CN114359320B - 月球探测器鲁棒环形山检测方法及飞行器导航方法 - Google Patents
月球探测器鲁棒环形山检测方法及飞行器导航方法 Download PDFInfo
- Publication number
- CN114359320B CN114359320B CN202111534991.8A CN202111534991A CN114359320B CN 114359320 B CN114359320 B CN 114359320B CN 202111534991 A CN202111534991 A CN 202111534991A CN 114359320 B CN114359320 B CN 114359320B
- Authority
- CN
- China
- Prior art keywords
- mountain
- annular
- edge
- circular
- constraint
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 71
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 title claims description 6
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 239000000523 sample Substances 0.000 claims abstract description 19
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 11
- 238000003384 imaging method Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 4
- 241001061260 Emmelichthys struhsakeri Species 0.000 claims 6
- 238000005286 illumination Methods 0.000 abstract description 18
- 230000011218 segmentation Effects 0.000 abstract description 4
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000003708 edge detection Methods 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 9
- 239000004576 sand Substances 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000982285 Adansonia rubrostipa Species 0.000 description 1
- 102000003712 Complement factor B Human genes 0.000 description 1
- 108090000056 Complement factor B Proteins 0.000 description 1
- 241000651994 Curio Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/24—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for cosmonautical navigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
月球探测器鲁棒环形山检测方法及飞行器导航方法,解决了现有月球探测器下降着陆过程中常规环形山检测方法受光照影响、鲁棒性差的问题,属于月球探测技术领域。本发明首先采用对图像进行滤波,保留图像边缘细节又去除噪声影响;随后计算处理后的图像的熵分布,进行极大熵阈值分割、将图像信息三值化,去除图像对光源的敏感性,同时最大程度保留图像信息;本发明还采用归一化多指标约束环形山匹配和拟合方法完成环形山提取,在不同光照条件下均能提取出月面环形山连续、完整、清晰的边缘。本发明基于鲁棒环形山提取的飞行器导航方法实时性更好。
Description
技术领域
本发明涉及一种月球探测器鲁棒环形山检测方法及飞行器导航方法,属于月球探测技术领域。
背景技术
