一种基于姿态信息的星点提取方法技术

本发明专利技术一种基于姿态信息的星点提取方法，包括构造纵坐标矩阵M、构造差分矩阵Q、剔除噪声点与提取种子点、星点内部像素精确提取与质心定位、基于惯性器件姿态变化量输出递推星点质心位置五大步骤。同现有技术相比，自适应阈值由实时图像确定，最大程度的降低计算量，提高实时性能；构造纵坐标矩阵，采用的行步长减小了一般的计算量；基于纵坐标矩阵构造差分矩阵，体现为离散序列具有非常高的辨识性，能够精确剔除噪声点，提取出想要的种子点，纵坐标矩阵与差分矩阵的共同作用下，能够同时保证星点提取的精度与实时性水平；利用惯性器件姿态变化量输出递推星点质心位置，解决了正常导航状态下的快速星点提取问题，具有更广泛的适用范围。范围。范围。

【技术实现步骤摘要】
一种基于姿态信息的星点提取方法


[0001]本专利技术属于天文定位定向
，涉及一种基于姿态信息的星点提取方法。

技术介绍

[0002]星点提取的主要任务是通过一系列处理得到星敏感器视场内的恒星在CCD平面上的二维坐标信息。为了最终得到的二维坐标信息尽可能精确，在设计星敏感器时通过离焦处理使恒星投影为一个点状弥散区域，并且该区域的能量分布模型通常符合高斯分布，因此星点提取过程实际上也是点状目标的定位技术在星敏感器星图处理中的应用。星点提取是星敏感器整个任务计划中的重要一环，也是输出星图后首先需要处理的工作。星点提取主要涉及两项技术指标，一是星点提取速度，二是星点提取精度。星点提取速度影响星敏感器整体的实时性水平，星点提取精度影响下一步恒星识别的成功率与星敏感器最终的定姿精度。总的来讲，星点提取包含两大步骤：星点像素区域精确提取与质心定位。星点像素区域精确提取又可分为如下两个步骤。一是将图像的背景噪声与目标区域(星点弥散区域)区分开来；二是聚合归类目标区域，得到星点的精确分布。图像的背景噪声与星点目标区域进行区分所依赖的主要特征是灰度值。区分星点目标区域与背景噪声时，最常见的方法是阈值分割法，该方法在图像处理领域运用广泛，是一种典型的基于灰度特征的图像分割方法。视场内能有多少恒星投影到CCD平面上主要取决于星敏感器极限探测星等、视场大小等参数，极限探测星等越高、视场越大，则成像在CCD上的恒星数越多，可以多达几十颗。因此，区分开星点目标区域与背景噪声后，必须按照星点像素所属的星点进行归类聚合，得到各个星点自身弥散区域的精确分布。此时像素在星敏感器成像平面上的位置关系成为星点像素归类聚合的主要依据。找出不同星点在星图中精确的分布之后，则需要利用提取出来的星点弥散区域的位置信息及对应的灰度信息求解星点的二维质心坐标。亚像素内插定位算法能够达到亚像素级别的质心定位精度，是目前应用最为广泛的星点细分定位算法。王兆魁等人于2006年发表在《空间科学学报》26卷第3期的文章《一种CCD星图星点快速定位算法》提出了灰度交叉投影法，通过两次灰度投影，可以快速得到星点区域的分布。该方法大大降低了计算量和存储量，具有一定的工程实际应用价值。但如果星图上星点存在重叠(横轴或者纵轴)，该方法得到的星点区域将会被错误地扩大；另外该方法得到的星点区域只能是矩形的形状，难以刻画出准确的星点区域边缘。因此该方法虽然效率较高，但难以准确地确定星点区域范围。王海涌等人于2012年发表在《光学精密工程》20卷第11期的文章《分块峰值点局部区域生长的星像提取》提出将分块峰值点作为“种子”点，基于局部区域生长确定星点区域的方法，该方法以星图识别的最小角距要求根据确定星图分块数量，将各区块内灰度最大的像素作为“种子”点，进行局部区域生长得到星点区域。Li等人于2008年发表在《Optics Communications》第281期的文章《Accuracy analysis of centroid calculated by a modified center detection algorithm for Shack
–
Hartmann wavefront sensor》分析研究了以像素信号的不同幂次作为权重的质心法在不同信噪比条件下的精度表现，其研究结果表明该方法在加性噪声条件下精度较高，但容易受到光子散粒等与星光信号相关
的噪声影响。周召发等人于2021年提出的专利技术专利申请《一种基于姿态关联的星点质心提取方法》，与本专利技术专利技术目的相同，但是利用基于距离判别的灰度交叉投影法与一种新的目标区域标记方法来提取星图中的星点，所涉及方法与本专利所涉及方法在采用的技术上是不相干的、独立的，具有完全不同的核心理论。上述文献对星点细分定位算法系统性误差的研究多是基于数值模拟仿真进行的，得到的是经验性的结果。He等人于2013年发表在《Lecture Notes in Electrical Engineering》第229期的文章《A Novel Two
‑
Scan Connected
‑
Component Labeling Algorithm》基于简化的星点能量高斯分布模型，推导了在有限采样窗口条件下系统性误差与星点高斯半径之间的关系。该方法能够解释最佳的星点大小，但是其忽略了像素响应函数以及不同像素位置的影响。综上所述，虽然目前已经有不少学者在星点提取领域给出相应的解决方案，但如何在星点提取实时性水平与星点提取精度二者之间取得一个更好的平衡仍旧是当下亟待解决的问题，需要在已有知识理论的基础上进一步提高星敏感器星点提取的性能。

