一种航天器目标快速识别方法与流程

本发明涉及图像识别技术领域，具体涉及一种航天器目标快速识别方法。

背景技术：

随着天基空间观测探测技术的快速发展，对空间场景中观测探测技术要求也越来越高。现有识别方法依靠观测的椭圆度、直线度、周长比等特征向量作为后续识别的基础和前提输入，采用聚类或者二分类的方法对航天器进行识别。忽略了航天器成像环境杂光的干扰，杂光形成原理如图1所示，同时由于航天器自身的姿态变化使得特征信息获取有很大的不确定性和不完整性，导致最后的识别结果精度下降。

技术实现要素：

本发明针对现有技术中存在的技术问题，提供航天器目标快速识别方法及装置，首先对航天器图像进行杂光纠正，增强图像质量，进而提取更为精细的判别性好的局部特征进行快速语义识别，来实现对卫星目标进行稳定、可靠的语义识别。

本发明采用的技术方案如下：

本发明一方面提供一种航天器目标快速识别方法，包括，

步骤1，对获取的航天器观测图像进行杂光抑制增强处理，得到所述航天器观测图像的恢复图像；

步骤2，对所述航天器观测图像的恢复图像进行特征点及特征信息的提取；所述特征信息包括所述特征点的不变矩特征信息和局部灰度特征信息；

步骤3，对所述特征信息进行优化处理，并通过语义分析和判别进行航天器目标的识别。

本发明的有益效果是：航天器在空中被动成像，由于光照原因会形成杂光，使得局部特征信息受到干扰，导致后续特征提取不准确，影响识别效果。本方法通过杂光抑制及增强处理，能提高图像信噪比，增强图像质量，利于后续目标快速识别；对观测图像的特征点以及包含特征点的不变矩特征和局部灰度特征的特征信息的提取，能更有利于鉴别航天器型号；信息优化过程减轻计算量，有助于提高处理速度。根据图像中局部显著特征的特性，不同型号航天器的视觉特征和其语义概率值，然后依据后验概率值和经验阈值来判断语义信息，能够最大程度的保证视觉类似的航天器目标的识别。

进一步，所述步骤1包括：

步骤101，根据下式对获取的所述航天器观测图像进行图像恢复，

式中y为航天器观测图像，为恢复图像，cos²γ是阴影系数，γ表示光轴和成像系统的夹角，sstr是纯杂散光部分的点扩散函数矩阵，β为其权重系数；

步骤102，对纯杂散光部分的点扩散函数sstr进行量化,并采用frobenius误差度量量化形变引起的误差，然后根据下式得到矩阵

式中，e为单位正交阵，λy为对航天器观测图像进行特征分解得到的对角阵；

步骤103，采用k-l变换和小波变换对所述矩阵的行和列进行去相关运算；

步骤104，对去相关后的矩阵进行量化，并利用稀疏矩阵变换对量化后的矩阵的行进行去相关，通过下式得到经过杂光抑制增强处理的所述航天器观测图像的恢复图像

式中，w为二维正交小波变换矩阵，为量化后的空变点扩散函数，tk为根据吉文斯旋转定理得到的稀疏矩阵。

采用上述进一步方案的有益效果是根据航天器目标图像成像时杂散光不同的成因，建立了归一化的空变点扩散函数模型，并且对模型增加了光照的阴影系数，使模型更加符合光学成像系统的实际情况；vancittert迭代方法是线性反卷积过程，最终收敛为一个简单的逆滤波，适用于杂散光降质图像校正时的图像恢复问题，在初始迭代情况下原始清晰图像受到移变杂散光点扩散函数的影响最小；稀疏矩阵是指大多数元素为零元素，只有极少非零元素的矩阵。和传统的变换方式不同，稀疏矩阵变换(sparsematrixtransform，smt)只用其有限数目点坐标的旋转，即吉文斯旋转的乘积就可以实现对既定目标矩阵的精确估计，且其运算和存储只需要针对非零元即可，在实现数据有效压缩的同时，又可对原始变换进行精确估计，作为估计正交变换的有效工具，吉文斯旋转可以有效降低反矩阵求解问题的计算复杂度。通过杂光抑制，增加航天器目标图像的可见度，同时纠正图像中的色差问题，提高图像质量。

