄的图片处理方法，通过识别天体的明暗度来提出特征进行分析处理，该种方法识别效率低，并且存在一定的局限性，而天体的明暗度差异不大时，图片的分析处理便很难进行处理，或处理周期会较长，图片的精度和效率无法得到有效的保证，并且由于大气的扰动，使得拍摄图像容易模糊，导致行星拍摄后的图片清晰度不高的问题，故而提出一种行星图像处理方法及装置来解决上述所提出的问题。

发明内容

解决的技术问题

针对现有技术的不足，本发明提供了一种行星图像处理方法及装置，解决了现有技术对行星拍摄的图片处理效率低，处理精度低，导致图像清晰度低的问题。

技术方案

为实现上述目的，本发明提供如下技术方案：

一种行星图像处理方法，包括如下步骤

步骤一：通过第一算法对目标图像进行识别处理，并且确认图像为纹理图像或非纹理图像；

步骤二：通过第二算法对步骤一中的目标图像进行评分选取若干张评分靠前的图片，并获取评分最高的图片作为参考模板；

步骤三：根据步骤一中所获取的目标图像为纹理图像或者非纹理图像，选择对齐算法:

若目标图像为纹理图像选择纹理对齐算法，若目标图像为非纹理图像选择非纹理对齐算法；

将步骤二中选取若干张评分靠前的图片依据所选择的对齐算法进行对齐，而后将对齐后的图片向参考模板进行图像叠加获取叠加后的图像；

步骤四：对叠加后的图像进行锐化处理，获取最终的图像。

优选的，所述第一算法提供以下步骤对目标图像进行识别处理：

步骤S1:将目标图像做二值化处理；

步骤S2：将二值化处理后的图像进行分析计算，计算图像中的连通域；

步骤S3：比较各个图像中的连通域的大小，并选择连通域最大的图像作为行星目标。

优选的，所述步骤二中通过如下算法对目标图像进行评分：

步骤A1:目标图像做拉普拉斯变化；

步骤A2:计算该图像的像素平均值，并将图像的像素平均值作为图像清晰程度的分数；

步骤A3:按照每帧图像的分数进行降序排列；

步骤A4:将图像清晰程度的分数靠前每帧图像进行叠加处理。

优选的，所述步骤一通过如下方式确定待处理的目标图像为纹理图像或者非纹理图像：

步骤B1：对目标图像进行分析处理，获取参考模板中目标图像纹理的特征数据或没有纹理的特征数据；

通过以下方法确定目标图像为纹理图像或非纹理图像；

步骤C1:统计目标图像中一帧图像像素大于40的个数；

若目标图像中一帧图像中大于40的总个数大于一幅图像的1/2，便确认为纹理图像；

若目标图像中一帧图像中大于40的总个数小于一幅图像的1/2，便确认为非纹理图像。

优选的，所述纹理对齐算法通过以下步骤进行处理：

步骤D1：将参考模板与其它非参考图像(在说明书中说明一下非参考图像为步骤二中选取若干张评分靠前的图像)逐一对比，获取共有特征点；

步骤D2：将步骤B1所获取的共有特征点像素位置坐标与参考模板上的所共有的特征点像素位置坐标建立对应的位置关系；

步骤D3:通过步骤B2对应位置关系建立非参考模板上全部像素位置坐标与参考模板上全部像素坐标的对应关系；

步骤D4：将非参考模板上的每一个像素位置坐标的像素值均赋值到参考模板上所对应的像素位置坐标上，重复上述关系，直至全部非参考模板图像的全部像素点的像素值均对应累加在参考模板的全部像素点上，获取一张叠加后的图片；

所述非纹理对齐算法通过以下步骤进行处理：

步骤D5：将所有非参考模板的图像质心坐标，逐一与参考模板的图像质心坐标一一比对，建立每一张非参考模板的全部像素点的位置坐标与参考模板的全部像素点的位置坐标一一对应关系；

