图像处理在航天器中的应用文档格式.docx
《图像处理在航天器中的应用文档格式.docx》由会员分享，可在线阅读，更多相关《图像处理在航天器中的应用文档格式.docx（13页珍藏版）》请在冰点文库上搜索。
恒星顾名思义是位置恒定不变的星体。
其实，恒星在宇宙空间是运动着的，而且运动速度很快。
恒星的运动速度可以分解为视向速度和切向速度。
前者是沿着观测者视线方向的分量；
后者是同视向速度相垂直的分量，它表现为恒星在天球上的位移，常称为自行。
我们一般只关心恒星的自行。
恒星自行速度一般都小于0.1’’/年，迄今为止只发现有400余颗恒星的自行速度超过1’’/年。
（3）恒星的亮度
恒星能自行发光，这是它的本质特征。
恒星的亮度是指从地球上所观测到的视亮度，它不仅与恒星的发光本领有关，还取决于恒星的距离。
在天文学上，恒星的亮度用星等来表示，星等越低表示亮度越高。
星等相差1等，亮度相差2.512倍，1等星的亮度为6等星亮度的100倍。
天文上的星等基准起先是以毕宿五与牛郎星这两颗星为Mv=1.0的标准星，后来改以织女星为Mv=0.0的标准星来定义其他恒星的星等。
人眼的裸视所能观测的极限星等约为6.0，天文望远镜所能观测的极限星等一般为10.0以上，例如哈勃太空望远镜所能观测的极限星等可达30.0。
（4）恒星的大小
虽然恒星本身的实际大小差别很大，但从地球上观察它们的张角都远远小于1’’，因此可以把恒星看作是一个理想的点光源。
综合上述恒星的特性，对于天文导航而言，恒星可以看成是无穷远的、近似静止不动的，具有一定光谱特性的电光源。
2.2.天球
为描述恒星的方位，必须建立一个坐标系用坐标值表示恒星在某一时刻的位置信息，这个坐标系即为天球坐标系。
（1）天球
天文学上为了与人们的直观感觉相适应，把天空假想成一个巨大的球面，即为天球。
天球是以地球的球心为中心，半径无穷大的假想球面。
（2）天轴和天极
过天球中心作一条和地球自转轴平行的直线，这条直线称为天轴。
天轴与天球的交点称为天极。
（3）天赤道和天赤道面
过天球中心且与天轴垂直的平面与天球的交线称为天赤道，天赤道所在的平面称为天赤道面。
2.3.星表
将星空中的恒星的数据，按不同的需求编制而成的表册，称为星表。
在星表中通常列有恒星的位置、自行、亮度、颜色和距离等丰富的信息。
星表是作为星图识别的依据，也是航天器飞行姿态确定的基础。
对于天文导航而言，我们感兴趣的信息只包括恒星的位置和亮度。
恒星在天球球面上的投影点称为恒星的位置。
恒星的位置分为平位置、真位置和视位置。
标准星表中存储的恒星位置为恒星在标准历元（J2000）中的平位置。
标准历元平位置加上由标准历元到当年年中的岁差和自行即得到当天的平位置，在当天的平位置加上章动则得到真位置。
由太阳质心转换到地球质心，即加入光行差，则得到视位置，即为观测时刻恒星在赤经坐标系下的坐标。
为简单起见，我们一般直接采用标准星表中赤经和赤纬坐标，即标准历年平位置，这样参照坐标系可以看成是标准历年的平坐标系。
因此，所计算的姿态可以理解为相对于标准历年平坐标系的姿态。
2.4.天文导航的系统组成
在航天器天文导航中，通常利用天体敏感器来实现对自然天体的观测，根据所观测到的天体的方位信息进行自主定姿定位导航。
按照敏感天体的不同，天体敏感器可分为：
恒星敏感器、太阳敏感器、地球敏感器和月球敏感器等。
恒星敏感器（通常简称星敏感器）是当前广泛应用的天体敏感器，它以恒星矢量作为参考矢量，可以实现高精度的姿态测量。
基于星敏感器的天文导航系统通常由星敏感器、计算机、信息处理器等组成。
其中星敏感器是其中的主要设备。
以下将主要介绍星敏感器，重点介绍星敏感器中的星图识别技术。
3.星敏感器的原理及结构
星敏感器的工作原理为：
