一種新的星載光學遙感器光軸指向運動濾波方法

侯帥 于飛 李超 劉成 黃剛 侯丹 趙麗婷

一種新的星載光學遙感器光軸指向運動濾波方法

侯帥 于飛 李超 劉成 黃剛 侯丹 趙麗婷

（北京空間機電研究所，北京 100094）

針對應用在動中成像的星載光學遙感器光軸指向運動進行準確的運動估計問題，需要在測量出相機光軸的運動信息后對噪聲進行濾波，以獲得準確的相機光軸指向偏移量。文章對低通濾波、最小均方自適應濾波、卡爾曼濾波和無跡卡爾曼濾波等四種常見方法進行了試驗分析，明確了低通濾波方法有更好的效果和適應性，但是性能還需要進一步提升。對相機光軸運動的隨機性與所受噪聲的統計特征不可預知性，提出了一種根據指向偏移與噪聲幅頻特性差異自確定截止頻率的二次雙向低通濾波方法，實現了截止頻率的在線估計，解決了常見低通濾波的相位失真問題，濾波效果較四種常見方法更好，滿足實際工程應用需求。

動中成像 光軸指向運動 運動估計 運動濾波 光學遙感器 遙感衛星

0 引言

星載動中成像光學遙感器可以按照傳統或敏捷機動模式，待衛星平臺穩定之后進行穩態成像，也可以按照動中成像模式，通過衛星三軸姿態的持續調整，在機動過程中實現非穩態成像。動中成像模式節省了衛星指向姿態調整所占用的時間，并且實現了非沿跡（不沿著飛行軌跡）成像，可對國境線、島鏈等非規則曲線進行異軌觀測[1]。

在動中成像遙感觀測中，需要獲得精確的成像系統光學指向偏移量來實現抖動后模糊圖像的復原或者TDI焦面的行轉移積分時間的實時準確設置。為準確地獲得動中成像過程中相機光軸運動信息，可以通過高幀頻圖像的成像匹配方法來實現[2-4]。然而，在使用高幀頻相機對相機光軸運動的觀測過程中，由于相機對衛星平臺振動的響應和圖像匹配算法的誤差等其他影響測量精度的因素，測量出的相機光軸運動信息會帶有噪聲。為獲得高精度的相機光軸運動信息，必須要利用運動濾波算法消除或減小噪聲。

1 光軸運動模型與傳統濾波方法

1.1 光軸運動分析與建模

衛星平臺指向指令輸出的運動是一個平滑的曲線。然而在成像過程中，由于衛星姿態的持續調整，如動量輪變速轉動、噴氣等工作引起的平臺振動和衛星的指向控制，如太陽翼、指向反光鏡、天線、飛輪等運動部件調整引起的整星振動，會產生震顫。對于高分辨率相機而言，這種震顫的頻率較低，幅值較大，是造成相機光軸指向偏移的主要因素，導致相機光軸的運動會與衛星平臺指向指令運動存在誤差，是影響成像品質的主要原因。通過高幀頻圖像的成像匹配來觀測相機光軸運動的過程中，由于相機對衛星平臺振動響應的高頻成分導致的相機亞像元模糊以及圖像匹配算法的誤差等其他影響測量精度的因素，會產生噪聲。對于成像系統而言，這種噪聲的頻率較高，幅值較小[5]，一般為衛星姿態控制精度的千分之一以下。圖1為平臺指向指令運動曲線和成像過程中與觀測到的相機光軸垂直方向的整體和局部放大運動曲線，其中灰色曲線為平臺指向指令運動曲線，藍色曲線是相機在成像過程中由于受到頻率較低、幅值較大的震顫影響造成光軸指向隨機偏移的實際運動曲線，紅色曲線是通過高幀頻相機觀測相機光軸運動得到的帶有頻率較高、幅值較小的隨機噪聲的相機光軸運動曲線。