进一步，所述步骤2,包括：

步骤201，对所述航天器观测图像的恢复图像进行候选特征点提取；

步骤202，利用susan算子，对所述候选特征点进行区域分割，并对分割获得的候选特征点区域进行分析，去掉伪特征点，获得所述航天器观测图像的特征点；

步骤203，将所述特征点周围预设区域作为感兴趣区域，采用sobel算子提取感兴趣区域的灰度特征信息，即为所述特征点的灰度特征信息；

步骤204，以所述特征点为中心，求取所述恢复图像的归一化中心矩，并依据二阶和三阶的归一化中心矩，构造多个不变矩，所述多个不变矩构成一组特征量，所述特征量即为所述特征点的不变矩特征信息。

采用上述进一步方案的有益效果是通过特征点的二次提取，去除伪特征点信息，提高特征点特征信息提取准确度。不变矩可以有效描述空间目标的统计特性，且对于图像的平移、缩放、旋转都不敏感，因此通过不变矩特征信息提取，增强对航天器观测图像处理时的几何不变性。

进一步，所述步骤201包括，

采用预设大小n*n的窗口(优选为5*5大小)对每个像元逐一探测，以所述像元为中心，分别计算所述像元四个方向(0°、45°、90°、135°)和相邻像素的灰度差的平方和，

其中k＝[n/2]。

取四个所述平方和v1,v2,v3,v4中的最小值作为该像元的兴趣值，同时计算四个所述平方和的中值：将所述兴趣值大于中值的像元作为侯选特征点。

进一步，所述步骤202包括，

以候选特征点所在的圆形区域作为susan算子的模板，选取所述模板中构成候选特征点的最大的子域作为所述候选特征点的第一区域，而将其他子域视为单一的背景区域；将所述模板分为多个同心的圆，第一区域的特征点位置为圆中心；定义si是第i个同心圆上第一区域的对应圆弧，对于每一个圆，则有：

用计算信息量的方法获得候选特征点响应函数，将其定义为模板内像元n与平均信息量差的平方和，以模板内像元幅度值的累加值除以模板面积作为该模板的平均信息量gr(n)，其计算方法如下：

其中，fk,l(n)表示内坐标(k,l)点的幅值，r表示圆形模板的半径，ω表示模板的覆盖范围，特征点响应函数为：

选取函数值最大的点作为特征点，其余的候选特征点作为伪特征点被除去。

采用上述进一步方案的有益效果是去除候选特征点中的伪特征点，降低特征提取时的计算复杂度。

进一步，所述步骤203包括，

将特征点周围预设区域作为目标图像的感兴趣区域，采用sobel算子计算感兴趣区域内每个像素点水平和垂直两个方向上的灰度梯度分量，获取感兴趣区域内每个像素点灰度梯度向量的幅值和幅角，即所述特征点的灰度特征信息。

采用上述进一步方案的有益效果是不变矩可以有效描述空间目标的统计特性，且对于图像的平移、缩放、旋转都不敏感，因此通过不变矩特征信息提取，增强对航天器观测图像处理时的几何不变性。

进一步，所述步骤203,还包括：采用高斯滤波器对以特征点为中心的感兴趣区域中的每个方向属性平面进行亚采样。

采用上述进一步方案的有益效果是增强局部灰度特征信息的鲁棒性。

进一步，所述步骤3,包括：

步骤310，对所述特征信息进行优化，将所有高维特征数据映射到低维空间，获得优化后的特征信息；

步骤320，对优化后的特征信息进行k-means聚类得到k个聚类中心，每个聚类中心对应一个视觉单词，获取视觉单词w、所述航天器观测图像的恢复图像及其潜在语义主题z所对应的联合概率分布，进而根据所述联合概率分布计算概率值

步骤330，采用em学习方法获取参数阈值，根据参数阈值来判别所述航天器观测图像的恢复图像所属的语义信息；根据不同类型航天器目标图像，选择概率值大于经验阈值的主题，识别航天器目标的类别。