步骤D6：将每一张非参考模板的每一个像素位置点的像素值均对应累加于参考模板的像素坐标，获取叠加后的图像。

优选的，所述获取共有特征点的方式通过以下方法获取：

步骤E1：使用ORB特征点检测算法，检测参考模板的特征点，获取参考模板的特征点并保存；

步骤E2：使用ORB特征点检测算法，对所有非参考模板的图像进行检测，获取所有非参考模板特征点并保存；

步骤E3：将步骤D1和步骤D2所获取的特征点进行对比匹配，获取共有特征点。

优选的，所述步骤五中通过如下方法对叠加后的图像进行锐化：

步骤E1：将叠加后的图像提取二至六个不同层次的图层；

步骤E2:增加第一层中小波的图像细节；

步骤E2:最后将其余图层图像进行合并成一张图像。

有益效果

与现有技术相比，本发明提供了一种行星图像处理方法及装置，具备以下有益效果：

1、该行星图像处理方法，通过算法将行星图片中目标识别出，并根据识别目标像素点占全部图片的像素点比值，来选取采用纹理或非纹理对齐算法，提高图片对齐的效率和精度，进而提升图片叠加的精度，以有效提升行星图片清晰程度。

2、该行星图像处理方法，根据纹理图片和非纹理图片，采用不同的对齐的处理算法，其中纹理处理算法，能够实现水平竖直方向以及旋转对齐，能够进一步提高参考模板与众多非参考模板位置关系的像素位置关系一一对应。而非纹理处理算法，采用图像质心获取方式，建立参考模板和众多非参考模板像素坐标位置的一一对应关系。相对于纹理算法，计算简单，效率更高，通过区别两种算法，有效节约算力，并且根据不同的图像特性，提升图像的识别精度。

附图说明

图1为本发明提出的一种行星图像处理方法逻辑方法示意图；

图2为本发明提出的一种装置结构示意图；

图3为本发明提出的一种行星图像处理方法小波变化的第一层图片；

图4为本发明提出的一种行星图像处理方法小波变化的第二层图片；

图5为本发明提出的一种行星图像处理方法小波变化的第三层图片；

图6为本发明提出的一种行星图像处理方法小波变化的第四层图片；

图7为本发明提出的一种行星图像处理方法小波变化的第五层图片；

图8为本发明提出的一种行星图像处理方法小波变化的第六层图片；

图9为本发明提出的一种行星图像处理方法步骤四所获取的叠加图片；

图10为本发明提出的一种行星图像处理方法未采用非纹理对齐算法的图片；

图11为本发明提出的一种行星图像处理方法采用非纹理对齐算法的图片；

图12为本发明提出的一种行星图像处理方法的未采用纹理对齐算法处理的图片；

图13为本发明提出的一种行星图像处理方法的采用纹理对齐算法处理的图片。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1一种行星图像处理方法

请参阅图1，本实施例提供一种行星处理方法对行星图像进行处理分析获取清晰图像；

具体包含以下步骤：

步骤一：通过行星检测算法对目标图像进行识别处理。通过以下方法区别目标图像为纹理图像或者非纹理图像，具体为：识别图片中目标图像像素点的个数，与全部像素点的比值高于一个具体的数值时确定为纹理图像，反之为非纹理图像。例如月面和日面这种目标面积大，表面特征特别明显的则为纹理图像，如图12所示。该种图像采用纹理算法进行识别处理。八大行星的目标较小，为非纹理图像，如图11所示，该种图像采用非纹理算法进行分析。

无论是纹理图像还是非纹理图像，均采用第一算法对图像进行识别处理。所述第一算法的步骤为：将目标图像做二值化处理，二值化可以把灰度图像转换成二值图像。把大于某个临界灰度值(阈值)的像素灰度设为灰度极大值(255),把小于这个值的像素灰度设为灰度极小值(0),从而实现二值化，也就是将整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。为了得到理想的二值图像，一般采用封闭、连通的边界定义不交叠的区域，称为连通域，所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。之后比较各个图像中的连通域的大小，并选择连通域最大的图像作为行星目标，而本实施例采用的是4连通域，即所在位置的上下左右四个像素与其所在位置的像素值相同便认为是一块连通域。

经过步骤一获取二值化的黑白图像，并将所获得的的黑白图像通过第二算法对图像质量进行评分。具体为：

步骤二：针对于纹理图像采用特征点提取法对纹理图像进行评分，具体为：

根据所设的评分阈值，选取若干张需要对齐的图片，并获取评分最高的图片作为参考模板。具体的评分方法为，对每一张图片的特征点进行分析，确认特征点的个数越多，特征点越多，评分就会越高。通常的可以采用HOG(方向梯度直方图)提取图像特征。具体为将已经灰度化(二值化处理处理后的图片)，采用Gamma校正法对输入图像进行颜色空间的标准化(归一化)，目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰。然后计算图像每个像素的梯度(包括大小和方向)，主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。接着将图像划分成小cells(例如6*6像素/cell)；之后统计每个cell的梯度直方图(不同梯度的个数)，即可形成每个cell的descriptor。最后，将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image(你要检测的目标)的HOG特征descriptor了。这个就是最终的可供分类使用的特征向量了。

