1.一种基于改进Faster R-CNN的星敏感器快速星像提取方法，其特征在于，包括以下步骤：S11.构建改进Faster R-CNN网络，其结构包括星像特征提取主干网、特征融合器、区域生成网络和分类与回归网络；

S12.将64k×64k尺寸的受噪声污染的星图分割成四张32k×32k尺寸的子星图，将四张子星图送入星像特征提取主干网中；

S13.将每一张32k×32k尺寸，通道数为1的子星图作为输入，经过第一层步距为2，卷积核大小为3×3，激活函数为ReLU的二维卷积层，输出16k×16k尺寸，通道数为8的特征矩阵F1；

S14.将步骤S13中的特征矩阵F1送入第一个星像残差结构，得到输出为16k×16k尺寸，通道数为8的特征矩阵F2；

S15.将步骤S14中的特征矩阵F2送入第二个星像残差结构，得到输出为8k×8k尺寸，通道数为8的特征矩阵F3；

S16.将步骤S15中的特征矩阵F3送入第三个星像残差结构，得到输出为4k×4k尺寸，通道数为8的特征矩阵F4；

S17.将步骤S16中的特征矩阵F4送入第四个星像残差结构，得到输出为2k×2k尺寸，通道数为8的特征矩阵F5；

S18.将步骤S17中的特征矩阵F5送入第五个星像残差结构，得到输出为k×k尺寸，通道数为16的特征矩阵F6；

S19.将步骤S18中的特征矩阵F6送入步距为1，卷积核大小为1×1，激活函数为ReLU的二维卷积层，得到输出为k×k尺寸，通道数为64的特征矩阵F7；

S110.将得到的特征矩阵进行特征融合，步骤S19中得到的F7与步骤S17中得到的F5进行上采样操作，得到与步骤S14中F2尺寸相同的F7’、F5’，并分别将F7’、F5’与F2进行像素叠加，得到F7”、F5”，再将F7”、F5”像素叠加得到最终预测特征矩阵P；

S111.将特征矩阵P送入区域生成网络中，得到一系列的星像目标候选框；

S112.再经过分类与回归网络，输出预测坐标数据，即星像在子星图中的区域范围；

S113.将预测坐标数据进行坐标变换，得到星像在原图中的区域范围坐标，并行处理的四张子星图均属于同一张星图，第一张子图中的星像区域的横纵坐标均不变；第二张子图的横坐标加上子星图尺寸，纵坐标不变；第三张子图的纵坐标加上子星图尺寸，横坐标不变；第四张子星图横纵坐标均加上子星图尺寸，即可得到星像在原图中的区域范围坐标；

S114.输出在原图中的星像区域图像；

S115.利用基于像素筛选的灰度质心法，得到星像质心坐标。

2.根据权利要求1所述的一种基于改进Faster R-CNN的星敏感器快速星像提取方法，其特征在于，所述的星像特征提取主干网共有7层卷积层，其中5层卷积层由星像残差结构构成，2层卷积层由二维卷积构成；所述星像残差结构由卷积升维层、逐通道卷积层、注意力机制层和卷积降维层构成，特征矩阵先经过n个1×1的卷积核升维，再用n个3×3大小的卷积核进行逐通道卷积，然后用通道注意力机制和空间注意力机制为特征矩阵中星像区域分配较高的权重，背景分配较低的权重，最后使用m个1×1的卷积核降维，结构使用ReLU激活函数；n和m的数值为超参数，可根据实际情况调节；星像特征提取主干网络用于准确提取出星图中星像的特征。

3.根据权利要求1所述的一种基于改进Faster R-CNN的星敏感器快速星像提取方法，其特征在于，所述特征融合器包括上采样操作和像素叠加操作，上采样操作通过最邻近元法将低分辨率的特征矩阵增大到高分辨率，使得两个不同分辨率大小的特征矩阵尺寸恢复一致，用于相同尺寸大小的特征矩阵进行对应像素叠加操作；特征融合器用于提高特征矩阵包含的上下文信息量。

4.根据权利要求1所述的一种基于改进Faster R-CNN的星敏感器快速星像提取方法，其特征在于，所述的区域生成网络使用[8，8]，[10，10]，[12，12]三种尺寸且宽高比为[1：1]的锚框在特征矩阵上进行卷积操作，得到每一个锚框包含前景或者背景的概率以及对应的位置偏移量，这些结果被用来生成一系列的候选框供后续分类与回归网络使用；区域生成网络用于筛选目标区域，输出候选目标区和对应的预测位置。

5.根据权利要求1所述的一种基于改进Faster R-CNN的星敏感器快速星像提取方法，其特征在于，所述的分类与回归网络包括感兴趣区域池化、分类和边界框回归；所述感兴趣区域池化的功能是将区域生成网络计算得到的预测区域的特征池化到固定的维度，以满足后续网络的特征维度要求；所述分类和边界框回归的功能是依据区域生成网络筛选结果，采用全连接层对特征矩阵中的候选区域做分类，同时更精确地计算星像目标的位置，输出星像目标的分类概率和预测位置。

6.根据权利要求1所述的一种基于改进Faster R-CNN的星敏感器快速星像提取方法，其特征在于，所述的基于像素筛选的灰度质心法的步骤如下：S61.设置星像区域中心(x

S62.将初始坐标(x

S63.像素对比，逐一将每个像素点的灰度值与初始坐标(x

S64.得到经过筛选后的像素点集合，并将像素点用于灰度质心算法，灰度质心法的计算公式如下：其中，X