[发明专利]大视场相机非线性畸变校正装置与方法

权利要求书

1.一种大视场相机非线性畸变校正装置，它包括单星模拟器(1)、待测大视场相机(2)、二维转台(3)、二维转台控制系统(4)、计算机(5)和光学平台(6)，其特征在于：

所述的单星模拟器(1)和二维转台(3)置于所述的光学平台(6)上；所述的单星模拟器(1)由积分球光源(101)、平行光管(103)和位于平行光管焦平面上的针孔分划板(102)组成；所述的待测大视场相机(2)固定在二维转台(3)上，并使待测大视场相机(2)的光轴与平行光管(103)的光轴平行；由积分球光源(101)发出的光照明针孔分划板(102)，通过针孔分划板(102)的光被平行光管(103)准直形成平行星光，该平行星光在待测大视场相机(2)的成像平面上产生星点像；所述待测大视场相机(2)通过传输线与计算机(5)相连；所述二维转台控制系统(4)与计算机(5)相连，通过计算机(5)操作二维转台控制系统(4)控制二维转台(3)的转动。

2.一种基于权利要求1所述的大视场相机非线性畸变校正装置的畸变校正方法，其特征在于包括以下步骤：

1)待测相机成像中心的标定：通过固定待测大视场相机(2)于二维转台(3)上，保证待测大视场相机光轴与平行光管(103)的光轴平行，采集单星模拟器在待测大视场相机(2)所成的星点像，并通过质心法获得该星点像的位置坐标C₀₀＝[x₀₀,y₀₀],即图像平面中心坐标；

2)装置初始化：假设待测大视场相机(2)的视场角为θx×θy，其中θx为水平视场角，θy为垂直视场角；图像尺寸为M×N，焦距为f；旋转二维转台，使得转台转到X方向和Y方向处，即相机的视场临界点；

3)获取训练样本集：分别以Δθ_y和Δθ_x的角度增量在大视场相机的视场范围内旋转二维转台Y方向和X方向，则可以得到二维转台在视场范围内的旋转角度：

ωij=ωxijωyij=-θx2+(i-1)×Δθx-θy2+(j-1)×Δθy(i=1,2,...,m,j=1,2,...,n)]]>

其中是二维转台绕X方向旋转角度，是二维转台绕Y方向旋转角度；

对每一个转台旋转位置进行测量，获取图像并通过质心定位算法获得对应星象点s_ij的位置坐标:

C^ij＝[x_ij,y_ij]     (2)

其中是x_ij图像平面行坐标，y_ij是图像平面列坐标；

4)根据以下公式：

Cdij=Cij-C00---(3)]]>

构造畸变样本集Cd={Cd11,Cd12,...,Cdij,...,Cdmn};]]>

5)确定投影成像模型：设定单星模拟器产生的星点在摄像机坐标系中的单位向量为P＝[X,Y,Z]，星点像在探测器平面坐标系的坐标为[u,v]，星点像在图像平面坐标系的坐标为[x,y],按小孔成像模型建立投影变换模型f:[X,Y,Z]→[x,y],而由坐标系旋转矩阵可以获得，当二维转台旋转角度为时，平行光管产生的星点的单位向量为

XijYijZij=cosωyij0-sinωyij010sinωyij0cosωyij1000cosωxij-sinωxij0-sinωxijcosωxij001=-sinωyijcosωxijsinωxijcosωyijcosωxij---(4)]]>

因此，根据投影变换模型和上述公式可以得到星点像s_ij对应的理想成像坐标为

由此构造输入畸变样本集以及期望输出理想样本集Cu={Cu11,Cu12,...,Cuij,...,Cumn};]]>

6)将训练样本集中样本坐标向量的各维数据进行归一化：采用最大最小法归一化C_d和C_u得到归一化的输入样本集和对应的输出样本集C‾u={C‾u11,C‾u12,...,C‾uij,...,C‾umn};]]>

7)确定神经网络拓扑结构：采用三层BP神经网络，由于训练样本集输入输出均为二维坐标，则输入层节点数p＝2，输出层节点数q＝2,因此主要是确定隐含层节点数l，采用经验公式其中a为0到10之间的常数,输入层和隐含层的节点转移函数采用logsig函数，输出层节点转移函数采用purelin函数，将均方误差作为训练停止条件；

8)遗传算法优化神经网络的初始权值和阈值：采用实数编码方式对神经网络的初始权值和阈值进行编码，设定种群规模，初始权值和阈值中种群规模在15～30之间，进化次数在30～50之间，交叉概率在0.3～0.4之间，变异概率在0.2～0.4之间，经过反复迭代获得最优神经网络的初始权值和阈值；

9)BP神经网络训练，神经网络结构如步骤8)所述；在每一轮迭代中，分别取训练样本集中畸变坐标样本作为神经网络输入，计算神经网络输出向量O^ij，并与对应的理想输出样本比较。将比较误差用于调节神经网络连接权值和阈值，反复训练神经网络，直到满足终止条件，即到达迭代次数或者误差满足要求，保存该神经网络的结构以及模型参数；

10)重复步骤7)到步骤9)，获得不同隐含层下的神经网络结构及其模型参数，比较误差，保存最优的神经网络以及模型参数作为最终畸变校正的模型；

11)进行畸变校正：获得畸变坐标C′_d，并按照步骤7)的归一化公式进行归一化得到输入上述最佳神经网络，计算输出坐标向量并反归一化求得校正后的坐标C′_u。