如何在星轨图像中检测北天极（NCP）的像素坐标

核心思路 #

星轨是恒星绕NCP旋转形成的圆弧，cv::HoughCircles更适合完整圆形检测，对圆弧拟合效果较差。改用提取星轨边缘点→对每组弧点拟合圆→计算所有拟合圆的圆心均值的方案定位NCP，具体步骤如下：

具体实现步骤 #

1. 图像预处理 #

• 将彩色图像转为灰度图：cv::cvtColor(src, gray, cv::COLOR_BGR2GRAY);
• 高斯模糊降噪，避免干扰边缘检测：cv::GaussianBlur(gray, blurred, cv::Size(5,5), 0);
• Canny边缘检测提取星轨轮廓，可根据图像亮度调整阈值（示例：低阈值50，高阈值150）：cv::Canny(blurred, edges, 50, 150);

2. 提取星轨边缘点并分组 #

• 用cv::findContours提取边缘轮廓，过滤过短轮廓（星轨弧长通常较长，示例最小长度设为50像素）：

  std::vector<std::vector<cv::Point>> contours;
  cv::findContours(edges.clone(), contours, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);
  std::vector<std::vector<cv::Point>> validContours;
  for (auto& cnt : contours) {
      if (cv::arcLength(cnt, false) > 50) {
          validContours.push_back(cnt);
      }
  }
  

3. 对每组轮廓拟合圆 #

• 采用最小二乘法对每个有效轮廓拟合圆（适配星轨圆弧特性）：

  struct Circle {
      cv::Point2f center;
      float radius;
  };
  
  std::vector<Circle> fittedCircles;
  for (auto& cnt : validContours) {
      int n = cnt.size();
      if (n < 5) continue; // 至少需要5个点拟合圆
      double sumX = 0, sumY = 0, sumX2 = 0, sumY2 = 0, sumX3 = 0, sumY3 = 0, sumXY = 0, sumX2Y = 0, sumXY2 = 0;
      for (auto& p : cnt) {
          double x = p.x, y = p.y;
          sumX += x; sumY += y;
          sumX2 += x*x; sumY2 += y*y;
          sumX3 += x*x*x; sumY3 += y*y*y;
          sumXY += x*y;
          sumX2Y += x*x*y;
          sumXY2 += x*y*y;
      }
      double C = n * sumX2 - sumX * sumX;
      double D = n * sumXY - sumX * sumY;
      double E = n * sumX3 + n * sumXY2 - sumX * (sumX2 + sumY2);
      double G = n * sumY2 - sumY * sumY;
      double H = n * sumX2Y + n * sumY3 - sumY * (sumX2 + sumY2);
      double denominator = C*G - D*D;
      if (fabs(denominator) < 1e-6) continue;
      double cx = (G*E - D*H) / denominator;
      double cy = (C*H - D*E) / denominator;
      float radius = 0;
      for (auto& p : cnt) {
          radius += sqrt(pow(p.x - cx, 2) + pow(p.y - cy, 2));
      }
      radius /= n;
      fittedCircles.push_back({cv::Point2f(cx, cy), radius});
  }
  

4. 计算NCP坐标（拟合圆圆心的均值） #

• 过滤半径异常的拟合圆，再计算剩余圆心的平均坐标：

  // 计算半径均值与标准差，过滤异常值
  std::vector<float> radii;
  for (auto& c : fittedCircles) radii.push_back(c.radius);
  float meanRadius = std::accumulate(radii.begin(), radii.end(), 0.0f) / radii.size();
  float stdDev = 0;
  for (float r : radii) stdDev += pow(r - meanRadius, 2);
  stdDev = sqrt(stdDev / radii.size());
  
  std::vector<cv::Point2f> validCenters;
  for (auto& c : fittedCircles) {
      if (fabs(c.radius - meanRadius) < 2*stdDev) { // 保留2倍标准差内的圆
          validCenters.push_back(c.center);
      }
  }
  
  // 计算平均圆心即NCP坐标
  cv::Point2f ncp(0,0);
  for (auto& p : validCenters) {
      ncp.x += p.x;
      ncp.y += p.y;
  }
  ncp.x /= validCenters.size();
  ncp.y /= validCenters.size();
  

5. 在原图标记NCP #

• 用红色圆圈标记NCP并添加文字标注：

  cv::circle(src, ncp, 10, cv::Scalar(0,0,255), 2);
  cv::putText(src, "NCP", cv::Point(ncp.x+15, ncp.y), cv::FONT_HERSHEY_SIMPLEX, 0.8, cv::Scalar(0,0,255), 2);
  cv::imshow("NCP Detection", src);
  cv::waitKey(0);
  

关键注意事项 #

• Canny阈值需根据图像实际亮度调整，过强会丢失星轨边缘，过弱会引入噪声。
• 轮廓过滤的长度阈值要适配星轨实际长度，避免误将噪声轮廓当成星轨。
• 拟合圆时的异常值过滤能排除非星轨拟合结果，提升NCP定位精度。

内容的提问来源于stack exchange，提问作者Ladislav