在高动态条件下，利用编码曝光技术对恢复后的恒星图像进行质心误差建模与代码优化

《IEEE Transactions on Instrumentation and Measurement》：Centroiding Error Modeling and Code Optimization for Restored Star Images Using Coded Exposure in High-Dynamic Conditions

针对高动态条件下星传感器图像信噪比低的问题，提出基于编码曝光的图像恢复与centroiding误差分析模型。通过傅里叶光学建立全链路模型，推导误差模型并优化编码策略，实验表明优化编码相比Raskar最优码centroiding误差减少12.7%，且算法计算效率提升25倍。

　　

摘要：

在高动态条件下，星形传感器捕获的图像通常具有较低的信噪比（SNR）。图像恢复可以减轻由于星体拖尾造成的能量分散，但使用传统曝光方法时这种问题本质上难以解决。编码曝光方法通过其可逆的模糊核保留了更多信息，从而实现了更高质量的星体图像恢复。然而，现有研究主要关注恢复过程，而无法定量分析恢复后星体图像的质心定位精度。为了解析质心定位精度，本文基于傅里叶光学理论建立了一个包含编码曝光星形传感器成像和恢复过程的全链路模型，并提供了恢复后星体点的空间-频率域表示。本文推导出了一个质心定位误差模型，并分析了其影响因素。基于该误差模型，提出了一种用于高动态星体图像恢复的编码优化策略，以进一步提高质心定位精度。实验结果与所提出的质心定位误差模型高度一致。在高动态条件下（SNR约为2～3），优化后的编码方法将质心定位误差降低了12.7%，相比Raskar的最优编码方法效果更佳。与常用的Richardson–Lucy恢复算法相比，本文采用的反卷积恢复算法在计算时间上仅用了其1/25的情况下，就能实现更低的质心定位误差。

引言

在现有的姿态测量传感器中，星形传感器因其高精度、抗干扰能力强以及对累积误差的免疫性而被广泛使用[1]、[2]、[3]。星形传感器的操作流程如下：首先捕获包含多颗恒星的图像，然后进行恒星检测和质心定位，从而获得恒星质心；这些质心随后被用于恒星识别和姿态估计算法[4]、[5]中。在整个过程中，恒星质心定位至关重要，因为其精度直接影响到最终的姿态测量精度。