強(qiáng)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(qiáng)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(xué)自動化學(xué)院，100081北京；2.宇航智能控制技術(shù)國家級重點(diǎn)實(shí)驗(yàn)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(qiáng)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(jìn)行標(biāo)記，最后利用自適應(yīng)閾值對星體的目標(biāo)像素進(jìn)一步篩選.并對像素標(biāo)記算法進(jìn)行改進(jìn)，改進(jìn)的算法在標(biāo)記目標(biāo)像素時(shí)，同時(shí)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(gè)標(biāo)記值，提高了星圖處理的效率.試驗(yàn)結(jié)果表明，該處理方法對強(qiáng)干擾噪聲具有更好的魯棒性、且運(yùn)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(qiáng)干擾條件下分離星體目標(biāo)和背景，改進(jìn)的像素標(biāo)記方法，可以更快地區(qū)分不同的星體，便于工程應(yīng)用.

星體提取；邊緣檢測；自適應(yīng)閾值；像素標(biāo)記；關(guān)聯(lián)性

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

傳統(tǒng)的星體提取過程：1）掃描整幀星圖，計(jì)算得到全局閾值；2）利用全局閾值，將星體目標(biāo)與背景分開，得到二值圖像；3）利用改進(jìn)的像素標(biāo)記算法進(jìn)行像素標(biāo)記，將單個(gè)星體目標(biāo)與其他星體目標(biāo)分開；4）利用星點(diǎn)定位算法，計(jì)算星點(diǎn)坐標(biāo).因此，比較關(guān)鍵的部分是閾值確定、像素標(biāo)記和星點(diǎn)坐標(biāo)計(jì)算，這些算法目前的情況如下.

閾值的確定方法.實(shí)際應(yīng)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(yīng)）閾值法等，文獻(xiàn)［2］通過大量的試驗(yàn)檢驗(yàn)，認(rèn)為自適應(yīng)閾值法更適合作為實(shí)際圖像閾值的確定方法.這種方法具有很強(qiáng)的靈活性，根據(jù)實(shí)時(shí)得到的圖像數(shù)據(jù)進(jìn)行閾值的計(jì)算.計(jì)算星圖的閾值計(jì)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(shí)際使用的時(shí)候，通常會受到雜光或其他較亮天體的強(qiáng)干擾影響，信噪比降低，用該方法分離出星體的數(shù)量和精度都會降低.

像素標(biāo)記法.進(jìn)行像素標(biāo)記的目的是為了區(qū)分不同的星體，目前主要有兩類像素標(biāo)記法算法，第1類是對利用閾值分離出的目標(biāo)像素進(jìn)行標(biāo)記，并將等價(jià)像素對記錄在等價(jià)表中，再對等價(jià)標(biāo)記表進(jìn)行關(guān)聯(lián)性分析，合并相同的星體［3］.其中等價(jià)標(biāo)記表的關(guān)聯(lián)性分析算法有動態(tài)鏈接表法［4-6］和遞歸算法［7］.第2類是文獻(xiàn)［8］提出的一種坐標(biāo)關(guān)聯(lián)性分析算法：灰度圖像經(jīng)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(biāo)，然后分析坐標(biāo)之間的關(guān)系.該算法雖然比動態(tài)鏈接表法和遞歸算法有所改進(jìn)，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(nèi)星的數(shù)量的增加，坐標(biāo)分析的復(fù)雜度快速增加，計(jì)算速度也會降低，具有一定的局限性.

星點(diǎn)定位方法.星點(diǎn)坐標(biāo)提取方法有質(zhì)心法、帶閾值質(zhì)心法、加權(quán)質(zhì)心法、平方加權(quán)質(zhì)心法和高斯曲面擬合法［7］，其中加權(quán)質(zhì)心法是工程中經(jīng)常采用的一種星點(diǎn)定位算法，理想情況下的定位精度可達(dá)1／50像元.