采用上述进一步方案的有益效果是信息优化过程减轻计算量，有助于提高处理速度；根据图像中局部显著特征的特性，不同型号航天器的视觉特征和其语义概率值，依据后验概率值和经验阈值来判断语义信息，能够最大程度的保证视觉类似的航天器目标的识别。

进一步，所述步骤310包括：

步骤311，利用k近邻算法求取每个所述特征点的k个近邻特征点，采用dijkstra距离进行度量来保持各个特征点之间的几何特性；

步骤312，根据下式计算特征信息的局部重建权值矩阵：

其中，xi表示第个特征点，xij为特征点xi的满足dijkstra距离的第个近邻点，wⁱ是用特征点xi的近邻点对其进行线性重构时的表示坐标；

采用拉格朗日乘子法求局部最优化重建权值矩阵：

其中，qⁱ表示依据特征点xi和特征点xj构造的gram矩阵；

步骤313，在条件下将所有高维特征数据映射到低维空间，获得优化后的特征信息；式中yi表示在低维空间中重构的特征点。

采用上述进一步方案的有益效果是所有高维特征数据映射到低维空间能够有效减轻计算量，有助于提高处理速度。

进一步，所述步骤320,包括：

对优化后的特征信息进行k-means聚类得到k个聚类中心，每个聚类中心对应一个视觉单词w；k个所述视觉单词w构成视觉单词表w；

基于plsa语义模型，视觉单词w、增强后的航天器观测图像及潜在语义主题z所对应的联合概率分布为：而不包含未观测到的潜在变量z时的概率分布为：

根据联合概率分布关系由上式可得的概率表示为：进而可以获得的概率值。

采用上述进一步方案的有益效果是采用k-means聚类算法对提取的特征信息进行聚类，速度快，效率高，时间复杂度近于线性；基于plsa语义模型，获取视觉单词w、增强后的航天器观测图像及潜在语义主题z所对应的联合概率分布，进而求取潜在语义主题z的概率值，利用语义识别能够最大程度的保证视觉类似的航天器目标的识别。

本发明另一方面提供一种航天器目标快速识别装置，包括：

图像预处理模块,用于对获取的航天器观测图像的进行杂光抑制及增强处理；

特征提取模块，用于对处理后的航天器观测图像进行特征点及特征信息提取；所述特征信息包括所述特征点的局部灰度特征信息提取和不变矩特征信息；

识别模块，用于对所述特征信息进行优化处理，并通过语义分析和判别进行航天器目标的识别。

本发明的有益效果是：航天器在空中被动成像，由于光照原因会形成杂光，使得局部特征信息受到干扰，导致后续特征提取不准确，影响识别效果。本装置通过杂光抑制及增强处理，能提高图像信噪比，增强图像质量，利于后续目标快速识别。对观测图像的特征点以及包含特征点的不变矩特征和局部灰度特征的特征信息的提取，能更有利于鉴别航天器型号。信息优化过程减轻计算量，有助于提高处理速度。根据图像中局部显著特征的特性，不同型号航天器的视觉特征和其语义概率值，然后依据后验概率值和经验阈值来判断语义信息，能够最大程度的保证视觉类似的航天器目标图像的目标识别。

