[发明专利]一种频域天文图像目标检测方法及系统

说明书

本发明公开了一种频域天文图像目标检测方法及系统，该方法基于CPU‑GPU异构处理器实现，该方法包括：基于预先得到的参考图像，由CPU对采集的原始天文图像进行预处理；采用重叠保存的方法对参考图像和预处理后的天文图像分别进行图像分块，采用高斯基函数和多项式相乘得到卷积核的n组基向量并输入GPU；由GPU根据参考子图像和天文子图像，结合n组基向量进行拟合，得到对应每个参考子图像的卷积核，使用卷积核对每个参考子图像进行频域滤波降晰处理，得到模板图像并输入CPU；由CPU将模板图像的边缘丢弃，并将剩余部分连接并与原始天文图像作差，得到差异图像，进而实现对天文图像的目标检测。

技术领域

本发明属于目标检测领域，涉及一种频域天文图像目标检测方法及系统，可用于星载嵌入式系统。

背景技术

在我国空间发展计划公布的空间科学和探测任务中，许多任务对航天器的人工智能控制、自主导航与控制、实时在轨处理速度、存储数据吞吐率、海量数据处理、复杂科学计算、图像处理等方面提出了迫切的要求。尤其是深空任务，由于通信延迟和带宽的限制，比如通常到火星的通信延迟20分钟、带宽250kbps，到木星的通信延迟2小时、带宽120kbps，有些探测任务来不及依赖地面控制，而科学探测的原始数据不能全部回传到地面，因此对航天器的智能自治和实时数据处理能力提出了更高的要求。而我国的卫星数据处理流程基本采用的是“地面任务规划-星上采集-星地数传-地面处理-分发应用”的传统应用模式。该数据处理方法不仅实时性低，而且还需要占用大量的通信资源。数据获取的时效性和智能化水平难以满足新形势下对卫星数据获取的实时性要求。星上实时数据处理是解决这些问题的有效途径，已成为未来深空自适应探测技术发展的一个重要方向。因此需要在星上进行自适应的数据处理，对目标进行直接的识别和判断。星上自适应科学探测系统一般有两种需求：首先，上述系统的数据处理必须实时。其次，用于执行识别的算法不应影响精度。

对瞬变、移动或亮度变化的天体和暂现源的观测是天文学领域研究的一项重要任务。Tomaney和Crotts在1996年首次提出频域的图像相减算法，首先使用数据图像匹配中应用最广泛的PSF作为参考来进行差分成像。该方法通过简单地获取每个图像上光点的傅立叶变换的比值来确定卷积核，由于这种反卷积方法会降低图像质量，因此它只适用于信噪比较高的数据。Kochanski,TysonFischer(1996)提出的非线性PSF拟合则更为准确，但在数值计算上比较耗时。Alard和Lupton(1998)开发了一种最优图像减影算法(OpticalImage Subtraction，OIS)，随后，Alard(2000)引入了空间变换卷积核的概念，该算法使用空间变换卷积核对两个图像进行卷积。因此，该方法不仅适用于有天体密度高的区域，也适用于天体密度较低的区域。Israel、Bramich和Zackay分别于2007年、2008年和2016年在Alard研究的基础上提出了改进算法,降低了由配准误差引起的残差。目前，解决问题的最新技术是训练一种机器学习算法来过滤大部分残影，并将伪目标的数量减少到最小(e.g.,Cabrera et al.2017；Masci et al.2017；Sedaghat et al.2018)。但上述的所有算法都是关注精度，而不是运行速度。在处理速度的研究上，李继良等人在2010年使用Open MP对图像差异算法进行并行优化加速，在Dell Power Edge T300 System服务器上，加速比可达1.754。Yan Zhao等人在2013年使用GPU(图形处理单元)对空间变化的内核进行图像卷积，在Intel i7 CPU和NVIDIA GTX580 GPU的台式机上算法的运行速度提升了4倍，基本满足了地面实时处理的需要。虽然GPU在时域天文学的应用大大提高了数据的处理能力，但是这并不能从根本上解决数据获取的实时性问题，那是因为目前的天文观测仍然采用在终端收集数据，通过星地数传将数据下传给地面，地面再进行处理的数据处理模式。面对越来越多的天文数据，这种传统的数据处理模式费时又费力，但如果能在卫星上进行一部分的数据处理和筛选工作，过滤冗余信息，提取出有价值的观测信息下传给地面，这不仅能大大提高信息获取的实时性，还能提高星上智能信息处理水平，降低星地之间的数传压力。

发明内容