简介基于MATLAB的星图识别与分析工具包面向天文导航、天体物理研究及航天工程领域的技术人员解决星图数据处理、特征提取与模式识别等问题。代码通过坐标网格投影、噪声星点剔除、导航星特征库构建、星体位置标定等步骤完成识别流程并引入BP神经网络对星图模式进行分类预测兼顾传统算法与机器学习方法适合需要快速搭建星图识别实验环境的研究者参考。压缩包共18个文件以15个MATLAB脚本.m为核心涵盖数据预处理、特征计算、网络训练与结果绘图等模块另附特征库文本及Excel格式的识别结果表格包体仅140KB轻量易部署。已有170人下载学习可作为课程设计、算法验证或工程落地的起步模板。通过示例演示脚本可快速了解各函数调用关系结合输出结果对照原始星图能有效降低复现门槛并为后续扩展星敏感器算法提供基础。1. 星图试别是怎么成为姿态测量关键一环的星图试别通常出现在项目文件的命名里四个字指的就是星图识别——把星敏感器拍下来的一帧星点图像和星表匹配上反推出相机光轴指向最终换算成航天器的三轴姿态。它要解决的不是“认星座”这种科普问题而是“在轨设备现在正对哪片天”的工程问题匹配成功率上不去整个姿态确定回路就闭环不了。适合读这篇的是星敏感器算法、卫星姿轨控、天文导航和光电跟瞄方向的工程师。如果你正在调一版星图识别程序这篇可以帮你少走几趟弯路。2. 星图识别主流程从一帧星图到一组星点坐标星图识别的第一步不是匹配而是把原始图像变成一组干净的星点坐标。后面所有容差、投票、姿态解算都建立在这组坐标的精度上。2.1 图像预处理与星点检测先做暗场校正再谈阈值常见做法是先把原始图像按暗场和坏点表校正再做星点检测。暗场校正是把传感器底色减掉——热像元和暗电流带来的固定偏置不消掉阈值怎么调都会把噪声点当成星。做过在轨测试的人都知道冷热环境下暗场变化很大星图识别在低温下正常、高温下突然匹配失败很多时候问题就出在暗场校正在高温段失效。校正好之后做星点检测。最简单可靠的方式是“全局背景统计 阈值分割 连通域标记”先估计整幅图的背景噪声 σ以“背景均值 5σ”为阈值把灰度图切分成星点和非星点再用连通域标记把邻接的亮像素聚成一个个星点候选。这个流程看似简单但它决定了后面所有步骤的质量。我一般会在这一步就把单像素候选滤掉只保留面积 ≥3 像素的连通域。下面是常用的提取脚本骨架可以直接用 numpy 和 scipy 跑通import numpy as np from scipy.ndimage import label def extract_stars(img, thresholdNone): # 用 10%~95% 分位内的像素估计背景噪声避免亮星污染统计 if threshold is None: floor, ceil np.percentile(img, [10, 95]) bg img[(img floor) (img ceil)] threshold bg.mean() 5.0 * bg.std() mask img threshold labels, n label(mask) # 8 邻域连通域 rows, cols np.where(labels 0) stars [] for i in range(1, n 1): idx labels[rows, cols] i xs cols[idx] ys rows[idx] if len(xs) 3: # 滤掉单像素和双像素噪声点 continue sub img[ys, xs].astype(np.float64) sub sub - sub.min() 1.0 # 去掉局部底噪防止除零 total sub.sum() cx (xs * sub).sum() / total cy (ys * sub).sum() / total stars.append((cx, cy, total, len(xs))) return stars这段脚本把每块连通域的灰度分布作为质心的权重来源算出的 (cx, cy) 是亚像素坐标。阈值 5σ 是经验起始值冷底噪低时可以降到 3σ但高温段噪声翻倍时必须重新统计否则会出现一整片假星点。连通域最小面积取 3 像素是为了滤掉单像素热像元如果传感器坏点成对出现这个过滤仍然不够后面第 5 章单独讲。实战里我还会把阈值分割换成分块估计把图像切成 8×8 的网格分别在每个格子里估计背景均值和 σ。这样能对抗天光梯度——接近地平线或月光入射时整图背景不是一个常数用全局阈值经常把半边星点吞掉。分块阈值可以恢复回来代价是慢一点但星图识别一帧数据本身就不需要太快的预处理这个成本完全值得。2.2 亚像素质心提取灰度重心法的前提与边界上一步已经得到亚像素坐标严格说质心提取应该放在连通域标记之后对每个候选星点以亮度峰值为中心开一个窗口用窗口内灰度分布计算质心。工程上用灰度重心法最多因为计算量小、稳健性尚可xc Σ(x·I(x,y)) / ΣI(x,y) yc Σ(y·I(x,y)) / ΣI(x,y)如果某颗星接近饱和灰度重心会向中心塌陷导致不同亮度星之间有系统性偏差。我一般会加一个窗口半径参数只取以星点亮度峰值为中心、半径 3×3 或 5×5 像素内的像素参与计算。窗口太大反而把邻近星或噪点算进去窗口太小又截掉了星点能量外沿。如果星点能量呈高斯分布可以改用强度平方加权让权重更靠近中心这种改法在半像素离焦情况下比纯灰度重心更稳。但要注意如果星点形状不对称说明有像散或运动拖尾这时候再调权重也是白费功夫。遇到一次你就会明白质心提取这步不是玄学它直接决定后面匹配容差能收紧到什么程度。