附图说明

图1为杂光形成示意图；

图2为本发明实施例提供的一种航天器目标快速识别方法流程图；

图3为阴影系数的几何示意图；

图4吉文斯旋转示意图；

图5为由四个区域组成的x型特征点示意图；

图6为感兴趣区域内灰度梯度投影示意图；

图7为本发明实施例提供的一种航天器目标快速识别装置结构示意图。

具体实施方式

以下结合实例对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

航天器在空间中成像会受到环境杂光的干扰杂光形成原理如图1所示。

图2为本发明实施例提供的一种航天器目标快速识别方法流程图；如图2所示，本发明提供一种航天器目标快速识别方法，包括，

步骤1，对获取的航天器观测图像进行杂光抑制增强处理，得到所述航天器观测图像的恢复图像；

步骤2，对所述航天器观测图像的恢复图像进行特征点及特征信息的提取；所述特征信息包括所述特征点的不变矩特征信息和局部灰度特征信息；

步骤3，对所述特征信息进行优化处理，并通过语义分析和判别进行航天器目标的识别。

该实施例中，航天器在空中被动成像，由于光照原因会形成杂光，使得局部特征信息受到干扰，导致后续特征提取不准确，影响识别效果。本方法通过杂光抑制及增强处理，能提高图像信噪比，增强图像质量，利于后续目标快速识别；对观测图像的特征点以及包含特征点的不变矩特征和局部灰度特征的特征信息的提取，能更有利于鉴别航天器型号；信息优化过程减轻计算量，有助于提高处理速度。根据图像中局部显著特征的特性，不同型号航天器的视觉特征和其语义概率值，然后依据后验概率值和经验阈值来判断语义信息，能够最大程度的保证视觉类似的航天器目标的识别。

可选地，作为本发明一个实施例，步骤1，对获取的航天器观测图像的进行杂光抑制及增强处理，获得所述航天器观测图像的恢复图像包括以下内容：

步骤101，根据式(1-1)对航天器观测图像进行基于vancittert迭代法的图像恢复，

式(1-1)中y为观测图像，为在第t次迭代后得到的观测图像，a是杂散光降质图像的点扩散函数；

根据场景图像成像时杂散光的不同成因，可将杂散光模型表示为：a＝((1-β)gda+βsstr)，其中sstr是纯杂散光部分的点扩散函数矩阵，β为其权重系数，gda为光学成像系统自身所引起的衍射和色差部分对图像的干扰所形成的杂散光；

对于一幅受杂散光干扰的观测图像而言，图像中某一像素点(ip,jp)的衍射和色差部分的点扩散函数模型为：

其中，k是归一化因子，能够保证整个杂散光空变点扩散函数模型在二维的x-y平面上g(iq,jq,ip,jp；σ)的和为1，且有助于增加图像中细节内容的高频信息，同时使得图像中总的能量得到保持。在光学系统的成像过程中，来自外部杂光对于图像造成干扰部分的纯杂散光部分的点扩散函数模型表达式为：

其中，z为归一化因子，其分析表达式为：使得在图像中都满足同时，有研究结果表明，在视角很广的情况下，非正常光路进入的光线其衰减符合余弦四次方定律，根据图3中相机在焦平面上成像的几何关系示意图可以得到cos²γ的计算方法为：d代表相机出瞳到图像平面的距离，而γ表示光轴和成像系统的夹角，可将cos²γ作为杂散光空变点扩散函数模型的阴影系数来模拟成像时照度的衰减。

设在相机光学系统成像过程中，增加阴影系数后的杂散光空变点扩散模型s表达式可写为：

其中，衍射和色差部分的点扩散函数gda在实际情况中可用脉冲响应函数来对其近似表达，所以可设gda＝i(i是单位阵)。则(1-1)可改写为：

由于在初始迭代情况下原始清晰图像受到移变杂散光点扩散函数的影响最小，即因此式(1-2)可简化为：

在公式(1-3)中，场景图像成像时杂散光的点扩散函数模型不仅是全局的，而且其本质也是空变的，模型中相关的参数为(a,b,c,α,β,σ)，利用在杂散光切面方向构造函数来对模型的参数进行估计。对于一幅受杂散光影响而降质的场景图像，将其作为观测图像，利用(1-3)式进行图像恢复得到最终的清晰图像，而杂散光的点对点移变点扩散函数sstr与观测图像y的卷积计算在图像恢复算法中计算复杂度和存贮代价较高，如何对其进行加速优化是杂散光降质图像校正算法实现和应用的关键问题。

将(1-3)式中点对点杂散光空变点扩散函数sstr与观测图像y卷积的部分表示为：

x＝sstry

在数字图像中，将sstr量化表示为[s]，用δsstr表示由量化引起的误差，则sstr＝[s]+δsstr，同时由于sstr量化误差造成的x误差可表示为：

δx＝δsstry

在有损信源编码技术中，编码质量的优劣和度量其形变的方法密切相关。由于frobenius范数的优良特性，本文采用frobenius误差来度量由有损信源编码机制导致的形变，可记为||δx||²，在实际算法中，可以根据需求来调整量化步长。假设观测到的杂散光降质图像y和量化误差δx彼此之间相互独立，则sstr的量化导致的x的形变可表示为：

