[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

摘要

本发明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，它有四大步骤步骤1.确定候选陨石坑；步骤2.候选陨石坑纹理特征抽取；步骤3.对抽取的纹理特征进行特征选择；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。本发明主要是利用所设计的稀疏提升集成分类器具有稀疏解和降低计算复杂度的优点，对基于图像的陨石坑纹理特征进行特征抽取和选择后，实现对陨石坑和非陨石坑的分类，以达到陨石坑的快速检测。其分类准确度能近似达到85％及以上，对实际的火星探测器软着陆过程中陨石坑的检测具有一定的参考价值。

主权项

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，其特征在于：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将图像上的陨石坑看作具有明亮和阴暗区域的一对月牙，每对月牙的形状通过基于数学形态学的形状检测方法从图像中确定,能匹配的月牙作为候选的陨石坑；在候选陨石坑的构建过程中首先要输入一张全色图像，其包含了明亮和阴暗特征区域，明亮和阴暗区域并行处理，通过使用原始图像处理明亮区域，而使用倒置的图像来处理阴暗区域，这种方法的目标是为了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达一个候选陨石坑，首先抽取每个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，使用候选陨石坑大小的两倍的遮盖，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，因此，一张图像所包含的候选陨石坑的属性通过纹理特征来描述；这些特征并不相互独立；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；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，而后者利用整个特征集；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；根据所选择的候选陨石坑纹理特征，为了区分其中陨石坑和非陨石坑，设计了一种监督学习分类算法——SparseBoost算法；该方法结合Boost算法和一种改进的稀疏核密度估计算法即RSDE‑WL1，在选择特征子集的同时，构造复数个稀疏核密度估计器用于相应基分类器的设计，通过基分类器的加权组合，最终实现集成分类器；给定n个候选陨石坑(x1,y1),(x2,y2),...,(xi,yi),...,(xn,yn)，其中yi＝0,1,i＝1,2,...,n分别对应着非陨石坑和陨石坑实例，n0和n1分别对应着非陨石坑和陨石坑实例的数目，n0+n1＝n；每一个候选陨石坑表示为一个特征向量x＝(f1,f2,...,fi,...,fm)T，其中每一个特征fi,i＝1,...,m是由候选陨石坑上某一特定位置的方形遮盖产生，利用SparseBoost算法产生一系列弱分类器ht(x)，通过加权提升方法将弱分类器进行组合建立一个强集成分类器；在迭代开始之前，先初始化n个候选陨石坑的权重，对于第i个候选陨石坑，如果yi＝0，则wi＝1/2n0；如果yi＝1，则wi＝1/2n1；在每次迭代过程中，需要实现以下三个核心的步骤：弱分类器学习、最优特征选择和下一次迭代过程样本权重更新；其中，在弱分类器学习过程中，对压缩集密度估计算法即RSDE加入惩罚项，得到改进的稀疏核密度估计算法RSDE‑WL1，利用RSDE‑WL1算法对每一种类别属性估计其密度函数，根据贝叶斯决策规则对输入的样本进行分类，从而得到弱分类器；(1)弱分类器学习在第t次迭代过程中，针对选取的单个最优特征f∈{f1,f2,...,fm}构建的弱分类器ht(x)，通过构建贝叶斯分类器来实现；一般对于贝叶斯分类问题，期望估计给定输入样本x下类别的后验概率密度；为了获得一个关于密度估计的概率分类器，首先为每一种类别属性c训练一个密度估计器然后运用贝叶斯规则(2)计算后验概率，最终测试样本被分配给具有最大后验概率的类别属性；p^(c|x;β)=p^(x;β|c)p(c)Σc′p^(x;β|c′)p(c′)---(1)]]>对于二类分类问题，首先估计两个在给定类别下的条件概率密度和这两个密度通过稀疏核密度估计RSDE‑WL1得到；根据公式(1)，计算相应的后验概率和根据每一种类别属性的样本数量，计算先验概率p(c0)和p(c1)，其中p(c0)+p(c1)＝1；最后利用贝叶斯决策规则(2)对输入的样本进行分类ifp^(x;βn1,h1|c1)p(c1)≥p^(x;βn0,h0|c0)p(c0),x∈c1elsex∈c0---(2)]]>因此，弱分类器ht(x)的表达式为ht(x)=1ifp^(x;βn1,h1|c1)p(c1)≥p^(x;βn0,h0|c0)p(c0)0otherwise---(3)]]>其中和的稀疏表达分别为p^(x;βn0,h0|c0)=Σk=1m0βkKh0(x,xk)---(4)]]>p^(x;βn1,h1|c1)=Σk=1m1βkKh1(x,xk)---(5)]]>m0和m1分别为两种类别下稀疏核密度估计RSDE‑WL1所得的非零核权值的个数，通常m0＜＜n0和m1＜＜n1；其中，稀疏核密度估计RSDE‑WL1的简单实现过程如下：首先介绍压缩集密度估计即RSDE算法，RSDE基于经验平均积分平方误差ISE准则，以全回归矩阵为基础，使尽可能多的核权值趋于0，从而得到密度p(x)的稀疏表达式，明确地说，带有高斯核的RSDE估计，其核权值向量能够通过最小化积分平方误差得到，如下所示其中项由于其与参数β无关，不予考虑，Ep(x){·}表示关于密度p(x)的期望；将核密度估计表达式代入式(6)，经过系列变换，得到等效的带约束非负二次优化问题β=argminβ{12βNTCNβN-P^NTβN}---(7)]]>约束条件βk≥0,1≤k≤N和其中矩阵和是在每个样本点的Parzen窗估计值向量；为了降低权值系数在某些区域的聚集程度和提高密度估计的稀疏度，引入权值系数的加权l1范数作为惩罚项，得到改进的稀疏核密度估计算法RSDE‑WL1；也叫做正则化项，其中为对角矩阵，定义w＝[w1,w2,...,wN]T，βN＝[β1,β2,...,βN]T，加入惩罚项后的新的二次优化问题为β=argminβ{12βNTCNβN-P^NTβN+λwTβN}=argminβ{12βNTCNβN-(P^N-λw)TβN}---(8)]]>注意到问题(8)是非凸的，利用一种迭代算法求解上述问题得到权值系数的稀疏解；(2)最优特征选择计算弱分类器ht(x)的加权误差总和，选择满足最小误差的单个最优特征ft用于构建当前迭代的最优弱分类器ft=argminfΣi=1nwit|h(xi,f)-yi|---(9)]]>ht(x)＝h(x,ft)  (10)(3)下一次迭代过程样本权重更新SparseBoost算法结合了AdaBoost算法中当前样本权重与过去所选特征的分类结果有关这一信息；实现过程中，加大被错误分类的样本权重，而减小被正确分类的样本权重；在计算加权误差总和时，被错误分类的样本更可能在下一次迭代过程被选中，权重更新表达式如下wit+1=witγt1-|ht(xi)-yi|---(11)]]>设置γt＝εt/1‑εt  (12)其中εt是弱分类器ht(x)的分类误差：ϵt=Σi=1nwit|ht(xi)-yi|---(13)]]>同时，为使权重wt+1满足概率分布，需要对更新后的权重进行标准化，标准化公式如下:在经过T次迭代后，得到SparseBoost算法的最终输出：由弱分类器加权组成的强分类器h(x)：h(x)=1ifΣt=1Tαtht(x)≥μΣt=1Tαt,0otherwise---(15)]]>其中αt＝ln(1/γt)，μ是给定的阈值，μ取0.5。