在过去的几十年中,针对月球(阿波罗,嫦娥)、火星(天问-1,好奇号、机遇号)、小行星(隼鸟号)等天体,世界各国已经开展了一系列成功的探测任务。通常来说,具有更高科学研究价值的地区其地形也往往越复杂,着陆探测的难度也越大。因此,作为探测任务的基础之一,环形山检测算法(Crater detection algorithm,CDA)对导航***和障碍规避***十分重要。“嫦娥”4号探测器是第一个降落在月球背面的探测器。与以往的月球着陆探测器相比,其着陆地区缺乏高精度的地形数据,着陆风险更大。
对未来的月球探测或行星探测任务而言,往往无法事先制备目标天体的高精度数字高程图(Digital e map,DEM),因此需要开发鲁棒性强、实时性优的环形山检测方法,以满足高精度和高可靠性的探测需求,为光学导航、障碍感知与规避***提供支撑。
现有的环形山检测算法有很多,一些算法注重环形山有效检测的检测率,另有一些理论更注重算法的速度和实时性。依处理信息不同可将算法分为基于DEM的环形山检测和基于光学信息的环形山检测。近些年来,部分研究者将机器学***的环形山检测方法,美中不足的是该方法需要同时对探测到的DEM数据和红外成像数据进行分析;还有提出一种基于CNN的环形山检测方法,这种方法需要在任务前确定目标地区的检测概率。一些传统理论也被用于环形山检测中,如霍夫变换、小波分析、Canny边缘检测、级联决策森林、形态学分析、光照方向和图像纹理分析等。还有提出基于图像分割和小波变换的标记点过程环形山提取方法;还有采用纹理分析和形态学分析的方法对亚公里级环形山检测,得到了很高的检测率;还有采用霍夫变换和Canny边缘检测的方法对高精度月面图像进行处理,计算量较大;还有直接环形山的曲线特征进行匹配以实现行星着陆导航,取得了很高的导航精度。
不同的环形山检测方法有不同的弊端。基于学习的方法需要合适的数据集训练;基于霍夫变换、形态学分析的方法对光照很敏感,适应性较差。然而,可以看出基于图像信息的环形山检测方法仍然具有研究价值。
发明内容
针对现有月球探测器下降着陆过程中常规环形山检测方法受光照影响、鲁棒性差的问题,本发明提供一种月球探测器鲁棒环形山检测方法。
本发明的一种月球探测器鲁棒环形山检测方法,包括:
S1、对月面图像进行滤波;
S2、根据公式一确定三值化阈值α和β:
其中,三值化总熵H(α,β)=H1(α)+H2(α,β)+H3(β),亮区、暗区和周围环境三个区域对应的信息熵分别为:
pi为滤波后的月面图像中各个像素值i出现的概率密度;
三值化后亮区、暗区和周围环境对应的概率分布分别为:
P1(α)+P2(α,β)+P3(β)=1,β>α;
S3、以三值化阈值α,β对滤波后的月面图像进行三值化处理,将滤波后的月面图像分割为亮区、暗区和周围环境;
S4、将分割后的月面图像进行环形山的半边缘进行匹配,提取出环形山。
作为优选,S4包括:
S41、构建多参数约束J(vi,vj):
vi和vj表示任意两个环形山半边缘,Jk(vi,vj)表示环形山半边缘一个匹配参数的约束;
S42、用一组特征点对亮区、暗区进行表征环形山半边缘,提取出n个环形山半边缘,构建多约束相似性矩阵D:
D是一个对称阵,主对角线元素恒为零,表征任意两个半边缘之间的相似性;
S43、对多约束相似性矩阵D进行处理,完成环形山半边缘的匹配;
S44、根据匹配的环形山半边缘,提取出环形山。
作为优选,多参数约束J(vi,vj)包括环形山半边缘的归一化长度相似性约束J1(vi,vj);
式中,li、lj分别为环形山半边缘vi和vj的环形山长度。
作为优选,多参数约束J(vi,vj)包括环形山半边缘的明暗亮度约束J2(vi,vj):
式中,分别为lexi、lexj分别为环形山半边缘vi和vj几何中心处的灰度值,J2(vi,vj)=1 表示匹配成功。
作为优选,多参数约束J(vi,vj)包括环形山半边缘的归一化方向约束J3(vi,vj):
ri和rj分别为环形山半边缘vi和vj的方向向量;
方向向量r表示如下:
环形山半边缘的端点A和B,几何中心C1,边缘中点C2。
作为优选,多参数约束J(vi,vj)包括环形山半边缘的归一化距离约束J4(vi,vj)和J5(vi,vj):
环形山半边缘vi和vj的水平距离约束J4(vi,vj):
环形山半边缘vi和vj的竖直方向约束J5(vi,vj):
式中,s为太阳光方向向量,η2为尺度参数,r1表示两环形山半边缘中心点连接组成的方向向量。
作为优选,多参数约束J(vi,vj)包括环形山半边缘的归一化形状约束J6(vi,vj):
作为优选,S43包括:
作为优选,S44包括:
月面环形山的椭圆模型为:
XTAX+bTX+c=0
式中:X为匹配后两环形山半边缘灰度坐标集合;
采用最小二乘法计算模型中的参数A,b和c;
获取拟合后的环形山中心坐标Xo:
完成环形山的提取。
匹配前,用一组特征点对环形山明、暗边缘进行表
本发明还提供一种飞行器导航方法,包括:
步骤一、飞行器采集月面图像,利用本发明的月球探测器鲁棒环形山检测方法至少提取出4个环形山,获取4个环形山的中心位置;
