[发明专利]基于稀疏提升集成分类器的火星探测器软着陆过程中陨石坑的检测方法

说明书

技术领域

本发明涉及一种基于稀疏提升集成(SparseBoost)分类器的火星探测器软着陆过程中陨石坑的检测方法，具体涉及火星表面图像中陨石坑的预处理、纹理特征抽取和选择以及SparseBoost分类器的设计，属于图像处理和模式识别领域。

背景技术

火星探测器软着陆过程中障碍物检测研究主要目的在于检测出障碍物并据此确定安全着陆区域。其中陨石坑是火星等天体表面最常见的地质形态，具有分布广、面积大、图像特征明显等特点，是探测器软着陆过程中需要检测的最主要障碍物之一。

火星探测器采集的图像中陨石坑可以看作具有明亮和阴暗区域的一对月牙。在确定的候选陨石坑中，通常对候选陨石坑的纹理特征进行抽取后，抽取的特征数据具有较高的维度，必须通过合适的图像特征选择算法、监督学习分类算法对候选陨石坑中的陨石坑和非陨石坑进行分类，以确定图像中陨石坑的具体位置。

SparseBoost分类算法是一种稀疏的监督学习分类算法，与现有的AdaBoost、Boost算法相比的优势在于，在每次迭代过程中，AdaBoost算法利用全部特征集，而SparseBoost算法仅仅选择一个最优的特征；同时在构建弱分类器的过程中，AdaBoost和Boost算法均选择决策树构建分类器，计算过程中利用全部样本集，而SparseBoost算法采用稀疏核密度估计RSDE-WL1构建弱分类器，仅利用少量样本实现。因此SparseBoost算法具有稀疏性和降低计算复杂度的优点，实际过程中将SparseBoost分类算法应用于火星探测器软着陆过程中陨石坑的检测，能够有效降低计算复杂度，实现陨石坑的快速检测。

发明内容

1、发明目的

本发明的目的是提供一种基于稀疏提升集成分类器的火星探测器软着陆过程中陨石坑的检测方法，该方法首先对采集的图像进行预处理以确定候选陨石坑，其次从候选陨石坑中抽取图像纹理特征，并进行特征选择；然后将改进的稀疏核密度估计算法(RSDE-WL1)与提升集成学习算法(Boost)相结合，构建稀疏提升集成分类器(SparseBoost分类器)，最后将SparseBoost分类器应用于陨石坑的检测，实现快速检测，同时获取较高的分类准确度。

2、技术方案

为达到上述目的，本发明根据陨石坑自动检测的主框架图(图1)中的步骤，具体介绍该方法的技术方案。

本发明设计了一种基于稀疏提升集成分类器的火星探测器软着陆过程中陨石坑的检测方法，该方法包括以下步骤：

步骤1.确定候选陨石坑

确定候选陨石坑的关键在于图像中的陨石坑可以看作具有明亮和阴暗区域的一对月牙，如图2所示。每对月牙的形状可以通过基于数学形态学的形状检测方法从图像中确定,可以匹配的月牙作为候选的陨石坑。候选陨石坑的构建过程如图3所示，输入是一张全色图像，其包含了很多明亮和阴暗特征区域。明亮和阴暗形状并行处理，通过使用原始图像处理明亮形状，而使用倒置的图像来处理阴暗形状。该方法的目标是消除所有无法指示为陨石坑的噪声特征，而只保留明亮和阴暗特征。剩下的明亮和阴暗特征区域彼此匹配，将这些区域标注好，作为陨石坑的候选区域。

步骤2.候选陨石坑纹理特征抽取

为了从矩形特征方面来表示单个候选陨石坑，我们首先抽取候选陨石坑周围的方形图像块。在实验中，为了包含周围陨石坑的边缘，我们使用候选陨石坑大小的两倍作为遮盖区域。每个候选陨石坑未知的纹理特征使用9种不同大小的方形遮盖来编码，如图4所示。因此，一张图像所包含的候选陨石坑的属性可以通过成千上万的纹理特征来描述。这些特征并不相互独立，且这些完备的特征弥补了通过单一方形遮盖获得的纹理信息的限制。

步骤3.对抽取的纹理特征进行特征选择

根据初步抽取的候选陨石坑纹理特征，由于特征数据的高维性，因此将训练样本和测试样本输入分类器前，必须进行特征选择。本发明中，我们利用步骤4设计的SparseBoost算法进行特征选择，其与AdaBoost算法的最大区别在于，前者是在每一次迭代过程中仅选取一个最优的特征，而后者通常利用整个特征集。这样大大降低了训练样本的特征维数，有效地减少了分类器训练的计算复杂度。

步骤4.将Boost算法与稀疏核密度估计算法RSDE-WL1结合，设计了稀疏提升集成分类器，以实现对基于图像的陨石坑的快速检测。