強干擾條件下的星體提取方法

蹤 華，高曉穎，汪 渤，王海羅，李 磊

強干擾條件下的星體提取方法

蹤 華1，2，3，高曉穎3，汪 渤1，王海羅1，李 磊3

（1.北京理工大學自動化學院，100081北京；2.宇航智能控制技術國家級重點實驗室，100854北京；3.北京航天自動控制研究所，100854北京）

為了解決在強干擾條件下星體提取問題，提出了一種基于邊緣檢測＋星體像素篩選的星體提取方法，首先用一種邊緣檢測算法分割星圖，然后對像素進行標記，最后利用自適應閾值對星體的目標像素進一步篩選.并對像素標記算法進行改進，改進的算法在標記目標像素時，同時分析與它相鄰的像素的連通性，使得屬于同一星體的所有像素只分配一個標記值，提高了星圖處理的效率.試驗結果表明，該處理方法對強干擾噪聲具有更好的魯棒性、且運算速度更快，精度也有所提高.提出的邊緣檢測＋星體像素篩選的星體提取方法有助于在強干擾條件下分離星體目標和背景，改進的像素標記方法，可以更快地區分不同的星體，便于工程應用.

星體提取；邊緣檢測；自適應閾值；像素標記；關聯性

星敏感器是一種以恒星為參照系，高精度的空間姿態、位置測量裝置，是迄今為止最精密且漂移最小的姿態測量器件［1］，在航海、航空、航天等領域得到了廣泛的應用.星圖中星點的提取算法是星敏感器整體性能的基礎，提取算法對噪聲的魯棒性、計算速度和精度直接影響后續星圖識別和姿態解算的相應的性能.特別是隨著星敏感器應用范圍的推廣，需要在各種復雜的環境中工作，因此在強干擾條件下快速有效地提取星點坐標已成為一項迫切需要解決的問題.

傳統的星體提取過程：1）掃描整幀星圖，計算得到全局閾值；2）利用全局閾值，將星體目標與背景分開，得到二值圖像；3）利用改進的像素標記算法進行像素標記，將單個星體目標與其他星體目標分開；4）利用星點定位算法，計算星點坐標.因此，比較關鍵的部分是閾值確定、像素標記和星點坐標計算，這些算法目前的情況如下.

閾值的確定方法.實際應用中閾值的確定算法有似然比檢測法，雙門限法，自動（自適應）閾值法等，文獻［2］通過大量的試驗檢驗，認為自適應閾值法更適合作為實際圖像閾值的確定方法.這種方法具有很強的靈活性，根據實時得到的圖像數據進行閾值的計算.計算星圖的閾值計算公式為Vth＝E＋α·δ，E為圖像的均值，即整幅圖像所有像元的加和平均，δ是圖像的方差.在理想的條件下，利用星敏感器探測，星體成像能量集中，信噪比高，采用該方法可以分離出有效的星體，但是星敏感器在空中實際使用的時候，通常會受到雜光或其他較亮天體的強干擾影響，信噪比降低，用該方法分離出星體的數量和精度都會降低.

像素標記法.進行像素標記的目的是為了區分不同的星體，目前主要有兩類像素標記法算法，第1類是對利用閾值分離出的目標像素進行標記，并將等價像素對記錄在等價表中，再對等價標記表進行關聯性分析，合并相同的星體［3］.其中等價標記表的關聯性分析算法有動態鏈接表法［4-6］和遞歸算法［7］.第2類是文獻［8］提出的一種坐標關聯性分析算法：灰度圖像經過閾值掃描處理后，不存儲二值圖像，只存儲超過閾值的像元坐標，然后分析坐標之間的關系.該算法雖然比動態鏈接表法和遞歸算法有所改進，對于小視場星敏感器，一幀圖像中的星體較少，該算法能有效提高星體提取速度，但是對于大視場星敏感器，隨著視場內星的數量的增加，坐標分析的復雜度快速增加，計算速度也會降低，具有一定的局限性.

星點定位方法.星點坐標提取方法有質心法、帶閾值質心法、加權質心法、平方加權質心法和高斯曲面擬合法［7］，其中加權質心法是工程中經常采用的一種星點定位算法，理想情況下的定位精度可達1／50像元.