技术实现思路

[0003]为了解决现有技术中存在的问题，本专利技术提出了一种基于姿态信息的星点提取方法，其解决了星点提取实时性与精度的兼容性问题，其在保证良好测量精度与实时性的基础上，具有更广泛的适用范围。
[0004]现将本专利技术构思及技术解决方案叙述如下：
[0005]本专利技术的基本思路是,根据实拍星图随机选取若干抽样窗口，抽样窗口的分布尽量均匀，抽样窗口的大小适当，能反映出噪声特性即可，计算每个抽样窗口内所以像素灰度值的期望与标准差，然后计算出阈值用于星图降噪处理；根据星图的噪声强度确定纵坐标矩阵M的大小，以行步长为2扫描整幅星图并得到纵坐标矩阵M，纵坐标矩阵M的每一行存储着星图对应行中筛选出来的潜在像素的纵坐标。筛选出来的潜在像素点，即噪声点(灰度值大于阈值的强噪声点)和不同星点的种子点的集合；根据对纵坐标矩阵M的每一行进行一阶前向差分，得到差分矩阵Q。若纵坐标矩阵M中的某个值M(i，j)所指向星图S的位置(2i
‑
1，M(i，j))是种子点(即该像素处于星点内部区域)，则对于同一个星点的内部区域的某一行像素点(通常长度为1～7)，其在纵坐标矩阵M中对应位置是呈线性增长的，对其进行一阶前向差分得到的结果为常值序列{1}，该性质在精确提取种子点时具有重要的作用；根据遍历差分矩阵Q的每一行，通过判断差分矩阵Q的每一行是否存在连续2个及以上的1值来提取种子点，并基于曼哈顿距离来剔除同类种子点。根据种子点的坐标信息，利用区域生长法搜索出星点的所有内部像素，并进行质心定位。区域生长的生长准则为生长点与8邻域相邻像素点的灰度值之差的绝对值小于某个参数k，参数k的取值视实验情况而定。根据惯性器件的姿态变化量输出递推后续拍摄星图中星点的种子点，并进行区域生长与质心定位操作，大大提高了星敏感器的实时性水平。
[0006]本专利技术的技术解决方案是：一种基于姿态信息的星点提取方法，其特征在于：包括构造纵坐标矩阵M、构造差分矩阵Q、剔除噪声点与提取种子点、星点内部像素精确提取与质心定位、基于惯性器件姿态变化量输出递推星点质心位置五大步骤,具体包括：
[0007]步骤1：对星图S进行一次遍历，获得二维纵坐标矩阵M；
[0008]步骤2：对纵坐标矩阵M的每一行进行一阶前向差分，得到差分矩阵Q；
[0009]步骤3：剔除噪声点，提取种子点；
[0010]步骤4：基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于姿态信息的星点提取方法，其特征在于：根据实拍星图随机选取抽样窗口，计算每个抽样窗口内所以像素灰度值的期望与标准差和阈值；根据星图的噪声强度确定纵坐标矩阵的大小，筛选出潜在像素的纵坐标和潜在像素点；根据对纵坐标矩阵的每一行进行一阶前向差分，得到差分矩阵；若纵坐标矩阵是种子点，则对于同一个星点的内部区域的某一行像素点进行一阶前向差分，得到常值序列；根据遍历差分矩阵的每一行，通过判断差分矩阵的每一行值来提取种子点，并基于曼哈顿距离来剔除同类种子点；根据种子点的坐标信息，利用区域生长法搜索出星点的所有内部像素，并进行质心定位；根据惯性器件的姿态变化量输出递推后续拍摄星图中星点的种子点，并进行区域生长与质心定位操作，包括构造纵坐标矩阵M、构造差分矩阵Q、剔除噪声点与提取种子点、星点内部像素精确提取与质心定位、基于惯性器件姿态变化量输出递推星点质心位置五大步骤,具体为：步骤1：对星图S进行一次遍历，获得二维纵坐标矩阵M；步骤2：对纵坐标矩阵M的每一行进行一阶前向差分，得到差分矩阵Q；步骤3：剔除噪声点，提取种子点；步骤4：基于种子点的坐标信息，利用区域生长法搜索出星点的所有内部像素，并进行质心定位；步骤5：利用惯性器件的姿态变化量输出递推后续拍摄星图中星点的质心位置。2.根据权利要求1所述的一种基于姿态信息的星点提取方法，其特征在于：步骤1中所述的“对星图S进行一次遍历，获得二维纵坐标矩阵M”具体步骤如下：步骤1.1：确定阈值T，方法为：随机选取几十个抽样窗口，抽样窗口的分布尽量均匀，抽样窗口的大小适当就行，不需要太大，能反映出噪声特性即可，计算每个抽样窗口内所以像素灰度值的期望μ
i
与标准差σ
i
，然后按照下式计算出阈值T用于星图降噪处理，式中，μ
i
为抽样窗口内所以像素灰度值的期望，σ
i
为抽样窗口内所以像素灰度值的标准差，N
w
为抽样窗口数，a为经验值，视试验效果而定，步骤1.2：对于一幅拍摄星图S，设星图的尺寸为N1*N2，其中，N1为星图的行数，N2为星图的列数，构造一个纵坐标矩阵M，其中M的大小为(N1/2)*N3，之所以叫纵坐标矩阵，是因为矩阵中存储的非零值都是潜在像素点的纵坐标，M矩阵的行数是S矩阵行数的一半，N3为一个常值，根据星图的噪声强度确定，噪声强度越大，则图像中高灰度值的噪声像素点(后续简称噪声点)越多，后续寻找种子点(星点内部区域的任意一个像素点都称为该星点的种子点)时出现的潜在像素点就越多，N3就越大，纵坐标矩阵M的每一行存储着星图对应行中筛选出来的潜在像素的纵坐标，筛选出来的潜在像素点，即噪声点(灰度值大于阈值T的强噪声点)和不同星点的种子点的集合，后续会对纵坐标矩阵M进行二次处理以剔除其中的噪声点，保留下种子点，得到这些种子点后，便可以进一步快速搜索出不同星点的所有内部像素点用于质心定位，步骤1.3：构造纵坐标矩阵M，方法如下所述，首先，从左往右遍历星图第一行的每一个像素点，当遇到第一个灰度值大于阈值T的像素点时，将该像素点的纵坐标存入M矩阵的M(1，1)位置，当遇到第二个灰度值大于阈值T的像素点时，将该像素点的纵坐标存入M矩阵的
M(1，2)位置，依次类推，扫描完星图的第一行数据，接着，从左往右遍历星图第三行的每一个像素点，当遇到第一个灰度值大于阈值T的像素点时，将该像素点的纵坐标存入M矩阵的M(2，1)位置，依次类推，扫描完星图的第三行数据，按照该模式，以行步长为2扫描完整幅星图，得到纵坐标矩阵M。3.根据权利要求1所述的一种基于姿态信息的星点提取方法，其特征在于：步骤2中所述的“对纵坐标矩阵M的每一行进行一阶前向差分，得到差分矩阵Q”具体步骤如下：步骤2.1：构造差分矩阵Q，具体执行过程为：纵坐标矩阵M第i行第j列的数据M(i，j)减去纵坐标矩阵M第i行第(j
‑
1)列的数据M(i，j
‑
1)得到差分矩阵Q的第i行第j列的数据Q(i，j)，即Q(i,j)＝M(i,j)
‑
M(i,j
‑
1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)步骤2.2：解释一阶差分运算在后续步骤剔除噪声点，提取种子点时所体现出来的数学意义，若纵坐标矩阵M中的某个值M(i，j)所指向星图S的位置(2i
‑
1，M(i，j))是种子点(即该像素处于星点内部区域)，则一般情况下，星图S的像素点(2i
‑
1，M(i，j)
‑
1)、(2i
‑
1，M(i，j)+1)也处于星点内部区域，或者(2i
‑
1，M(i，j)
‑
2)、(2i
‑
1，M(i，j)
‑
1)、(2i
‑
1，M(i，j))，或者(2i
‑
1，M(i，j))、(2i
‑
1，M(i，j)+1)、(2i
‑
1，M(i，j)+2)，总的来说就是存在三个依次相邻的星点内部像素点，下面以(2i
‑
1，M(2i
‑
1，j)
‑
1)、(2i
‑
1，M(i，j))、(2i
‑
1，M(i，j)+1)为例说明，对于纵坐标矩阵M而言，星图中这三个相邻的星点内部像素点在步骤一中都会被识别出来并存储其纵坐标，则矩阵M第i行的某位置存在三个相邻的数(M(i，j)
‑
1，M(i，j)，M(i，j)+1)，可以看出，对于同一个星点的内部区域的某一行像素点(通常长度为1～7)，其在纵坐标矩阵M中对应位置是呈线性增长的，...

【专利技术属性】
技术研发人员：周召发，张志利，常振军，段辉，赵军阳，
申请(专利权)人：中国人民解放军火箭军工程大学，
类型：发明
国别省市：