步骤二、根据至少4个环形山的中心位置,采用高斯牛顿法对第一类约束π1和第二类约束π2进行求解,确定飞行器在地理系下的位置;
Uk为归一化成像坐标;
Vk为归一化成像坐标;
本发明的有益效果,本发明首先采用对图像进行滤波,保留图像边缘细节又去除噪声影响;随后计算处理后的图像的熵分布,进行极大熵阈值分割、将图像信息三值化,去除图像对光源的敏感性,同时最大程度保留图像信息;本发明还采用归一化多指标约束环形山匹配和拟合方法完成环形山提取;本发明鲁棒性较强,在不同光照条件下均能提取出月面环形山连续、完整、清晰的边缘。本发明分别采用月面沙盘和月面图像进行半实物试验和数值仿真试验验证,仿真结果表明与传统基于形态学或自适应边缘检测的方法相比,本发明在较大尺度条件下提取出有效环形山数量提升35%以上,同时实时性更好、计算消耗降低40%;本发明基于鲁棒环形山提取的飞行器导航方法实时性更好。
附图说明
图1中(a)为月面图像,(b)为(a)的三值化结果;
图2为分割后图像总熵分布;
图3为不同强弱阈值条件下的边缘检测结果,(a)为τl=0.1,τl=0.9,(b)为τl=0.2,τl=0.7,(c)为τl=0.3,τl=0.4;
图4为图像三值化结果;
图5为环形山检测结果;
图6为检测百分比曲线;
图7为不同光照条件下检测结果;
图8为提取环形山时间对比;
图9为环形山检测光学导航时间对比。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
在月面图像中,由于太阳光照倾角的存在,环形山在太阳照射下可形成较为明显的亮区、暗区和周围环境区域。本实施方式采用极大熵阈值法对图像进行处理可有效分割出这三个区域。在滤波去除图像噪声后,计算出最大限度保留图像信息的三值化判别阈值,显著降低环形山提取计算量,增强环形山提取的鲁棒性,降低太阳光照方向对算法的影响。
本实施方式的月球探测器鲁棒环形山检测方法,包括:
步骤一、首先采用不同滤波核对图像进行滤波形成图像金字塔,既保留图像边缘细节又去除噪声影响;
步骤二、基于极大熵阈值的环形山边缘检测:
月面图像的信息熵H为
式中:pi为图像中各个像素值i出现的概率密度。
选定三值化阈值α,β(β>α)对图像进行处理,将图像分为亮区、暗区和周围环境,三值化后各区域对应的概率分布为:
概率分布满足如下关系
P1(α)+P2(α,β)+P3(β)=1 (3)
三个区域对应的信息熵分别为
可以计算出图像的三值化总熵
H(α,β)=H1(α)+H2(α,β)+H3(β) (5)
问题的核心转化为选取合适的分割阈值α,β使图像三值化分割后的总熵H(α,β)最大。
步骤三、以三值化阈值α,β对滤波后的月面图像进行三值化处理,将滤波后的月面图像分割为亮区、暗区和周围环境;以月面图像图1中的(a)为例,选取不同α,β后计算图像分割后的总熵,总熵分布如图2所示。极大熵三值化后,Canny边缘检测中强弱阈值的选取不再影响图像边缘检测结果,如图3所示。可以得出结论,无论边缘检测的强弱阈值如何选择,三值化后的图像均可以提取出清晰、连续法的环形山边缘,且提取出的边缘不与周围环境粘连,有助于环形山边缘提取和进一步椭圆拟合。
在图像三值化和环形山边缘检测后,属于同一环形山的明、暗边缘断开,因此需要对属于同一环形山的边缘进行配对。
步骤四、将分割后的月面图像进行环形山的半边缘进行匹配,提取出环形山。
本实施方式在最大程度保留图像信息条件下将图像分为亮区、暗区和周围环境三部分,极大程度地降低环形山检测的计算量,避免光照方向不同对环形山提取信息产生干扰。
传统环形山边缘配对方法在图像尺寸大、环形山多的大尺度检测环境下表现不够好,因此需要采用具有更强约束力的多个匹配约束构成多参数约束矩阵实现适应大尺度条件的环形山边缘匹配。匹配前,用一组特征点对环形山明、暗边缘进行表,如图4所示。
一侧环形山边缘vi可由四个特征点表征,分别为端点A和B,几何中心C1,边缘中点C2。环形山的方向向量r表示如下
综合考虑环形山半边缘长度、距离、方向、形状、明暗等约束,构建归一化多参数约束Ji评估任意两个半边缘vi和vj。Ji=1表示两环形山匹配最佳,Ji=0表示两个环形山半边缘完全无法匹配。
本实施方式中的步骤四包括:
步骤四一、构建多参数约束J(vi,vj):
vi和vj表示任意两个环形山半边缘,Jk(vi,vj)表示环形山半边缘一个匹配参数的约束;
综合考虑的约束如下:
(1)、环形山半边缘的归一化长度相似性约束J1(vi,vj):
式中,li、lj分别为环形山半边缘vi和vj的环形山长度。
归属于同一环形山的两个半边缘长度不会相差特别大。约束值越大,两个环形山匹配越好。
(2)、环形山半边缘的明暗亮度约束J2(vi,vj):
太阳光照射下,半边缘集合中心C1处的亮度不同,通常处于明、暗不同区域。用几何中心处的灰度值lexi评估环形山匹配效果;