其中，ry＝e[yy^t]，如果观测图像y是白的，ry则必定是一个单位阵。

步骤102，对y进行分解并使其满足约束条件ry＝eλye^t，e是特征向量的正交阵，而λy是关于特征值的对角阵。由上述可得：

对于估计图像矩阵发生形变时，其均方差的最小值等于形变误差的期望最小值。由此，矩阵sstr可近似表示为有效最小化同时在最小均方误差(normalizedrootmeansquarederror，nrmse)条件下进行图像恢复；

步骤103，采用kl变换和小波变换对矩阵的行和列进行去相关运算，其表达式如下：

通过相关行列变换后，只有小部分非零元素的矩阵能量被集中到矩阵中，基于小波变换的算法在图像压缩编码中已得到稳健的应用，因此可采用2d的正交小波变换w^t为的列进行变换。同时设ψ是协方差矩阵的特征向量矩阵，m、n为点扩散函数矩阵sstr的行与列个数，采用ψ来对去的行相关性，便于图像的恢复重建。同时，选择ψ作为特征向量正交阵，λs作为sstr的特征向量对角阵，则有：

rs＝ψλsψ^t

由上述可得杂散光点扩散函数与观测图像可分别表示为如下形式：

其中，而杂散光空变点扩散函数sstr与观测图像y的卷积可近似表示为：

式中的稀疏表示已经过量化和编码阶段，而和观测图像y紧密相关的变换t依然不合符稀疏表示条件，需要作进一步处理。类似kl变换或者小波变换的方法已经被用于矩阵t的变换中，由于杂散光的空变点扩散函数已经被稀疏表示，当t也满足稀疏表示条件时，其计算速度就会显著提高。

步骤104，稀疏矩阵变换

稀疏矩阵是指大多数元素为零元素，只有极少非零元素的矩阵。和传统的变换方式不同，稀疏矩阵变换(sparsematrixtransform，smt)只用其有限数目点坐标的旋转，即吉文斯旋转的乘积就可以实现对既定目标矩阵的精确估计，且其运算和存储只需要针对非零元即可。

对于式(1-5)中的采用k对非零元素坐标的旋转的乘积对其进行矩阵行去相关处理，对观测图像y的变换t采用k对坐标的吉文斯旋转的乘积以代替精确的变换近似得到；稀疏矩阵变换t的k对坐标的吉文斯旋转形式表示为：

其中，每个矩阵ti(i＝k-1,k-2,…,0)为对应坐标点的吉文斯旋转；每次只需执行不超过4次乘法，图3给出了点坐标为(xk,yk)时吉文斯旋转变换的示意图。实际应用中，目标变换矩阵中非零元素k的数目远小于矩阵规模，即满足假设k＜＜mn。对于观测图像而言，采用稀疏矩阵变换对其进行稀疏化表达将加快计算速度，且可获得与精确矩阵变换近似的表达。

根据吉文斯旋转的定义，ti表示为：

ti＝biλiai(1-7)

其中，ai和bi为吉文斯旋转，λi是对角标准化矩阵。每个吉文斯旋转可由坐标点在其自身张成的平面中正交旋转得到，有限数目个吉文斯旋转即可获得有效的稀疏矩阵变换。

为了降低计算复杂度，式(1-7)中可设λi＝i，则ai和bi可由非零元素点(xi,yj)以及其旋转角度φk和θk表示如下：

ai＝i+y(xi,yj,φk)(1-8)

bi＝i+y(xi,yj,θk)(1-9)

其中，函数y(m,n,θ)的取值可作定义如下：

其中，对应于不同的坐标点及旋转角度，由函数y(m,n,θ)可获得矩阵中非零元素ai和bi相对应的取值，每次的乘法运算，不超过4次。作为估计正交变换的有效工具，吉文斯旋转可以有效降低反矩阵求解问题的计算复杂度。吉文斯旋转的个数仅限于目标矩阵中有限个非零元素，因此对应的稀疏变换矩阵只采用较少的简单矩阵乘法来近似，且能保证算法的有效性。实验中，吉文斯旋转的个数k等于目标矩阵中非零元素的个数，为了简化计算设旋转的角度为45°。