1.2 常見濾波方法試驗與結果分析

為提高對相機光軸運動觀測的精度，要消除或減小噪聲。由于噪聲的能量較低，難以在部件正常工作的限制下進行控制，主動地消除噪聲。因此，只有被動地選用濾波的方法來消除或者減小噪聲。常見的濾波方法有：低通濾波[6-8]、最小均方（LMS）自適應濾波[9-12]、卡爾曼濾波[13-16]和無跡卡爾曼濾波[17-19]。

使用這四種常見方法對觀測到的相機光軸運動曲線進行1 000次隨機實時濾波試驗，共計123 000個采樣點，本次濾波選取1 000個采樣點，具體設置如下：

1）隨機指向偏移頻率范圍0.1~100Hz，隨機噪聲頻率范圍50~1 000Hz；

2）低通濾波截止頻率選取為指向偏移最高頻率100Hz，通過峰值匹配方法矯正相位；

4）卡爾曼濾波和無跡卡爾曼濾波中，設定狀態方程為平臺垂直方向指向指令運動曲線加上隨機指向偏移，即成像過程中相機光軸實際運動曲線，觀測方程為在此基礎上加上隨機噪聲，即觀測到的相機光軸運動曲線；

對比濾波前后的相機光軸運動曲線如圖2所示。計算并記錄噪聲均方根（RMS）值降低的百分比如表1所示。

圖1 平臺指向指令運動曲線和成像過程中與觀測到的相機光軸垂直方向運動曲線

圖2 不同方法相機光軸運動濾波結果曲線對比

表1 不同方法濾波結果數據對比

Tab.1 The data comparison of the results in different methods

從上述試驗結果可以看出：

1）經過低通濾波后的相機光軸運動曲線變得較為平滑，噪聲被較好地抑制，但是發生了較為嚴重的相位失真。由于相位失真的原因，導致濾波后的噪聲RMS值升高；經過相位矯正后，噪聲RMS值有所降低。

2）經過LMS自適應濾波后的相機光軸曲線較不平滑，噪聲RMS值降低程度較小。

3）經過卡爾曼濾波和無跡卡爾曼濾波后的相機光軸曲線較不平滑，噪聲的RMS值有較小幅度的降低。

所以，上述四種常見濾波方法對相機光軸運動曲線的濾波效果均不理想，分析如下：

對于低通濾波方法，首先，由于無限脈沖響應濾波的系統函數中存在著不為零的極點，導致輸出只可能實現與輸入近似的線性相位特性，存在著相位偏移；其次，在實際情況下，由于極點的變化，很難實現對輸出的精確相位矯正；最后，截止頻率的選取依賴于對噪聲產生源的預先分析與頻率估計，會與實際情況下的噪聲頻率存在偏差，使得濾波效果降低。

對于LMS自適應濾波方法，首先，期望輸出應為成像過程中相機光軸運動曲線，在實際情況下這是未知量也是需求；其次，期望輸出的平坦程度決定了濾波算法的收斂速度與收斂性，而成像過程中相機光軸運動曲線并不平坦，會導致濾波算法的收斂速度較慢甚至不收斂；最后，收斂因子的選取在實際應用中難以確定最優值，難以保證濾波過程的穩定性。

對于卡爾曼濾波和無跡卡爾曼濾波方法，首先，由于動中成像相機光軸的實際運動較為復雜，具有隨機性且隨機狀態不確定，在這種情況下，會導致協方差預測與濾波增益計算的不準確甚至失效；其次，由于指向偏移和噪聲的隨機性，他們的統計特性不可提前預知，同樣導致了協方差預測與濾波增益的計算不準確；最后，卡爾曼系濾波方法要求噪聲為高斯分布的白噪聲，而相機光軸運動的指向偏移和噪聲均不滿足這一限制條件。

從上述的分析可以看出，LMS自適應濾波和卡爾曼系濾波方法的限制條件嚴重影響了對相機光軸運動濾波的效果，而低通濾波方法基本上沒有條件上的限制，只需解決相位失真和截止頻率估計的問題，便可以獲得較為理想的濾波效果，是一種值得改進的方法。

