CN109579872A - 一种星敏感器仪器星等估计方法 - Google Patents

Abstract

本发明涉及一种星敏感器仪器星等估计方法，包含：S1、对真实的星点像斑图像进行预处理；S2、对星点像斑图像降维滤波，利用卡尔曼滤波提取星点像斑图像的图像特征；S3、根据星敏感器特性，计算星点入射产生的光电子总数；S4、根据星点像斑的偏正态分布模型遍历参数，并建立参数与图像特征之间的关系数据库；S5、以S2中得到的图像特征作为依据，在S4中得到的关系数据库中寻找匹配误差最优的参数，建立偏正态分布模型，仿真得到星点像斑图像。本发明将卡尔曼滤波用于星点成像模型参数估计，优化星点能量分布模型，可实时迭代估计星敏感器仪器星等，表征星点像斑的不对称性，确保估计的实时性与准确性。

Description

一种星敏感器仪器星等估计方法

技术领域

本发明涉及一种星敏感器仪器星等估计方法，属于星敏感器研究的技术领域。

背景技术

星敏感器是当前精度最高的姿态敏感器，在卫星姿态的确定中被广泛运用。星点像斑具体是指星敏感器采集恒星星光所生成的单个恒星的光电数字图像。对星点像斑进行一系列的处理提取与算法计算后可得到星点位置，因此星点像斑对于提高星敏感器的精度等性能具有巨大影响。

当前对星点像斑的研究大多聚焦于星点提取算法，对于星点像斑的能量分布模型的研究并不深入，且缺少针对特定恒星和星敏感器的确定模型参数以仿真生成该恒星星点像斑的研究。高精度的星点像斑能量分布模型对于星点提取及星点定位精度有着至关重要的影响，同时可以在星敏感器的方案设计阶段为各个零部件的选型等提供理论要求，并为星点处理及提取算法作验证。

当前较为通用的星点像斑能量分布模型为二维高斯分布模型，能够仿真理想条件下的对称星点像斑。但该模型较为简单，无法仿真非对称的星点像斑，且对于实际生成的非对称星点像斑拟合准确度较差。另外，也有文献提出基于偏正态分布的星点像斑能量分布模型，但并未有实时确定该模型参数的方法，即没有一种实时仿真某一恒星在某一星敏感器上的星点像斑的方法。

基于上述，本发明提出一种星敏感器仪器星等估计方法，有效解决现有技术中存在的缺点和限制。首先基于恒星能量分布偏正态模型，结合恒星辐射特性与星敏感器成像特点改进了星点像斑灰度模型；同时提出将Kalman(卡尔曼)滤波用于模型参数的在线迭代估计，设计Kalman滤波器，能够实时仿真出具体某一恒星在某一星敏感器上相对应的星点像斑。

发明内容

本发明的目的是提供一种星敏感器仪器星等估计方法，将卡尔曼滤波用于星点成像模型参数估计，优化星点能量分布模型，可实时迭代估计星敏感器仪器星等，表征星点像斑的不对称性，确保估计的实时性与准确性。

