蔣先剛 丘赟立 馮大一 蔣兆峰

(華東交通大學(xué)理學(xué)院,南昌,330013)

?

基于規(guī)范化特征的月球撞擊坑探測(cè)方法*

蔣先剛 丘赟立 馮大一 蔣兆峰

(華東交通大學(xué)理學(xué)院,南昌,330013)

提出用多閥值分類和屬性形態(tài)學(xué)對(duì)月球圖像進(jìn)行層次性和選擇性預(yù)處理，使高對(duì)比陰陽(yáng)月牙對(duì)和低灰度弱邊界橢圓形撞擊坑具備基本規(guī)范和穩(wěn)定的Haar和PHOG特征。文中探討了這些預(yù)處理方法對(duì)局部區(qū)域的小波Haar特征和塔式梯度方向直方圖PHOG特征的穩(wěn)定性的影響與作用，然后研究了AdaBoost和SVM這兩種分類算法在月球撞擊坑探測(cè)中的作用，并研究了將Haar和PHOG特征與AdaBoost和SVM相結(jié)合對(duì)撞擊坑候選區(qū)域進(jìn)行精確和高效定位的集成方法。結(jié)果表明利用屬性形態(tài)學(xué)的柔性結(jié)構(gòu)濾波和分類方法的集成應(yīng)用能夠使撞擊坑的識(shí)別率較傳統(tǒng)方法提高2%～5%。

屬性形態(tài)學(xué)；Retinex 算法；Haar特征；塔式梯度方向直方圖特征；撞擊坑檢測(cè)

引 言

目前許多基于圖像的星球撞擊坑探測(cè)方法都是基于撞擊坑呈現(xiàn)出高亮和陰影月牙對(duì)形狀的特性，但這些撞擊坑識(shí)別方法對(duì)光照條件有較大的依賴并忽視了無(wú)強(qiáng)烈對(duì)比撞擊坑區(qū)域的探測(cè)，其識(shí)別效率受到一定的影響[1]。本文利用每一個(gè)撞擊坑所含有的特有紋理特征，將具備和不具備半圓月牙狀的高亮和陰影對(duì)的撞擊坑統(tǒng)一處理為含模糊圓形邊緣的區(qū)域圖像，結(jié)合撞擊坑的區(qū)域和邊緣分布的Haar或HOG特征，AdaBoost或SVM分類器對(duì)月球地貌圖像中撞擊坑的候選區(qū)域進(jìn)行快速定位和校驗(yàn)，并將這些預(yù)處理方法應(yīng)用于特征的選取和精煉，以提高月球圖像撞擊坑識(shí)別系統(tǒng)的識(shí)別效率和魯棒性。考慮到月球撞擊坑圖像的多模態(tài)和其噪聲的復(fù)雜性,采用結(jié)構(gòu)可變的可用數(shù)學(xué)方程描述準(zhǔn)則的屬性形態(tài)學(xué)的開(kāi)和閉(Attribute open and chose, AOC)運(yùn)算,通過(guò)變量方和方程描述的面積、光強(qiáng)度對(duì)比和不變矩等準(zhǔn)則作為柔性結(jié)構(gòu)，對(duì)局部圖像的濾波處理可以使月球撞擊坑區(qū)域圖像的有向梯度方向直方圖大致相似，使系統(tǒng)的識(shí)別效率和識(shí)別精度提高。通過(guò)最大樹(shù)結(jié)構(gòu)的組織，各灰度層次的各種屬性處理效率將大大提高。對(duì)月球撞擊坑采用的屬性形態(tài)學(xué)主要采用面積開(kāi)閉運(yùn)算、光亮度對(duì)比平方運(yùn)算和半月牙不變矩運(yùn)算及這些方法的級(jí)聯(lián)和組合。

