楊會玲，柳紅巖，王 軍，孫慧婷，何 昕

?

漂移掃描CCD星圖的星點目標(biāo)快速提取

楊會玲1,2，柳紅巖1，王 軍1，孫慧婷1，何 昕2

( 1. 蘇州科技學(xué)院電子與信息工程學(xué)院，江蘇蘇州 215000；2. 中國科學(xué)院長春光學(xué)精密機(jī)械與物理研究所，長春 130033 )

在實時同步衛(wèi)星定軌系統(tǒng)中，為了提高漂移掃描CCD星圖目標(biāo)提取的實時性，提出最簡特征融合算法。通過星圖背景分割減少噪聲影響，提取局部灰度最大值與局部區(qū)域?qū)Ρ榷茸鳛樾屈c目標(biāo)特征，通過選取最佳權(quán)值融合上述兩種特征，突顯星點目標(biāo)。與傳統(tǒng)的星點提取算法相比，所選取的兩種特征容易提取，運(yùn)算量小，節(jié)省星點目標(biāo)提取時間，提高了星點提取精度。通過對分辨力為1 528×1 528的漂移掃描CCD星圖進(jìn)行處理，實驗結(jié)果證明了該算法的有效性。

漂移掃描CCD；背景分割；特征融合；星點提取

0 引 言

在獲取同步衛(wèi)星位置信息時，通常利用恒星定位歸算同步衛(wèi)星軌道的方法。在提取恒星目標(biāo)與同步衛(wèi)星目標(biāo)時，星象形狀為圓形則更易提取，但是，由于同步衛(wèi)星與恒星背景之間有相對運(yùn)動，所以若只對恒星作凝視觀測，難以同時獲取兩者良好圓星象，為了克服這一技術(shù)缺陷，提出了天文望遠(yuǎn)鏡CCD漂移掃描工作模式。其工作原理為TDI模式與凝視模式交替觀測恒星與同步衛(wèi)星。TDI模式下的星圖恒星表現(xiàn)為拖長星象，衛(wèi)星表現(xiàn)為圓星象；凝視模式衛(wèi)星拖長，恒星為圓星象。

對恒星目標(biāo)的提取是同步衛(wèi)星定位中重要的基礎(chǔ)性工作，許多學(xué)者對此做出大量的研究，文獻(xiàn)[1]提出連通分析算法，即掃描星圖，儲存大于閾值屬于星點目標(biāo)的像元，分析像素灰度值特點及其坐標(biāo)之間的關(guān)系，建立有效星點的外接矩形。文獻(xiàn)[2]提出基于邊緣檢測的星點提取方法，即掃描星點區(qū)域邊緣像素，利用邊緣像素確定星點區(qū)域。文獻(xiàn)[3]提出靜態(tài)視框法提取星點目標(biāo)，即選取合適大小的視框，通過在圖像中移動視框來搜索目標(biāo)，在提取過程中只判斷視框中的星點像素。在靜態(tài)視框的基礎(chǔ)上文獻(xiàn)[4]提出動態(tài)視框法，即選取比星點目標(biāo)小的視框，通過移動視框確定星點中心像素，以中心像素為中心，根據(jù)星點目標(biāo)像素分布自適應(yīng)選取不同大小的外接視框。

上述方法能夠提取星點，但在實時同步衛(wèi)星定軌系統(tǒng)中，需要快速提取星象，實現(xiàn)恒星的快速定位，上述方法難以滿足實時處理要求。為克服這一不足之處，本文提出一種星點快速提取算法，即利用自適應(yīng)最簡特征融合方法來提取星點目標(biāo)。特征融合多用于目標(biāo)跟蹤與圖像分類等設(shè)計中，傳統(tǒng)的特征融合主要過程為提取目標(biāo)局部特征，例如顏色、紋理、邊緣、運(yùn)動等特征，對提取的特征加權(quán)求和，以達(dá)到區(qū)分或跟蹤目標(biāo)的目的[5]。對于漂移掃描CCD星圖，其背景結(jié)構(gòu)簡單，無需提取復(fù)雜的局部特征，雖然會受光照不均勻或薄云、月光的影響而表現(xiàn)出背景灰度不均勻，但這種不均勻性利用簡單的多項式擬合即可改善[6]。最簡特征融合方法在傳統(tǒng)的特征融合的基礎(chǔ)上，提取局部灰度最大值與局部區(qū)域?qū)Ρ榷葍煞N特征，兩種特征運(yùn)算簡單，能夠減少星點提取時間，提高星點提取魯棒性。