2 低通濾波方法的改進

2.1 截止頻率的確定

常見低通濾波方法的截止頻率選取一般是通過前期對于噪聲聲源的了解分析與試驗測試，得到的噪聲頻率范圍從而確定截止頻率。而對星載動中成像光學遙感器來說，噪聲聲源與航天環境均較為復雜，估計到的截止頻率會與實際情況存在偏差，導致濾波效果受限?？尚械姆椒ㄊ窃诰€測量與分析噪聲頻譜，使用某種方法辨別噪聲與有用信息的頻率差異，從而確定截止頻率。

將觀測到的相機光軸運動與理想情況下的相機光軸運動進行比較可以得到指向偏移和噪聲的混合信息，其頻譜如圖3所示。

圖3中可以看到，在低頻部分分布的主要為需要保留的指向偏移信息，幅值相對較大；在高頻部分主要分布著需要濾除的噪聲，幅值相對較小，兩者存在著較為明顯的幅值差異。根據幅值的差異可以確定截止頻率選取的范圍。對混合信息頻譜進行均值濾波，濾波窗口大小為系統采樣頻率大小的一半，得到的結果如圖4所示。

圖3 混合信息頻譜圖

圖4 均值濾波后的混合信息頻譜圖

測量經過均值濾波后的混合信息最大幅值，并計算最大幅值的二分之一處對應的頻率，選取其中較大的一個作為截止頻率，記錄截止頻率與指向偏移和噪聲的頻率范圍如表2所示，并進行比較分析。

表2 頻率范圍與截止頻率

Tab.2 The frequency range and the cut-off frequency 單位：Hz

可以看出，指向偏移和噪聲的頻率范圍在相距較近、混疊和相距較遠三種不同類型下，該方法確定的截止頻率均為合理，完全保留指向偏移信息的同時對觀測噪聲有著較好地抑制。

2.2 消除相位失真

常見的低通濾波方法的輸出會與輸入存在非線性的相位偏差，這是由于無限脈沖響應濾波器，其單位脈沖響應是無限長的，其系統的差分方程可以寫為[20]

式中()為濾波器輸出序列；()為濾波器輸入序列；為序列號；為濾波器階數；a，b為濾波系數，，為差分階數。

經過變換可以得到

則濾波器的系統函數()為

可以看出，無限脈沖響應濾波器的系統函數()存在著不為零的極點，因此輸出只可能實現近似的線性相位特性，會與輸入的相位發生偏移。在實際應用過程中，使用峰值匹配方法對相位進行矯正，或用其他方法對輸出相位進行測量與調整不僅耗費額外時間，還會引入新的誤差，因此應設計一種沒有相位失真的低通濾波方法。

雙向低通濾波的過程是先將輸入按照順序進行低通濾波，然后將所得的結果時域翻轉后再次進行低通濾波，將所得的結果逆再次時域翻轉后輸出，得到的結果便是無相位失真的低通濾波結果，原理推證如下：

(1) 時域翻轉

設輸入序列()長度為，經過變換得到

將()進行時域翻轉得到()，則()的變換為

（5）

（2）雙向低通濾波

根據上述輸入序列()進行時域翻轉前后的變換關系，雙向低通濾波過程可以表述如下：

第一步，將輸入()順序經過低通濾波器()，得到()，即

第二步，將()進行時域翻轉，得到()，由式（5）、（6）得

第三步，將()再次通過低通濾波器()，得到()，即

第四步，將()再次進行時域翻轉，得到最終輸出()，由式（5）、（8）得

可以看出，經過雙向低通濾波的最終輸出與輸入只是在幅度上的改變，而與輸入的相位沒有發生變化。

對觀測到的相機光軸運動曲線進行自確定截止頻率雙向低通濾波試驗，對比濾波前后的相機光軸運動曲線如圖5所示。

圖5 雙向低通濾波后的相機光軸運動曲線

可以看出，濾波后的相機光軸運動曲線沒有發生相位失真，證明了雙向低通濾波方法可以解決傳統低通濾波相位失真的問題。

3 試驗結果對比與結論

使用低通濾波、LMS自適應濾波、卡爾曼濾波、無跡卡爾曼濾波和自確定截止頻率雙向低通濾波方法對觀測到的相機光軸運動曲線，使用與1.2節中相同的試驗進行1 000次濾波試驗，計算噪聲RMS值降低的百分比，如表3所示。

