-
文中分别构建了仿真和实物实验来验证算法的性能,并与现有方法进行了对比。
基于最大背景估计的方法是基于背景滤波方法的改进,这里作为背景法的代表与文中方法对比,标记为“TTE”;相比于利用灰度前向差分技术的星点提取方法,基于形态学方法采用的星点形状特征更全面,面向的星点更多,这种方法在文中作为基于星点形状特征的提取方法的代表,标记为“NSTS”;文中提出的方法标记为“OSFE”。
-
在文中方法中有两个参数:决定滤波矩阵长度的
$l$ 和决定掩膜长度的$r$ 。这两个参数会影响杂散光曲面模型估计的准确性,也会影响算法的计算效率。掩膜长度由星点的尺寸决定。在星敏感器中,星点尺寸通常不超过
$7 \times 7$ pixel。以此作为约束,文中$r$ 取为3个像素。滤波矩阵长度决定了像素的邻域范围。对于估计杂散光的曲面模型来说,
$l$ 越大估计的曲面参数会越准确,但是$l$ 太大,参与计算的像素会变多,会影响算法计算效率。此外邻域过大,杂散光的变化趋势可能会发生改变,会引入额外的误差。考虑到滤波矩阵与星点直径之间的关系,文中取约3倍星点直径作为滤波矩阵的长度,即$l$ 为10个像素。这样,一方面可保证选择的邻域中有足够多的背景像素,另一方面又不会引入过多的像素参与计算。 -
在仿真实验中,仿真图像由不同参数下生成的杂散光背景图像和星点光斑叠加合成。
考虑到很难有准确的杂散光光斑描述函数,文中采用数据插值方法生成杂散光背景图像。在图像中随机选择
$n$ 个像素,像素灰度值随机赋值,然后根据这些像素的灰度值利用随机分布数据的方式插值其他像素的灰度值,得到图像即为杂散光背景图像。在此次实验中,图像包含$1\;024 \times 1\;024$ pixel,$n$ 为1~1024之间的随机数,一个生成的杂散光背景如图6(a)所示。Figure 6. Star images with different stray light. (a) Star image with the simulated stray light; (b) Star sensor image under the condition of moonlight; (c) Star sensor image under the condition of an artificial light
星点光斑图像由公式(17)生成,可表示为:
式中:
$ A $ 表示星点的亮度水平;$\sigma $ 表示星点在星敏感器中的离散程度;$ ({x}_{c},{y}_{c}) $ 表示添加到图像中的星点位置。 -
在此次实验中,星点的亮度水平
$A$ 为0.2~0.5之间的随机值。星点的离散程度$\sigma $ 为0.6~1.1之间的随机值。星点的位置在图像内随机选择。图像中添加独立同分布的高斯噪声,噪声的强度依次从0增大到0.1,并且每次噪声强度变化产生1000幅图像,在此次实验中每幅图像中添加400个星点。实验结果如图7和8所示。检测率定义为提取的真星和所有真星之间的比值,误检率定义为提取到的假星与所有提取的星点之间的比值。随着添加的噪声强度增大,背景法确定的阈值会偏大,这使得一些低信噪比的星点不易被检测到,从而导致星点检测率下降。当噪声强度增大时,星点形状特征信息会变得模糊,特别是低信噪比的星点,这使得基于形态学方法检测到的真实星点少,星点检测率降低。对于位于杂散光背景变化显著区域的像素来说,这些像素的灰度值与周围区域的像素存在一定的差异,随着噪声强度增大,这些差异会变的更加显著。如果多个这样的像素聚集在一起,就形成了一个和星点具有类似特征的“星点”——假星,这是算法提取到假星的原因。由于背景法和基于形态学的方法无法识别这类假星,导致星点误检率随噪声强度增大而上升。文中的方法在一定程度上对这类假星不敏感,误检率较低。
-
在提取能力实验的基础上,取那些提取出来的星点,计算星点的质心误差,如公式(18)所示,并使用星点的平均质心误差分析算法性能。结果如图9所示。
在杂散光图像中,影响星点质心精度的因素主要有两种:星点图像中的噪声和杂散光。噪声强度增大会引起星点质心误差增大[11]。在此次实验中,随着添加的噪声强度增大,同一算法得到的质心误差曲线会随着增大。由于杂散光能量的存在,公式(2)所描述的星点质心估计过程不再是无偏估计,质心估计结果中会存在一定的估计偏差。基于形态学的方法对杂散光能量的估计较弱,相应的估计结果中存在较大的估计偏差。背景法相当于将杂散光能量建模成一个等值的平面,而文中是将杂散光能量建模成不等值的曲面。相比之下,文中对杂散光能量估计的更准确些,质心结果中存在较小的估计偏差,星点质心误差会更小些。
-
该实验利用月光、人工光源等构建了杂散光实验环境,星敏感器在此环境中采集图像,统计和对比各个算法的提取结果。
在月光和人工光源干扰下得到的星点图像如图5(b)和(c)所示,取杂散光实验环境中获得的10幅图像。在这10幅图像中,各个算法提取的星点统计结果如表1所示。
Evalucation
indicatorMoonlight Artificial light OSFE NSTS TTE OSFE NSTS TTE Detection 203 147 162 173 105 117 False-detetion 7 19 18 4 9 9 Table 1. Star spots extraction results under stray light interference
在月光干扰实验中,各个算法得到的星点检测个数和误检个数相近,主要原因是月光形成的杂散光背景比较平缓,星点的信噪比较高,这有利于星点的检测。而在仿真图像中,添加了高强度的噪声,这增加了星点检测的难度。
相比于月光干扰,人工光源干扰下得到的杂光背景要更复杂,这使得提取结果变差。从检测到的星点数目和误检数目上看,在人工干扰实验中,文中方法的提取结果要优于背景法和基于形态学方法提取到的结果。
Star spot extraction based on optimal background estimation for star sensor anti stray light
doi: 10.3788/IRLA20210780
- Received Date: 2021-12-05
- Rev Recd Date: 2022-01-25
- Available Online: 2022-08-31
- Publish Date: 2022-08-31
-
Key words:
- star sensor /
- anti stray light /
- optimal background estimation /
- surface fitting /
- star spot extraction
Abstract: In this article, the problem of extracting star spots for star sensor in stray light is considered. Under this setting, the effect of extracting star spots becomes worse, which affects the accuracy and reliability of the estimated attitude. An extraction method based on optimal surface fitting is proposed for this task. First, the imaging characteristics of stray light in star sensor are analyzed, and the surface model with a closed-form solution is built. Then, the method of estimating optimal stray light background and extracting star spots is proposed. The performance of the proposed method is verified by the simulated star images and star sensor images. Experimental results show that the detection rate, false detection rate and centroid accuracy obtained by the proposed method are better than that obtained by the methods based on threshold and morphological, which shows that the proposed method can resist the disturbance of stray light.