2.3 星点坐标的输出结构排序与可信度分级提取结果不能直接用先做两件事按亮度灰度总和降序排列标记可信度。后面的三角形匹配为了降低歧义总是优先用亮星——亮度高意味着质心误差小星表中星等误差也小暗星数量多、误差大只作为补充。输出结构一般是这个形式index, brightness, cx, cy, probability这里的 probability 是内部评分硬件上可以用星点能量和形状辅助打分。注意 brightness 不宜直接换算成星等因为相机对星等的响应随焦面位置、老化、温度都在变化更可靠的做法是只取亮度排序前 50% 的星参与初始匹配星等阈值产生绝对数字误差没关系相对亮度顺序在绝大多数情况下是稳定的。把这步当成算法链路的一部分后面调试参数时会省很多力气。3. 星三角形特征与星表匹配为什么三条边就够定位天区星点坐标拿到之后接下来是星图识别的核心匹配。最经典的思路是星三角形法也是到今天工程上仍然最稳的基线方案。3.1 三角形角距特征库的构建用星表生成索引星三角形法的逻辑是在星表里任选三颗星构成一个三角形用三条边的角距作为特征检索图像中的三角形是否与星表中的某个三角形在容差内一致。如果一致就能确定图像里这三颗星在惯性空间的对应 ID从而解出姿态。构建星表索引时常见做法是先把星表按天区网格分块每个小块内的星先算角距过滤掉太近和太远的边再生成三角形索引。特征键建议用“三条边按降序排列后的元组”这样检索时不依赖三角形顶点的顺序。下面是一个生成索引的骨架import numpy as np def radec2vec(ra_deg, dec_deg): ra np.radians(ra_deg) dec np.radians(dec_deg) return np.array([ np.cos(dec) * np.cos(ra), np.cos(dec) * np.sin(ra), np.sin(dec) ]) def angular_dist(ra1, dec1, ra2, dec2): v1 radec2vec(ra1, dec1) v2 radec2vec(ra2, dec2) return np.degrees(np.arccos(np.clip(np.dot(v1, v2), -1.0, 1.0))) def build_triangle_index(cat): # cat: [(id, ra_deg, dec_deg, mag), ...] tri {} n len(cat) for i in range(n): for j in range(i1, n): for k in range(j1, n): a angular_dist(cat[i][1], cat[i][2], cat[j][1], cat[j][2]) b angular_dist(cat[i][1], cat[i][2], cat[k][1], cat[k][2]) c angular_dist(cat[j][1], cat[j][2], cat[k][1], cat[k][2]) if min(a, b, c) 0.2: # 太近的边质心误差会放大 continue key tuple(np.round(sorted([a, b, c]), 2)) tri.setdefault(key, []).append((i, j, k)) return tri这个三重循环在星数上千时很慢。工程上一般先按赤纬带和赤经区间做两级分块因为天球不是平面直接用二维网格会有极点附近网格面积畸变的问题天球上角距不受投影影响赤纬带等宽划分比较稳定两极附近星点数量少赤经区间可以宽一些。或者退而求其次只对亮度排前 20 的星做组合因为亮星数量少、几何分布广足够覆盖大部分正常天区。键值取两位小数相当于把容差量化到 0.01° 粒度。如果质心精度高还可以收到 0.005°但容差越小星表与图像之间的系统误差就越容易导致漏匹配。3.2 匹配策略单三角形匹配与多三角形投票拿到图像里的三角形后不能在星表索引里简单查到一个就当作答案。一幅星图里有很多星任意取 3 颗星都可能碰巧构成与星表中某个三角形接近的角距尤其是亮星分布比较均匀时误匹配率不低。所以工程上常用“多三角形投票”每取一个图像三角形从距离最近的 35 个候选三角形各投一票记录三个星点与候选中星的一一对应关系遍历足够多三角形后同一组星点 ID 对应的票数最高才视为初始匹配集。这一步的关键参数有两个投票累计的最小票数通常取 3 票以上和参与投票的三角形数量视场 8°×8° 下一般取 4080 个候选三角形。三角形数量太多会把边缘暗星也卷进来由质心误差引起的假投票反而增加数量太少则亮星覆盖不足小视场下容易凑不够票数。如果视场内少于 5 颗亮星三角形数量会从组合数 C(n,3) 直接掉到个位数这种场景要退一步用“星对角距”做线性匹配再以姿态连续性校验结果代价是投票依赖连续帧单帧输出姿态精度差一些但对姿态变化缓慢的载荷很实用。3.3 从匹配星对到姿态解算Davenport 与 QUEST匹配成功后姿态解算是顺理成章的事。我们已经拿到了至少 3 组“体坐标→惯性坐标”的星点方向矢量对接下来要求一个姿态矩阵 A使惯性矢量 r_i 旋转到体坐标 b_i。工程上最常用 QUEST但要知道 QUEST 只是 Davenport q-method 的快速版本两者解同一组方程。q-method 把姿态写成四元数构造 4×4 的 K 矩阵求最大特征值对应的特征向量就得到姿态四元数。