Алгоритм оценивания центроидов звезд на смазанных космических изображениях

Динамические условия съемки создают фотографический дефект изображения (размытие, „смаз“), который приводит к искажениям регистрируемой сцены. Для обеспечения необходимой эффективности работы звездного датчика требуются дополнительные методы обработки изображений, направленные на компенсацию искажающих факторов. Предложен алгоритм оценивания центроидов звезд на смазанных изображениях, основанный на методах шумоподавления и деконволюции изображений. На этапе шумоподавления к исходному изображению применяется билатеральный фильтр, что позволяет в несколько раз увеличить отношение сигнал/ шум звезд. Далее для детектирования предполагаемых звезд производится удаление фонового шума. Очищенное от фона изображение поступает на вход алгоритма Люси — Ричардсона для решения задачи деконволюции. К восстановленному в ходе деконволюции изображению применяется однопроходный алгоритм кластеризации для оценки центроидов обнаруженных звезд. Работа алгоритма была проверена экспериментально на трех тестовых наборах изображений с разными параметрами „смаза“. При фиксированных параметрах предлагаемый алгоритм обеспечивает более высокие показатели точности и надежности, чем два других ранее известных аналога. Однако для повышения эффективности предлагаемого алгоритма требуется точная оценка параметров „смаза“, в противном случае это приведет к большим погрешностям оценки координат.

1. Василюк Н. Н. Модель погрешностей звездного датчика ориентации, учитывающая погрешности калибровки элементов внутреннего ориентирования цифровой камеры // Гироскопия и навигация. 2024. Т. 32, № 1. С. 53–71.

2. Zapevalin P. R., Novoselov A., Zharov V. E. Artificial neural network for star tracker centroid computation // Advances in Space Research. 2023. Vol. 71, N 9. P. 3917–3925. DOI: 10.1016/j.asr.2022.11.023.

3. Федосеев В. И., Колосов М. П. Оптико-электронные приборы ориентации и навигации космических аппаратов. М.: Логос, 2007.

4. Прохоров М. Е., Захаров А.И., Миронов А.В., Николаев Ф.Н., Тучин М.С. Современные датчики звездной ориентации // Тр. 38-й Междунар. студ. науч. конф. Екатеринбург, 2009. С. 170–186.

5. Бессонов Р. В., Белинская Е. В., Брысин Н. Н., Воронков С. В., Куркина А. Н., Форш А. А. Звездные датчики ориентации в астроинерциальных системах летательных аппаратов // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15, №. 6. С. 9–20. DOI: 10.21046/2070-7401-2018-15-6-9-20.

6. Dave S., Clark R., Lee R. S. K. Rsonet: An image-processing framework for a dual-purpose star tracker as an opportunistic space surveillance sensor // Sensors. 2022. Vol. 22, N 15. P. 1–14. DOI: 10.3390/s22155688.

7. Zhang G. Star identification. Beijing: National Defense Industry Press, 2011.

8. Yang J., Liang B., Zhang T., Song J. A novel systematic error compensation algorithm based on least squares support vector regression for star sensor image centroid estimation // Sensors. 2011. Vol. 11, N. 8. P. 7341–7363. DOI: 10.3390/s110807341.

9. Bigas M., Cabruja E., Forest J., Salvi J. Review of CMOS image sensors // Microelectronics Journal. 2006. Vol. 37, N 5. P. 433–451. DOI: 10.1016/j.mejo.2005.07.002.

10. Yan J., Jiang J., Zhang G. Dynamic imaging model and parameter optimization for a star tracker // Opt. Express. 2016. Vol. 24, N 6. P. 5961–5983. DOI: 10.1364/OE.24.005961.

11. Zhang H., Niu Y., Lu J., Zhang H. Accurate and autonomous star acquisition method for star sensor under complex conditions // Mathematical Problems in Engineering. 2017. Vol. 2017, N 1. P. 1-12 DOI: 10.1155/2017/1643967.

12. Zhao J., Zhang C., Yu T., Li F. Accuracy enhancement of navigation images using blind restoration method // Acta Astronautica. 2018. Vol. 142. P. 193–200. DOI: 10.1016/j.actaastro.2017.10.037.

13. Sen A. P., Sarantsev A., Blewitt G., Derevianko A. Tutorial on running median subtraction filter with application to searches for exotic field transients in multi-messenger astronomy // arXiv preprint arXiv:2410.03773. 2024. DOI: 10.48550/arXiv.2410.03773.

14. Helmy I., Saad O., Eid D. Denoising filter based on focus measure operators for astronomical images: A comparative study // 4th Novel Intelligent and Leading Emerging Sciences Conf. (NILES). IEEE, 2022. P. 5–9. DOI: 10.1109/NILES56402.2022.9942365.