步骤105，将稀疏矩阵变换t的k个分量及其对应位置归位，其他位置置零，进行解码得到代入式(1-3)，最终得到

可选地，作为本发明一个实施例，步骤2，对所述航天器观测图像的恢复图像进行特征点及特征信息的提取，包括以下内容：

步骤201，候选特征点提取

采用预设大小n*n的窗口(优选为5*5大小)对每个像元逐一探测，以所述像元为中心，分别计算所述像元四个方向(0°、45°、90°、135°)和相邻像素的灰度差的平方和，

其中k＝[n/2]。

取四个所述平方和v1,v2,v3,v4中的最小值作为该像元的兴趣值，同时计算四个所述平方和的中值：将所述兴趣值大于中值的像元作为候选特征点。

步骤202，特征点提取

利用susan算子，对所述候选特征点进行区域分割，并对分割获得的候选特征点区域进行分析，去掉伪特征点信息，获得所述航天器观测图像的特征点；

图4为由abcd四个区域构成的“x”连接型候选特征点，选取构成候选特征点的区域中的最大的区域作为候选特征点的第一区域，而将其他区域视为单一的背景区域；假设整个候选特征点区域足够大，能把这个区域分为许多同心的圆，第一区域的特征点位置为圆中心；同样地，使si是第i个同心圆上第一区域的对应圆弧，对于每一个圆ci，则有：

用计算信息量的方法获得所述候选特征点响应函数，将其定义为模板内像元n与平均信息量差的平方和，以模板内像元幅度值的累加值除以模板面积作为该模板的平均信息量gr(n)，其计算方法如下：

其中，fk,l(n)表示内坐标(k,l)点的幅值，r表示圆形模板的半径，ω表示模板的覆盖范围，特征点响应函数为：

选取函数值最大的点作为特征点，其余的候选特征点作为伪特征点被除去。

步骤203，局部灰度特征信息提取

在步骤202的基础上，将特征点周围20*20的区域作为目标图像的感兴趣区域，采用sobel算子计算感兴趣区域内每个像素点的灰度梯度，水平和垂直两个方向上的灰度梯度分量分别为：

gx(x,y)＝f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)-f(x-1,y-1)-2f(x-1,y)-f(x-1,y+1)

gy(x,y)＝f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)-f(x-1,y-1)-2f(x,y-1)-f(x+1,y-1)

则区域内每个像素点灰度梯度向量g＝gxx+gyy的幅值和幅角如下：

θ＝arcsin(gy(x,y)/||g||),θ∈[0,2π]

其中，幅角θ在取值范围[0,2π]中被均匀量化为多个(优选为8个)区间，并按照量化后各个幅角所属区间的不同，将灰度梯度的幅值分解与所述多个区间对应的8个方向的属性平面；最后判定梯度向量幅角所属的范围，并将梯度向量按平行四边形法则投影到如图6所示的nθ0和(n+1)θ0两个方向上，记录投影长度gn和gn+1：

同时采用高斯滤波器对以特征点为中心的感兴趣区域中的每个方向属性平面进行亚采样，增强局部灰度特征信息的鲁棒性，高斯滤波器冲激响应函数为：

其中，高斯滤波器的尺度参数tx是采样的间隔，高斯滤波函数为：

其中，(x0,y0)为以特征点为中心的感兴趣区域中的像素点。

以特征点为中心的20*20的感兴趣区域以间隔tx＝4进行二维亚采样，即可得到25个采样值，并分别在8个方向属性平面上将得到的采样值进行合并就可得到200维的灰度梯度特征信息。

步骤204，不变矩特征信息提取

对于大小为m*n的图像f(x,y)，其(p+q)阶矩定义为：

(p+q)阶中心矩定义为：

其中和是图像的矩心，中心矩心为：

当航天器目标的观测图像发生变化时，mpq也发生变化，而μpq则具有平移不变性，归一化中心矩为：

在步骤202的基础上，以特征点为中心，依据二阶和三阶的归一化中心矩，构造以下7个不变矩：

φ1＝y20+y02

φ3＝(y30+3y12)²+(3y21-y03)²

φ4＝(y30+y12)²+(y21+y03)²

φ5＝(y30-3y12)(y30+y12)[(y30+y12)²-3(y21+y03)²]+(3y21-y03)(y21+y03)[3(y30+y12)²-(y21+y03)²]