骨架如下import numpy as np def davenport_qmethod(bvecs, rvecs, weightsNone): n len(bvecs) if weights is None: weights np.ones(n) B np.zeros((3, 3)) for w, b, r in zip(weights, bvecs, rvecs): B w * np.outer(b, r) S B B.T z np.array([B[1,2]-B[2,1], B[2,0]-B[0,2], B[0,1]-B[1,0]]) K np.array([ [S[0,0]S[1,1]S[2,2], z[0], z[1], z[2]], [z[0], S[0,0]-S[1,1]-S[2,2], S[0,1]S[1,0], S[0,2]S[2,0]], [z[1], S[0,1]S[1,0], -S[0,0]S[1,1]-S[2,2], S[1,2]S[2,1]], [z[2], S[0,2]S[2,0], S[1,2]S[2,1], -S[0,0]-S[1,1]S[2,2]] ]) K K / (np.trace(K) 1e-12) # 归一化防止数值溢出 eigvals, eigvecs np.linalg.eigh(K) q eigvecs[:, np.argmax(eigvals)] return q / np.linalg.norm(q)这个矩阵看起来吓人实际就三件事把矢量对的外积累加成 B 矩阵用 B 构造 K 矩阵求 K 的最大特征向量。工程上直接用 QUEST 迭代和这结果一致差别只在计算效率。用这个 davenport_qmethod 的好处是不需要初始指向近似值任意姿态都能收敛。星图识别失败后想抢救数据时我经常用它对散点做 RANSAC 拟合看姿态解算的残差是否收敛来判断匹配集里是不是混进了错误星对。4. 星图识别参数怎么设视场、星等与容差的三角关系星图识别算法的参数设置比公式本身更能决定成败。面向不同相机一组参数对不对直接反映在匹配率上。这里给出我常用的参数调整顺序。4.1 视场与星等灵敏度先定相机再看星等阈值星敏感器的视场和能探测的星等是强耦合的视场越大可用亮星越多匹配越容易但大视场的畸变也大质心位置误差升高。视场较小比如 3°×3°时亮星可能只有 36 颗如果不把星等阈值压深例如压到 8 等三角形都凑不齐。反过来大视场相机在 5.5 等就够了再加深星等只会引入更多暗星把误匹配率抬上去。我一般先根据相机参数算名义极限星等然后按“视场内平均可见星 ≥ 15 颗”来调节星等阈值。低于 15 颗时匹配优先用亮星但仍经常卡在三角形数不够高于 30 颗时要防止暗星误差拖累投票。在轨运行时焦面和曝光时间会缓慢退化星等阈值建议按季度重新标定而不是一劳永逸。4.2 匹配容差从质心误差到角距误差留多少余量匹配容差是另一个出问题最多的参数。它的物理来源是质心提取误差、星表位置误差和光学畸变残差的合成。假设质心误差 1/20 像素焦距 25 mm、像素尺寸 5.5 μm单轴角误差约 2.4 角秒两条边合成的角距误差约 35 角秒。但这是理想情况实际热梯度、光学畸变校正残差都会放大误差。我一般把容差初始值设为 0.01°36 角秒匹配率不足时先放宽到 0.02°匹配通过后再慢慢收紧验证姿态精度。如果容差设得过大会出现大量假匹配星表边长 51.98° 和 51.83° 的三角形会被认为同一个如果过小又会因为畸变边缘区误差漏掉真匹配。有人在脚本里直接飘一个容差变量我建议把星表索引的键值量化精度当作容差的实体检索时结果更可控。4.3 一组可以直接试跑的初始参数表下面这张表是我在中视场星敏感器算法里经常使用的初始值按“先调通、再收紧”的原则排列参数初始值说明与调整方向背景阈值系数5σ噪声低可降 3σ高温噪声大提 6σ星点最小面积3 像素滤热像元坏点成对出现时提高到 5质心窗口半径5 像素星点 FWHM 大时扩到 7靠近邻近星时缩到 3星等阈值6.0 Mv小视场加深到 7.5~8三角形最短边0.2°过滤双星和近邻星干扰三角形最长边0.8×视场对角线避免跨视场边缘的大三角形因畸变失效角距匹配容差0.01°质心不掉链子时收到 0.005°最小投票数3小视场可降到 2但注意假匹配上升这些参数不能照抄到底价值是给你一个合理起点先用它跑通全天区粗匹配确认匹配率高于 90%再逐项收紧。参数之间存在明显联动所以我调参不是一个个试而是固定顺序先确定视场和星等阈值再定三角形边长过滤然后调匹配容差最后调投票数。反过来调会把问题复杂化——容差变大后误匹配增多投票数也跟着变你会分不清是哪个参数到底在起作用。另外每次改动只动一个参数记录匹配率变化否则就是在靠运气调算法。5. 星图识别常见问题排查五个高频翻车点与对应处理参数定得再好真机上还是会翻车。下面几条是我排查时几乎每次都要过一遍的问题。但先说排查顺序拿到一帧异常数据后第一件事是打开原始图像看星点形态第二是看连续多帧的星点位置是否一致第三才动手改算法参数。很多运动模糊问题在第一步就能看出来很多坏点问题在第二步就能定位。5.1 运动模糊导致拖尾星点质心偏移怎么发现现象星图识别输出姿态在连续帧之间跳变单帧匹配率时高时低看原始图像星点沿某个方向拉成长条。原因曝光期间卫星存在角速度星点在像面上移动了多个像素能量重心向拖尾方向偏移质心不再代表瞬时指向。解决先看拖尾方向是否一致。如果一致优先缩短曝光时间或启用行间转移抑制算法侧能做的补救是把拖尾星从特征集合里剔除——用星点长短轴比过滤正常高斯星点长短轴比接近 1:1拖尾星通常超过 1.5:1。