为实现上述目的，本发明提供一种星敏感器仪器星等估计方法，包含以下步骤：

S1、对真实的星点像斑图像进行预处理；

S2、对星点像斑图像降维滤波，利用卡尔曼滤波提取星点像斑图像的图像特征；

S3、根据星敏感器特性，计算星点入射产生的光电子总数；

S4、根据星点像斑的偏正态分布模型遍历参数，并建立参数与图像特征之间的关系数据库；

S5、以S2中得到的图像特征作为依据，在S4中得到的关系数据库中寻找匹配误差最优的参数，建立偏正态分布模型，仿真得到星点像斑图像。

所述的S1中，对星点像斑图像的波门图，采用阈值分割法去除背景噪声，且阈值T为：

T＝μ+T₀

其中，μ为星点像斑波门图的背景均值；T₀为阈值偏移量。

所述的S2中，具体包含以下步骤：

S21、从星点像斑图像中提取图像特征，包括：星点像斑灰度总值G、像斑所占像元数目PN、像斑灰度最大值GM以及偏置度α；

S22、采用卡尔曼滤波对星点像斑图像降维，提取星点像斑图像滤波后的图像特征；具体为：

将星点像斑图像的图像特征作为测量值Z(k)；

根据卡尔曼滤波状态方程x(k|k-1)＝x(k-1)和误差方程P(k|k-1)＝P(k-1)，进行图像特征的滤波值x(k)和协方差阵P(k)的估计；

估计卡尔曼滤波增益：Kg(k+1)＝P(k+1|k)/(P(k+1|k)+R(k))；其中，R(k)为测量噪声v(k)的方差；

根据卡尔曼测量方程Z(k+1)＝x(k+1)+v(k+1)，进行图像特征的滤波值x(k)和协方差阵P(k)的修正，具体为：

x(k+1)＝x(k+1|k)+Kg(k+1)(Z(k+1)-x(k+1|k))

P(k+1)＝(I-Kg(k+1))P(k+1|k)

得到通过卡尔曼滤波的图像特征。

所述的S21中，各个星点像斑图像的图像特征具体定义为：

A、星点像斑灰度总值G为星点像斑波门图中所有像元灰度的总和：

G＝∑I_star(x,y)

其中，I_star(x,y)为星点像斑波门图的像元(x,y)的灰度；

B、像斑所占像元数目PN为星点像斑波门图中像元灰度大于0的像元个数：

PN＝num(I_star(x,y)＞0)

C、像斑灰度最大值GM为星点像斑波门图中的像元灰度的最大值：

GM＝max(I_star(x,y))

D、偏置度α为：

在星点像斑波门图中寻找到灰度之和最大的一列或一行，其列号或行号为x_max，该列x_max或该行x_max将星点像斑波门图分割为两部分，则有：

I₁＝∑I_star(x,y)且x<＝x_max

I₂＝∑I_star(x,y)且x＞x_max

其中，I₁为列x_max左半部分的所有像元有效灰度之和，或者I₁为行x_max上半部分的所有像元有效灰度之和；I₂为列x_max右半部分的所有像元有效灰度之和，或者I₂为行x_max下半部分的所有像元有效灰度之和。

所述的S22中，测量值Z(k)包括：星点像斑灰度总值G、像斑所占像元数目PN、像斑灰度最大值GM、I₁和I₂；通过卡尔曼滤波的图像特征包括：星点像斑灰度总值G、像斑所占像元数目PN、像斑灰度最大值GM以及偏置度α。

所述的S3中，星点入射产生的光电子总数N_star的计算方法为：

N_star＝(N·t)/2.5^Mv

其中，N为星等为0的恒星入射每秒所产生的光电子数目；t为曝光时间；Mv为恒星星等。

所述的S4中，具体包含以下步骤：

S41、建立星点像斑图像的能量偏正态分布模型：

其中，f_star(x,y)为像元(x,y)的光电子数；(x₀,y₀)为像斑能量分布的峰值坐标；n为量化系数，如8bit或16bit；M为像元电子满阱容量；A₁、A₂为转换系数；σ₁、σ₂为高斯半径；

S42、选取参数A₁、A₂、σ₁、σ₂的取值范围，选取采样步长，使用参数遍历法在取值范围按采样步长遍历参数A₁、A₂、σ₁、σ₂，分别计算不同参数条件下的偏正态分布模型，并仿真得到星点像斑图像，且提取图像特征；

根据遍历得到的所有参数，及与其对应的通过仿真得到的图像特征，建立参数A₁、A₂、σ₁、σ₂与图像特征之间的关系数据库。

所述的S5中，将S2中得到的通过卡尔曼滤波的图像特征：星点像斑灰度总值G、像斑所占像元数目PN、像斑灰度最大值GM以及偏置度α作为依据，在S4中得到的关系数据库中匹配与该些图像特征相对应的误差最小的参数A₁、A₂、σ₁、σ₂，建立偏正态分布模型作为准确的恒星像斑模型，仿真得到星点像斑图像。

综上所述，本发明所提供的星敏感器仪器星等估计方法，改进星敏感器星点像斑的能量偏正态分布模型，将卡尔曼滤波用于降维并提取像斑星点图像的关键图像特征，从而确定模型参数，最终生成准确的仿真像斑星点图像。因此，本发明将卡尔曼滤波用于星点成像模型参数估计，优化星点能量分布模型，可实时迭代估计星敏感器仪器星等，表征星点像斑的不对称性，确保估计的实时性与准确性。

