基于稀疏提升集成分類器的火星探測器軟著陸過程中隕石坑的檢測方法
【技術領域】
[0001] 本發(fā)明涉及一種基于稀疏提升集成（SparseBoost)分類器的火星探測器軟著陸 過程中隕石坑的檢測方法，具體涉及火星表面圖像中隕石坑的預處理、紋理特征抽取和選 擇以及SparseBoost分類器的設計，屬于圖像處理和模式識別領域。
【背景技術】
[0002] 火星探測器軟著陸過程中障礙物檢測研究主要目的在于檢測出障礙物并據(jù)此確 定安全著陸區(qū)域。其中隕石坑是火星等天體表面最常見的地質(zhì)形態(tài)，具有分布廣、面積大、 圖像特征明顯等特點，是探測器軟著陸過程中需要檢測的最主要障礙物之一。
[0003] 火星探測器采集的圖像中隕石坑可以看作具有明亮和陰暗區(qū)域的一對月牙。在確 定的候選隕石坑中，通常對候選隕石坑的紋理特征進行抽取后，抽取的特征數(shù)據(jù)具有較高 的維度，必須通過合適的圖像特征選擇算法、監(jiān)督學習分類算法對候選隕石坑中的隕石坑 和非隕石坑進行分類，以確定圖像中隕石坑的具體位置。
[0004] SparseBoost分類算法是一種稀疏的監(jiān)督學習分類算法，與現(xiàn)有的AdaBoost、 Boost算法相比的優(yōu)勢在于，在每次迭代過程中，AdaBoost算法利用全部特征集，而 SparseBoost算法僅僅選擇一個最優(yōu)的特征；同時在構建弱分類器的過程中，AdaBoost和 Boost算法均選擇決策樹構建分類器，計算過程中利用全部樣本集，而SparseBoost算法采 用稀疏核密度估計RSDE-WLl構建弱分類器，僅利用少量樣本實現(xiàn)。因此SparseBoost算法 具有稀疏性和降低計算復雜度的優(yōu)點，實際過程中將SparseBoost分類算法應用于火星探 測器軟著陸過程中隕石坑的檢測，能夠有效降低計算復雜度，實現(xiàn)隕石坑的快速檢測。

【發(fā)明內(nèi)容】

[0005] 1、發(fā)明目的
[0006] 本發(fā)明的目的是提供一種基于稀疏提升集成分類器的火星探測器軟著陸過程 中隕石坑的檢測方法，該方法首先對采集的圖像進行預處理以確定候選隕石坑，其次從 候選隕石坑中抽取圖像紋理特征，并進行特征選擇；然后將改進的稀疏核密度估計算法 (RSDE-WLl)與提升集成學習算法（Boost)相結合，構建稀疏提升集成分類器（SparseBoost 分類器），最后將SparseBoost分類器應用于隕石坑的檢測，實現(xiàn)快速檢測，同時獲取較高 的分類準確度。
[0007] 2、技術方案
[0008] 為達到上述目的，本發(fā)明根據(jù)隕石坑自動檢測的主框架圖（圖1)中的步驟，具體 介紹該方法的技術方案。
[0009] 本發(fā)明設計了一種基于稀疏提升集成分類器的火星探測器軟著陸過程中隕石坑 的檢測方法，該方法包括以下步驟：
[0010] 步驟1.確定候選隕石坑 toon] 確定候選隕石坑的關鍵在于圖像中的隕石坑可以看作具有明亮和陰暗區(qū)域的一 對月牙，如圖2所示。每對月牙的形狀可以通過基于數(shù)學形態(tài)學的形狀檢測方法從圖像中 確定，可以匹配的月牙作為候選的隕石坑。候選隕石坑的構建過程如圖3所示，輸入是一 張全色圖像，其包含了很多明亮和陰暗特征區(qū)域。明亮和陰暗形狀并行處理，通過使用原始 圖像處理明亮形狀，而使用倒置的圖像來處理陰暗形狀。該方法的目標是消除所有無法指 示為隕石坑的噪聲特征，而只保留明亮和陰暗特征。剩下的明亮和陰暗特征區(qū)域彼此匹配， 將這些區(qū)域標注好，作為隕石坑的候選區(qū)域。
[0012] 步驟2.候選隕石坑紋理特征抽取