15. Birdawod H. Q., Khudhur A. M., Kadir D. H., Saleh D. M. A wavelet shrinkage mixed with a single-level 2D discrete wavelet transform for image denoising // Kurdistan Journal of Applied Research. 2024. Vol. 9, N 2. P. 1–12.

16. Li H., Xu K. Innovative adaptive edge detection for noisy images using wavelet and Gaussian method // Scientific Reports. 2025. Vol. 15, N 1. P. 1–18. DOI: 10.1038/s41598-025-86860-9.

17. Golilarz N. A., Gao H., Pirasteh S., Yazdi M., Zhou J., Fu Y. Satellite multispectral and hyperspectral image de-noising with enhanced adaptive generalized Gaussian distribution threshold in the wavelet domain // Remote Sensing. 2020. Vol. 13, N 1. P. 1–16. DOI: 10.3390/rs13010101.

18. Wang W., Wei X., Li J., Wang G. Noise suppression algorithm of short-wave infrared star image for daytime star sensor // Infrared Physics & Technology. 2017. Vol. 85. P. 382–394. DOI: 10.1016/j.infrared.2017.08.002.

19. Chin T. J., Bagchi S., Eriksson A., Van Schaik A. Star tracking using an event camera // Proc. of the IEEE/CVF Conf. on Computer Vision and Pattern Recognition Workshops. 2019. P. 1–10.

20. Mayasari R., Heryana N. Reduce noise in computed tomography image using adaptive Gaussian filter // arXiv preprint arXiv:1902.05985. 2019. DOI: 10.48550/arXiv.1902.05985.

21. Kusrini K., Yudianto M. R. A., Al Fatta H. The effect of Gaussian filter and data preprocessing on the classification of Punakawan puppet images with the convolutional neural network algorithm // Intern. Journal of Electrical and Computer Engineering. 2022. Vol. 12, N. 4. P. 3752-3761. DOI: 10.11591/ijece.v12i4.pp3752-3761.

22. Tomasi C., Manduchi R. Bilateral filtering for gray and color images // 6th Intern. Conf. on Computer Vision. IEEE, 1998. P. 839–846. DOI: 10.1109/ICCV.1998.710815.

23. Liu D., Chen X., Liu X., Shi C. Star image prediction and restoration under dynamic conditions // Sensors. 2019. Vol. 19, N. 8. P. 1–23. DOI: 10.3390/s19081890.

24. Liu P., Zhao Y., Yang W., Wang S., Chen S. Blind deblurring using space target features // IEEE Access. 2019. Vol. 7. P. 131818–131829. DOI: 10.1109/ACCESS.2019.2940817.

25. Wang S., Zhang S., Ning M., Zhou B. Motion blurred star image restoration based on MEMS gyroscope aid and blur kernel correction // Sensors. 2018. Vol. 18, N 8. P. 1–27. DOI: 10.3390/s18082662.

26. Yi J., Ma Y., Zhu Z., Zhu Z., Tang Y., Zhao R. A blurred star image restoration method based on gyroscope data and enhanced sparse model // Measurement Science and Technology. 2023. Vol. 34, N 11. P. 1–12. DOI: 10.1088/1361-6501/ace730.

27. Zhang Y., Zhang K.R., Wu C.H., Ge G.P., Xu Y. A. Comparative analysis of DDA algorithm and Bresenham algorithm // Intern. Journal of Intelligent Internet of Things Computing. 2022. Vol. 1, N 4. P. 263–272. DOI: 10.1504/IJIITC.2022.129113.

28. https://github.com/valeriia-gm990307/Motion-blur-star-spot-centroid-estimation.git 29. Wan X., Wang G., Wei X., Li J., Zhang G. ODCC: A dynamic star spots extraction method for star sensors // IEEE Trans. on Instrumentation and Measurement. 2021. Vol. 70. P. 1–14. DOI: 10.1109/TIM.2021.3073716.

29. Wan X., Wang G., Wei X., Li J., Zhang G. ODCC: A dynamic star spots extraction method for star sensors // IEEE Trans. on Instrumentation and Measurement. 2021. Vol. 70. P. 1–14. DOI: 10.1109/TIM.2021.3073716.

30. Fan Q., Zhang X., Wang G. A dynamic star spots extraction method based on pixel association // Advances in Space Research. 2024. Vol. 73, N 1. P. 1019–1030. DOI: 10.1016/j.asr.2023.10.024.

31. Гмыря В. А., Трещалин А. П. Выделение малоконтрастных смазанных объектов на космических изображениях с помощью свёрточных нейронных сетей // Опт. журн. 2025. Т. 92, № 4. С. 60–70. DOI: 10.17586/1023-5086-2025-92-04-60-70.