式中,分别为lexi、lexj分别为环形山半边缘vi和vj几何中心处的灰度值,J2(vi,vj)=1 表示匹配成功。
(3)、环形山半边缘的归一化方向约束J3(vi,vj):
属于同一环形山的两个半边缘应当方向相反,方向向量成钝角。J3(vi,vj)越大,匹配性越好。
ri和rj分别为环形山半边缘vi和vj的方向向量;
方向向量r表示如下:
环形山半边缘的端点A和B,几何中心C1,边缘中点C2。
(4)、环形山半边缘的归一化距离约束J4(vi,vj)和J5(vi,vj):
环形山半边缘vi和vj的竖直方向约束J5(vi,vj):
式中,s为太阳光方向向量,η2为尺度参数,r1表示两环形山半边缘中心点连接组成的方向向量。。
实际探测中,两半边缘几何中心间的距离小于环形山周长的一半,且两半边缘长度的几何均值也小于环形山周长的一半。结合工程实际情况,可将取值范围设定在2.5左右。
(5)、环形山半边缘的归一化形状约束J6(vi,vj):
当仅考虑5种约束时,Ji(i=1,2,…,5),匹配结果有两类,按形状可分为“X型”和“O 型”。“O型”结果为环形山准确匹配结果而“X型”通常为巨石、月丘带来的误匹配。为规避它们的影响,引入太阳光照方向构建形状约束
以上便是环形山匹配中综合考虑的6个约束。与传统环形山匹配构建的离散性约束相比,归一化约束可以连续地表达两个半边缘之间的相似性,且可以计算出具有综合性、全面性的半边缘相似性,计算多参数约束J(vi,vj):
步骤四二、用一组特征点对亮区、暗区进行表征环形山半边缘,提取出n个环形山半边缘,构建多约束相似性矩阵D:
D是一个对称阵,主对角线元素恒为零,表征任意两个半边缘之间的相似性;
步骤四三、对多约束相似性矩阵D进行处理,完成环形山半边缘的匹配:
剩余矩阵Dm-1中各元素J(vi,vj)均小于匹配阈值ε,矩阵中无法再选出具有可靠性的匹配结果,环形山匹配结束,
获得匹配结果,环形山半边缘的匹配的结果为匹配后两环形山半边缘灰度坐标集合X。
步骤四四、根据匹配的环形山半边缘,提取出环形山:
将月面环形山建模为椭圆,描述如下
F(X)=XTAX+bTX+c=0 (15)
采用最小二乘法计算模型中的参数A,b和c;
获取拟合后的环形山中心坐标Xo:
完成环形山的提取。
本实施方式还提供一种基于鲁棒环形山检测的飞行器导航方法,包括:
飞行器采集月面图像,利用上述月球探测器鲁棒环形山检测方法至少提取出4个环形山,获取4个环形山的中心位置,根据至少4个环形山的中心位置,采用高斯牛顿法对第一类约束π1和第二类约束π2进行求解,确定飞行器在地理系下的位置;
Uk为归一化成像坐标,Vk为归一化成像坐标,这两个值组成一组坐标;
本实施方式中,根据环形山成像像素齐次坐标Puv、环形山中心的地理系齐次坐标Pf和相机系坐标PC之间关系可计算出飞行器(相机)位姿信息。
T=[XC YC ZC]T (19)
环形山k成像模型为
式中:f为相机焦距。
飞行器位姿与成像关系为
分析方程求解的第一类约束π1,根据式(20)(21),任一环形山k可构建两个约束:
第二类约束π2为转移矩阵约束
至少检测到4个环形山时,联立两类约束建立方程组,采用高斯牛顿法即可进行求解,求解过程为现有方法。
基于月面图像的数值仿真验证:
采用“嫦娥”2号探测器拍摄的分辨率7m、尺寸9638×12472月面图像作为仿真数据提取图像中的环形山。标记出图像中1337个显著的环形山作为真值数据(Ground truth,GT)。为便于图像处理,选取尺寸960×1247的滑窗对图像进行处理。设定最佳匹配阈值ε=0.5,本发明方法共提取出1170座有效环形山,检测结果如表1所示。表中,D为检出环形山直径。
表1真值和环形山结果
提取出的所有环形山被标记在月面原始图像中,如图5所示。提取出的1170个环形山没有假阳性(False positive)误匹配。对于不同尺寸的环形山,提出方法有不同检出效率。环形山直径越大,检出率越高,这是因为相较于大型环形山来说,小环形山的明暗变化不够明显,易被大环形山遮挡;同时,环形山之间的重叠更容易影响小环形山的检测。即便如此,提出方法的检测性能仍明显高于传统方法。
表2给出了所有提取出的直径大于700m的环形山信息,包括环形山拟合平均直径、环形山中心坐标,环形山长轴与太阳方向向量夹角θ。
表2直径D>700m环形山检测结果
进一步说明最佳匹配阈值选取方式。众多研究者在评估环形山检测方法性能时采用了不同的评估参数,这些参数都是通过对检测后不同状态环形山计数完成评估的。参考的检出环形山状态包括:真阳性(True positive,TP),对应成功检出的环形山;假阳性(False positive,FP),对应错误检出的环形山;假阴性(False Negative,FN),对应未检出的环形山。统计出TP、FP、FN值后,计算质量参数,包括检出百分比D(Detectionpercentage),质量百分比Q(Quality percentage),分化因子B(Branching factor)和精确度P(Precision)。