我一般在处理链里预留一个调试开关输出每个星点的长宽比和方向角上真机后发现问题能立刻判断是运动模糊还是像散。遇到“怎么调都不收敛”的诡异故障十有八九是角速度超限先把星点长宽比分布拉出来看一眼比改匹配参数快得多。5.2 热像元与坏像素被当成星固定位置假星现象图像上出现大量固定像素位置的星点亮度不随观测天区变化算法用它们构造三角形匹配时怎么都对不上。原因传感器坏点、热像元在高温下被阈值分割算法放行形成固定模式噪声。解决上电后先采集一版暗场遮光状态下的输出把超过阈值且位置固定的像元做成坏点表写进预处理流程。坏点表要覆盖暗场下的所有阈值响应不能只看单帧。曾有一次坏点表是常温标定的低温下暗流下降原来的坏点阈值失效固定模式噪声变成了慢变化模式拖了很久才发现是温度变化。排查时最快的办法是叠加多帧星图看候选星点是否一直出现在同一个像素位置——真星会随姿态缓慢移动坏点纹丝不动。5.3 等边三角形匹配退化特征不唯一的坑现象图像里的一些亮星构成的三角形接近等边三角形在索引中检索出成百上千个候选投票时分数分散最终匹配失败。原因等边三角形三边相等无向检索时边长元组失去了顺序信息再加上容差较大一个键能命中大量星对组合。解决建索引时把边长信息与亮度信息联合起来比如键里加入三颗星的星等排序星等阈值不可避免有噪声所以只取相对顺序或者干脆在生成特征库时对“三条边都相等”的三角形做剔除。另一个更稳的做法是改用四边形或栅格模式但代价是索引体积变大。实际中我通常只把等边三角形在候选列表里降权避免直接丢弃信息。如果视场里只剩三颗亮星必须用这种三角形时可以加先验姿态约束用上一帧姿态作为先验只从先验指向附近的星表三角形中检索能大幅削减候选数。5.4 星表边界与双星问题亮星缺失导致匹配失败现象图像中某颗很亮的星始终找不到匹配导致投票匹配一直差一口气。原因双星在星表中登记为两颗相邻星在图像中却融合成一个亮斑其质心落在两星之间与任何一个星表位置都对不上另一种是目标星恰好在星表天区边缘索引构建时被网格边界截断。光学双星是视线上两颗星投影接近在望远镜里可分但在星敏感器小焦面上已经融合。解决检索流程里保留一个“最近邻距离检查”某个亮星点在候选匹配集中应至少对应一条可靠边如果连续多帧同一区域匹配失败就要检查这颗星是不是双星。建索引时对天区网格做 20% 重叠重叠区内的三角形被重复索引能缓解边界问题双星的根本解法是在数据库构建阶段把角距小于质心分辨率的星对标记剔除不然后面怎么调容差都是徒劳。5.5 暗角与遮挡星点缺失后的算法行为现象视场边缘的星点突变暗或挡片、遮光罩遮住了角落三角形匹配时边缘的边总是超差。原因光学系统渐晕边缘能量低于阈值或传感器前有结构遮挡导致部分视场无星。解决如果只是渐晕用平场校正把边缘灰度拉回来或把特征三角形的有效范围限制在视场中心的 80% 内如果是硬遮挡必须把遮挡区的星点从特征集合中排除同时检查“分块天区对应可见星数”是否足够。很多在轨匹配率不达标最后发现不是算法问题而是光机遮挡。验证遮挡时用实验室平行光管打一个均匀星图看视场边缘亮度分布在轨出现类似问题时把阳光方位和星图角联系起来判断是不是遮光罩边缘散射导致的局部背景抬升。先做暗角分析别急着调滤波参数。6. 用仿真星图验证星图识别匹配率与姿态精度一套可复现的验证流程改完算法和参数怎么知道它真行最好的做法是生成一组已知指向的仿真星图把整条链路跑一遍。流程是这样先选一片天区按真实星表截取视场内恒星投影到焦距对应的像面上再叠加上质心噪声、伪星和运动拖尾然后跑星点提取、三角形匹配、姿态解算三步比较输出姿态与真值。生成单帧仿真星图的代码可以很简练import numpy as np def simulate_frame(center_vec, f, rotation0.0): # 从星表截取 center_vec 指向、视场范围内的星 stars fetch_catalog(center_vec, fov8.0) # 返回 [(ra, dec, mag, star_id), ...] pts [] for ra, dec, mag, star_id in stars: v radec2vec(ra, dec) x, y project(v, center_vec, f, rotation) # 理想针孔投影 x np.random.normal(0, 0.05, 1)[0] # 1/20 像素质心噪声 pts.append((x, y, mag, star_id)) return pts验证口径我习惯分两层匹配率和姿态精度。匹配率定义为“正确匹配的星点数 / 图像中可用于匹配的亮星数”随机取 50 个天区跑一遍匹配率应不低于 95%姿态精度则在匹配正确的前提下统计四元数误差误差超过 2 倍理论值就说明质心或畸变处理有问题。一个有用的附加噪声是“随机删除 10% 的星点”用来模拟遮挡和暗弱星缺失如果这种情况下匹配率掉到 90% 以下说明投票机制过于依赖完整三角形需要增强。我自己的习惯是先把仿真参数调严再上真机仿真过不了关绝不碰在轨数据。多年前有一次我只在无噪声理想图上跑通就交付结果真机一上来就碰到热像元污染匹配率直接掉到六成。后来我把噪声模型写进验证脚本的第一行才真正体会到这层后悔药有多值钱。先把这些边界噪声一个一个叠进去再用真实星表随机抽天区反复跑确认结果稳定了星图识别这一步才算真正落地。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/29 14:29:19 · 阅读 1.2k 星图识别全流程解析：从星点提取到姿态解算的工程实践