可以看出，自確定截止頻率雙向低通濾波方法對于相機光軸運動濾波的效果優于四種常見方法。在1000次隨機試驗中，該方法對于噪聲RMS值降低程度平均達到了80%，最大達到了91%?？梢娮源_定截止頻率雙向低通濾波方法有良好的濾波效果。同時，在計算時間上，該方法具有較強的實時性，能夠滿足后續工程應用需求。

表3 不同方法濾波結果數據對比

Tab.3 The data comparison of the results in different filtering methods

4 結束語

本文根據對星載動中成像光學遙感器光軸運動特性與測量過程中所受噪聲特性進行分析，使用四種常見方法進行試驗，結果表明這四種方法對該問題的濾波效果均不理想，為此，針對低通濾波方法的截止頻率確定與相位失真問題，提出了自確定截止頻率雙向低通濾波方法，試驗結果表明該方法獲得了較好的濾波效果，具有較好的實用性。

[1] 吳俊, 李娜, 許云飛, 等. 超敏捷衛星動中成像模式下成像質量研究[J]. 光學與光電技術, 2018, 16(5): 83-89. WU Jun, LI Na, XU Yunfei, et al. Research on Imaging Quality of Super Agile Satellite with Dynamic Imaging Mode[J]. Optics & Optoelectronic Technology, 2018, 16(5): 83-89. (in Chinese)

[2] 李超, 于飛, 康曉軍. 一種模板匹配的快速實現方法[J]. 航天返回與遙感, 2016, 37(1): 63-70. LI Chao, YU Fei, KANG Xiaojun. A Fast Method of Template Matching[J]. Spacecraft Recovery & Remote Sensing, 2016, 37(1): 63-70. (in Chinese)

[3] 王愷, 陳世平, 曾湧. 一種頻域亞像元影像匹配方法[J]. 航天返回與遙感, 2015, 36(1): 81-86. WANG Kai, CHEN Shiping, ZENG Yong. A Subpixel Matching in Frequnecy Domain[J]. Spacecraft Recovery & Remote Sensing, 2015, 36(1): 81-86. (in Chinese)

[4] 蔡曉東, 葉培建. 衛星遙感圖像信息作為姿態敏感器的應用研究[J]. 中國空間科學技術, 2005, 25(6): 8-13. CAI Xiaodong, YE Peijian. Research on Satellite Attitude Sensor Applying Remote Sensing Image Information [J]. Chinese Space Science and Technology, 2005, 25(6): 8-13. (in Chinses)

[5] 王密. 高分辨率光學衛星遙感影像平臺震顫分析與精確處理方法[M]. 北京: 科學出版社, 2018: 10-11. WANG Mi. High Resolution Optical Satellite Remote Sensing Image Platform Fremitus Analysis and Precision Treatment Method[M]. Beijing: Science Press, 2018: 10-11. (in Chinese)

[6] 郎駿健, 梁星輝, 柳林濤, 等. 航空重力傅里葉基追蹤低通濾波方法研究[J]. 地球物理學報, 2018, 61(12): 4737-4745. LANG Junjian, LIANG Xinghui, LIU Lintao, et al. Research on the Fourier Basis Pursuit Low Pass Filter Airbone Gravity[J]. Chinese Journal of Geophysics, 2018, 61(12): 4737-4745. (in Chinese)

