留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于本体知识库的遥感图像智能定轨

高有涛 张佳栋

高有涛,张佳栋. 基于本体知识库的遥感图像智能定轨[J]. 北京航空航天大学学报,2023,49(5):1053-1062 doi: 10.13700/j.bh.1001-5965.2021.0417
引用本文: 高有涛,张佳栋. 基于本体知识库的遥感图像智能定轨[J]. 北京航空航天大学学报,2023,49(5):1053-1062 doi: 10.13700/j.bh.1001-5965.2021.0417
GAO Y T,ZHANG J D. Intelligent orbit determination based on remote sensing image of ontology knowledge base[J]. Journal of Beijing University of Aeronautics and Astronautics,2023,49(5):1053-1062 (in Chinese) doi: 10.13700/j.bh.1001-5965.2021.0417
Citation: GAO Y T,ZHANG J D. Intelligent orbit determination based on remote sensing image of ontology knowledge base[J]. Journal of Beijing University of Aeronautics and Astronautics,2023,49(5):1053-1062 (in Chinese) doi: 10.13700/j.bh.1001-5965.2021.0417

基于本体知识库的遥感图像智能定轨

doi: 10.13700/j.bh.1001-5965.2021.0417
基金项目: 上海航天科技创新基金(SAST2017088)
详细信息
    通讯作者:

    E-mail:ytgao@nuaa.edu.cn

  • 中图分类号: P134

Intelligent orbit determination based on remote sensing image of ontology knowledge base

Funds: Shanghai Space Science and Technology Innovation Fund (SAST2017088)
More Information
  • 摘要:

    针对遥感图像的自主定轨方法存在图像误匹配和匹配速度慢的问题,基于本体知识库理论提出一种判断遥感图像观测资料有效性的智能推理方法。对遥感信息进行预处理,用于提取特征信息;分析基于图像定轨的知识结构框架,利用本体技术构建相应知识库系统;设计图像模板选择和判误规则,调用推理机进行推理得出观测资料有效性。将所提方法应用于基于图像特征点的卫星自主定轨,验证了方法的可行性。仿真结果表明:所提方法通过图像匹配模板选择和图像判误推理,计算速度提高了59.58%,导航位置精度和速度精度分别提高了10.58%和12.49%,有效提高了卫星自主定轨精度。

     

  • 图 1  存在海岸线的遥感图像及处理后的图像

    Figure 1.  Remote sensing image with coastline and processed image

    图 2  行政区匹配模板搜寻结果(国家和海洋)

    Figure 2.  Search results in administrative region matching template (country and ocean)

    图 3  匹配模板选择示意图

    Figure 3.  Diagram of matching template selection

    图 4  图像定轨SWRL规则推理查询流程

    Figure 4.  Flowchart of reasoning and query result based on SWRL rules for image orbit determination

    图 5  卫星成像几何示意图

    Figure 5.  Diagram of satellite imaging geometry

    图 6  海岸线特征信息

    Figure 6.  Coastline feature information

    图 7  图像定轨知识本体库

    Figure 7.  Ontology knowledge base for image orbit

    图 8  图像定轨部分SWRL规则

    Figure 8.  Partial SWRL rules for image orbit determination

    图 9  EKF导航位置误差

    Figure 9.  Navigation position error using EKF

    图 10  EKF导航速度误差

    Figure 10.  Navigation velocity error using EKF

    表  1  图像定轨本体模型中的主要类和实例

    Table  1.   Major classes and individuals in image orbit determination ontology model

    实例
    名称含义名称含义
    country国家chn中国
    ocean海洋pac太平洋
    coastline海岸线s1卫星1
    state状态s1xyz卫星1位置
    time时间sta1状态1
    image图像coastline1海岸线1
    template模板s1template当前模板
    下载: 导出CSV

    表  2  图像定轨本体模型中的主要属性

    Table  2.   Major properties in image orbit determination ontology model

    对象属性数据属性
    名称含义名称含义
    border相邻tem当前模板
    notborder不相邻ntem下个模板
    farmovexx轴移动方向
    nearright有效性
    madeof1组成1x位置x轴分量
    madeof2组成2vx速度x轴分量
    下载: 导出CSV