简介基于MATLAB的星图识别与分析工具包面向天文导航、天体物理研究及航天工程领域的技术人员解决星图数据处理、特征提取与模式识别等问题。代码通过坐标网格投影、噪声星点剔除、导航星特征库构建、星体位置标定等步骤完成识别流程并引入BP神经网络对星图模式进行分类预测兼顾传统算法与机器学习方法适合需要快速搭建星图识别实验环境的研究者参考。压缩包共18个文件以15个MATLAB脚本.m为核心涵盖数据预处理、特征计算、网络训练与结果绘图等模块另附特征库文本及Excel格式的识别结果表格包体仅140KB轻量易部署。已有170人下载学习可作为课程设计、算法验证或工程落地的起步模板。通过示例演示脚本可快速了解各函数调用关系结合输出结果对照原始星图能有效降低复现门槛并为后续扩展星敏感器算法提供基础。1. 星图试别是怎么成为姿态测量关键一环的星图试别通常出现在项目文件的命名里四个字指的就是星图识别——把星敏感器拍下来的一帧星点图像和星表匹配上反推出相机光轴指向最终换算成航天器的三轴姿态。它要解决的不是“认星座”这种科普问题而是“在轨设备现在正对哪片天”的工程问题匹配成功率上不去整个姿态确定回路就闭环不了。适合读这篇的是星敏感器算法、卫星姿轨控、天文导航和光电跟瞄方向的工程师。如果你正在调一版星图识别程序这篇可以帮你少走几趟弯路。2. 星图识别主流程从一帧星图到一组星点坐标星图识别的第一步不是匹配而是把原始图像变成一组干净的星点坐标。后面所有容差、投票、姿态解算都建立在这组坐标的精度上。2.1 图像预处理与星点检测先做暗场校正再谈阈值常见做法是先把原始图像按暗场和坏点表校正再做星点检测。暗场校正是把传感器底色减掉——热像元和暗电流带来的固定偏置不消掉阈值怎么调都会把噪声点当成星。做过在轨测试的人都知道冷热环境下暗场变化很大星图识别在低温下正常、高温下突然匹配失败很多时候问题就出在暗场校正在高温段失效。校正好之后做星点检测。最简单可靠的方式是“全局背景统计 阈值分割 连通域标记”先估计整幅图的背景噪声 σ以“背景均值 5σ”为阈值把灰度图切分成星点和非星点再用连通域标记把邻接的亮像素聚成一个个星点候选。这个流程看似简单但它决定了后面所有步骤的质量。我一般会在这一步就把单像素候选滤掉只保留面积 ≥3 像素的连通域。下面是常用的提取脚本骨架可以直接用 numpy 和 scipy 跑通import numpy as np from scipy.ndimage import label def extract_stars(img, thresholdNone): # 用 10%~95% 分位内的像素估计背景噪声避免亮星污染统计 if threshold is None: floor, ceil np.percentile(img, [10, 95]) bg img[(img floor) (img ceil)] threshold bg.mean() 5.0 * bg.std() mask img threshold labels, n label(mask) # 8 邻域连通域 rows, cols np.where(labels 0) stars [] for i in range(1, n 1): idx labels[rows, cols] i xs cols[idx] ys rows[idx] if len(xs) 3: # 滤掉单像素和双像素噪声点 continue sub img[ys, xs].astype(np.float64) sub sub - sub.min() 1.0 # 去掉局部底噪防止除零 total sub.sum() cx (xs * sub).sum() / total cy (ys * sub).sum() / total stars.append((cx, cy, total, len(xs))) return stars这段脚本把每块连通域的灰度分布作为质心的权重来源算出的 (cx, cy) 是亚像素坐标。阈值 5σ 是经验起始值冷底噪低时可以降到 3σ但高温段噪声翻倍时必须重新统计否则会出现一整片假星点。连通域最小面积取 3 像素是为了滤掉单像素热像元如果传感器坏点成对出现这个过滤仍然不够后面第 5 章单独讲。实战里我还会把阈值分割换成分块估计把图像切成 8×8 的网格分别在每个格子里估计背景均值和 σ。这样能对抗天光梯度——接近地平线或月光入射时整图背景不是一个常数用全局阈值经常把半边星点吞掉。分块阈值可以恢复回来代价是慢一点但星图识别一帧数据本身就不需要太快的预处理这个成本完全值得。2.2 亚像素质心提取灰度重心法的前提与边界上一步已经得到亚像素坐标严格说质心提取应该放在连通域标记之后对每个候选星点以亮度峰值为中心开一个窗口用窗口内灰度分布计算质心。工程上用灰度重心法最多因为计算量小、稳健性尚可xc Σ(x·I(x,y)) / ΣI(x,y) yc Σ(y·I(x,y)) / ΣI(x,y)如果某颗星接近饱和灰度重心会向中心塌陷导致不同亮度星之间有系统性偏差。我一般会加一个窗口半径参数只取以星点亮度峰值为中心、半径 3×3 或 5×5 像素内的像素参与计算。窗口太大反而把邻近星或噪点算进去窗口太小又截掉了星点能量外沿。如果星点能量呈高斯分布可以改用强度平方加权让权重更靠近中心这种改法在半像素离焦情况下比纯灰度重心更稳。但要注意如果星点形状不对称说明有像散或运动拖尾这时候再调权重也是白费功夫。