[7] 張召磊, 孫曉偉, 夏德新, 等. 高精度頻率分辨在振動信號辨識中的應用[J]. 火箭推進, 2017, 43(2): 66-71. ZHANG Zhaolei, SUN Xiaowei, XIA Dexin, et al. Application of High-precision Frequency Resolution in Vibration Signal Identification[J]. Journal of Rocket Propulsion, 2017, 43(2): 66-71. (in Chinese)

[8] 劉云鵬, 馬國明, 劉肇鷗, 等. 低通濾波在紫外成像降噪處理中的應用[J]. 高壓電技術, 2007, 33(6): 129-113. LIU Yunpeng, MA Guoming, LIU Zhaoqing, et al. Application of Low Pass Filter Technology in Electric Equipment UV Detection[J]. High Voltage Engineering, 2007, 33(6): 129-113. (in Chinese)

[9] 陳琳, 李建勛, 戴虎, 等. 自適應濾波在動態推力測量中的應用[J]. 宇航學報, 2010, 31(7): 1819-1824. CHEN Lin, LI Jianxun, DAI Hu, et al. Application of Adaptive Filter in Dynamic Thrust Measurement[J]. Journal of Astronautics, 2010, 31(7): 1819-1824. (in Chinese)

[10] 王潔, 熊智, 邢麗, 等. 基于新息自適應濾波的慣性測量單元誤差在線標定方法研究[J]. 兵工學報, 2016, 37(7): 1203-1213. WANG Jie, XIONG Zhi, XING Li, et al. Online Calibration of IMU Errors of Inertial Navigation System Based on Innovation-based Adaptive Filtering[J]. Acta Armamentarii, 2016, 37(7): 1203-1213. (in Chinese)

[11] 王曉亮, 邵曉巍, 龔德仁, 等. 改進的量測噪聲自適應濾波在空間非合作目標視覺導航中的應用[J]. 航天控制, 2011, 29(2): 37-41. WANG Xiaoliang, SHAO Xiaowei, GONG Deren, et al. Application of an Improved Measurement Noise Adaptive Filter in Vision Navigation for Non-cooperative Target in Space[J]. Aerospace Control, 2011, 29(2): 37-41. (in Chinese)

[12] 仇立成, 祝程程. 自適應濾波在GPS測速中的應用[J]. 全球定位系統, 2013, 38(1): 15-17. QIU Licheng, ZHU Chengcheng. The Application of Adaptive Filter in Velocity Measurement with GPS[J]. GNSS World of China, 2013, 38(1): 15-17. (in Chinese)

[13] 王向華, 覃征, 楊新宇, 等. 基于兩次Kalman濾波的觀測噪聲自適應調整算法[J]. 系統工程與電子技術, 2010, 32(2): 232-234. WANG Xianghua, QIN Zheng, YANG Xinyu, et al. Adaptive Algorithm for Adajusting Observation Noises Based on Double-Kalman Filter[J]. Systems Engineering and Elcronics, 2010, 32(2): 232-234. (in Chinese)

[14] 黃磊. 光纖陀螺隨機噪聲的建模與濾波[J]. 彈箭與制導學報, 2013, 33(6): 27-30. HUANG Lei. Modeling and Filtering Methods of FOG Random Noise[J]. Journal of Projectiles, Rockets, Missiles and Guidance, 2013, 33(6): 27-30. (in Chinese)

[15] 張文博, 范大鵬, 張智永, 等. 光電穩定跟蹤裝置中微機電陀螺應用研究[J]. 光學精密工程, 2006, 14(4): 689-696. ZHANG Wenbo, FAN Dapeng, ZHANG Zhiyong, et al. Research on Application of MEMS Gyro to Servo System for E-O Stabilization and Tracking Devices[J]. Optics and Precision Engineering, 2006, 14(4): 689-696. (in Chinese)

[16] 劉少軒, 馬琰, 吳旭光, 等. 穩定跟蹤平臺陀螺噪聲及濾波去噪方法[J]. 工業儀表與自動化裝置, 2013(3): 62-66. LIU Shaoxuan, MA Yan, WU Xuguang, et al. Research on Gyro Noise and Filtering of Stabilization and Tracking Platform[J]. Industrial Instrumentation and Automation, 2013 (3): 62-66. (in Chinese)