1 月貌影像撞擊坑區(qū)域的特征定義及相應(yīng)的預(yù)處理方法

月球撞擊坑在不同緯度和光照條件下及本身的坑的深度和風(fēng)化時(shí)間的影響下，呈現(xiàn)出不同的局部影像特征，緯度高、光照角比較小、坑風(fēng)化時(shí)間短且坑的深度比較大的撞擊坑表現(xiàn)為黑白對(duì)比強(qiáng)烈的月牙對(duì)形態(tài)，而緯度低、光照角比較大、坑風(fēng)化時(shí)間長(zhǎng)且坑的深度比較小的撞擊坑基本沒(méi)有黑白對(duì)比強(qiáng)烈的月牙對(duì)形態(tài)，這些撞擊坑影像表現(xiàn)為具備模糊邊界且灰度分布與背景基本一致的形態(tài)。圖1列舉了主要的幾個(gè)撞擊坑圖像形態(tài)種類，針對(duì)撞擊坑的光照條件、紋理、邊界以及坑周區(qū)域的差異需要采用較為統(tǒng)一規(guī)范的特征。基于機(jī)器學(xué)習(xí)的月貌影像撞擊坑識(shí)別系統(tǒng)需要采用兼顧不同影像形態(tài)的撞擊坑的圖像預(yù)處理方法和特征定義方法。本文主要采用撞擊坑的邊界屬性和特征作為機(jī)器學(xué)習(xí)的樣本特征，相關(guān)的預(yù)處理方法也圍繞這一規(guī)范的特征提取而展開(kāi)。預(yù)處理方法的目的是獲得撞擊坑與背景對(duì)比強(qiáng)烈、特征基本穩(wěn)定的圖片。涉及特征更規(guī)范的圖像預(yù)處理主要包括Retinex算法陰影消除與補(bǔ)償，基于多閥值Otus分類的撞擊坑陰陽(yáng)面處理，基于屬性形態(tài)學(xué)的濾波方法和直方圖規(guī)定化等。

圖1 撞擊坑圖像形態(tài)種類Fig.1 Styles of lunar crater images

1.1 基于Retinex的月球撞擊坑陰影細(xì)節(jié)加強(qiáng)

Retinex算法能夠補(bǔ)償陰影細(xì)節(jié)和消除陰影的不良影響，作為人眼視覺(jué)感知顏色和亮度的模擬,Land于1977年首先提出了Retinex算法模型，這種算法模型認(rèn)為人眼對(duì)某一點(diǎn)的感知不僅來(lái)源于該點(diǎn)的絕對(duì)亮度和顏色,還取決于該點(diǎn)與四周各點(diǎn)亮度、顏色的對(duì)比與分布[2]，以此模擬單個(gè)神經(jīng)元感受野的高斯差分函數(shù)，文獻(xiàn)[2]據(jù)此提出了一種單尺度的Retinex算法(Single scale retinex, SSR)，其計(jì)算方法為

(1)

(2)

式中：c為高斯函數(shù)的尺度參數(shù),需要人為選擇,它對(duì)SSR的性能有關(guān)鍵性的影響。r表示空域范圍。c越小,則SSR的動(dòng)態(tài)范圍壓縮能力越強(qiáng),亮度較暗區(qū)域的細(xì)節(jié)能得到較好的增強(qiáng),但由于平均對(duì)比范圍較小,輸出Retinex會(huì)產(chǎn)生顏色失真?？紤]兼顧兩方面的性能而采用多尺度Retinex方法，它較好地平衡了動(dòng)態(tài)范圍壓縮能力和顏色保真性能。采用陰影補(bǔ)償?shù)姆椒ㄟ€可使陰暗月牙區(qū)域細(xì)節(jié)更加清晰和明亮，處理后的月球撞擊坑區(qū)域圖像特征表現(xiàn)在撞擊坑橢圓形周邊的梯度在各向的一致和穩(wěn)定。

1.2 基于多閥值Otsu分類的撞擊坑陰陽(yáng)面處理

月貌圖像包括陰、陽(yáng)月牙形所占的陰影和高亮灰度分布兩種圖像，還包括處在這兩種灰度分布中間的表達(dá)背景、對(duì)比度較低的撞擊坑和其他月貌物體的中灰度圖像。通過(guò)多閾值Otsu方法可得到這3種灰度等級(jí)的圖像，然后在不同層次上進(jìn)行適當(dāng)?shù)膱D像濾波而使撞擊坑的圖像特征更加規(guī)范和穩(wěn)定。多閾值Otsu是在按圖像的灰度特性分布首先劃分成若干部分，不同部分間的方差越大，則說(shuō)明構(gòu)成圖像的各個(gè)部分的類間差別就越大，將多閾值Otsu分類應(yīng)用到月球圖像灰度分割的具體步驟如下。

(2)設(shè)閾值的個(gè)數(shù)為m，則T={t1,t2,…,tm}為相應(yīng)的閾值，為了更好地對(duì)T進(jìn)行定義和利用，需對(duì)T的定義作簡(jiǎn)單的修正，使T={t0=-1,t1,t2,…,tm,tm+1=255}，則T中各元素有如下性質(zhì)

(3)

(3)使T中各元素遍歷所有可能取的值，i為遍歷各閾值的次數(shù)，計(jì)算每個(gè)類出現(xiàn)的概率ptiti+1和灰度均值ωtiti+1，以及相應(yīng)的類間方差σt1,t2,…,tm

(4)

(5)

(6)