本文針對以上傳統的星圖提取算法的局限性，給出了一種邊緣檢測法＋星體像素篩選的星體提取方法，提高了對噪聲的魯棒性.該方法包括4部分：1）利用基于邊緣檢測的星體提取方法，初步得到包含星體的光斑；2）進行像素標記；3）進行星體篩選，在步驟1處理的基礎上，進一步篩選出星體有效像素；4）利用質心算法，得到星體質心坐標.本文并對像素標記方法進行了改進，在像素標記之前就進行聯通性分析，使得每一個星體的像素可以分配唯一的標記值，能大大提高處理效率.

1 基于邊緣檢測＋星體像素篩選星體提取方法

1.1利用邊緣檢測法提取星體

1.1.1 邊緣檢測算法

對于一個連續函數圖像f（x，y），選擇以位置（x，y）為中心的3×3區域模板，如表1所示.

表1 以（x，y）為中心的3×3區域模板分布

首先計算圖像f（x，y）在點（x，y）的梯度絕對值

然后進行圖像分割，如下式所示，對任意一點（x，y），若對應的G2xy大于等于門限Gth，則保留該點的灰度值，否則，則置0.門限Gth可以由先驗數據統計確定.邊緣檢測計算后，得到一幅二值圖像.

1.1.2 像素標記

經過邊緣檢測處理后，圖像中只有灰度值大于0的目標像素和灰度值為0的背景像素.采用本文改進的像素標記算法進行標記.初步分割后的圖像為記為f，經過標記后的圖像存在對應的g中.對星圖f從上至下，從左至右逐行掃描.對當前被掃描像素灰度等于0的點標記0，對灰度大于0的點按順序作標記1，2，3，…，在標記的過程中要對每一個新像素的左、左上、上、右上4個像素的灰度值進行判斷，如果相連的點已經作過標記，則該標記為相連點中的最小編號.將整幅星圖標記完后，再進行相同星體的合并，處理完畢后每個星體都會有不同的標記，記星體合并后的圖像為g1′，并將g1′的數據賦給g2′，g2′作為星體質心計算時使用，這里f，g1′，g2′均指512×512的數組）.

1.2星體像素篩選

1.2.1 利用自適應閾值進一步篩選星體的有效像素

采用1.1節的方法雖然最大可能地保留了星體光斑，但是同時也會保留一部分與星體邊緣像素相鄰的背景像素，如表2所示，因此需要利用自適應閾值算法進一步篩選出有效的星體.

表2 邊緣檢測方法提取的某星體A的灰度分布

利用1.1節的方法分離星體與背景，得到星圖f，對f進行像素標記，得到圖像標記g1′，g2′，從上至下，從左至右逐行掃描g1′，搜索到一個星體后，作如下處理：例如對得到的任一星體A如表2所示，記作區域Ⅰ，選取出星體A左上角的像素點（xj，yi），以其左側像素點（xj-1，yi）為起點，向左，向下選取10×10的窗口區域Ⅱ，由區域Ⅱ中背景像素計算星體A的自適應閾值為

式中：Vath為星體的自適應閾值；Ea為區域Ⅰ中背景像素的加和平均；σ為背景像素的方差；α為一個與噪聲有關的常值系數，經驗上常取3～5.

對于星體區域Ⅰ中的像素點，對應的g1′的標記置0；f按式（5）作篩選；g2′按式（6）處理，利用自適應閾值篩選出的星體A如表3所示，有效去除了殘留的背景像素.

表3 經過自適應閾值算法篩選出的星體A的灰度分布

對任意一幅星圖，用1.1節中的方法提取出的多個星體后，均用上述方法，分別計算每一個星體的閾值，再利用該閾值去除殘留的背景像素，保留有效的星體像素.

1.2.2 干擾噪聲和暗弱星去除

為了提高后續的星圖識別率，星體提取的一項重要工作就是去除干擾噪聲和暗弱星.

星敏感器成像時噪聲產生的主要原因有［9］：在拍攝過程中星空背景噪聲，分子噪聲，以及成像芯片信號傳輸到采集電路時夾雜的噪聲.噪聲的特點一般不具有聯系，是孤立的，以單個像元存在［10］.

為了得到更高的星體提取精度，星敏感器在設計時通常采用離焦技術，在靜態的條件下，滿足一定星等的恒星在CCD像平面上幾乘幾的像元大小的陣列窗口上成像.而低于該星等條件的星成像光斑通常會小于設計的成像窗口的大小.