1 星圖背景分割

提取星點目標(biāo)之前，首先要對星圖背景與星點目標(biāo)進(jìn)行分割，常用的背景分割方法為閾值法。在實時同步衛(wèi)星定軌系統(tǒng)中，背景分割之前已對背景進(jìn)行多項式擬合處理，背景像素均勻分布，所以在此可以利用全局閾值法分割背景。設(shè)為背景分割之后位置像元的灰度值，為其背景分割前的灰度值，為全局閾值，則背景分割公式為[7]

閾值的選取非常重要，常用的全局閾值計算方法為基于統(tǒng)計的全局閾值算法與Otsu算法，基于統(tǒng)計的全局閾值算法運(yùn)算量小，耗時短，但對于漂移掃描CCD星圖，處理效果不佳，易受噪聲影響；Otsu算法可有效分割星圖背景，抗噪聲性強(qiáng)，但運(yùn)算耗時較長，是基于統(tǒng)計的全局閾值算法運(yùn)算時間的10倍。

為了保證有效性的同時減少耗時，在實時同步衛(wèi)星定位系統(tǒng)中，利用加權(quán)迭代閾值算法計算閾值，該算法不但能夠有效分割星圖背景，而且處理時間短，僅為Otsu算法運(yùn)算耗時的1/8。

加權(quán)迭代閾值算法引入加權(quán)迭代因子，可根據(jù)需要探測的星點數(shù)目或星點質(zhì)心探測的精度要求，確定加權(quán)因子的取值，得出最佳分割閾值，最佳分割閾值能夠完整的保留星點目標(biāo)所有像元，提高星點質(zhì)心的計算精度。其計算式為

重復(fù)迭代上述三式，直到滿足，迭代結(jié)束，得到最佳閾值。其中為灰度值大于前閾值的像素個數(shù)，為灰度值小于的像素個數(shù)，為像素點的灰度值，和分別為其相應(yīng)的灰度平均值。在加權(quán)迭代之前要先引入一個初始值，，其中為最大灰度值，為最小灰度值。

圖1 背景多項式擬合后的星圖

圖2 加權(quán)迭代閾值分割法背景分割后的星圖

2 最簡特征融合

2.1 特征提取

從圖2可以看出，背景像素已賦值為0，星點目標(biāo)在其背景中比較明顯，所以對于圖2所示星圖，可以提取到的特征為：局部灰度最大值、局部區(qū)域?qū)Ρ榷?、局部熵、局部平均梯度等[8]。為減少計算量，縮小計算時間，選取運(yùn)算量最小的局部灰度最大值與局部區(qū)域?qū)Ρ榷茸鳛樘崛√卣鳌?/p>

局部灰度最大值表示為

設(shè)局部區(qū)域為，式中表示為中坐標(biāo)為處的像素的灰度值。局部區(qū)域僅包含一個星點目標(biāo)，漂移掃描CCD星圖中星點目標(biāo)最大不超過10×10，所以局部區(qū)域的大小設(shè)定為10×10。

局部區(qū)域?qū)Ρ榷缺硎緸?/p>

式中：為局部區(qū)域所有像素個數(shù)，為略大于局部區(qū)域的星點目標(biāo)背景區(qū)域，大小設(shè)定為15×15，為的所有像素個數(shù)，為中坐標(biāo)為的像素灰度值。