附图说明

图1为本发明中的星敏感器仪器星等估计方法的主要步骤流程图；

图2为本发明中的星敏感器仪器星等估计方法的详细步骤流程图。

具体实施方式

以下结合图1～图2，通过优选实施例对本发明的技术内容、构造特征、所达成目的及功效予以详细说明。

如图1和图2所示，为本发明所提供的星敏感器仪器星等估计方法，包含以下步骤：

S1、对真实的星点像斑图像进行预处理；

S2、对星点像斑图像降维滤波，利用卡尔曼滤波提取星点像斑图像的图像特征；

S3、根据星敏感器特性，计算星点入射产生的光电子总数；

S4、根据星点像斑的偏正态分布模型遍历参数，并建立参数与图像特征之间的关系数据库；

S5、以S2中得到的图像特征作为依据，在S4中得到的关系数据库中寻找匹配误差最优的参数，建立偏正态分布模型，仿真得到星点像斑图像。

所述的S1中，星点像斑图像是指星敏感器采集恒星星光所生成的该恒星的光电数字图像。

所述的S1中，对星点像斑图像的8×8波门图，采用阈值分割法去除背景噪声，且阈值T为：

T＝μ+T₀

其中，μ为星点像斑波门图的背景均值；T₀为阈值偏移量，通常根据工程经验设定。

如图2所示，所述的S2中，具体包含以下步骤：

S21、从星点像斑图像中提取图像特征，包括：星点像斑灰度总值G、像斑所占像元数目PN、像斑灰度最大值GM以及偏置度α；

S22、采用卡尔曼滤波对星点像斑图像降维，提取星点像斑图像滤波后的图像特征；具体为：

将星点像斑图像的图像特征作为测量值Z(k)；

根据卡尔曼滤波状态方程x(k|k-1)＝x(k-1)和误差方程P(k|k-1)＝P(k-1)，进行图像特征的滤波值x(k)和协方差阵P(k)的估计；

估计卡尔曼滤波增益：Kg(k+1)＝P(k+1|k)/(P(k+1|k)+R(k))；其中，R(k)为测量噪声v(k)的方差，可根据工程经验估计得到；

根据卡尔曼测量方程Z(k+1)＝x(k+1)+v(k+1)，进行图像特征的滤波值x(k)和协方差阵P(k)的修正，得到通过卡尔曼滤波的图像特征，具体为：

x(k+1)＝x(k+1|k)+Kg(k+1)(Z(k+1)-x(k+1|k))

P(k+1)＝(I-Kg(k+1))P(k+1|k)

其中，初始协方差阵选取P(0)＝I_5*5。

所述的S21中，各个星点像斑图像的图像特征具体定义为：

A、星点像斑灰度总值G为星点像斑波门图中所有像元灰度的总和：

G＝∑I_star(x,y)

其中，I_star(x,y)为星点像斑波门图的像元(x,y)的灰度；

B、像斑所占像元数目PN为星点像斑波门图中像元灰度大于0的像元个数：

PN＝num(I_star(x,y)＞0)

C、像斑灰度最大值GM为星点像斑波门图中的像元灰度的最大值：

GM＝max(I_star(x,y))

D、偏置度α为：

在星点像斑波门图中寻找到灰度之和最大的一列或一行，其列号或行号为x_max，该列x_max或该行x_max将星点像斑波门图分割为两部分，则有：

I₁＝∑I_star(x,y)且x<＝x_max

I₂＝∑I_star(x,y)且x＞x_max

其中，I₁为列x_max左半部分的所有像元有效灰度之和，或者I₁为行x_max上半部分的所有像元有效灰度之和；I₂为列x_max右半部分的所有像元有效灰度之和，或者I₂为行x_max下半部分的所有像元有效灰度之和。

在本发明的优选实施例中，找到星点像斑波门图中灰度之和最大的一列x_max，该列x_max将星点像斑波门图分割为左右两部分，那么该列x_max左半部分的所有像元有效灰度之和为I_l，该列x_max右半部分的所有像元有效灰度之和为I_r，则有：