(5)將二維圖像中的像素I(x,y)按式(5)進(jìn)行重置而得到多級(jí)灰度的二維圖形數(shù)據(jù)，這樣可對(duì)特定層次的連通域進(jìn)行特定的屬性形態(tài)學(xué)等處理和濾波[3]。

圖2 按多閥值Otus分類的撞擊坑處理圖像Fig.2 Result of lunar crater image processed by multi-threshold Otsu

經(jīng)過(guò)上述5個(gè)步驟，可以將月貌圖像分成m類并且只有m種灰度值。如圖2所示在實(shí)驗(yàn)的分類算法中閾值的個(gè)數(shù)設(shè)置為m=2而得到3個(gè)分類，這類圖像為低、中、高三個(gè)灰度圖像如圖2(b)。通過(guò)將高、低灰度圖像進(jìn)行面積和幾何過(guò)濾的屬性形態(tài)學(xué)處理而得到主要包含半圓形月牙形狀的圖像，通過(guò)對(duì)中灰度圖像進(jìn)行大尺度的圓形結(jié)構(gòu)的中值濾波而得到比較平滑的背景物體圖像，然后對(duì)高、低灰度圖像進(jìn)行灰度值加權(quán)處理，使高灰度的像素等級(jí)降低，使低灰度的像素等級(jí)提高。圖2(c)是面積重構(gòu)開(kāi)運(yùn)算而消除小連通亮點(diǎn)的結(jié)果，然后將這3類處理圖像進(jìn)行融合而得到對(duì)圓形區(qū)域加強(qiáng)的預(yù)處理后的月貌圖像如圖2(d)。

1.3 基于屬性形態(tài)學(xué)的圖像噪聲消除

灰度屬性形態(tài)學(xué)的基本操作是灰度面積重構(gòu)開(kāi)和灰度面積重構(gòu)閉操作[4]?；叶让娣e重構(gòu)開(kāi)操作ψ是指對(duì)于處理圖像，f,g為定義于離散空間域D、值域V={0,1,…,N-1}上的兩個(gè)函數(shù)，且f≤g,則?p∈D,f(p)≤g(p)，g為掩模，f為標(biāo)識(shí)，對(duì)于指定面積閥值S，可得到面積重構(gòu)開(kāi)操作

(7)

重構(gòu)開(kāi)操作中，如取輸入信號(hào)g為掩模，取標(biāo)識(shí)為f=g-S,Tk表示取相關(guān)域的閾值，面積重構(gòu)的結(jié)果是濾除了波形的尖峰干擾，與固定結(jié)構(gòu)的數(shù)學(xué)形態(tài)學(xué)相比較，它在對(duì)信號(hào)側(cè)輪廓或連通區(qū)域輪廓不消弱的情況下則具備濾除面積小于閥值的高灰度像素的性能?；叶葘傩灾貥?gòu)開(kāi)操作需在不同灰度等級(jí)上進(jìn)行，然后將各層次的處理結(jié)果進(jìn)行綜合疊加，該串行過(guò)程可以通過(guò)最大樹(shù)結(jié)構(gòu)而簡(jiǎn)化。通過(guò)采用最大樹(shù)結(jié)構(gòu)將圖像按灰度等級(jí)和屬性構(gòu)成結(jié)構(gòu)樹(shù)，樹(shù)的葉子就是表達(dá)一定灰度等級(jí)和一定屬性(如面積)的連通域，樹(shù)的葉子一般是灰度值較大的區(qū)域，樹(shù)的根是圖像的黑色背景。采用最大Max,最小Min,剪除Subtractive和直接剪除Direct等方法按面積、轉(zhuǎn)動(dòng)慣量等屬性準(zhǔn)則修剪這棵圖像樹(shù)，然后將修剪后的樹(shù)進(jìn)行重構(gòu)就可得到屬性形態(tài)學(xué)方法濾波后的圖像。

如采用面積重構(gòu)開(kāi)操作，設(shè)定面積準(zhǔn)則是S=10，則如果在灰度值=255層的一個(gè)任意形狀連通域面積小于10的區(qū)域?qū)⒈凰乱换叶戎祵哟蔚闹車徲蛉诤匣蛘咝藜舻?，由于鄰近灰度層次的區(qū)域融合或修剪使濾除噪聲后的圖像在視感上沒(méi)有突變的感覺(jué)而表現(xiàn)自然，且由于它的結(jié)構(gòu)元素是柔性的任意形狀，對(duì)各灰度等級(jí)的連通域都不會(huì)造成邊緣損失。同理，面積重構(gòu)閉的結(jié)果是填充了波形的谷底而濾除掉面積小于閥值的低灰度像素。面積屬性形態(tài)學(xué)的重構(gòu)開(kāi)、閉(AOC)聯(lián)合作用將修剪掉較亮和較暗的不同灰度等級(jí)上的面積小于屬性準(zhǔn)則的連通域。圖3為面積重構(gòu)AOC在不同面積準(zhǔn)則條件下的濾波效果。