2.2 特征融合

設(shè)每個星點目標(biāo)的特征向量為，對特征向量中的每個元素進(jìn)行特征融合。特征融合式為

有限元計算模型如圖1所示。該模型沿11號線縱向長度為110.0 m，橫向延伸長度為100.0 m，高度為60.0 m。模型共132 008個單元、138 118個節(jié)點。

權(quán)值的取值非常重要，它決定了特征融合的穩(wěn)定性，權(quán)值越大，則此特征對于星點目標(biāo)提取的貢獻(xiàn)越大，權(quán)值滿足，權(quán)值分布越均勻，則說明該特征在目標(biāo)提取中的可靠性越低。

在計算權(quán)值之前需要對各個目標(biāo)的特征進(jìn)行歸一化，歸一化之后的特征才可以進(jìn)行加權(quán)融合，例如對于局部灰度最大值特征，其歸一化公式為

其中：為所有目標(biāo)局部灰度最大值的特征集的平均值，為其方差，其計算公式分別為：，，表示第顆星點目標(biāo)的局部灰度最大值特征，為星圖分辨率。所以，最終的特征融合為

權(quán)值的計算可以通過方差來推導(dǎo)[9]，例如對于局部灰度平均值，其方差為

對權(quán)重進(jìn)行歸一化得最終權(quán)重值為

圖3顯示了一個星點目標(biāo)以及其周圍的背景，圖4為在MATLAB環(huán)境下生成的特征融合之后目標(biāo)檢測的效果圖，圖5為圖2所示星圖特征融合之后目標(biāo)檢測效果圖。從圖4與圖5可以看出，特征融合之后的目標(biāo)相對于背景明顯突顯。

圖3 有一顆星點目標(biāo)的局部星圖

圖4 圖3 特征融合之后的目標(biāo)檢測效果圖

圖5 圖2 所示星圖特征融合之后目標(biāo)檢測效果圖

3 實驗結(jié)果與分析

為了驗證算法的有效性，利用此算法對圖6所示星圖進(jìn)行處理，并將最終的星點目標(biāo)提取結(jié)果寫入文件，星圖的分辨率為1 528×1 528，每個像素由12位表示，星圖最終提取出的星點目標(biāo)數(shù)為351顆，其部分星點目標(biāo)提取結(jié)果如表1所示。

圖6 漂移掃描CCD 凝視模式星圖

表1 圖6 所示星圖部分星點目標(biāo)提取結(jié)果

Table 1 Partial star extraction results of fig.6

利用同步衛(wèi)星實時定軌系統(tǒng)對同一同步衛(wèi)星目標(biāo)進(jìn)行6 h跟蹤拍攝，隨機(jī)抽取100幅漂移掃描CCD凝視模式下拍攝的星圖，分別用邊緣像素搜索算法、動態(tài)視框搜索算法、四特征融合算法與最簡特征融合算法對星圖進(jìn)行處理，星圖中恒星為圓星象，衛(wèi)星拖長，每幅星圖中星等亮度大于12的恒星目標(biāo)不超過400顆。天文望遠(yuǎn)鏡的視場角為0.5°×0.5°，軟件的開發(fā)平臺為Microsoft Visual Studio 2012，運(yùn)行環(huán)境為Win 7，硬件配置為Intel Core i7，4 GB內(nèi)存，分別比較其處理時間、星點、坐標(biāo)誤差均值與星點提取率。

圖7為星點坐標(biāo)誤差的計算原理[10]，點為鏡頭，軸為CCD成像平面，設(shè)為星點提取算法所得的計算位置，為星點真實位置，誤差。的計算方法為：設(shè)為角度測量的起始線，為一標(biāo)定點，其測量角為，真實值的測量角為，真實值，其中為焦距，與可利用自準(zhǔn)直儀等角度測量設(shè)備得到。類似可計算坐標(biāo)誤差均值。

圖7 X 軸星點提取誤差的計算原理

星點提取率計算方法為真實恒星數(shù)除以提取出的目標(biāo)總數(shù)。真實恒星的判斷可通過將所提取出的目標(biāo)與CCD星圖所在天區(qū)的子星表中的參考星相匹配，若匹配成功則為真實恒星目標(biāo)，反之為噪聲點。