图像传感器（CCD或者CMOS）拍摄视轴指向星空的图像，图像经过信号处理电路提取出星点的位置（和亮度）信息，通过星图识别算法在导航星库中找到观测星的对应匹配，最后利用这些匹配星的方向矢量信息计算出星敏感器的三轴姿态，从而确定航天器的空间姿态。
典型的星敏感器工作原理框图如下所示：
图1.星敏感器工作原理框图
星敏感器是集光学、机械、电子、图像处理、嵌入式计算等技术于一体的仪器。
其主要包括：
遮光罩、镜头、图像传感器及其电路板、信号处理电路、机壳等部件构成。
其中遮光罩的作用是消除进入星敏感器图像传感器的外部杂散光，降低所获取星图的背景噪声。
杂散光主要包括太阳光、地球反照光等，它们会对星敏感器的星点定位和星图识别程序产生很大的干扰。
镜头实现对恒星的成像，将无穷远的恒星成像到星敏感器的图像传感器焦平面上。
图像传感器是星敏感器的核心部件，实现光信号到电信号的转换。
常用的图像传感器有CCD和CMOS两大类。
后续的信号处理电路完成图像传感器的成像驱动、时序控制、星点定位、星图识别等各部分功能，并最终输出三轴姿态。
4.星图识别
星图识别是将星敏感器当前视场中的恒星与导航星库中的参考星进行对应匹配，以完成视场中恒星的识别，是准确确定航天器的空间姿态和位置的重要前提。
通常，将星对角距和星体亮度信息作为星图的基本特征信息，尤其是角距信息在星图识别中具有重要作用。
4.1.星图识别的基本过程
星图识别一般包括图像采集预处理、特征提取、匹配识别等过程。
在进行识别之前，需要构建导航数据库将预先提取出的导航星特征存储起来，便于匹配识别。
星图识别的流程如下图所示：
图2.星图识别的基本流程
（1）图像预处理
图像预处理包括去除噪声和星点质心提取。
对于实拍的星图，受光敏器件的暗电流、星空背景等因素影响，会存在一定的噪声，一般会用线性滤波、中值滤波、形态滤波等方法进行去噪处理，然后使用质心提取算法确定星点的坐标。
星敏感器的光学系统通常都进行适当的散焦，使星点能量分布在3×
3像素~5×
5像素的区域内，亮度分布符合点扩散函数，这样获得的定位精度较高。
根据星点能量分布规律，目前成熟的质心提取算法主要有质心法、平方加权质心法、曲面拟合法等。
合适的质心定位算法精度可以达到1/20像素。
（2）特征提取
与一般的图像识别不同，星图识别可利用的信息相对较少。
图像识别可以利用灰度、轮廓、纹理等信息，而星图图像可利用的信息为星点的位置坐标和星点的亮度，对应于星表中天球坐标系下导航星的坐标和星等。
而亮度（星等）常被认为是一种不可靠的信息量，由于图像传感器的频谱响应特性的差异，仪器星等和视星等并不一致。
此外，有些恒星的星等并不是固定不变的。
因此，在星图识别中尽可能的少利用星等信息进行判别。
实际应用中，常常用星间角距（即星与星之间的球心角，简称角距）作为特征进行匹配。
因为角距不但可以通过观测星图准确地计算出来，对于天空中的恒星而言，相互之间的角距随时间改变很少，可以认为其在非常小的门限范围内变化。
此外角距在坐标变换中保持不变，是一种可靠的特征量。
（3）构建导航数据库
导航数据库一般包括两大部分：
导航星表和导航星特征数据库。
导航星表是从基本星表中挑选出一定亮度范围的导航星，利用其位置和亮度信息编制而成简易星表。
星敏感器除了需要构建导航星表外，还需要按照特征提取算法，构造导航星的特征向量，存储有特征向量构成的导航星特征数据库。
导航数据库要求完备且检索方便，同时数据量尽可能少，以减少存储空间。
（4）匹配识别
按照构造导航星特征的方式，提取出观测星的特征后，就可以在导航数据库中寻找特征类似的导航星。
如果找到特征唯一接近的导航星，那么认为二者匹配。
匹配识别过程和提取特征的方法紧密相关，通常在获得初步匹配结果后，还需要后续匹配过程进行验证。