基于上述干擾噪聲和暗弱星的成像特點，以及星敏感器設計時候的成像光斑大小、運動角速率和曝光時間，可以設定星體成像大小的門限值，利用1.2節處理后的星圖，統計每個星體像素的個數，若像素的個數大于該門限值，則保留該星體，若小于該門限值，則去除該星體.

例如在靜態條件下，文中試驗用的星敏感器成像光斑為2×2的像素大小，則門限可以設置為4；在角運動條件下，由于存在像移動，成像光斑則大于4個像素，具體的大小也跟曝光時間有關.

1.3星體質心坐標計算

星體提取的最終目的是提取星體質心，由于加權的質心法在工程應用中比較成熟，因此，本文選用該方法進行中心定位，如下式所示.

式中：f（xj，yi）為星體灰度值.

2 改進的像素標記算法

傳統的像素標記算法是先對目標像素進行標記，記錄等價的標記，然后再合并相同的星體.采用傳統的像素標記法標記的星體如表4所示.而采用改進后的標記算法處理后的結果如表5所示，同一星體的標記值是唯一的.

表4 傳統的星體的標記法

表5 改進的星體標記法

改進后的算法是在像素標記時，同時進行連通性分析，使得同一星體的像素，只分配一個標記值.下面對改進的像素標記算法分步驟作詳細的闡述.

2.1像素標記

圖像經過1.1節處理后，對星圖f從上至下，從左至右逐行掃描.對當前被掃描像素灰度大于0的點按順序作標記1，2，3，…，并將標記值和坐標保存在目標像素的信息表中，同時在標記的過程中要對每一個新像素的左、左上、上、右上4個像素的灰度值進行判斷，若這4個像素均未被標記過，則新像素的標記值在上一個標記的基礎上加1；若只有一個像素被標記過，則新像素的標記值等于被標記的像素的標記值；若有兩個以上的像素被標記過，則首先判斷這些標記是否有不相同的，若有不相同的，則再合并成同一標記值，并更新目標像素信息表，最后再標記新像素，并存儲.

整幅圖像中特殊的情況有：1）圖像左上角的像素，無左、左上、上、右上4個相鄰像素.2）圖像第1行（最上行）的像素，只有左相鄰像素；3）圖像第1列（最左列）的像素，只有上和右上相鄰像素；4）圖像最后一列（最右列）的像素，只有左、左上、上3個相鄰像素.

圖像其余位置的像素均有左、左上、上、右上4個相鄰像素，對于上述4種特殊情況，均看作也有同樣的4個相鄰的像素，對于缺少的相鄰的像素，均看作該位置處的標記值為初始值0，這樣就可以統一處理，便于編程實現.具體的標記過程如下：1）初始化像素標記gN×N為0；2）令起始標記值K為1；3）對圖像f從左到右，從上到下進行掃描；4）對大于等于閾值的像素進行標記處理.

若f（i，j）小于閾值則繼續掃描，若f（i，j）大于等于閾值，則依次判斷左、左上、上、右上4個相鄰像素的標記值：1）若上述4個相鄰像素點灰度值均小于閾值，則當前像素標記值加1，即K＝K＋1，g（i，j）＝K；2）如果4個相鄰像素中只有一個像素點的灰度值大于0，則當前像素標記同該像素點的標記值；3）如果4個相鄰像素中有m（1＜m≤4）個像素點灰度值大于0，則首先按下文的方法進行星體關聯性分析與合并處理，并更新目標像素信息表，然后再確定當前像素標值；4）將像素標記數值K、坐標和灰度值保存在目標像素信息表中，存儲格式如表5所示.

2.2星體關聯性分析與合并

目標按形狀大體可以分為兩種，凸形目標和凹形目標，用來進行關聯性分析的判據有兩種：四連通和八連通，凸形目標適合四連通，凹形目標適合八連通.

星敏感器的目標是星點經過離焦處理后在CCD像面上形成的光斑，是凸形目標，因此適合用四連通判距.

對星體目標像素標記時，若需要新標記的目標點○（i，j）的灰度值大于0，同時需要對表6中所示4個相鄰像素的標記值作判斷，若4個相鄰像素中有m（1＜m≤4）個像素點灰度值大于0，還需要首先對不同的標記值進行合并更新目標像素信息表.