遇到一次你就会明白质心提取这步不是玄学它直接决定后面匹配容差能收紧到什么程度。2.3 星点坐标的输出结构排序与可信度分级提取结果不能直接用先做两件事按亮度灰度总和降序排列标记可信度。后面的三角形匹配为了降低歧义总是优先用亮星——亮度高意味着质心误差小星表中星等误差也小暗星数量多、误差大只作为补充。输出结构一般是这个形式index, brightness, cx, cy, probability这里的 probability 是内部评分硬件上可以用星点能量和形状辅助打分。注意 brightness 不宜直接换算成星等因为相机对星等的响应随焦面位置、老化、温度都在变化更可靠的做法是只取亮度排序前 50% 的星参与初始匹配星等阈值产生绝对数字误差没关系相对亮度顺序在绝大多数情况下是稳定的。把这步当成算法链路的一部分后面调试参数时会省很多力气。3. 星三角形特征与星表匹配为什么三条边就够定位天区星点坐标拿到之后接下来是星图识别的核心匹配。最经典的思路是星三角形法也是到今天工程上仍然最稳的基线方案。3.1 三角形角距特征库的构建用星表生成索引星三角形法的逻辑是在星表里任选三颗星构成一个三角形用三条边的角距作为特征检索图像中的三角形是否与星表中的某个三角形在容差内一致。如果一致就能确定图像里这三颗星在惯性空间的对应 ID从而解出姿态。构建星表索引时常见做法是先把星表按天区网格分块每个小块内的星先算角距过滤掉太近和太远的边再生成三角形索引。特征键建议用“三条边按降序排列后的元组”这样检索时不依赖三角形顶点的顺序。下面是一个生成索引的骨架import numpy as np def radec2vec(ra_deg, dec_deg): ra np.radians(ra_deg) dec np.radians(dec_deg) return np.array([ np.cos(dec) * np.cos(ra), np.cos(dec) * np.sin(ra), np.sin(dec) ]) def angular_dist(ra1, dec1, ra2, dec2): v1 radec2vec(ra1, dec1) v2 radec2vec(ra2, dec2) return np.degrees(np.arccos(np.clip(np.dot(v1, v2), -1.0, 1.0))) def build_triangle_index(cat): # cat: [(id, ra_deg, dec_deg, mag), ...] tri {} n len(cat) for i in range(n): for j in range(i1, n): for k in range(j1, n): a angular_dist(cat[i][1], cat[i][2], cat[j][1], cat[j][2]) b angular_dist(cat[i][1], cat[i][2], cat[k][1], cat[k][2]) c angular_dist(cat[j][1], cat[j][2], cat[k][1], cat[k][2]) if min(a, b, c) 0.2: # 太近的边质心误差会放大 continue key tuple(np.round(sorted([a, b, c]), 2)) tri.setdefault(key, []).append((i, j, k)) return tri这个三重循环在星数上千时很慢。工程上一般先按赤纬带和赤经区间做两级分块因为天球不是平面直接用二维网格会有极点附近网格面积畸变的问题天球上角距不受投影影响赤纬带等宽划分比较稳定两极附近星点数量少赤经区间可以宽一些。或者退而求其次只对亮度排前 20 的星做组合因为亮星数量少、几何分布广足够覆盖大部分正常天区。键值取两位小数相当于把容差量化到 0.01° 粒度。如果质心精度高还可以收到 0.005°但容差越小星表与图像之间的系统误差就越容易导致漏匹配。3.2 匹配策略单三角形匹配与多三角形投票拿到图像里的三角形后不能在星表索引里简单查到一个就当作答案。一幅星图里有很多星任意取 3 颗星都可能碰巧构成与星表中某个三角形接近的角距尤其是亮星分布比较均匀时误匹配率不低。所以工程上常用“多三角形投票”每取一个图像三角形从距离最近的 35 个候选三角形各投一票记录三个星点与候选中星的一一对应关系遍历足够多三角形后同一组星点 ID 对应的票数最高才视为初始匹配集。这一步的关键参数有两个投票累计的最小票数通常取 3 票以上和参与投票的三角形数量视场 8°×8° 下一般取 4080 个候选三角形。三角形数量太多会把边缘暗星也卷进来由质心误差引起的假投票反而增加数量太少则亮星覆盖不足小视场下容易凑不够票数。如果视场内少于 5 颗亮星三角形数量会从组合数 C(n,3) 直接掉到个位数这种场景要退一步用“星对角距”做线性匹配再以姿态连续性校验结果代价是投票依赖连续帧单帧输出姿态精度差一些但对姿态变化缓慢的载荷很实用。3.3 从匹配星对到姿态解算Davenport 与 QUEST匹配成功后姿态解算是顺理成章的事。我们已经拿到了至少 3 组“体坐标→惯性坐标”的星点方向矢量对接下来要求一个姿态矩阵 A使惯性矢量 r_i 旋转到体坐标 b_i。工程上最常用 QUEST但要知道 QUEST 只是 Davenport q-method 的快速版本两者解同一组方程。