表2為四種星點目標(biāo)提取算法的比較結(jié)果，從表中可以得出，在相同條件下，提取相同數(shù)量的星點目標(biāo)，最簡特征融合算法所耗時間最少并且所得質(zhì)心的坐標(biāo)精度最高。

表 2 四種提取算法比較

產(chǎn)業(yè)在線監(jiān)測數(shù)據(jù)顯示：2018年10月微波爐行業(yè)總產(chǎn)量607.4萬臺，同比增長3.1個百分點；總銷量609.8萬臺，同比增長2.4個百分點。其中，內(nèi)銷出貨106.3萬臺，同比下滑4.8個百分點；出口出貨503.5萬臺，同比增長4.1個百分點。

Table 2 Comparison of four extraction method

四特征融合所用的特征為顏色、局部灰度最大值、局部變化量與紋理[11]，通過多幀積累檢測目標(biāo)，四特征融合沒有考慮到不同特征對目標(biāo)提取的貢獻(xiàn)程度，多幀積累時間較長，實時性差，所以四特征融合算法耗時最長，最簡特征融合只需檢測單幀即可提取星點目標(biāo)，耗時最短，具有很好的實時性。相比于基于邊緣像素搜索算法與動態(tài)視框搜索算法，最簡特征融合更能突顯目標(biāo)，魯棒性更好。

4 結(jié) 論

本文針對漂移掃描CCD星圖提出最簡特征融合法提取星點目標(biāo)，利用加權(quán)迭代閾值算法分割星點目標(biāo)與背景像素，提取局部灰度最大值與局部區(qū)域?qū)Ρ榷葍煞N特征，融合這兩種特征，突顯并提取星點目標(biāo)。實驗結(jié)果表明，在實時同步衛(wèi)星定位系統(tǒng)中，與基于邊緣像素搜索算法、動態(tài)視框搜索算法、四特征融合算法相比，此方法在保證高提取精度的基礎(chǔ)上節(jié)省了提取時間，具有很好的實時性和穩(wěn)定性，適合星圖的實時處理，在實時同步衛(wèi)星定軌系統(tǒng)中取得了成功的應(yīng)用。

[1] 李德良，阮錦. 一種適于星敏感器的星點提取方法 [J]. 激光與紅外，2009，39(12)：1348-1350.

LI Deliang，RUAN Jin. Method adapting to the star sensor’s star extraction [J]. Laser & Infrared，2009，39(12)：1348-1350.

[2] 趙宏偉，陳霄，劉萍萍，等. 視覺顯著目標(biāo)的自適分割 [J]. 光學(xué)精密工程，2013，21(2)：531-538.

ZHAO Hongwei，CHEN Xiao，LIU Pingping，. Adaptive segmentation for visual salient object [J]. Optics and Precision Engineering，2013，21(2)：531-538.

[3] 原玉磊，席靚，張文郎. 星點圖像的目標(biāo)提取算法研究 [J]. 海軍航空工程學(xué)院學(xué)報，2010，25(6)：649-652.

YUAN Yulei，XI Liang，ZHANG Wenlang. Research on Star Extraction Algorithm from Star Images [J]. Journal of Naval Aeronautical and Astronautical University，2010，25(6)：649-652.

[4] 陶雨露，鄧新蒲，程洪瑋. 基于動態(tài)框搜索的星圖中星點獲取算法研究 [J]. 航天電子對抗，2012，28(5)：34-37.

TAO Yulu，DENG Xinpu，CHENG Hongwei. Research on star acquisition method based on dynamic box [J]. Aerospace Electronic Warfare，2012，28(5)：34-37.

[5] 郇二洋，李睿. 基于自適應(yīng)特征融合的粒子濾波目標(biāo)跟蹤算法 [J]. 計算機(jī)科學(xué)，2015，42(2)：316-319.

HUAN Eryang，LI Rui. Particle Filter Object Tracking Based on Adaptive Feature Fusion [J]. Computer Science，2015，42(2)：316-319.