目標點○與4個相鄰像素的關系如表6所示，只需判斷任意兩個像素標記值是否不同，然后再合并，最后再標記目標點○.任意兩個像素標記值出現不同的情況如表7所示，由于目標像素的標記值優先與左相鄰像素的標記值相同，因此BC，CD不同的情況不會出現，只需分析處理編號1～3，5中標志不同的情況.按B與D、A與B、A與C、A與D的先后順序判斷，處理過程如下：1）若標志B與標志D不同，即g（i-1，j-1）≠g（i-1，j＋1），則以位置（i-1，j＋1）為起點，向右掃描，將所有與g（i-1，j＋1）相等的標記值，更改為與g（i-1，j-1）相同的值.2）若A與B不同，即g（i，j-1）≠g（i-1，j-1），則以位置（i，j-1）為起點，向左掃描，將所有與g（i，j-1）相同的標記值，更改為與g（i-1，j-1）相同的值.3）若A與C不同，即g（i，j-1）≠g（i-1，j），則以位置（i，j-1）為起點，向左掃描，將所有與g（i，j-1）相同的標記值，更改為與g（i-1，j）相同的值.4）若A與D不同，即若g（i，j-1）≠g（i-1，j＋1），則以位置（i，j-1）為起點，向左掃描，將所有與g（i，j-1）相同的標記值，更改為與g（i-1，j＋1）相同的值.

表6 目標點O與4個相鄰像素的關系

表7 需要合并的像素標記

3 試驗結果

本文利用某星敏感器和DSP6416信息處理機搭建了算法驗證的硬件平臺，基本參數為：視場為10°×10°；感光芯片為CCD；像元數為512× 512；星等門限為6等星；精度為10″（1σ）；主星表包含4238顆導航星.

3.1邊緣檢測＋星體像素篩選的星體提取算法試驗驗證結果

星敏感器拍攝的一幀星圖如圖1所示，由圖1可以看到，該星圖背景干擾大，且不均勻.采用全局閾值算法分離出的星圖如圖2所示，其中6等星以內的觀測星4顆，利用改進的三角形星圖識別算法［11］進行識別，識別的結果：俯仰、偏航、橫滾時姿態角分別為314.330 3°、41.861 6°、92.129 8°；觀測星編號為0，1，2，3；導航星編號分別為3 689，3 762，3 787，3 744；星角距的平均誤差為12.132 0″（1σ）.而采用本文邊緣檢測＋星體像素篩選算法分離的結果如圖3所示，其中6等星以內的觀測星15顆，星圖識別結果：俯仰、偏航、橫滾時姿態角分別為314.333 6°、41.864 6°、92.133 7°；觀測星編號為0，1，2，3，4，6，7，8；導航星編號分別為3 689，3 762，3 787，3 744，3 792，3 715，3 730，3 797；星角距的平均誤差為7.601 6″（1σ）.因此利用該方法在強干擾條件下，分離出的觀測星更多，便于后續進行星圖識別和姿態確定.由于每個星體采用一個相應的自適應閾值，使星體的能量不會丟失，理論上星體坐標的精度會更高，星圖識別結果也表明，本文的方法得到的星角距的平均誤差更小，其中星角距的平均誤差是根據匹配成功的觀測星對角距和導航星對角距之間的誤差得到.因此，本方法處理后星體提取的精度也有所提高.

圖1 原始星圖

圖2 全局閾值法分離的星圖

圖3 本文像素標記方法分離出的星圖

3.2改進的像素標記算法的試驗驗證結果

在同一平臺上，對20幅外場試驗拍攝的星圖進行處理時，像素標記環節分別采用星體坐標關聯性分析法和本文的像素標記方法進行處理，坐標關聯性分析算法和本文的像素標記算法的平均運行時間分別為1.625、0.908 ms，速度提高了44.12%.因此，由于本方法在每個像素標記之間先進行連通性分析，使得每個像素只分配一個標記值，一次標記即可區分不同的星體，處理效率高、算法簡單，試驗結果也表明其運算速度更快，直接可以提高星敏感器的更新頻率.在高動態條件下，便于提高姿態確定和控制的精度.

