论文部分内容阅读
火星作为太阳系行星中自然环境与地球最接近的类地行星，是人类自有文字记载的历史以来在科学上最受关注的天体之一。近几十年来，随着深空探测活动的发展，人类已经获得了大量包括影像、地形和光谱数据在内的丰富的火星表面科学信息。分析火星表面地物中内在的一些固有特征属性，并从已有的数据中识别出这些地物和特征，是行星科学研究中十分重要的一项工作。目前常用的通过目视判别分析标记感兴趣的特征和地物需要消耗大量时间和人力，因此研究通过计算机对已获得的行星数据进行感兴趣目标的自动识别提取方法，对行星科学研究而言具有非常重要的意义。 撞击坑、冲沟和沙丘分别代表了火星表面的撞击地貌、侵蚀地貌和风成地貌，是目前火星科学探测研究的热点。本文针对火星表面这三类典型地物，分别研究了其自动提取的算法。 根据撞击坑在DEM数据上表现为圆形凹陷的特点，本文提出了一种基于机器学习的撞击坑自动提取算法。针对地形数据的特点，将空间分辨率参数引入Haar-like特征的计算，提出了一种带尺度的Haar-like特征。使用Adaboost算法对样本的Haar-like特征、带尺度的Haar-like特征及局部二值模式特征训练了三个强分类器，通过级联三个强分类器，改进了单个分类器分类结果。对分类器提取出的撞击坑区域，采用局部地形分析与圆形霍夫变换的方法检测撞击坑的边缘。在撞击坑分布简单时，该方法的检测率和误检因子达到90％和0.15;即使在撞击坑分布十分复杂的区域该方法的检测率和误检因子仍可达到76％和0.16。 根据冲沟在影像上表现出的细线状特征的特点，提出了一种火星冲沟的自动提取算法。该方法以数学形态学方法为基础，首先使用Bottom-hat变换检测影像上的微小阴影特征，然后使用路径开运算的方法提取影像上具有一定长度和方向的线状特征。在有地形信息的区域，结合地形信息可进一步提高冲沟检测算法的准确率。使用该方法提取冲沟能得到76％以上的检测率，并能将误检因子控制在0.35以下。 针对沙丘在DEM上表现为具有一定形状的突起的特点，本文提出了一种针对火星沙丘的自动提取算法。该方法使用Top-hat变换检测地形上的局部突起，并结合形态学重建及分水岭变换的方法检测出沙丘边缘。该方法对火星沙丘的提取结果可达到80％以上的准确率。