一种火星陨石坑精确识别方法、电子设备及存储介质技术

本发明专利技术公开了一种火星陨石坑精确识别方法，以U

【技术实现步骤摘要】
一种火星陨石坑精确识别方法、电子设备及存储介质


本专利技术属于图像测绘领域，具体涉及一种火星陨石坑精确识别方法、电子设备及存储介质。

技术介绍

[0001]陨石坑是行星、卫星或其它天体表面受陨石撞击而形成的环形凹坑，几乎所有具有固体或局部液体表面的行星和卫星均带有陨石坑。陨石坑数据为天体的形成与演化、自转轴变迁、岩浆活动、突变事件等提供了宝贵的资料。其分布、尺寸、数量等特征可以帮助理解不同地区地表的相对地质年代和地表的变化过程，譬如“撞击坑计数法”通过统计天体表面区域陨石坑的数量与大小可以拟合出大小
‑
频数关系，进而测定该区域的年代
[1](Crater Analysis Techniques Working Group.Standard techniques for presentation and analysis of crater size
‑
frequency data[J].Icarus,1979,37(2):467
‑
474.)。陨石坑的形态、锥度以及变质作用情况可以推断陨石冲击的方向、速度、质量，也可以作为飞船软着陆研究的参考。精确的陨石坑空间数据还可以应用于行星的地形图绘制与地标导航中，为后续的环绕、登陆等活动提供准确的位置与地形信息。遥感技术是获取天体陨石坑数据的主要方式，通过对遥感影像中的陨石坑进行识别、分割，可以获取其空间位置、半径等特征信息。但天体表面的陨石坑往往大小不一，分布集中成簇，相当一部分具有不明显、不规则的边缘，若采用目视解译的方式手工标注影像中的陨石坑，需要标注者具有极高的专业知识，以避免在重复标注过程中的过分割和欠分割。因此，如何利从遥感影像中智能提取和识别陨石坑是当前对外太空地形、地貌认知和后续开展外太空探索研究中非常关键的步骤。传统的陨石分割方法主要基于Canny边缘检测算法
[2](Canny J.A computational approach to edge detection[J].IEEE Transactions on pattern analysis and machine intelligence,1986(6):679
‑
698)、霍夫变换
[3](Duda R O,Hart P E.Use of the Hough transformation to detect lines and curves in pictures[J].Communications of the ACM,1972,15(1):11
‑
15)等传统计算机视觉算法。譬如，Cheng等
[4](Cheng Y,Johnson A E,Matthies L H,et al.Optical landmark detection for spacecraft navigation[J].2003)对Canny边缘检测算法做出改进，使用两种大小的Sobel算子卷积核以检测不同尺寸的陨石坑边缘，并结合光照方向与陨石坑边缘锚点信息实现了陨石坑的识别；Sawabe等
[5](Sawabe Y,Matsunaga T,Rokugawa S.Automated detection and classification of lunar craters using multiple approaches[J].Advances in Space Research,2006,37(1):21
‑
27)在圆形拟合与阈值法边缘提取的基础上使用模糊霍夫变换，进一步提取圆形边缘，实现了对陨石坑的高精度识别；Kim等
[6](Kim J R,Muller J P,van Gasselt S,et al.Automated crater detection,a new tool for Mars cartography and chronology[J].Photogrammetric Engineering&Remote Sensing,2005,71(10):1205
‑
1217)根据陨石坑的特定形状，构造对应的陨石坑模板进行匹配，在Viking Orbiter数据集、MOC WA数据、HRSC数据集中可达到
70％～90％的识别准确率。传统的方法虽然能直观地显示分割过程，但工作量大，步骤繁琐，分割易受地貌纹理影响，算法依赖光照角度，难以处理无光照信息的影像。因此，一个兼备高精度、高效率与实时性的方法成为陨石坑自动识别领域的亟需。近年来，基于深度神经网络的图像分割技术日渐成熟，在医学图像分割、海岸线精确制图和基于数字孪生的城区建筑分割等领域取得了显著的效果。譬如，针对医学影像分割任务设计的语义分割网络模型U
‑
Net
[7](O.Ronneberger,P.Fischer,and T.Brox,“U
‑
Net:Convolutional networks for biomedical image segmentation,”in Proc.Med.Image Comput.Computer
‑
Assisted Intervention(MICCAI)(Lecture Notes in Comput.Sci.),2015,vol.9351,pp.234
–
241)，其跨层连接机制在很大程度上减少了下采样带来的细节损失。U
‑
Net结构具备边界分割精确、模型结构简单、可扩展性强、训练速度快、所需样本量少、模型参数量少等优点，在语义相对简单且注重边界与轮廓的二分类任务中表现优异。Saeedizadeh等
[8](Saeedizadeh N,Minaee S,Kafieh R,et al.COVID TV
‑
Unet:Segmenting COVID
‑
19chest CT images using connectivity imposed Unet[J].Computer Methods and Programs in Biomedicine Update,2021,1:100007)基于U
‑
Net模型实现了新冠肺部CT影像病灶分割，并在损失函数中加入总变差作为正则项，抑制图像中非连续区域信号，在新冠数据集上的mIoU可达到0.994；Heidler等
[9](Heidler K,Mou L,Baumhoer C,et al.HED
‑
UNet:Combined segmentation and edge detection for monitoring the Antarctic coastline[J].IEEE Transactions on Geoscience and Remote Sensing,2021,60:1
‑
14)将U
‑...