本文針對以上傳統(tǒng)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(jìn)行像素標(biāo)記；3）進(jìn)行星體篩選，在步驟1處理的基礎(chǔ)上，進(jìn)一步篩選出星體有效像素；4）利用質(zhì)心算法，得到星體質(zhì)心坐標(biāo).本文并對像素標(biāo)記方法進(jìn)行了改進(jìn)，在像素標(biāo)記之前就進(jìn)行聯(lián)通性分析，使得每一個(gè)星體的像素可以分配唯一的標(biāo)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(gè)連續(xù)函數(shù)圖像f（x，y），選擇以位置（x，y）為中心的3×3區(qū)域模板，如表1所示.

表1 以（x，y）為中心的3×3區(qū)域模板分布

首先計(jì)算圖像f（x，y）在點(diǎn)（x，y）的梯度絕對值

然后進(jìn)行圖像分割，如下式所示，對任意一點(diǎn)（x，y），若對應(yīng)的G2xy大于等于門限Gth，則保留該點(diǎn)的灰度值，否則，則置0.門限Gth可以由先驗(yàn)數(shù)據(jù)統(tǒng)計(jì)確定.邊緣檢測計(jì)算后，得到一幅二值圖像.

1.1.2 像素標(biāo)記

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

1.2星體像素篩選

1.2.1 利用自適應(yīng)閾值進(jìn)一步篩選星體的有效像素

采用1.1節(jié)的方法雖然最大可能地保留了星體光斑，但是同時(shí)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(yīng)閾值算法進(jìn)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(jié)的方法分離星體與背景，得到星圖f，對f進(jìn)行像素標(biāo)記，得到圖像標(biāo)記g1′，g2′，從上至下，從左至右逐行掃描g1′，搜索到一個(gè)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(qū)域Ⅰ，選取出星體A左上角的像素點(diǎn)（xj，yi），以其左側(cè)像素點(diǎn)（xj-1，yi）為起點(diǎn)，向左，向下選取10×10的窗口區(qū)域Ⅱ，由區(qū)域Ⅱ中背景像素計(jì)算星體A的自適應(yīng)閾值為

式中：Vath為星體的自適應(yīng)閾值；Ea為區(qū)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(gè)與噪聲有關(guān)的常值系數(shù)，經(jīng)驗(yàn)上常取3～5.

對于星體區(qū)域Ⅰ中的像素點(diǎn)，對應(yīng)的g1′的標(biāo)記置0；f按式（5）作篩選；g2′按式（6）處理，利用自適應(yīng)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(jīng)過自適應(yīng)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(jié)中的方法提取出的多個(gè)星體后，均用上述方法，分別計(jì)算每一個(gè)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(xù)的星圖識別率，星體提取的一項(xiàng)重要工作就是去除干擾噪聲和暗弱星.

星敏感器成像時(shí)噪聲產(chǎn)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?shù)讲杉娐窌r(shí)夾雜的噪聲.噪聲的特點(diǎn)一般不具有聯(lián)系，是孤立的，以單個(gè)像元存在［10］.

為了得到更高的星體提取精度，星敏感器在設(shè)計(jì)時(shí)通常采用離焦技術(shù)，在靜態(tài)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(shè)計(jì)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(diǎn)，以及星敏感器設(shè)計(jì)時(shí)候的成像光斑大小、運(yùn)動角速率和曝光時(shí)間，可以設(shè)定星體成像大小的門限值，利用1.2節(jié)處理后的星圖，統(tǒng)計(jì)每個(gè)星體像素的個(gè)數(shù)，若像素的個(gè)數(shù)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(tài)條件下，文中試驗(yàn)用的星敏感器成像光斑為2×2的像素大小，則門限可以設(shè)置為4；在角運(yùn)動條件下，由于存在像移動，成像光斑則大于4個(gè)像素，具體的大小也跟曝光時(shí)間有關(guān).

1.3星體質(zhì)心坐標(biāo)計(jì)算

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

式中：f（xj，yi）為星體灰度值.