q-method 把姿态写成四元数构造 4×4 的 K 矩阵求最大特征值对应的特征向量就得到姿态四元数。骨架如下import numpy as np def davenport_qmethod(bvecs, rvecs, weightsNone): n len(bvecs) if weights is None: weights np.ones(n) B np.zeros((3, 3)) for w, b, r in zip(weights, bvecs, rvecs): B w * np.outer(b, r) S B B.T z np.array([B[1,2]-B[2,1], B[2,0]-B[0,2], B[0,1]-B[1,0]]) K np.array([ [S[0,0]S[1,1]S[2,2], z[0], z[1], z[2]], [z[0], S[0,0]-S[1,1]-S[2,2], S[0,1]S[1,0], S[0,2]S[2,0]], [z[1], S[0,1]S[1,0], -S[0,0]S[1,1]-S[2,2], S[1,2]S[2,1]], [z[2], S[0,2]S[2,0], S[1,2]S[2,1], -S[0,0]-S[1,1]S[2,2]] ]) K K / (np.trace(K) 1e-12) # 归一化防止数值溢出 eigvals, eigvecs np.linalg.eigh(K) q eigvecs[:, np.argmax(eigvals)] return q / np.linalg.norm(q)这个矩阵看起来吓人实际就三件事把矢量对的外积累加成 B 矩阵用 B 构造 K 矩阵求 K 的最大特征向量。工程上直接用 QUEST 迭代和这结果一致差别只在计算效率。用这个 davenport_qmethod 的好处是不需要初始指向近似值任意姿态都能收敛。星图识别失败后想抢救数据时我经常用它对散点做 RANSAC 拟合看姿态解算的残差是否收敛来判断匹配集里是不是混进了错误星对。4. 星图识别参数怎么设视场、星等与容差的三角关系星图识别算法的参数设置比公式本身更能决定成败。面向不同相机一组参数对不对直接反映在匹配率上。这里给出我常用的参数调整顺序。4.1 视场与星等灵敏度先定相机再看星等阈值星敏感器的视场和能探测的星等是强耦合的视场越大可用亮星越多匹配越容易但大视场的畸变也大质心位置误差升高。视场较小比如 3°×3°时亮星可能只有 36 颗如果不把星等阈值压深例如压到 8 等三角形都凑不齐。反过来大视场相机在 5.5 等就够了再加深星等只会引入更多暗星把误匹配率抬上去。我一般先根据相机参数算名义极限星等然后按“视场内平均可见星 ≥ 15 颗”来调节星等阈值。低于 15 颗时匹配优先用亮星但仍经常卡在三角形数不够高于 30 颗时要防止暗星误差拖累投票。在轨运行时焦面和曝光时间会缓慢退化星等阈值建议按季度重新标定而不是一劳永逸。4.2 匹配容差从质心误差到角距误差留多少余量匹配容差是另一个出问题最多的参数。它的物理来源是质心提取误差、星表位置误差和光学畸变残差的合成。假设质心误差 1/20 像素焦距 25 mm、像素尺寸 5.5 μm单轴角误差约 2.4 角秒两条边合成的角距误差约 35 角秒。但这是理想情况实际热梯度、光学畸变校正残差都会放大误差。我一般把容差初始值设为 0.01°36 角秒匹配率不足时先放宽到 0.02°匹配通过后再慢慢收紧验证姿态精度。如果容差设得过大会出现大量假匹配星表边长 51.98° 和 51.83° 的三角形会被认为同一个如果过小又会因为畸变边缘区误差漏掉真匹配。有人在脚本里直接飘一个容差变量我建议把星表索引的键值量化精度当作容差的实体检索时结果更可控。4.3 一组可以直接试跑的初始参数表下面这张表是我在中视场星敏感器算法里经常使用的初始值按“先调通、再收紧”的原则排列参数初始值说明与调整方向背景阈值系数5σ噪声低可降 3σ高温噪声大提 6σ星点最小面积3 像素滤热像元坏点成对出现时提高到 5质心窗口半径5 像素星点 FWHM 大时扩到 7靠近邻近星时缩到 3星等阈值6.0 Mv小视场加深到 7.5~8三角形最短边0.2°过滤双星和近邻星干扰三角形最长边0.8×视场对角线避免跨视场边缘的大三角形因畸变失效角距匹配容差0.01°质心不掉链子时收到 0.005°最小投票数3小视场可降到 2但注意假匹配上升这些参数不能照抄到底价值是给你一个合理起点先用它跑通全天区粗匹配确认匹配率高于 90%再逐项收紧。参数之间存在明显联动所以我调参不是一个个试而是固定顺序先确定视场和星等阈值再定三角形边长过滤然后调匹配容差最后调投票数。反过来调会把问题复杂化——容差变大后误匹配增多投票数也跟着变你会分不清是哪个参数到底在起作用。另外每次改动只动一个参数记录匹配率变化否则就是在靠运气调算法。5. 星图识别常见问题排查五个高频翻车点与对应处理参数定得再好真机上还是会翻车。下面几条是我排查时几乎每次都要过一遍的问题。但先说排查顺序拿到一帧异常数据后第一件事是打开原始图像看星点形态第二是看连续多帧的星点位置是否一致第三才动手改算法参数。很多运动模糊问题在第一步就能看出来很多坏点问题在第二步就能定位。5.1 运动模糊导致拖尾星点质心偏移怎么发现现象星图识别输出姿态在连续帧之间跳变单帧匹配率时高时低看原始图像星点沿某个方向拉成长条。原因曝光期间卫星存在角速度星点在像面上移动了多个像素能量重心向拖尾方向偏移质心不再代表瞬时指向。解决先看拖尾方向是否一致。