[6] 于涌，李巖，毛銀盾，等. 空間碎片激光測距與光學(xué)測角一體化觀測實驗 [J]. 天文研究與技術(shù)，2013，10(4)：359-364.

YU Yong，LI Yan，MAO Yindun，. Expermental Observations of Space DebrisIntegrating Laser Ranging and Optical Direction Measurement [J]. Astronomical Research and Technology，2013，10(4)：359-364.

[7] KIM D S，LEE K H. Segment-based region of interest generation for pedestrian detection in far-infrared images [J]. Infrared Physics & Technology(S1350-4495)，2013，61(3)：120-128.

[8] 趙謙，周勇，曾召華，等. 基于多準(zhǔn)則特多特征融合的自適應(yīng)跟蹤算法 [J]. 計算機(jī)應(yīng)用，2013，33(9)：2584-2587.

ZHAO Qian，ZHOU Yong，ZENG Zhaohua，. Adaptive tracking algorithm based on multi-criteria feature fusion [J]. Journal of Computer Applications，2013，33(9)：2584-2587.

[9] 孫俊，何發(fā)智，陳曉，等. 多特征提取逐步求精的高速移動目標(biāo)跟蹤算法 [J]. 計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報，2014，26(10)：1747-1752.

SUN Jun，HE Fazhi，CHEN Xiao，. Multi-feature Extraction and Stepwise Refinement Based on High-speed Moving Target Tracking Algorithm [J]. Journal of Computer-Aided Design & Computer Graphics，2014，26(10)：1747-1752.

[10] 李平，魏仲慧，何昕，等. 采用多特征融合的多視點目標(biāo)識別 [J]. 光學(xué)精密工程，2014，22(12)：3368-3376.

LI Ping，WEI Zhonghui，HE Xin，. Object recognition based on shape feature fusion under multi-views [J]. Optics and Precision Engineering，2014，22(12)：3368-3376.

[11] SUMANTRA Dutta Roy，KAVITA Bhardwaj，RHISHABHR Garg，. Camera-based document image matching using multi-feature probabilistic information fusion [J]. Pattern Recognition Letters(S0167-8655)，2015，58(1)：42-50.

Rapid Star Extraction from Star Image Taken by Drift-scan CCD

YANG Huiling1,2，LIU Hongyan1，WANG Jun1，SUN Huiting1，HE Xin2

( 1. Electronic and Information Engineering Faculty, Science and Technology University of Suzhou, Suzhou 215000, Jiangsu Province, China;2. Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Science, Changchun 130033, China )

In the system of real-time orbit determination of synchronous satellite, an algorithm based on simple features fusion is proposed to reduce the consuming time on star extraction from star image of CCD drift-scan. Firstly, segment star targets and background to decrease the influence of noise and improve the contrast of star image. Then, compute part maximum pixel gray value and mean contrast of partial region as star target feature and fuse the features, by counting optimum weights, to make the star target be sharper. The precision of star extraction is higher than traditional star extraction method. The amount of calculation of the algorithm which can be easily fulfilled is small, star extraction time is saved and the accuracy of star extraction is improved. The experiment results of processing the star image whose resolution is 1 528×1 528 taken by drift-scan CCD proves the validity of the algorithm.

drift-scan CCD; background segmentation; feature fusion; star extraction

TP202

A

10.3969/j.issn.1003-501X.2016.04.003

2015-04-01；

2015-06-18

國家自然基金項目(61472267)；上海市自然科學(xué)基金(Y256501001)；江蘇省普通高校研究生科研創(chuàng)新計劃項目(KYLX15_1311)

楊會玲(1976-)，女(漢族)，河南開封人。講師，碩士，主要研究工作是光電測控技術(shù)與數(shù)字圖像處理。E-mail：281109685@qq.com。

柳紅巖(1990-)，女(漢族)，山西晉中人。碩士研究生，主要研究工作是數(shù)字圖像處理。E-mail：522096420@qq.com。