一般情况下，匹配过程中遍历整个导航数据库需要大量的时间，而快速搜索是匹配识别中的一项关键技术，高效率的搜索方法会提升星图识别算法的性能。
匹配识别的结果可用于计算星敏感器的姿态或者为后续匹配提供参考。
4.2.星图识别算法
高效的星图识别算法主要有两个方面：
●高效的星图预处理和星点提取
●快速的星点特征量提取和星图匹配
以下主要介绍星点质心细分定位和三角形星图识别法。
4.2.1.星点质心细分定位
受成像器件制造工艺水平的限制，图像的分辨率不可能无限制地提高，因此通过提高图像分辨率来提高定位精度的方法受到一定的局限。
然而，通过图像处理方法用软件的方式对星点进行细分定位则是一个行之有效的途径。
（1）星图图像预处理
星图图像预处理主要包括去噪处理和星体目标的粗识别。
图像传感器的输出经过图像采集电路得到的原始数字图像信号夹杂着大量的噪声，因此，对原始星图图像一般应先经过去噪处理。
常用的去噪处理可以采用3×
3或5×
5的低通滤波模板，如邻域平均模板和高斯模板。
在提取星点位置信息之前必须对星图图像中的星点目标进行粗识别。
粗识别实际上是一个图像分割过程，这一过程可以分为两个阶段：
一是将星点目标和背景分离开；
二是将单个星点目标与其他的星点目标分离开。
对于第一阶段，可以采用全局阈值或者局部阈值的方法进行阈值分割。
一般情况用一个固定的全局背景阈值即可以将星点目标和背景分离开。
全局阈值的选取可以采用多窗口采样的方法：
在图像中任取几个窗口，计算其灰度分布的均值，把这个均值作为背景灰度分布的均值。
一般实际中，在背景均值基础上加上噪声标准偏差的5倍即可作为全局背景阈值。
对于星点目标的互相区分，一般采用连通域算法实现星点目标的聚类识别，其具体步骤如下：
1）从左至右，从上至下扫描图像；
2）如果像素点的灰度大于背景阈值（T），则：
Ø
如果上面点或左面点有一个标记，则复制这个标记。
如果上面点或左面点有相同的标记，则复制这个标记。
如果上面点或左面点的标记不同，则复制上面点的标记并将这两个标记输入等价表作为等价标记。
否则给这个像素点分配一个新的标记并将之记入等价表。
3）重复2）直到扫描完图像中所有灰度值大于T的像素点。
4）将等价表里具有相同标记的像素点合并，并重新分配一个低序号的标记。
经过连通域分割处理后，各个星点目标在星图中表现为相邻的具有相同标记点的像素点的集合。
为了消除可能存在噪声干扰的影响，对占像素点少于一定阈值的目标应该舍弃掉。
（2）细分定位方法
为了从星图中获得更高的星点位置定位精度，通常采用离焦的方式，使恒星在敏感器感光面上的成像点扩散到较多的像素上。
实验证明当弥散圆的直径在3~5个像元时，可达到理想的细分定位精度。
点状光斑目标的细分定位方法一般采用基于灰度的方法。
主要考虑质心法。
设包含目标的图像表示为f（x,y），其中x=1,…,m，y=1,…,n。
阈值化过程表述如下：
这里，T表示为背景阈值。
质心法实际上就是计算二值化后图像的一阶矩，即：
质心法是用的最多的一种细分定位方法，它实现比较简单，而且有一定的定位精度。
质心法要求点状光斑图像的灰度分布比较均匀。
质心法有一些改进的形式，主要有带阈值的质心法和平方加权质心法。
带阈值的质心法相当于将原图像与背景阈值相减，对原图像中大于阈值的像素点求质心。
平方加权质心法采用灰度值的平方代替灰度值作为权值，它突出了离中心较近的较大灰度值像素点对中心位置的影响。
4.2.2.三角形星图识别
三角形算法是目前用得最多、最成熟的算法。
其基本原理是以三颗星相互之间的角距作为匹配特征。
如下图所示：
图3.三角形算法
图中：
，Si和Sj分别观测星i和j的方向矢量。
匹配三角形可取为（d12，d23，d13），也可取为（d12，θ，d13）。
一般情况下，（d12，d23，d13）按照角距取值的大小升序（或者降序）排列存储在导航模式库中。
三角形算法的识别是在导航模式库中寻找和观测三角形最接近的匹配三角形的过程。
对于导航星m和n，则定义角距
。
若三颗观测星三条边的两两角距和导航星能匹配，则满足：
其中，ε表示角距测量的不确定度。
导航三角的数量过于庞大是三角形算法面临的最主要问题。
理论上，N颗导航星可以组成N（N-1）（N-2）/6个导航三角，虽然由于视场的限制可以去掉很多的导航三角形，但剩余导航三角形的数目仍然十分庞大。
特别在极限星等比较高，导航星总数目比较大的情况下，过多的导航三角形限制了三角形算法的使用。
通常采用筛选导航星或筛选三角形的方法来解决导航三角形数量过多的问题。
未解决传统三角形法的问题，需对其进行一定的改进。
4.2.3.改进的三角形星图识别
改进的三角形星图识别采用角距匹配的改进三角形星图识别算法，采用存储星对角距的形式来实现三角形匹配。
（1）星对的生成
不考虑视场的限制，理论上N颗导航星有N（N-1）/2个星对，这要远小于组成三角形的数目。
星对的生成过程如下：
1）扫描筛选后的导航星表。
2）若存在两颗星的角距小于d，则把这个角距及两颗星的序号记录下来。
这里d为视场的对角距。
例如视场为12°
×
12°
时，取d=12
°
（2）观测三角形的选取
由于亮度高的星提供的信息比较可靠，通常优先挑选亮星进行星图识别。
在观测三角形选取的过程中，并不是选取一个唯一的观测三角形来进行识别，而是从中选取数量为NB的一组亮星，任意组成观测三角形来进行识别。
若某一观测三角形组合识别失败，则挑选剩余的观测三角形组合来进行识别，直到得到正确的识别为止。
NB值的选取不能太大也不能太小。
太大则组合太多，太小则可能增加无法识别的风险。
经过实验验证，一般选取NB=6。
（3）三角形的识别
对于三角形识别，为避免搜索消耗的时间，采用了一种基于状态标识的简单、快速的搜索方法，通过对状态标识的设置与判断来寻找符合条件的星对集合（p1，p2，p3），具体步骤如下：
1）为导航星表里的每一颗导航星均设置一个状态标识，在进行匹配识别前对其进行初始化，将每颗导航星的状态均设为0。
2）扫描C（d12），把该集合中所有星对所包含的导航星状态都置为I，并记下与之组成星对的另一颗星的序号j。
3）扫描C（d23），如果该集合中星对所包含的导航星的状态已被置为I，则将这颗导航星的状态标记置为II，并记下与之组成星对的另一颗导航星的序号k。
4）扫描C（d13），如果（j，k）∈C（d13），即导航星j和导航星k组成的星对包含在C（d13）中，则找到了一个匹配三角形。
这时，将与（j，k）组成星对的另一颗导航星i的状态由II变为III。
（i，j，k）为与观测三角形匹配的导航三角形。
（4）小结
综上，改进的三角形算法识别的流程如下图所示：
图4.改进的三角形算法识别流程图
5.算法验证结果
（1）识别参数的选择
Ns是用于识别的观测三角形的个数。
理论上，Ns越大，识别率越高。
当Ns等于可用于识别的观测三角形组合的最大数目时，识别率达到最高。
通过仿真、实验，当Ns=3时，可保证正确识别的概率为99%以上。
（2）星点位置噪声对识别的影响
在噪声水平很小（星点噪声标准偏差小于0.5）的情况下，采用改进的三角形识别算法的识别率可达约100%；
当星点噪声标准偏差达到2时，采用改进的三角形识别算法的识别率可达约97%。
（3）星等噪声对识别的影响
改进的三角形算法对星等噪声具有较强的鲁棒性。
在星等噪声标准偏差为1Mv时仍能达到93%的识别率，在星等噪声标准偏差小于0.5Mv时，识别率接近100%。
（4）存储容量
由于采用了角距匹配的形式，改进的三角形算法在存储空间上有了很大程度的减少，对于经过筛选的3360颗导航星，角距的存储空间为0.5MB，而传统的三角形算法一般至少需要1MB的存储空间。
升级会员 