如果一致优先缩短曝光时间或启用行间转移抑制算法侧能做的补救是把拖尾星从特征集合里剔除——用星点长短轴比过滤正常高斯星点长短轴比接近 1:1拖尾星通常超过 1.5:1。我一般在处理链里预留一个调试开关输出每个星点的长宽比和方向角上真机后发现问题能立刻判断是运动模糊还是像散。遇到“怎么调都不收敛”的诡异故障十有八九是角速度超限先把星点长宽比分布拉出来看一眼比改匹配参数快得多。5.2 热像元与坏像素被当成星固定位置假星现象图像上出现大量固定像素位置的星点亮度不随观测天区变化算法用它们构造三角形匹配时怎么都对不上。原因传感器坏点、热像元在高温下被阈值分割算法放行形成固定模式噪声。解决上电后先采集一版暗场遮光状态下的输出把超过阈值且位置固定的像元做成坏点表写进预处理流程。坏点表要覆盖暗场下的所有阈值响应不能只看单帧。曾有一次坏点表是常温标定的低温下暗流下降原来的坏点阈值失效固定模式噪声变成了慢变化模式拖了很久才发现是温度变化。排查时最快的办法是叠加多帧星图看候选星点是否一直出现在同一个像素位置——真星会随姿态缓慢移动坏点纹丝不动。5.3 等边三角形匹配退化特征不唯一的坑现象图像里的一些亮星构成的三角形接近等边三角形在索引中检索出成百上千个候选投票时分数分散最终匹配失败。原因等边三角形三边相等无向检索时边长元组失去了顺序信息再加上容差较大一个键能命中大量星对组合。解决建索引时把边长信息与亮度信息联合起来比如键里加入三颗星的星等排序星等阈值不可避免有噪声所以只取相对顺序或者干脆在生成特征库时对“三条边都相等”的三角形做剔除。另一个更稳的做法是改用四边形或栅格模式但代价是索引体积变大。实际中我通常只把等边三角形在候选列表里降权避免直接丢弃信息。如果视场里只剩三颗亮星必须用这种三角形时可以加先验姿态约束用上一帧姿态作为先验只从先验指向附近的星表三角形中检索能大幅削减候选数。5.4 星表边界与双星问题亮星缺失导致匹配失败现象图像中某颗很亮的星始终找不到匹配导致投票匹配一直差一口气。原因双星在星表中登记为两颗相邻星在图像中却融合成一个亮斑其质心落在两星之间与任何一个星表位置都对不上另一种是目标星恰好在星表天区边缘索引构建时被网格边界截断。光学双星是视线上两颗星投影接近在望远镜里可分但在星敏感器小焦面上已经融合。解决检索流程里保留一个“最近邻距离检查”某个亮星点在候选匹配集中应至少对应一条可靠边如果连续多帧同一区域匹配失败就要检查这颗星是不是双星。建索引时对天区网格做 20% 重叠重叠区内的三角形被重复索引能缓解边界问题双星的根本解法是在数据库构建阶段把角距小于质心分辨率的星对标记剔除不然后面怎么调容差都是徒劳。5.5 暗角与遮挡星点缺失后的算法行为现象视场边缘的星点突变暗或挡片、遮光罩遮住了角落三角形匹配时边缘的边总是超差。原因光学系统渐晕边缘能量低于阈值或传感器前有结构遮挡导致部分视场无星。解决如果只是渐晕用平场校正把边缘灰度拉回来或把特征三角形的有效范围限制在视场中心的 80% 内如果是硬遮挡必须把遮挡区的星点从特征集合中排除同时检查“分块天区对应可见星数”是否足够。很多在轨匹配率不达标最后发现不是算法问题而是光机遮挡。验证遮挡时用实验室平行光管打一个均匀星图看视场边缘亮度分布在轨出现类似问题时把阳光方位和星图角联系起来判断是不是遮光罩边缘散射导致的局部背景抬升。先做暗角分析别急着调滤波参数。6. 用仿真星图验证星图识别匹配率与姿态精度一套可复现的验证流程改完算法和参数怎么知道它真行最好的做法是生成一组已知指向的仿真星图把整条链路跑一遍。流程是这样先选一片天区按真实星表截取视场内恒星投影到焦距对应的像面上再叠加上质心噪声、伪星和运动拖尾然后跑星点提取、三角形匹配、姿态解算三步比较输出姿态与真值。生成单帧仿真星图的代码可以很简练import numpy as np def simulate_frame(center_vec, f, rotation0.0): # 从星表截取 center_vec 指向、视场范围内的星 stars fetch_catalog(center_vec, fov8.0) # 返回 [(ra, dec, mag, star_id), ...] pts [] for ra, dec, mag, star_id in stars: v radec2vec(ra, dec) x, y project(v, center_vec, f, rotation) # 理想针孔投影 x np.random.normal(0, 0.05, 1)[0] # 1/20 像素质心噪声 pts.append((x, y, mag, star_id)) return pts验证口径我习惯分两层匹配率和姿态精度。匹配率定义为“正确匹配的星点数 / 图像中可用于匹配的亮星数”随机取 50 个天区跑一遍匹配率应不低于 95%姿态精度则在匹配正确的前提下统计四元数误差误差超过 2 倍理论值就说明质心或畸变处理有问题。一个有用的附加噪声是“随机删除 10% 的星点”用来模拟遮挡和暗弱星缺失如果这种情况下匹配率掉到 90% 以下说明投票机制过于依赖完整三角形需要增强。我自己的习惯是先把仿真参数调严再上真机仿真过不了关绝不碰在轨数据。多年前有一次我只在无噪声理想图上跑通就交付结果真机一上来就碰到热像元污染匹配率直接掉到六成。后来我把噪声模型写进验证脚本的第一行才真正体会到这层后悔药有多值钱。先把这些边界噪声一个一个叠进去再用真实星表随机抽天区反复跑确认结果稳定了星图识别这一步才算真正落地。希望帮到你。本文还有配套的精品资源点击获取