经过如上方法会根据评分大小获取若干张图片，采用需要对目标图像中的每一帧图片进行优选。例如目标图像存在100帧图片时，会对这一百帧图片进行系统评分，而评分的规则是根据图片清晰度进行评测，将图像做拉普拉斯变化，将图像提取出类似骨架的形状，提取出类似最后对每帧的图片进行赋值，特征点数量越高则对应的相对帧图片的评分越高，并且清晰特征点赋值和模糊点的赋值两者差异很大，能够使得整张图片对特征点的明显展示赋值就会越高。而对100帧图片赋值完成后，选取赋值评分前百分之五十的图片。而本实施例是选取前百分之五十评分的图片，并不是固定限定为前百分之五十评分的图片。同时选取评分最高的图片为参考模板。采用参考模板与其他非参考图像逐一对比，获取共有特征点，将其它49张非参考模板的图像中的像素位置坐标向参考模板的像素位置坐标进行迁移，逐渐与参考模板的特征点靠拢，因为有参考模板会与其余49张非参考模板的图像进行多组对比，若干组对比中均会有相应的对比特征点，因为参考模板中并不是一张清晰照片，而是一张具有目标特征点最多的照片。

通过步骤二的方法获取了一张作为图像参考的参考模板，该参考模板在所有张图像中特征点数量最多的。这意味该参考模板与其它帧的图像所交集的特征点数量也是最多的。具体方法为：

步骤三：根据待处理的参考模板为纹理图像(日面或月面类型的图像)或者非纹理图像(八大行星类型的图像)，选择纹理对齐算法或非纹理对齐算法。当确定目标图像属于某种类型的图像后，可以直接选取纹理图像算法或者非纹理图像算法对图像进行分析处理。将对齐后的图像对应其位置累加起来，记下累加的帧数，最后用累加的图像除以累加帧数，最终获取叠加后的图像。

其中对纹理图像进行对齐的步骤为：

请参阅图12(月球表面)为没有经过纹理对齐算法处理的图片，图12(月球表面)经过纹理对齐算法处理的图片。通过纹理对齐算法对图12进行处理，最终获取图13。。

所述纹理对齐算法步骤为：图12为步骤二获取的50张图片评分最高的特征点数量最多的图片。而非参考图像为步骤二中选取的若干张评分靠前的图像。将该图片作为参考模板，将参考模板与其它49帧图片逐一对比。每一次对比后获取共有特征点(共有特征点数量的大于等于3)。确定共有特征点在相对帧图片上的像素位置点的像素位置坐标，同时确定共有特征点在参考模板上的像素位置坐标。将两者的像素位置坐标建立一一对应的坐标位置关系。将非参考模板上的每一个像素位置坐标的像素值均赋值到参考模板上所对应的像素位置坐标上，重复上述关系，直至全部49帧图片的全部像素点的像素值均对应赋值于参考模板的全部像素点上获取一张叠加图片。具体为检测参考帧的特征点，将这些特征点保存下来，然后逐一检测每一帧的特征点，然后将每一帧的特征点与参考模板的特征点进行匹配，使用最小二乘法，计算出一个3X 3的矩阵，矩阵内包含该帧图像的平移和旋转参数，通过该矩阵即可向参考模板实现对齐，如图13。

其中非纹理图像进行对齐的步骤为：

请参阅图10(土星图片)为没有经过非纹理对齐算法处理的图片。图10为(土星图片)经过非纹理对齐算法处理的图片。通过非纹理对齐算法对图10进行处理，最终获取图11。