参数D、B和Q反映方法性能;参数P反映提出方法的可靠性,优于随机估计。与传统方法相比,本发明综合评估了所有质量参数,并采用了一种定量评估的方式选取最优匹配阈值ε。
选取从0.1到0.9的不同匹配阈值进行环形山检测,同时计算出所有对应的质量参数,如表3所示,标记出所有单项最优值。
表3环形山检测数量和对应质量参数
当ε=0.1时,检出环形山数量最多,参数D最优;当ε=0.5时,环形山检测质量最好,参数Q、B、P最优,对应参数D与最优值区别不大;当ε>0.5时,环形山检测鲁棒性逐渐加强,参数B和P最优,但参数Q显著下降。参考表3参数D数据,绘制检测百分比曲线,如图6所示。
分析得出:
(1)当匹配阈值ε=0.1时,提取结果并不可靠,提取数量甚至大于参考真值。主要原因是匹配标准过松使不属于同一环形山的两个半边缘产生误匹配;
(2)随着匹配阈值增加,匹配要求逐渐增强,提取出环形山的数量逐渐下降,TP和FP检测数量也随之下降;
(3)随着匹配阈值增加,FN检测数量增加,这是由于匹配要求增强使属于同一环形山,但相似性不大、或明暗特征不明显的两个半边缘无法匹配成功;
(4)为使方法综合特性最好,需要选取恰当的匹配阈值。当ε=0.5时,参数Q、B 和P表现均为最优,参数D虽不为最优当与最优值89.8%相差不大,说明ε=0.5是方法潜在的最优取值;
(5)设计质量评估参数E综合评估各质量参数
E=D+Q+(1-B)+P (28)
当ε=0.5时,对应E=3.75最大,说明0.5确实为最优阈值;
(6)计算检测百分比曲线的曲线下面积(Area under curve,AUC),AUC=0.9192,远远大于随机猜测AUC=0.5,说明提出方法性能非常好。
将本发明环形山检测方法与基于改进霍夫变换、自适应Canny边缘检测、纹理分析等理论的方法进行对比,评估提取效果,评估结果如下表4所示:
表4与其他环形山检测算法对比
本发明环形山检测方法检测率更高,与基于自适应边缘检测的方法(自适应CDA)相比,方法提取有效环形山数量(TP)提升35%以上。
将本发明环形山检测方法进一步分解为图像预处理、图像三值化、边缘强弱阈值选取,边缘检测、边缘匹配和椭圆拟合6个检测步骤,进一步评估方法的时效性。选取检测性能与本发明环形山检测方法最接近、检测步骤最相近的自适应环形山检测方法进行对比,统计各步骤所用时间,如下表5所示。
表5与其他环形山检测算法对比
与自适应环形山检测方法相比,本发明环形山检测方法提出算法的算力消耗大大降低。二者图像预处理的时间几乎相同;而本发明方法在图像三值化后直接完成边缘检测,节省了大量计算时间;此外,由于三值化后的环形山边缘提取结果更连续、杂散干扰较少、且单边缘包含的点更多,故边缘匹配时长略低而椭圆拟合时长略高。总体而言,本发明提出算法计算效率更高,总体计算效率提升40%以上。
基于月面沙盘的半实物试验验证:
试验采用尺寸为2m×2m的仿真月面沙盘进行多光照条件下的环形山检测。实验***包含月面沙盘、MT9V034摄像头、平行光源和数据交换机。表6展示了各设备主要参数。
表6实验各组成部分参数
构建半实物仿真试验环境。
平行光源分别设置在沙盘两侧,照射高度1m左右,模拟太阳直射方向。对采集图像进行高斯滤波处理后,规避沙盘周围试验场地影响,提取出不同方向光照条件下的环形山检测结果进行对比分析,如图7所示。
图7为不同光照条件下月面沙盘采集图像,三值化结果及对应环形山检测结果,对检测到的环形山进行了编号。分析得出:
(1)两组实验均检出7个环形山。1号~6号环形山两组实验均检出,它们在光照条件下产生的明暗特征与周围环境区别明显。由于2号环形山较高,7号和8号环形山在两组实验中分别被2号环形山阴影掩盖,受到了地形影响,虽未同时检出但不影响算法的可靠性;
(2)1号~6号环形山在两组实验中均被检出,但它们两次拟合出的环形山形状有区别,尺寸和扁率不同。
(3)提出的算法可在不同光照条件下进行有效环形山提取,不受光照方向影响,说明算法具有较强的鲁棒性。基于鲁棒环形山提取的光学导航实验
设计的飞行器导航相机焦距f=0.008m,在图5中随机选取960×1247尺寸的图窗进行飞行器导航仿真实验。图窗中环形山数量较多,而导航解算最少只需要4个有效环形山检测结果,因此不需完成全图窗的环形山检测就可进行导航解算。为保证选取的4个有效环形山具有优良的几何因子,实验采取从图窗四角到中心的搜索方式进行环形山检测。
分别采用本发明提出的鲁棒CDA方法和自适应CDA方法,进行1000次蒙特卡洛打靶实验。完成环形山检测后,计算飞行器位置和姿态,统计两种算法环形山提取时间和导航解算时间。