4 結 論

1）鑒于在強干擾條件下，星圖的信噪比降低，傳統的基于全局閾值分割的星圖提取方法提取星體受限，不利于在各種復雜的環境下使用星敏感器，限制了星敏感器的應用，提出了一種邊緣檢測＋星體像素篩選星體提取方法，該方法首先利用邊緣檢測算法，檢測出星體，然后再用自適應閾值算法，篩選出星體的有效像素.試驗結果表明在強干擾條件下，該方法比全局閾值分割方法分離星體更多，抗噪聲干擾的能力更強.

2）對像素標記算法進行了改進，提出在對一個目標像素標記的前，首先進行連通性分析，給出了具體的算法，使得每個星體只分配一個標記值，有效提高了星體標記的效率，且算法更簡單，便于工程應用.

3）通過對其中的像素標記算法進行改進，結果表明，改進的方法對強干擾噪聲具有更好的魯棒性、精度也有所提高，且運算速度更快，便于在線處理，具有一定的工程應用價值.

［1］劉壘，張路，鄭辛，等.星敏感器技術研究現狀及發展趨勢［J］.紅外與激光工程，2007，36（增2）：529-533.［2］李學夔，郝志航，李杰，等.星敏感器的星點定位方法研究［J］.電子器件，2004，27（4）：571-574.

［3］KALENTEV O，RAI A，KEMNITZ S，et al.Connected component labeling on a 2D grid using CUDA［J］.Journal of Parallel and Distributed Computing，2011，71（4）：615-620.

［4］田睿，郝志成，吳川.利用動態鏈接表的二值圖像目標區域分割［J］.紅外與激光工程，2011，40（2）：344-349.

［5］SUZUKI K，HORIBA I，SUGIE N.Fast connected?component labeling based on sequential local operations in the course offorward raster scans followed by backward raster scan［C］／／Proceedings of 15th International Conference on Pattern Recognition.Barcelona，Spain：The Institute of Electrical and Electronics Engineers，2000：434-437.

［6］HE Lifeng，CHAO Yuyan，SUZUKI K，et al.A run?based two?scan labeling algorithm［J］.IEEE Transactions on Image Processing，2008，17（5）：749-756.

［7］徐正光，鮑東來，張利欣.基于遞歸的二值圖像連通域像素標記算法［J］.計算機工程，2006，32（24）：186-188.

［8］蔡喆，鄧年茂.單星星圖細分定位算法的研究［J］.計算機仿真，2006，23（3）：34-36.

［9］張輝，袁家虎，劉恩海.CCD噪聲對星敏感器星點定位精度的影響［J］.紅外與激光工程，2006，35（5）：629-633.

［10］李葆華，劉國良，劉睿，等.天文導航中的星敏感器技術［J］.光學精密工程，2009，17（7）：1616-1620.

［11］蹤華，高曉穎，汪渤.一種三角形星圖識別算法的改進與實現［C］／／第33屆中國控制會議論文集.西安：中國自動化學會控制理論專業委員會，2013：5182-5186.

（編輯魏希柱）

Method of star extraction on strong interference

ZONG Hua1，2，3，GAO Xiaoying3，WANG Bo1，WANG Hailuo1，LI Lei3
（1.School of Automation，Beijing Institute of Technology，100081 Beijing，China；2.National Key Laboratory of Science and Technology on Aerospace Intelligent Control，100854 Beijing，China；3.Beijing Aerospace Automatic Control Institute，100854 Beijing，China）

To solve the problem of star extraction on the condition of strong interference，a star extraction method based on edge detection＋selection for star pixels was proposed in this paper.An edge detection algorithm to segment the star image is first utilized，and then each pixel is marked.Finally，self?adaptive threshold to select the object pixels of each star is used.Also，the pixel labeling algorithm is improved，and before the pixel of targetis labeled，the connectivity of its neighbors is examined so that all ofthe pixels of the same star only have one mark and the processing efficiency of star image is improved.Experimental results show that the method has better robustness to strange interference，higher speed and accuracy.The improved method can distinguish sensed stars more quickly，and may be more convenient for engineering applications.

star extraction；edge detection；self?adaptive threshold；pixel labeling；connectivity

V488

A

0367-6234（2014）08-0113-05

2013-06-23.

總裝仿真專業組資助項目（51304030106）.

蹤 華（1978—），女，工程師.

蹤 華，zonghua3＠sina.cn.