    表  4  海岸线特征有效性推理逻辑

    Table  4.   Reasoning logic of effectiveness of coastline features

    编号海岸线特征有效性推理逻辑
    1如果国家类实例x距离国家类实例y远,实例y距离国家类实例z近,则实例x距离实例z
    2如果国家类实例x距离海滨类实例y近,实例x距离国家类实例z远,则实例y距离实例z
    3如果国家类实例x距离海滨类实例y近,实例x距离国家类实例z近,则实例y距离实例z
    4如果存在海岸线类实例x,其一侧为国家类实例y,另一侧为国家类实例z,则海岸线类实例x的数据属性“right1”为0
    5如果存在海岸线类实例x,其一侧为国家类实例y,另一侧为海洋类实例z,实例y和实例z不相邻,则海岸线类实例x的数据属性“right1”为0
    6如果存在海岸线类实例x,其一侧为国家类实例y,另一侧为海洋类实例z,实例y和实例z相邻,则海岸线类实例x的数据属性“right1”为1
    7如果存在海岸线类实例x,其一侧为国家类实例y,且上一时刻存在海岸线类实例,其一侧为国家类实例z,实例y和实例z距离远,则海岸线类实例x的数据属性“right2”为0
    8如果海岸线类实例x的数据属性“right1”和“right2”均为1,则实例x的数据属性“right”为1,否则为0
    下载: 导出CSV

    表  3  匹配模板选择推理逻辑

    Table  3.   Reasoning logic of matching template selection

    编号匹配模板选择推理逻辑
    1如果卫星类实例x的数据属性“vz”大于0,则实例x的数据属性“movey”为1,否则为0
    2如果卫星类实例x的数据属性“vx”和数据属性“vy”的平方和大于地球类实例y的数据属性“w”和数据属性“re”的平方和,则实例x的数据属性“movex”为1,否则为0
    3如果卫星类实例x的数据属性“tem”为a,数据属性“movex”为0,数据属性“movey”为0,则实例x的数据属性“ttem1”为a−1,数据属性“ttem2”为a,数据属性“ttem3”为a+3,数据属性“ttem4”为a+4
    4如果卫星类实例x的数据属性“tem”为a,数据属性“movex”为0,数据属性“movey”为1,则实例x的数据属性“ttem1”为a−5,数据属性“ttem2”为a−4,数据属性“ttem3”为a−1,数据属性“ttem4”为a
    5如果卫星类实例x的数据属性“tem”为a,数据属性“movex”为1,数据属性“movey”为0,则实例x的数据属性“ttem1”为a,数据属性“ttem2”为a+1,数据属性“ttem3”为a+4,数据属性“ttem4”为a+5
    6如果卫星类实例x的数据属性“tem”为a,数据属性“movex”为1,数据属性“movey”为1,则实例x的数据属性“ttem1”为a−4,数据属性“ttem2”为a−3,数据属性“ttem3”为a,数据属性“ttem4”为a+1
    7计算卫星类实例x的当前位置状态到各匹配模板中心点的距离,距离最小对应的模板为当前时刻的匹配主模板
    下载: 导出CSV

    表  5  卫星仿真初始条件

    Table  5.   Initial conditionsand errors of satellite simulation

    $ x/{\text{m}} $$ y/{\text{m}} $$ z{\text{/m}} $${v_x}/({\text{m} } \cdot { {\text{s} }^{ - 1} })$${v_y}/({\text{m} } \cdot { {\text{s} }^{ - 1} })$${v_z}/({\text{m} } \cdot { {\text{s} }^{ - 1} } )$
    6503836.1161331566.9144265320.9781228.8323904.8676571.204
    下载: 导出CSV

    表  6  卫星仿真误差

    Table  6.   Error of satellite simulation

    位置/
    m
    速度/
    (m·s−1
    地标位置/
    m
    相机焦距/
    m
    姿态指向精度/
    (°)
    图像匹配/
    pix
    1000.110$ 1 \times {10^{ - 5}} $$ 1 \times {10^{ - 5}} $0.01
    下载: 导出CSV

    表  7  导航平均误差

    Table  7.   Navigation mean error

    判断方法平均位置误差$ {\text{/m}} $平均速度误差$/({\text{m} } \cdot { {\text{s} }^{ - 1} })$
    有知识库判断38.98930.0792
    无知识库判断 43.60200.0905
    下载: 导出CSV

    表  8  图像处理时间

    Table  8.   Image processing time ms

    匹配模式模板匹配时间图像匹配时间总时间
    图像匹配8 5578 557
    确定匹配模板后图像匹配3 143 3163 459
    下载: 导出CSV
  • [1] KAU S. Autonomous satellite orbital navigation using known and unknown earth landmarks[C]//Guidance and Control Conference. Reston: AIAA, 1975.
    [2] HO D, ASEM A. NOAA-AVHRR image referencing[J]. International Journal of Remote Sensing, 1986, 7(7): 895-904. doi: 10.1080/01431168608948898
    [3] EMERY W J, BALDWIN D, MATTHEWS D. Maximum cross correlation automatic satellite image navigation and attitude corrections for open-ocean image navigation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(1): 33-42. doi: 10.1109/TGRS.2002.808061
    [4] 杨博, 张典律, 赵晓涛. 地标自主导航的高精度地标库建立方法[J]. 北京航空航天大学学报, 2018, 44(1): 1-9. doi: 10.13700/j.bh.1001-5965.2017.0021

    YANG B, ZHANG D L, ZHAO X T. A building method of high-precision landmark library for landmark autonomous navigation[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(1): 1-9(in Chinese). doi: 10.13700/j.bh.1001-5965.2017.0021
    [5] 李木子. 基于地面遥感图像的卫星自主定轨方法研究[D]. 南京: 南京大学, 2018: 43-50.

    LI M Z. Investigations of autonomous orbit determination based on ground remote-sensing images[D]. Nanjing: Nanjing University, 2018: 43-50(in Chinese).
    [6] 高有涛, 刘靖雨, 王兆龙, 等. 基于遥感图像的无固定标志点卫星自主定轨[J]. 上海航天(中英文), 2021, 38(2): 66-75.

    GAO Y T, LIU J Y, WANG Z L, et al. Autonomous orbit determination based on remote sensing image without fixed landmarks[J]. Aerospace Shanghai (Chinese & English), 2021, 38(2): 66-75(in Chinese).
    [7] NICOLA G, PIERDANIELE G. Ontologies and knowledge bases towards a terminological clarification[C]//Towards Very Large Knowledge Bases. Amsterdam: IOS Press, 1995: 25-32.
    [8] NECHES R, FIKES R, FININ T, et al. Enabling technology for knowledge sharing[J]. AI Magazine, 1991, 12(3): 36-56.
    [9] USCHOLD M, GRUNINGER M. Ontologies: Principles, methods and applications[J]. The Knowledge Engineering Review, 1996, 11(2): 93-136. doi: 10.1017/S0269888900007797
    [10] IAN H, PETER F, HAROLD B, et al. SWRL: A semantic web rule language combining OWL and RuleML[EB/OL]. (2004-05-21) [2021-07-01]. http://www.w3.org/Submission/2004/SUBM-SWRL-20040521.
    [11] 李嘉锐. 本体知识库构建研究: 以水稻领域为例[D]. 北京: 中国农业科学院, 2015: 29-36.

    LI J R. A study of ontology knowledge base construction in rice field[D]. Beijing: Chinese Academy of Agricultural Sciences, 2015: 29-36(in Chinese).
    [12] 吴在刚. 基于天体目标的航天器智能天文导航方法[D]. 哈尔滨: 哈尔滨工业大学, 2018: 22-35.

    WU Z G. Intelligent astronomy navigation method for spacecraft based on celestial body[D]. Harbin: Harbin Institute of Technology, 2018: 22-35(in Chinese).
    [13] 吴一全, 刘忠林. 遥感影像的海岸线自动提取方法研究进展[J]. 遥感学报, 2019, 23(4): 582-602.

    WU Y Q, LIU Z L. Research progress on methods of automatic coastline extraction based on remote sensing images[J]. Journal of Remote Sensing, 2019, 23(4): 582-602(in Chinese).
    [14] ZHU Q D, JING L Q, BI R S. Exploration and improvement of Ostu threshold segmentation algorithm[C]//2010 8th World Congress on Intelligent Control and Automation. Piscataway: IEEE Press, 2010: 6183-6188.
    [15] VYKHOVANETS V S. The notional model of knowledge representation[J]. Journal of Physics:Conference Series, 2021, 1864(1): 012058. doi: 10.1088/1742-6596/1864/1/012058
    [16] 羊柳, 钱林方, 丁晟春, 等. 基于本体和知识组件的自行火炮设计知识表示技术[J]. 兵工学报, 2015, 36(7): 1160-1166. doi: 10.3969/j.issn.1000-1093.2015.07.002

    YANG L, QIAN L F, DING S C, et al. Design knowledge representation technique for self-propelled artillery based on ontology and knowledge components[J]. Acta Armamentarii, 2015, 36(7): 1160-1166(in Chinese). doi: 10.3969/j.issn.1000-1093.2015.07.002
    [17] 钟秀琴, 符红光, 佘莉, 等. 基于本体的几何学知识获取及知识表示[J]. 计算机学报, 2010, 33(1): 167-174. doi: 10.3724/SP.J.1016.2010.00167

    ZHONG X Q, FU H G, SHE L, et al. Geometry knowledge acquisition and representation on ontology[J]. Chinese Journal of Computers, 2010, 33(1): 167-174(in Chinese). doi: 10.3724/SP.J.1016.2010.00167
    [18] CORMAN J, XIAO G H. Certain answers to a sparql query over a knowledge base[M]//Semantic technology. Cham: Springer International Publishing, 2020: 320-335.
  • 加载中
图(10) / 表(8)
计量
  • 文章访问数:  225
  • HTML全文浏览量:  68
  • PDF下载量:  21
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-07-26
  • 录用日期:  2021-10-15
  • 网络出版日期:  2021-11-02
  • 整期出版日期:  2023-05-31

目录

    /

    返回文章
    返回
    常见问答