鲁棒环形山提取时间要显著低于自适应边缘检测环形山提取时间,方差更小、运行更稳定,这是因为前者提取出的环形山边缘更连续、清晰,利于环形山边缘匹配和椭圆拟合;而自适应边缘检测由于要对图像梯度检测进行强弱阈值选取,其基础运行时间就高于第一种算法。两种基于环形山检测的光学导航算法运行时间分布与环形山选取时间分布几乎相同,说明提取出有效环形山后,导航计算时间差异不大。总体来说,基于鲁棒环形山提取的光学导航计算实时性更优良。
本发明针对月球探测器高精度下降着陆提出了一种基于极大熵阈值三值化的鲁棒环形山检测方法,并在此基础上设计了探测器光学导航方法。仿真结果表面,与传统方法相比,方法提取出有效环形山数量提升35%以上、计算消耗降低40%;不受不同光照因素影响,具有鲁棒性;以提出方法为基础的光学导航实时性更好。说明对光学信息进行直接处理的环形山检测方法仍有研究价值,可以满足月球探测任务障碍检测与规避***、光学导航***的实时性需求。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (10)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111534991.8A CN114359320B (zh) | 2021-12-15 | 2021-12-15 | 月球探测器鲁棒环形山检测方法及飞行器导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111534991.8A CN114359320B (zh) | 2021-12-15 | 2021-12-15 | 月球探测器鲁棒环形山检测方法及飞行器导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114359320A CN114359320A (zh) | 2022-04-15 |
CN114359320B true CN114359320B (zh) | 2023-02-03 |
Family
ID=81099327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111534991.8A Active CN114359320B (zh) | 2021-12-15 | 2021-12-15 | 月球探测器鲁棒环形山检测方法及飞行器导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114359320B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546648B (zh) * | 2022-10-24 | 2023-05-23 | 南京师范大学 | 基于光线追踪的dem冲积扇提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012181A (zh) * | 2021-03-18 | 2021-06-22 | 上海应用技术大学 | 一种基于Hough变换的新型类圆形检测方法 |
CN113688885A (zh) * | 2021-08-11 | 2021-11-23 | 南京航空航天大学 | 一种基于脉冲神经网络的深空探测器自主故障诊断方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093463A (zh) * | 2013-01-15 | 2013-05-08 | 南京航空航天大学 | 一种基于灰度图像的陨石坑检测方法 |
CN103778412A (zh) * | 2014-01-16 | 2014-05-07 | 重庆邮电大学 | 一种基于局部三值模式自适应阈值的人脸识别方法 |
US10354398B2 (en) * | 2016-12-01 | 2019-07-16 | Macau University Of Science And Technology | Omnidirectional roughness algorithm for topographic signature analysis of lunar craters |
CN107292288B (zh) * | 2017-07-14 | 2019-08-30 | 电子科技大学中山学院 | 支持环形地形的特征线提取方法、装置及电子设备 |
CN109900274B (zh) * | 2019-03-25 | 2022-09-16 | 哈尔滨工业大学 | 一种图像匹配方法及*** |
CN111737882B (zh) * | 2020-07-21 | 2024-02-27 | 哈尔滨工业大学 | 复杂月面接近段实现自主障碍规避的着陆区选取方法 |
-
2021