φ6＝(y20-y02)[(y30+y12)²-(y21+y30)²]+4y11(y30+y21)(y21+y03)

φ7＝(3y21+y03)(y30+y12)[(y30+y12)²-3(y21+y03)²]+(y30-3y12)(y21+y30)[3(y30+y12)²-(y21+y03)²]

这7个不变矩构成一组特征向量，根据待识别分析的空间目标图像的实际情况，对不变矩特征变量φi取绝对值的对数调整其取值范围为φi＝lg|φi|,i＝1,2,…,7。由于不变矩需要对目标区域中的每一个像素进行运算，为了减小计算量，仅选用对分类影响最大的4个分量φ1，φ2，φ3和φ4，作为目标的矩特征。

可选地，作为本发明一个实施例，步骤3，对所述特征信息进行优化处理，并通过语义分析和判别进行航天器目标的识别，包括以下内容：

步骤310，对所述特征信息进行优化，将所有高维特征数据映射到低维空间，获得优化后的特征信息；

具体包括：

步骤311，利用k近邻算法求取每个所述特征点的k个近邻特征点，采用dijkstra距离进行度量来保持各个特征点之间的几何特性；

步骤312，根据下式计算特征信息的局部重建权值矩阵：

其中，xi表示第个特征点，xij为特征点xi的满足dijkstra距离的第个近邻点，wⁱ是用特征点xi的近邻点对其进行线性重构时的表示坐标；

采用拉格朗日乘子法求局部最优化重建权值矩阵：

其中，qⁱ表示依据特征点xi和特征点xj构造的gram矩阵；

步骤313，在条件下将所有高维特征数据映射到低维空间，获得优化后的特征信息；式中yi表示在低维空间中重构的特征点。

步骤320，对优化后的特征信息进行k-means聚类得到k个聚类中心，每个聚类中心对应一个视觉单词，获取视觉单词w、所述航天器观测图像的恢复图像及其潜在语义主题z所对应的联合概率分布，进而根据所述联合概率分布计算概率值

具体的，对提取的信息进行k-means聚类得到k个聚类中心，每个聚类中心对应一个视觉单词w；k个所述视觉单词w构成视觉单词表w；

基于plsa语义模型，视觉单词w、增强后的航天器观测图像及潜在语义主题z所对应的联合概率分布为：而不包含未观测到的潜在变量z时的概率分布为：

根据联合概率分布关系由上式可得的概率表示为：进而可以获得的概率值。

步骤330，采用em学习方法获取参数阈值，根据参数阈值来判别所述航天器观测图像的恢复图像所属的语义信息；根据不同类型航天器目标图像，选择概率值大于经验阈值的主题，识别航天器目标的类别。

本发明另一方面提供一种航天器目标快速识别装置，如图7所示，包括：

图像预处理模块,用于对获取的航天器观测图像的进行杂光抑制及增强处理；

特征提取模块，用于对处理后的航天器观测图像进行特征点及特征信息提取；所述特征信息包括所述特征点的局部灰度特征信息提取和不变矩特征信息；

识别模块，用于对所述特征信息进行优化处理，并通过语义分析和判别进行航天器目标的识别。

航天器在空中被动成像，由于光照原因会形成杂光，使得局部特征信息受到干扰，导致后续特征提取不准确，影响识别效果。本装置通过杂光抑制及增强处理，能提高图像信噪比，增强图像质量，利于后续目标快速识别。对观测图像的特征点以及包含特征点的不变矩特征和局部灰度特征的特征信息的提取，能更有利于鉴别航天器型号。信息优化过程减轻计算量，有助于提高处理速度。根据图像中局部显著特征的特性，不同型号航天器的视觉特征和其语义概率值，然后依据后验概率值和经验阈值来判断语义信息，能够最大程度的保证视觉类似的航天器目标图像的目标识别。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。