2 改進(jìn)的像素標(biāo)記算法

傳統(tǒng)的像素標(biāo)記算法是先對目標(biāo)像素進(jìn)行標(biāo)記，記錄等價(jià)的標(biāo)記，然后再合并相同的星體.采用傳統(tǒng)的像素標(biāo)記法標(biāo)記的星體如表4所示.而采用改進(jìn)后的標(biāo)記算法處理后的結(jié)果如表5所示，同一星體的標(biāo)記值是唯一的.

表4 傳統(tǒng)的星體的標(biāo)記法

表5 改進(jìn)的星體標(biāo)記法

改進(jìn)后的算法是在像素標(biāo)記時(shí)，同時(shí)進(jìn)行連通性分析，使得同一星體的像素，只分配一個(gè)標(biāo)記值.下面對改進(jìn)的像素標(biāo)記算法分步驟作詳細(xì)的闡述.

2.1像素標(biāo)記

圖像經(jīng)過1.1節(jié)處理后，對星圖f從上至下，從左至右逐行掃描.對當(dāng)前被掃描像素灰度大于0的點(diǎn)按順序作標(biāo)記1，2，3，…，并將標(biāo)記值和坐標(biāo)保存在目標(biāo)像素的信息表中，同時(shí)在標(biāo)記的過程中要對每一個(gè)新像素的左、左上、上、右上4個(gè)像素的灰度值進(jìn)行判斷，若這4個(gè)像素均未被標(biāo)記過，則新像素的標(biāo)記值在上一個(gè)標(biāo)記的基礎(chǔ)上加1；若只有一個(gè)像素被標(biāo)記過，則新像素的標(biāo)記值等于被標(biāo)記的像素的標(biāo)記值；若有兩個(gè)以上的像素被標(biāo)記過，則首先判斷這些標(biāo)記是否有不相同的，若有不相同的，則再合并成同一標(biāo)記值，并更新目標(biāo)像素信息表，最后再標(biāo)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(gè)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(gè)相鄰像素.

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

若f（i，j）小于閾值則繼續(xù)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(gè)相鄰像素的標(biāo)記值：1）若上述4個(gè)相鄰像素點(diǎn)灰度值均小于閾值，則當(dāng)前像素標(biāo)記值加1，即K＝K＋1，g（i，j）＝K；2）如果4個(gè)相鄰像素中只有一個(gè)像素點(diǎn)的灰度值大于0，則當(dāng)前像素標(biāo)記同該像素點(diǎn)的標(biāo)記值；3）如果4個(gè)相鄰像素中有m（1＜m≤4）個(gè)像素點(diǎn)灰度值大于0，則首先按下文的方法進(jìn)行星體關(guān)聯(lián)性分析與合并處理，并更新目標(biāo)像素信息表，然后再確定當(dāng)前像素標(biāo)值；4）將像素標(biāo)記數(shù)值K、坐標(biāo)和灰度值保存在目標(biāo)像素信息表中，存儲格式如表5所示.

2.2星體關(guān)聯(lián)性分析與合并

目標(biāo)按形狀大體可以分為兩種，凸形目標(biāo)和凹形目標(biāo)，用來進(jìn)行關(guān)聯(lián)性分析的判據(jù)有兩種：四連通和八連通，凸形目標(biāo)適合四連通，凹形目標(biāo)適合八連通.

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

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

目標(biāo)點(diǎn)○與4個(gè)相鄰像素的關(guān)系如表6所示，只需判斷任意兩個(gè)像素標(biāo)記值是否不同，然后再合并，最后再標(biāo)記目標(biāo)點(diǎn)○.任意兩個(gè)像素標(biāo)記值出現(xiàn)不同的情況如表7所示，由于目標(biāo)像素的標(biāo)記值優(yōu)先與左相鄰像素的標(biāo)記值相同，因此BC，CD不同的情況不會出現(xiàn)，只需分析處理編號1～3，5中標(biāo)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(biāo)志B與標(biāo)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(diǎn)，向右掃描，將所有與g（i-1，j＋1）相等的標(biāo)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(diǎn)，向左掃描，將所有與g（i，j-1）相同的標(biāo)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(diǎn)，向左掃描，將所有與g（i，j-1）相同的標(biāo)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(diǎn)，向左掃描，將所有與g（i，j-1）相同的標(biāo)記值，更改為與g（i-1，j＋1）相同的值.