[17] 劉光明, 徐帆江. 抗差自適應UKF算法在地基光學跟蹤空間目標中的應用[J]. 系統工程與電子技術, 2018, 40(3): 623-629. LIU Guangming, XU Fanjiang. Application of Robustly Adptive UKF Algorithm in Ground-based Bearings-only Tracking for Space Targets[J]. Systems Engineering and Elctronics, 2018, 40(3): 623-629. (in Chinese)

[18] 袁丹丹, 易文俊, 管軍, 等. 基于UKF彈體滾轉姿態測量方法研究[J]. 彈道學報, 2017, 29(2): 8-12. YUAN Dandan, YI Wenjun, GUAN Jun, et al. Study of Projectile Roll-attitude Measurement Method Based on Unscented Kalman Filter[J]. Journal of Ballistics, 2017, 29(2): 8-12. (in Chinese)

[19] 姜雪原, 馬廣富, 胡慶雷. 改進型UKF濾波算法的衛星姿態估計[J]. 哈爾濱工程大學學報, 2005, 26(4): 544-549. JIANG Xueyuan, MA Guangfu, HU Qinglei. Modified Unscented Kalman Filter for Satellite Attitude Estimation[J]. Journal of Harbin Engineering University, 2005, 26(4): 544-549. (in Chinese)

[20] 杜勇. 數字濾波器的MATLAB與FPGA實現：Xilinx/VHDL版[M]. 北京: 電子工業出版社, 2017: 166. DU Yong. The Implementation of Digital Filter on MATLAB and FPGA: Version of Xilinx/VHDL[M]. Beijing: Publishing House of Electronics Industry, 2017: 166. (in Chinese)

A New Filter Method for Optic Axis Pointing Motion of Spaceborne Optical Remote Sensors

HOU Shuai YU Fei LI Chao LIU Cheng HUANG Gang HOU Dan ZHAO Liting

（Beijing Institute of Space Mechanics & Electricity, Beijing 100094, China）

Aiming at the problem of accurate estimation of the optical axis pointing motion of spaceborne optical remote sensors imaging in motion state, it’s necessary to filter the noise from the measurement information to obtain accurate pointing offset of the optical axis. Four common methods, i.e. low-pass filter, least mean square (LMS) filter, Kalman filter and unscented Kalman filter, are analyzed, and the results show that the low-pass filter method is better in efficiency and adaption, and has potential in improving performance. Considering the randomness of camera optical axis motion and the unpredictability of statistical characteristics of the received noise, a two-way low-pass filter method with self-determined cut-off frequency is proposed according to the difference of amplitude frequency characteristics between the camera optical axis pointing offset and the noise.The experimental results show that this method realizes on-line estimation of cut-off frequency and solves the problem of phase distortion in low-pass filter method, with filtering effect better than the traditional four methods, meeting the needs of practical engineering application.

imaging in motion state; optical axis pointing motion; motion estimation; motion filtering; optical remote sensor; remote sensing satellite

TP79

A

1009-8518(2020)01-0047-09

10.3969/j.issn.1009-8518.2020.01.006

2019-11-20

國家重大科技專項工程

侯帥, 于飛, 李超, 等. 一種新的星載光學遙感器光軸指向運動濾波方法[J]. 航天返回與遙感, 2020, 41(1): 47-55.

HOU Shuai, YU Fei, LI Chao, et al. A New Filter Method for Optic Axis Pointing Motion of Spaceborne Optical Remote Sensors[J]. Spacecraft Recovery & Remote Sensing, 2020, 41(1): 47-55. (in Chinese)

侯帥，男，1995年生，2017年獲哈爾濱工程大學學士學位，現在中國空間技術研究院光學工程專業攻讀碩士學位。研究方向為精密光電儀器控制。E-mail：137166379@qq.com。

（編輯：王麗霞）