所述非纹理对齐算法步骤为：图10为步骤二获取的50张图片评分最高的特征点数量最多的图片，作为参考模板。计算图像中的连通域，比较连通域的大小，选择连通域最大的，计算这块区域的质心，作为这帧图像的中心。然后逐一计算49帧图像的中心。所有的图像都向参考帧的中心进行水平方向和垂直方向的移动。将所有非参考模板的图像质心坐标，逐一与参考模板的图像质心坐标一一比对，建立每一帧非参考模板的全部像素点的位置坐标与参考模板的全部像素点的位置坐标一一对应关系。将每一帧非参考模板的每一个像素位置点的像素值均对应赋值于参考模板的像素坐标，获取叠加后的图像如图11。获取的图片当中的每一个像素点像素值除以叠加图像个数获取叠加后图像。

如步骤三整体而言区别了纹理图像和非纹理图像识别参考模板与其它帧图像共有特征点识别方法。在本实施例中，区别纹理图像识别方法和非纹理图像识别方法在于，非纹理图像识别方法更加的简单，采用图像质心获取方式，建立参考模板和众多非参考模板像素坐标位置的一一对应关系。相对于纹理算法，计算简单，效率更高，通过区别两种算法，有效节约算力，并且根据不同的图像特性，提升图像的识别精度。

关于判断纹理叠加还是非纹理算法叠加的自动选择：判断第一帧图像的有效区域，设置阈值30，对图像进行二值化处理，计算连通区域，对连通区域进行排序，选择最大的连通区域，计算其面积，当最大区域的面积不小于三分之一的总面积，选择纹理方式叠加，否则选择非纹理方式进行叠加。

经过非纹理对其算法和纹理对其算法获取的图像，进行叠加，并且对叠加后的图像当中的每一个像素点像素值除以叠加图像个数，进行消差，获取消差图像。因为在图像持续叠加的过程中，会产生图像数据之间的相互越界，而当除以叠加后的图像个数后，来取平均数，来消除叠加后的越界误差。

步骤四，对叠加后的图像进行锐化处理，获取最终的图像如图9所示。

而锐化的过程可以选在显示终端，本实施例选用的是手机端，手机端在进行锐化过程中相对便捷迅速效率更高。首先将叠加后的图片通过无线网络传输到用户的手机端，而手机端锐化采用的是小波变换原理。小波变换是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题图像方面的特征。而图像的锐化是为了突出高频信息，弱化低频信息，从快速变化的成分中分离出系统边界成分，以便进一步识别或者分割等操作。手机端会对叠加后的图片提取图层，将叠加后的图像分为六个图层，请参阅图3-图8，为第一层至第六层的图像。层数越低细节越多越小，而在锐化的过程中仅仅是对第一层的小波进行增强，并且对图像划分为十个等级，不同的等级代表该层小波的亮度值增加的倍数，当对第一层的小波进行增加后，再将六层合成一张。而锐化后的图片会从手机端进行显示，或者发送至显示终端进行显示。

实施例2一种天文图像数据处理系统

请参阅图2，一种天文图像数据处理系统，包括成像单元，而成像单元主要对拍摄物进行拍摄成像，主要以图片或者视频的方式进行记录。控制器主要对成像单元拍摄的图像进行处理分析，并且控制成像单元的运作，而控制器包括控制单元、执行单元和存储单元，而控制单元来实现对成像单元的控制，例如对拍摄相机执行拍照的过程，同时也会直接控制成像单元来追踪行星的移动，因为在拍摄行星的过程，地球是在自转运动，拍摄的行星位置是静止的。相对来说，地球是禁止的，那行星就是在移动的，所以需要控制单元控制成像单元时刻追踪行星的移动位置，避免拍摄目标缺失。而执行单元来执行行星图像处理方法，来处理分析，获取叠加后的图片。而存储单元则是对拍摄的图像进行存储。当控制单元控制拍摄机构拍摄一段图像后，将这一段图像传输至存储单元，而执行单元在接收到存储单元中新导入的图像后，执行实施例1中行星图像处理方法，对存储单元中的图像进行分析处理，最后输出处理后的叠加图片，将其传输至手机端，而这里的传输方式可以采用无线网络传输，也可以采用有线传输，用户根据实际情况进行选择传输方式。而无线单元是将叠加后的图片通过无线网络传输的方式输送到手机端。利用手机端对叠加后的图片进行进一步锐化处理，最终获取清晰图片。并且整个系统配备有显示终端，而显示终端可以是电脑端也可以是手机端。主要是将最终锐化的照片进行展示显现，提供用户最直观的视觉感受。而所述步骤四中的图片将会在电脑端或者手机端直接显示。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。