表6 目標(biāo)點(diǎn)O與4個(gè)相鄰像素的關(guān)系

表7 需要合并的像素標(biāo)記

3 試驗(yàn)結(jié)果

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

3.1邊緣檢測＋星體像素篩選的星體提取算法試驗(yàn)驗(yàn)證結(jié)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(nèi)的觀測星4顆，利用改進(jìn)的三角形星圖識別算法［11］進(jìn)行識別，識別的結(jié)果：俯仰、偏航、橫滾時(shí)姿態(tài)角分別為314.330 3°、41.861 6°、92.129 8°；觀測星編號為0，1，2，3；導(dǎo)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(jié)果如圖3所示，其中6等星以內(nèi)的觀測星15顆，星圖識別結(jié)果：俯仰、偏航、橫滾時(shí)姿態(tài)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(dǎo)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(qiáng)干擾條件下，分離出的觀測星更多，便于后續(xù)進(jìn)行星圖識別和姿態(tài)確定.由于每個(gè)星體采用一個(gè)相應(yīng)的自適應(yīng)閾值，使星體的能量不會丟失，理論上星體坐標(biāo)的精度會更高，星圖識別結(jié)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(jù)匹配成功的觀測星對角距和導(dǎo)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(biāo)記方法分離出的星圖

3.2改進(jìn)的像素標(biāo)記算法的試驗(yàn)驗(yàn)證結(jié)果

在同一平臺上，對20幅外場試驗(yàn)拍攝的星圖進(jìn)行處理時(shí)，像素標(biāo)記環(huán)節(jié)分別采用星體坐標(biāo)關(guān)聯(lián)性分析法和本文的像素標(biāo)記方法進(jìn)行處理，坐標(biāo)關(guān)聯(lián)性分析算法和本文的像素標(biāo)記算法的平均運(yùn)行時(shí)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(gè)像素標(biāo)記之間先進(jìn)行連通性分析，使得每個(gè)像素只分配一個(gè)標(biāo)記值，一次標(biāo)記即可區(qū)分不同的星體，處理效率高、算法簡單，試驗(yàn)結(jié)果也表明其運(yùn)算速度更快，直接可以提高星敏感器的更新頻率.在高動態(tài)條件下，便于提高姿態(tài)確定和控制的精度.

4 結(jié) 論

1）鑒于在強(qiáng)干擾條件下，星圖的信噪比降低，傳統(tǒng)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(fù)雜的環(huán)境下使用星敏感器，限制了星敏感器的應(yīng)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(yīng)閾值算法，篩選出星體的有效像素.試驗(yàn)結(jié)果表明在強(qiáng)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(qiáng).

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

3）通過對其中的像素標(biāo)記算法進(jìn)行改進(jìn)，結(jié)果表明，改進(jìn)的方法對強(qiáng)干擾噪聲具有更好的魯棒性、精度也有所提高，且運(yùn)算速度更快，便于在線處理，具有一定的工程應(yīng)用價(jià)值.

［1］劉壘，張路，鄭辛，等.星敏感器技術(shù)研究現(xiàn)狀及發(fā)展趨勢［J］.紅外與激光工程，2007，36（增2）：529-533.［2］李學(xué)夔，郝志航，李杰，等.星敏感器的星點(diǎn)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(tài)鏈接表的二值圖像目標(biāo)區(qū)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(biāo)記算法［J］.計(jì)算機(jī)工程，2006，32（24）：186-188.

［8］蔡喆，鄧年茂.單星星圖細(xì)分定位算法的研究［J］.計(jì)算機(jī)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(diǎn)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(dǎo)航中的星敏感器技術(shù)［J］.光學(xué)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(jìn)與實(shí)現(xiàn)［C］／／第33屆中國控制會議論文集.西安：中國自動化學(xué)會控制理論專業(yè)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(yè)組資助項(xiàng)目（51304030106）.

蹤 華（1978—），女，工程師.

蹤 華，zonghua3＠sina.cn.