[0013] 為了從矩形特征方面來表示單個候選隕石坑，我們首先抽取候選隕石坑周圍的方 形圖像塊。在實驗中，為了包含周圍隕石坑的邊緣，我們使用候選隕石坑大小的兩倍作為遮 蓋區(qū)域。每個候選隕石坑未知的紋理特征使用9種不同大小的方形遮蓋來編碼，如圖4所 示。因此，一張圖像所包含的候選隕石坑的屬性可以通過成千上萬的紋理特征來描述。這些 特征并不相互獨立，且這些完備的特征彌補了通過單一方形遮蓋獲得的紋理信息的限制。
[0014] 步驟3.對抽取的紋理特征進行特征選擇
[0015] 根據(jù)初步抽取的候選隕石坑紋理特征，由于特征數(shù)據(jù)的高維性，因此將訓練樣 本和測試樣本輸入分類器前，必須進行特征選擇。本發(fā)明中，我們利用步驟4設計的 SparseBoost算法進行特征選擇，其與AdaBoost算法的最大區(qū)別在于，前者是在每一次迭 代過程中僅選取一個最優(yōu)的特征，而后者通常利用整個特征集。這樣大大降低了訓練樣本 的特征維數(shù)，有效地減少了分類器訓練的計算復雜度。
[0016] 步驟4.將Boost算法與稀疏核密度估計算法RSDE-WLl結合，設計了稀疏提升集 成分類器，以實現(xiàn)對基于圖像的隕石坑的快速檢測。
[0017] 根據(jù)所選擇的候選隕石坑紋理特征，為了區(qū)分其中隕石坑和非隕石坑，本發(fā)明設 計了一種監(jiān)督學習分類算法-SparseBoost算法。該方法結合Boost算法和一種改進的 稀疏核密度估計算法（RSDE-WLl)，在選擇特征子集的同時，構造若干稀疏核密度估計器用 于相應基分類器的設計，通過基分類器的加權組合，最終實現(xiàn)集成分類器。
[0018] 給定η 個候選隕石坑（X1, y), (x2, y2),…，（xn, yn)，其中 Yi= 0, 1，i = 1，2,…，η 分別對應著非隕石坑（Ctl)和隕石坑（C1)實例，njP Ii1分別對應著非隕石坑和隕石坑實例 的數(shù)目，IVHn1= η。每一個候選隕石坑可以表示為一個特征向量X= (f ，fm)T，其中 每一個特征fi，i = 1，...，m是由候選隕石坑上某一特定位置的方形遮蓋產(chǎn)生，m為抽取的 特征總數(shù)。利用SparseBoost算法（具體過程如算法1)構建一系列弱分類器ht (X)，并通 過加權集成方法將弱分類器進行組合建立最終的強分類器H(X):
【主權項】
1.基于稀疏提升集成分類器的火星探測器軟著陸過程中隕石坑的檢測方法，其特征在 于：該方法包括以下步驟： 步驟1.確定候選隕石坑 確定候選隕石坑的關鍵在于圖像中的隕石坑看作具有明亮和陰暗區(qū)域的一對月牙，每 對月牙的形狀通過基于數(shù)學形態(tài)學的形狀檢測方法從圖像中確定，匹配的月牙作為候選 的隕石坑；候選隕石坑的構建過程是輸入是一張全色圖像，其包含了很多明亮和陰暗特征 區(qū)域；明亮和陰暗形狀并行處理，通過使用原始圖像處理明亮形狀，而使用倒置的圖像來處 理陰暗形狀；該方法的目標是消除所有無法指示為隕石坑的噪聲特征，而只保留明亮和陰 暗特征；剩下的明亮和陰暗特征區(qū)域彼此匹配，將這些區(qū)域標注好，作為隕石坑的候選區(qū) 域； 步驟2.候選隕石坑紋理特征抽取 為了從矩形特征方面來表示單個候選隕石坑，首先抽取候選隕石坑周圍的方形圖像 塊；在實驗中，為了包含周圍隕石坑的邊緣，使用候選隕石坑大小的兩倍作為遮蓋區(qū)域；每 個候選隕石坑未知的紋理特征使用9種不同大小的方形遮蓋來編碼，因此，一張圖像所包 含的候選隕石坑的屬性通過成千上萬的紋理特征來描述；這些特征并不相互獨立，且這些 完備的特征彌補了通過單一方形遮蓋獲得的紋理信息的限制； 步驟3.對抽取的紋理特征進行特征選擇 根據(jù)初步抽取的候選隕石坑紋理特征，由于特征數(shù)據(jù)的高維性，因此將訓練