由此得到偏置度α。

所述的S22中，测量值Z(k)包括：星点像斑灰度总值G、像斑所占像元数目PN、像斑灰度最大值GM、I₁和I₂；通过卡尔曼滤波的图像特征包括：星点像斑灰度总值G、像斑所占像元数目PN、像斑灰度最大值GM以及偏置度α。

所述的S3中，星点入射产生的光电子总数N_star对于特定的恒星及特定的星敏感器为一个定值，其计算方法为：

N_star＝(N·t)/2.5^Mv

其中，N为星等为0的恒星入射每秒所产生的光电子数目；t为曝光时间；Mv为恒星星等；并且参数N和t均可通过查询星敏感器的产品手册得到，是根据星敏感器的特性确定的。

如图2所示，所述的S4中，具体包含以下步骤：

S41、建立星点像斑图像的能量偏正态分布模型：

其中，f_star(x,y)为像元(x,y)的光电子数；(x₀,y₀)为像斑能量分布的峰值坐标；n为量化系数，如8bit或16bit；M为像元电子满阱容量；并且参数n和M均可通过查询星敏感器的产品手册得到，是根据星敏感器的特性确定的；A₁、A₂为转换系数；σ₁、σ₂为高斯半径；且A₁、A₂、σ₁、σ₂为待确定的模型参数；

S42、选取参数A₁、A₂、σ₁、σ₂的取值范围，选取采样步长，使用参数遍历法在取值范围按采样步长遍历参数A₁、A₂、σ₁、σ₂，分别计算不同参数条件下的偏正态分布模型，并仿真得到星点像斑图像，且提取图像特征；

根据遍历得到的所有参数，及与其对应的通过仿真得到的图像特征，建立参数A₁、A₂、σ₁、σ₂与图像特征之间的关系数据库。

所述的S5中，将S2中得到的通过卡尔曼滤波的图像特征：星点像斑灰度总值G、像斑所占像元数目PN、像斑灰度最大值GM以及偏置度α作为依据，在S4中得到的关系数据库中匹配与该些图像特征相对应的误差最小的参数A₁、A₂、σ₁、σ₂，建立偏正态分布模型作为准确的恒星像斑模型，仿真得到星点像斑图像。

在实际应用中，星敏感器导航星表中的每一颗恒星所对应的参数关系数据库均可在地面时通过理论计算得到，并存储在星敏感器系统中，从而能够在在轨飞行时随时调用。

综上所述，本发明所提供的星敏感器仪器星等估计方法，改进星敏感器星点像斑的能量偏正态分布模型，将卡尔曼滤波用于降维并提取像斑星点图像的关键图像特征，从而确定模型参数，最终生成准确的仿真像斑星点图像。因此，本发明将卡尔曼滤波用于星点成像模型参数估计，优化星点能量分布模型，可实时迭代估计星敏感器仪器星等，表征星点像斑的不对称性，确保估计的实时性与准确性。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (8)

1.一种星敏感器仪器星等估计方法，其特征在于，包含以下步骤：

S1、对真实的星点像斑图像进行预处理；

S2、对星点像斑图像降维滤波，利用卡尔曼滤波提取星点像斑图像的图像特征；

S3、根据星敏感器特性，计算星点入射产生的光电子总数；

S4、根据星点像斑的偏正态分布模型遍历参数，并建立参数与图像特征之间的关系数据库；

S5、以S2中得到的图像特征作为依据，在S4中得到的关系数据库中寻找匹配误差最优的参数，建立偏正态分布模型，仿真得到星点像斑图像。

2.如权利要求1所述的星敏感器仪器星等估计方法，其特征在于，所述的S1中，对星点像斑图像的波门图，采用阈值分割法去除背景噪声，且阈值T为：

T＝μ+T₀

其中，μ为星点像斑波门图的背景均值；T₀为阈值偏移量。

3.如权利要求2所述的星敏感器仪器星等估计方法，其特征在于，所述的S2中，具体包含以下步骤：

S21、从星点像斑图像中提取图像特征，包括：星点像斑灰度总值G、像斑所占像元数目PN、像斑灰度最大值GM以及偏置度α；

S22、采用卡尔曼滤波对星点像斑图像降维，提取星点像斑图像滤波后的图像特征；具体为：

将星点像斑图像的图像特征作为测量值Z(k)；

根据卡尔曼滤波状态方程x(k|k-1)＝x(k-1)和误差方程P(k|k-1)＝P(k-1)，进行图像特征的滤波值x(k)和协方差阵P(k)的估计；

估计卡尔曼滤波增益：Kg(k+1)＝P(k+1|k)/(P(k+1|k)+R(k))；其中，R(k)为测量噪声v(k)的方差；

根据卡尔曼测量方程Z(k+1)＝x(k+1)+v(k+1)，进行图像特征的滤波值x(k)和协方差阵P(k)的修正，具体为：

x(k+1)＝x(k+1|k)+Kg(k+1)(Z(k+1)-x(k+1|k))

