基于YOLO的月表撞击坑检测实验方案设计

月表撞击坑的自动提取可为星际探测器着陆的自动选址提供可靠参考,可直接服务于军民用航天领域的重要需求。然而,月表撞击坑尺度多变、分布不一的特性给有效的撞击坑自动提取方法的开发带来了挑战。该文针对航空航天信息类专业实践培养需求,设计了基于YOLO的月表撞击坑检测实验方案。首先构建月表撞击坑训练用数据库,然后搭建基于YOLO系列网络的深度学习模型,并对撞击坑检测效果进行测试,最终所训练的网络模型在测试集上的检测精度能达到97.7%。通过该实验方案的设计,可以使学生在实践中深入理解航空航天领域问题研究的思路和方法,提高学生科研探索的兴趣和动手能力。

基于规范化特征的月球撞击坑探测方法

提出用多阀值分类和属性形态学对月球图像进行层次性和选择性预处理,使高对比阴阳月牙对和低灰度弱边界椭圆形撞击坑具备基本规范和稳定的Haar和PHOG特征。文中探讨了这些预处理方法对局部区域的小波Haar特征和塔式梯度方向直方图PHOG特征的稳定性的影响与作用,然后研究了AdaBoost和SVM这两种分类算法在月球撞击坑探测中的作用,并研究了将Haar和PHOG特征与AdaBoost和SVM相结合对撞击坑候选区域进行精确和高效定位的集成方法。结果表明利用属性形态学的柔性结构滤波和分类方法的集成应用能够使撞击坑的识别率较传统方法提高2%-5%。

基于局部特性的月球撞击坑边缘处理方法研究

针对月球撞击坑边缘检测的问题,主要研究了基于局部统计特性的各向Sobel算子的撞击坑边缘检测方法。依据撞击坑图像模型的特点,采用属性形态学方法消除噪声对边缘的干扰,并提出针对局部弱边界保留和伪边界消除的多向Sobel算子的权重调整方法,使撞击坑边缘依局部分布特性而自适应加强,较好地保持了撞击坑边缘重要细节和特征。

基于局部Haar和PHOG特征的月球撞击坑综合检测方法

基于月貌图像的撞击坑的检测需要采用合理的特征选择和机器学习策略,我们提出了一种基于区域局部灰度和梯度分布特征与机器学习方法相结合的撞击坑检测方法.这种方法将Haar特征与AdaBoost结合,使候选撞击坑区域的定位更加快捷,采用局部区域的塔式梯度方向直方图(PHOG)与高效的支持向量机学习算法相结合的方法用来精确地对撞击坑候选区域进行分类.考虑到Haar特征数的繁多而采用AdaBoost作为特征提取和分类方法,并由于PHOG特征的每一项都对分类起作用,将撞击坑区域统一预处理为不含阴阳面的各向梯度向量基本一致的圆形模糊边界,使圆形撞击坑的正样本特征具备更多的稳定性.文中还讨论了几种特征和分类方法的机理和集成,以及参数调整对撞击坑检测的效率分析.

分块鲁棒主成分分析的撞击坑图像检测识别

针对遥感图像地形背景复杂的问题,提出分块鲁棒主成分分析的撞击坑候选区域自动提取方法.基于图像分块,采用交替方向乘子算法进行结构稀疏的低秩分解,低秩成分表示冗余相似的背景,稀疏成分代表包含潜在撞击坑的显著区域.针对显著的区域图采用数学形态运算分割获取候选的撞击坑图像,并通过对候选图像进行稀疏表示的分类,识别出真实撞击坑.基于火星和月球图像的实验结果表明,该方法能去除复杂地形和光照的干扰,检测率达到91.7%.

嫦娥一号DEM数据月表撞击坑自动检测

基于嫦娥一号数字高程模型(DEM)数据,利用地形信息参数来描述月表撞击坑的边缘轮廓特征,采用Hough变换检测方法提取了月表撞击坑。将该方法应用于克拉维乌斯(Klavius)撞击坑的周围区域,在DEM数据500 m空间分辨率下,不考虑退化严重的撞击坑时,检测百分比D=90%,分支系数B=0.30,质量百分比Q=71%,在考虑退化严重的撞击坑时,D=71%,B=0.30,Q=58%;研究表明该算法对没有退化或轻微退化的撞击坑有很好检测效果。与基于影像数据月表撞击坑自动检测的研究进行比较,本文给出的算法具有更高的检测精度,同时虚假检测较少。证明该方法用于月表撞击坑的自动检测是可行的。