【技术保护点】

【技术特征摘要】
1.一种火星陨石坑精确识别方法，其特征在于，包括如下步骤：S1、构建火星表面图像数据集；S2、在U
‑
Net语义模型基础上，通过在模型结构与机制层面的精细化对比与分析，构建兼顾分割精度、效率与对大型陨石坑识别效果的Martian Crater U
‑
Net语义模型结构；S3、从下采样机制、编解码融合机制以及注意力机制三个层面出发设计Martian Crater U
‑
Net语义模型机制；S4、将火星表面图像数据集输入设计好的Martian Crater U
‑
Net语义模型识别火星表面图像中的陨石坑；S5、对识别结果进行精度评价。2.根据权利要求1所述一种火星陨石坑精确识别方法，其特征在于，步骤S2中Martian Crater U
‑
Net语义模型结构表示为：其中M
E
和M
D
分别表示单独一层的编码器和解码器模块，l
×
d为模型的深度，d为模型基础深度，l为加深倍数，[l
×
d]表示重复l
×
d次，X表示输入的张量，H、W、C分别表示输入张量的高度、宽度、通道数；编码器与解码器模块表示为；M
E
＝F
pooling
⊙
F
conv
⊙
F
conv
(X
<H，W，w
×
C>
)M
D
＝F
conv
⊙
F
conv
⊙
F
concate
⊙
F
upconv
(X
<H，W，w
×
C>
)其中F
pooling
表示最大池化，F
conv
表示卷积，F
concate
表示通道叠加，F
upconv
表示反卷积上采样，w表示通道的加宽倍数；加深倍数和通道的加宽倍数表达式如下：l，w＝arg max(acc(M
D
))其中，acc表示模型在验证集上的精度。3.根据权利要求1所述一种火星陨石坑精确识别方法，其特征在于，步骤S2中Martian Crater U
‑
Net语义模型宽度扩张系数以0.25为公差递增，直到模型在验证集上的精度不再提升或达到GPU的显存极限。4.根据权利要求1所述一种火星陨石坑精确识别方法，其特征在于，步骤S2中Martian Crater U
‑
Net语义模型最后一层的卷积层通道数固定为128，下采样次数为6，模型深度设置在5～7，用Batch Normalization机制替换dropout机制以加快训练，避免梯度消失。5.根据权利要求1所述一种火星陨石坑精确识别方法，其特征在于，步骤S3中实验的模型机制包括：下采样机制、编解码融合机制和注意力机制，其中下采样机制采用平均池化的方式；编解码融合机制包括采用通道拼接机制和值相加跳跃连接机制；并将这两种机制与火星探测任务进行结合，验证不同跳跃连接机制在本发明所提出的MC
‑
UNet深度学习框架中的有效性，为图像添加了新的特征维度，但没有改变每个维度下的信息；注意力机制采用计算特征图通道间重要性关系的通道注意力机制、计算特征图不同位
置间重要性关系的空间注意力机制和结合通道注意力和空间注意力机制的CBAM注意力机制，通道注意力机制先使用全局池化将图像压缩为1
×
1大小，然后将其输入一个可训练的全连接层与Sigmoid激活函数，得到表示通道间相对重要性的权重向量，将该权重向量与原特征图相乘后便可得到在通道维度上优化后的特征图；空间注意力机制在压缩输入特征图的通道维度后，通过1
×
1卷积和Sigmoid激活函数计算出注意力权阵，并与最初输入的...

【专利技术属性】
技术研发人员：陈动，胡凡，刘玉婵，那嘉明，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：