P(k+1)＝(I-Kg(k+1))P(k+1|k)

得到通过卡尔曼滤波的图像特征。

4.如权利要求3所述的星敏感器仪器星等估计方法，其特征在于，所述的S21中，各个星点像斑图像的图像特征具体定义为：

A、星点像斑灰度总值G为星点像斑波门图中所有像元灰度的总和：

G＝∑I_star(x,y)

其中，I_star(x,y)为星点像斑波门图的像元(x,y)的灰度；

B、像斑所占像元数目PN为星点像斑波门图中像元灰度大于0的像元个数：

PN＝num(I_star(x,y)＞0)

C、像斑灰度最大值GM为星点像斑波门图中的像元灰度的最大值：

GM＝max(I_star(x,y))

D、偏置度α为：

在星点像斑波门图中寻找到灰度之和最大的一列或一行，其列号或行号为x_max，该列x_max或该行x_max将星点像斑波门图分割为两部分，则有：

I₁＝∑I_star(x,y)且x<＝x_max

I₂＝∑I_star(x,y)且x＞x_max

其中，I₁为列x_max左半部分的所有像元有效灰度之和，或者I₁为行x_max上半部分的所有像元有效灰度之和；I₂为列x_max右半部分的所有像元有效灰度之和，或者I₂为行x_max下半部分的所有像元有效灰度之和。

5.如权利要求4所述的星敏感器仪器星等估计方法，其特征在于，所述的S22中，测量值Z(k)包括：星点像斑灰度总值G、像斑所占像元数目PN、像斑灰度最大值GM、I₁和I₂；通过卡尔曼滤波的图像特征包括：星点像斑灰度总值G、像斑所占像元数目PN、像斑灰度最大值GM以及偏置度α。

6.如权利要求3所述的星敏感器仪器星等估计方法，其特征在于，所述的S3中，星点入射产生的光电子总数N_star的计算方法为：

N_star＝(N·t)/2.5^Mv

其中，I₁为列x_max左半部分的所有像元有效灰度之和，或者I₁为行x_max上半部分的所有像元有效灰度之和；I₂为列x_max右半部分的所有像元有效灰度之和，或者I₂为行x_max下半部分的所有像元有效灰度之和。

7.如权利要求6所述的星敏感器仪器星等估计方法，其特征在于，所述的S4中，具体包含以下步骤：

S41、建立星点像斑图像的能量偏正态分布模型：

其中，f_star(x,y)为像元(x,y)的光电子数；(x₀,y₀)为像斑能量分布的峰值坐标；n为量化系数，如8bit或16bit；M为像元电子满阱容量；A₁、A₂为转换系数；σ₁、σ₂为高斯半径；

S42、选取参数A₁、A₂、σ₁、σ₂的取值范围，选取采样步长，使用参数遍历法在取值范围按采样步长遍历参数A₁、A₂、σ₁、σ₂，分别计算不同参数条件下的偏正态分布模型，并仿真得到星点像斑图像，且提取图像特征；

根据遍历得到的所有参数，及与其对应的通过仿真得到的图像特征，建立参数A₁、A₂、σ₁、σ₂与图像特征之间的关系数据库。

8.如权利要求7所述的星敏感器仪器星等估计方法，其特征在于，所述的S5中，将S2中得到的通过卡尔曼滤波的图像特征：星点像斑灰度总值G、像斑所占像元数目PN、像斑灰度最大值GM以及偏置度α作为依据，在S4中得到的关系数据库中匹配与该些图像特征相对应的误差最小的参数A₁、A₂、σ₁、σ₂，建立偏正态分布模型作为准确的恒星像斑模型，仿真得到星点像斑图像。