- 2021-12-15 CN CN202111534991.8A patent/CN114359320B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012181A (zh) * | 2021-03-18 | 2021-06-22 | 上海应用技术大学 | 一种基于Hough变换的新型类圆形检测方法 |
CN113688885A (zh) * | 2021-08-11 | 2021-11-23 | 南京航空航天大学 | 一种基于脉冲神经网络的深空探测器自主故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114359320A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ranganath et al. | Object detection using pulse coupled neural networks | |
CN112883839B (zh) | 基于自适应样本集构造与深度学习的遥感影像解译方法 | |
CN110298226B (zh) | 一种毫米波图像人体携带物的级联检测方法 | |
CN111753682B (zh) | 一种基于目标检测算法的吊装区域动态监控方法 | |
Jain et al. | Automatic flood detection in SentineI-2 images using deep convolutional neural networks | |
CN110619368B (zh) | 行星表面导航特征成像匹配检测方法 | |
CN109635726B (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
Thirumavalavan et al. | An improved teaching–learning based robust edge detection algorithm for noisy images | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及*** | |
CN114359320B (zh) | 月球探测器鲁棒环形山检测方法及飞行器导航方法 | |
CN112818920B (zh) | 一种双时相高光谱图像空谱联合变化检测方法 | |
Akbarizadeh | Segmentation of SAR satellite images using cellular learning automata and adaptive chains | |
Chen et al. | Object-based multi-modal convolution neural networks for building extraction using panchromatic and multispectral imagery | |
CN111721302B (zh) | 不规则小行星表面复杂地形特征识别与感知方法 | |
CN116524183A (zh) | 一种基于多任务适配器微调的伪装目标检测方法 | |
CN117788472A (zh) | 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法 | |
CN109815887B (zh) | 一种基于多智能体协作的复杂光照下人脸图像的分类方法 | |
Liu et al. | Contour-oriented cropland extraction from high resolution remote sensing imagery using richer convolution features network | |
CN106570506B (zh) | 一种基于尺度变换模型的太阳活动识别方法 | |
CN111199235A (zh) | 一种图像边缘提取方法 | |
CN114841907A (zh) | 面向红外与可见光图像的多尺度生成对抗融合网络的方法 | |
CN110991223B (zh) | 一种基于迁移学习的美瞳识别方法及*** | |
CN113326790A (zh) | 基于异常检测思维的胶囊机器人排水管病害检测方法 | |
Adipranata et al. | Automatic classification of sunspot groups for space weather analysis | |
CN113792809B (zh) | 基于随机半监督特征提取模型的遥感图片分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |