技术领域
[0001] 本
发明属于
航天器相对导航、在轨目标
感知、航天器视觉及
图像处理的技术领域，尤其涉及一种空间相对导航目标图像局部增强方法及系统。
背景技术
[0002] 近年来，随着航天器空间在轨服务技术的发展，各个航天大国纷纷提出了在轨服务的概念和演示验证的计划，而航天器感知技术是其中的一项关键技术。
[0003] 目前航天器感知手段包括视觉相机、
激光雷达、红外相机等手段，其中基于视觉的航天器感知手段在航天中得到了广泛的应用，尤其在中距离与近距离的相对导航中，视觉感知成为不可或缺的技术手段。然而由于航天器轨道的特性，空间光照环境复杂，在某些情况下，空间相对导航目标由于光照不足、光照不均匀或者
姿态等因素导致空间目标的成像
质量受到很大的干扰，增加了后续基于视觉图像的目标的识别与动
力学参数辨识的难度。
发明内容
[0004] 本发明解决的技术问题是：克服
现有技术的不足，提供了一种空间相对导航目标图像局部增强方法及系统，减少光照对目标成像质量的影响，可为后续相对导航提供更加合理与优质的图像数据，进而提高目标识别的成功率和动力学参数辨识的准确性。
[0005] 本发明目的通过以下技术方案予以实现：根据本发明的一方面，提供了一种空间相对导航目标图像局部增强方法，所述方法包括如下步骤：(1)获取在轨目标的多通道
图像序列；(2)建立多尺度入射光照，根据多尺度入射光照得到不同尺度的高斯函数；(3)根据Retinex
算法，去除在轨目标的多通道图像序列中的入射分量获得反射分量；根据不同尺度的高斯函数得到三个不同尺度下的反射分量；(4)利用输入的在轨目标的多通道图像序列中的三
颜色通道之间的比例关系得到颜色的恢复因子，将颜色的恢复因子代入到三个不同尺度下的反射分量得到含有颜色的恢复因子的三个不同尺度的反射分量；(5)将步骤(4)中含有颜色的恢复因子的三个不同尺度的反射分量进行加权融合，得到带色彩校正的多尺度融合反射模型；(6)对步骤(5)中的带色彩校正的多尺度融合反射模型进行图像增益补偿得到增强图像。
[0006] 上述空间相对导航目标图像局部增强方法中，在步骤(1)中，获取在轨目标的多通道图像序列包括：根据仿真系统或在轨视觉系统，获得带时间标签和
帧头信息的在轨目标的多通道图像序列。
[0007] 上述空间相对导航目标图像局部增强方法中，在步骤(2)中，多尺度入射光照的公式如下：
[0008] Li,j(x,y)＝Gj(x,y)*Si(x,y)；
[0009] 其中，Li,j为入射光照；下标i表示原始图像中的第i个通道，i＝1,2,3，分别表示红色通道，绿色通道和蓝色通道；下标j＝1,2,3，代表三个不同的尺度；S为在轨目标图像序列中的原始图像；*表示卷积；x为在轨目标的多通道图像序列中的某个图中的
像素点的横坐标，y为在轨目标的多通道图像序列中的某个图中的像素点的纵坐标，Gj(x,y)为不同尺度的高斯函数。
[0010] 上述空间相对导航目标图像局部增强方法中，不同尺度的高斯函数Gj(x,y)为：其中，σj为标准差，也就是尺度参数，其值越小，当前像素受到周围像
素的影响越大，局部细节越清晰，但是图像色感不好，容易出现偏差，反之颜色越自然，但是局部不清晰，K为增益系数。
[0011] 上述空间相对导航目标图像局部增强方法中，在步骤(3)中，根据不同尺度的高斯函数得到三个不同尺度下的反射分量三个不同尺度下的反射分量由以下公式得到：
[0012] ln(Ri,j(x,y))＝ln(Si(x,y))-ln(Li,j(x,y))；
[0013] 其中，ln表示求对数，Ri,j为第i个通道的第j尺度的反射分量。
[0014] 上述空间相对导航目标图像局部增强方法中，在步骤(4)中，颜色的恢复因子的公式如下：
[0015]
[0016] 其中，调整因子α＝125，调整因子β＝1；
[0017] 含有颜色的恢复因子的三个不同尺度的反射分量通过如下公式得到：
[0018]
[0019] 上述空间相对导航目标图像局部增强方法中，在步骤(5)中，带色彩校正的多尺度融合反射模型通过如下公式得到：
[0020]
[0021] 其中，Ri(x,y)为第i个通道的多尺度融合反射模型，权重ωj＝1/3。
[0022] 上述空间相对导航目标图像局部增强方法中，在步骤(5)中，对带色彩校正的多尺度融合反射模型进行图像增益补偿得到增强图像包括：对中的第i个通道的多尺度融合反射模型Ri(x,y)进行线
性灰度拉伸将输出图像映射到色彩的取值范围(0-255)，获得增强后的第i个通道的图像R′i(x,y)。
[0023] 上述空间相对导航目标图像局部增强方法中，色彩的取值范围为0-255；
[0024] 增强后的第i个通道的图像R′i(x,y)通过以下公式得到：
[0025] 其中，Ri,max和Ri,min分别为第i个通道的多尺度融合反射模型Ri(x,y)的最大值与最小值。
[0026] 根据本发明的另一方面，还提供了一种空间相对导航目标图像局部增强系统，包括：第一模
块，用于获取在轨目标的多通道图像序列；第二模块，用于建立多尺度入射光照，根据多尺度入射光照得到不同尺度的高斯函数；第三模块，用于根据Retinex算法，去除在轨目标的多通道图像序列中的入射分量获得反射分量；根据不同尺度的高斯函数得到三个不同尺度下的反射分量；第四模块，用于利用输入的在轨目标的多通道图像序列中的三颜色通道之间的比例关系得到颜色的恢复因子，将颜色的恢复因子代入到三个不同尺度下的反射分量得到含有颜色的恢复因子的三个不同尺度的反射分量；第五模块，用于将第四模块中含有颜色的恢复因子的三个不同尺度的反射分量进行加权融合，得到带色彩校正的多尺度融合反射模型；第六模块，用于对第五模块中的带色彩校正的多尺度融合反射模型进行图像增益补偿得到增强图像。
[0027] 本发明与现有技术相比具有如下有益效果：
[0028] 本发明减少光照对目标成像质量的影响，可为后续相对导航提供更加合理与优质的图像数据，进而提高目标识别的成功率和动力学参数辨识的准确性。
附图说明
[0029] 通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0030] 图1是本发明
实施例提供的空间相对导航目标图像局部增强方法的
流程图；
[0031] 图2是本发明实施例提供的某空间目标增效效果对比结果；其中，(a)为在轨目标序列图像中的原始图像；(b)为增强后的目标图像；
[0032] 图3(a)是本发明实施例提供的基于原始图像对目标进行检测得到的目标轮廓的示意图；
[0033] 图3(b)是本发明实施例提供的基于增强后图像对目标进行检测得到的目标轮廓的示意图。
具体实施方式
[0034] 下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
[0035] 图1是本发明实施例提供的空间相对导航目标图像局部增强方法的流程图。如图1所示，该方法包括如下步骤：
[0036] (1)获取在轨目标的多通道图像序列；
[0037] (2)建立多尺度入射光照，根据多尺度入射光照得到不同尺度的高斯函数；
[0038] (3)根据Retinex算法，去除在轨目标的多通道图像序列中的入射分量获得反射分量；根据不同尺度的高斯函数得到三个不同尺度下的反射分量；
[0039] (4)利用输入的在轨目标的多通道图像序列中的三颜色通道之间的比例关系得到颜色的恢复因子，将颜色的恢复因子代入到三个不同尺度下的反射分量得到含有颜色的恢复因子的三个不同尺度的反射分量；
[0040] (5)将步骤(4)中含有颜色的恢复因子的三个不同尺度的反射分量进行加权融合，得到带色彩校正的多尺度融合反射模型；
[0041] (6)对步骤(5)中的带色彩校正的多尺度融合反射模型进行图像增益补偿得到增强图像。
[0042] 下面对相关步骤、概念和具体算法进行详细描述：
[0044] 根据仿真系统或者在轨视觉系统，获得带时间标签和帧头信息的序列图像，通常一般为三通道的RGB格式图像。
[0045] (2)基于Retinex视觉-
视网膜模型的图像增强模型
[0046] 根据Retinex算法，去除在轨目标的多通道图像序列S中的入射分量L获得反射分量R，获得目标的本来面貌。
[0047] 根据Retinex算法，空间目标模型的光照模型可采用全局光照模型的辐照度模型描述，即对于在轨目标的多通道图像序列中的每个点(x，y),其像素值S可以表示为：
[0048] S(x,y)＝R(x,y)·L(x,y) (1)
[0049] 其中，R(x,y)表示与光照无关的反射系数，对应于空间目标的材质、形状与纹理信息等；L(x,y)表示入射到物体表面的所有光照。Retinex的算法就是通过运算，去除图像S中的入射分量L获得反射分量R，获得目标的本来面貌。该算法的难点在于R和L都是未知，因此想通过原始图像恢复反射与入射分量是一个不定方程求解，一般R∈[0,1],S≤L。
[0050] 一般情况下都需要根据上述条件提出不同的光照估计方法，首先从对数图像s(x,y)＝log(S(x,y))估计出图像的光照分量l(x,y)＝log(L(x,y))，然后可得到图像的反射分量r(x,y)，最后可得到R(x,y)＝ln(r(x,y))。
[0051] (3)基于高斯环形函数的入射光照的估计模型
[0052] 采用高斯函数作为环绕函数建立光照模型：
[0053] Li(x,y)＝G(x,y)*Si(x,y) (2)
[0054]
[0055] 其中，G(x,y)为高斯函数，*表示卷积运算，下标i表示为图像的通道数，i＝1,2,3，分别为红色通道、绿色通道和蓝色通道，σ为标准差，也就是尺度参数，其值越小，当前像素受到周围像素的影响越大，局部细节越清晰，但是图像色感不好，容易出现偏差，反之颜色越自然，但是局部不清晰，K为增益系数。
[0056] 根据S(x,y)＝R(x,y)·L(x,y)得到 对反射分量作对数变换得到log(Ri(x,y))＝log(Si(x,y))-log(G(x,y)*Si
(x,y))，(即通过在原始图像上减去光照分量来消除光照的影响)。
[0057] 具体的，Retinex图像增强关键在于建立光照模型，然而从原始图像求取光照分量是一个奇异问题。本发明采用目前图像增强效果最好的中心环绕算法，其实现方便，是现在应用最为广泛的一种光照分量估计模型。这里采用高斯函数作为环绕函数，则光照模型为[0058] Li(x,y)＝G(x,y)*Si(x,y)
[0059]
[0060] 其中*表示卷积运算，下标i表示为图像的通道数，i＝1,2,3，分别为红色通道、绿色通道和蓝色通道，σ为标准差，也就是尺度参数，其值越小，当前像素受到周围像素的影响越大，局部细节越清晰，但是图像色感不好，容易出现偏差，反之颜色越自然，但是局部不清晰，K为增益系数。因此Retinex算法难以在细节与
色度两方面兼顾。
[0061] 将(2)代入(1)有：
[0062]
[0063] 上式的计算可以在对数域中进行，可以将除法运算变为减法运算，即通过在原始图像上减去光照分量来消除光照的影响，即：
[0064] log(Ri(x,y))＝log(Si(x,y))-log(G(x,y)*Si(x,y)) (5)
[0065] (4)多尺度Retinex图像增强模型
[0066] 在公式(3)中σ分别取σ1,σ2,σ3，σ1,σ2,σ3分别代表了图像的低频增强、中频增强和高频增强，根据σ1,σ2,σ3得到Gj(x,y)，j＝1,2,3；
[0067] 根据Gj(x,y)和log(Ri(x,y))＝log(Si(x,y))-log(G(x,y)*Si(x,y))得到其中，权重ωj＝1/3。
[0068] 步骤(3)推导可以看出，单尺度模型无法兼顾局部细节与色度，本发明采用多尺度Retinex算法，通道i的图像的反照模型为：
[0069]
[0070] 其中N为尺度总数，ωj为第j个尺度对应的权重，一般取值为等权重ωj＝1/N，Gj为第j个尺度下的高斯环绕函数。
[0071] 通常N取3，三个尺度(σ1,σ2,σ3)的图像增强模型分别代表了图像的低频、中频和高频增强，这样能够得到较为理想的增强结果。
[0072] (5)色彩失真矫正
[0073] 利用输入的在轨目标的多通道图像序列S中的三颜色通道之间的比例关系计算颜色的恢复因子，然后利用得到的颜色的恢复因子来矫正输出图像，消除其颜色失真问题，[0074] 颜色的恢复因子的计算公式为 调整因子α＝125,，调整因子β＝1；
[0075] 将颜色的恢复因子代入公式得到
消除其颜色失真问题。
[0076] 由于多
尺度图像增强是分别对R,G,B三个通道分别计算的，所以增强后的图像的三颜色的比例关系可能与原始图像发生变化，因此会导致颜色失真。因此，需要在图像增强后对色彩进行恢复。具体做法是利用输入的原始图像中的三颜色通道之间的比例关系计算颜色的恢复因子，然后利用得到的颜色恢复因子来矫正输出图像，消除其颜色失真问题，颜色恢复因子C的公式如下：
[0077]
[0078] 其中f是映射函数。
[0079] 经过相关大量实验对比表明，当映射函数为对数函数时，颜色恢复效果较好，即：
[0080]
[0081] 根据经验，其中α＝125,β＝1,结合式(6)有：
[0082]
[0083] (6)图像的增益补偿
[0084] 对公式中的i通道的反射分量Ri(x,y)进行线性灰度拉伸将输出图像映射到色彩的取值范围(0-255)，即：
[0085]
[0086] 其中R′i(x,y)为第i个颜色通道进行线性灰度拉伸后的输出图像，Ri(x,y)为第i个颜色通道的增强图像，Ri,max和Ri,min分别为拉伸前图像的最大值与最小值。
[0087] 具体的，利用多尺度算法对图像进行增强，但是由于采用对数计算，导致图像的像素值不在显示的范围，为了能够转换到常规的色彩取值范围，可以对增强图像取反对数，但是由于增强图像已经减去了反映图像动态特征的照射图像，因此并该方法并不理想。这里采用较为简单有效的自动增益补偿，通过线性灰度拉伸将输出图像映射到色彩的取值范围(0-255)，即：
[0088]
[0089] 其中R′i(x,y)为第i个颜色通道进行线性灰度拉伸后的输出图像，Ri(x,y)为第i个颜色通道的增强图像，Ri,max和Ri,min分别为拉伸前图像的最大值与最小值。
[0090] 图2是本发明实施例提供的某空间目标增效效果对比结果；其中，(a)为在轨目标序列图像中的原始图像；(b)为增强后的目标图像。
[0091] 由图2(a)与图2(b)对比可知，采用本发明提出的图像增强方法后，在轨目标图像序列中，目标的阴影部分的
亮度得到了明显的增强，同时星空背景和目标本身的色彩与原始图像序列均保持了较好的一致性，这表明了本文的方法是有效的。
[0092] 图3(a)是本发明实施例提供的基于原始图像对目标进行检测得到的目标轮廓的示意图；图3(b)是本发明实施例提供的基于增强后图像对目标进行检测得到的目标轮廓的示意图。
[0093] 由图3(a)与图3(b)可知，通过对目标进行局部增强后，通过目标检测算法得到的目标轮廓更加清晰完整，可为后续开展相对导航提供更加理想的图像输入，从而进一步增加目标的识别范围、提高目标
位置、速度和姿态的识别
精度。
[0094] 本实施例还提供了一种空间相对导航目标图像局部增强系统，包括：第一模块，用于获取在轨目标的多通道图像序列；第二模块，用于建立多尺度入射光照，根据多尺度入射光照得到不同尺度的高斯函数；第三模块，用于根据Retinex算法，去除在轨目标的多通道图像序列中的入射分量获得反射分量；根据不同尺度的高斯函数得到三个不同尺度下的反射分量；第四模块，用于利用输入的在轨目标的多通道图像序列中的三颜色通道之间的比例关系得到颜色的恢复因子，将颜色的恢复因子代入到三个不同尺度下的反射分量得到含有颜色的恢复因子的三个不同尺度的反射分量；第五模块，用于将第四模块中含有颜色的恢复因子的三个不同尺度的反射分量进行加权融合，得到带色彩校正的多尺度融合反射模型；第六模块，用于对第五模块中的带色彩校正的多尺度融合反射模型进行图像增益补偿得到增强图像。
[0095] 针对由于空间光照环境影响导致目标识别与动力学参数辨识困难的问题，本实施例减少光照对目标成像质量的影响，可为后续相对导航提供更加合理与优质的图像数据，进而提高目标识别的成功率和动力学参数辨识的准确性。
[0096] 以上所述的实施例只是本发明较优选的具体实施方式，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