圖3 面積屬性形態(tài)學(xué)的噪聲消除效果分析Fig.3 Results of lunar crater images processed by area attribute morphology

2 撞擊坑的規(guī)范化特征提取

由于圖像特征的多樣性以及目標(biāo)的特殊性，并不是所有特征都適用于任何圖像目標(biāo)，為了更有效地、定量地表示月球撞擊坑，本文提出月球撞擊坑的規(guī)范化特征，即適用于具有一般性的月球撞擊坑的標(biāo)準(zhǔn)特征。

2.1 撞擊坑區(qū)域紋理的Haar特征提取

撞擊坑圖像呈現(xiàn)邊界模糊的呈點(diǎn)狀和弧線狀灰度等級(jí)分布等橢圓形狀，可選擇一個(gè)簡(jiǎn)單的幾何紋理小波Haar特征描述，該特征將一個(gè)矩形區(qū)域劃分為黑色、白色2個(gè)區(qū)域部分，其特征值由2個(gè)區(qū)域的灰度值相減而獲得的。在一個(gè)標(biāo)準(zhǔn)尺寸區(qū)域里還包括更小尺度的同樣黑白相間模型的疊加和交錯(cuò)排列而包括許多Haar特征。在訓(xùn)練和識(shí)別過(guò)程中，對(duì)于每一個(gè)撞擊坑候選區(qū)域圖像塊能根據(jù)自身原始大小調(diào)整為標(biāo)準(zhǔn)尺寸48像素×48像素的像素塊，在標(biāo)準(zhǔn)尺寸下選取8種不同黑白相間部分組成的Haar邊緣和線性特征模型如圖4所示。

圖4 6種用于撞擊坑Haar特征提取的模型Fig.4 Six Haar feature templates for lunar craters

如取每種尺度塊的變化范圍從2像素×2像素到48像素×48像素，尺度塊的寬、高每次變化均增加2個(gè)像素，步長(zhǎng)為尺度塊搜索窗口大小的一半，則對(duì)應(yīng)于3 314個(gè)搜索窗口的8個(gè)Haar邊緣特征類型，共得到19 884個(gè)包含特征類型和相應(yīng)矩形位置及其大小的特征，需要在這些特征中選出最能反映撞擊坑紋理特性的特征[5]。AdaBoost方法使用投票等方法將多個(gè)單一分類器集成而產(chǎn)生一個(gè)復(fù)雜的分類器，強(qiáng)分類器中的T個(gè)簡(jiǎn)單弱分類器或者特征構(gòu)成

(8)

f(C)是撞擊坑候選區(qū)域的圖像塊C的一個(gè)紋理特征數(shù)值，弱紋理特征分類器h(C)是由閾值f(C)和方向值p= {1,-1}來(lái)確定，其值為1代表撞擊坑,而0代表非撞擊坑。每個(gè)弱分類器反映的紋理灰度值分布的Harr值或者灰度梯度向量分布HOG的值對(duì)單個(gè)尺度和位置的紋理屬性并沒(méi)有很高的判斷力，但擇選出的各個(gè)不同的特征反映了撞擊坑與非撞擊坑在某一特定區(qū)域、方向的灰度和梯度的細(xì)小變化和不同，這些特征的組合在整體上表現(xiàn)出撞擊坑與非撞擊坑類間的差異而具備很強(qiáng)的分類能力[6-7]。

圖5 選取的適應(yīng)撞擊坑的較優(yōu)選擇的前6個(gè)Haar特征Fig.5 Six better Haar features for lunar craters

該算法選擇每一個(gè)樣本圖像塊中N(如19 884)個(gè)特征集來(lái)描述撞擊坑和非撞擊坑，每次循環(huán)它選擇所有各分類器中最能反映特異性的第t個(gè)弱分類器而形成強(qiáng)分類器。圖5是從撞擊坑的6種模型的19 884個(gè)Haar特征中經(jīng)AdaBoost選取的較優(yōu)選擇的前6個(gè)不同尺度的Haar特征。如果圖5(a，b)中的6個(gè)底圖用正樣本的平均圖像來(lái)表示，則6個(gè)黑白矩形表示的Haar特征是這些平均圖像的較優(yōu)的前幾個(gè)最顯著特性的表達(dá)，圖5(a)中的較優(yōu)黑白矩形集中在表達(dá)陰陽(yáng)對(duì)比的區(qū)域，顯然這些較優(yōu)特征受陽(yáng)光照射和坑深等條件影響。圖5(b)中的較優(yōu)黑白矩形集中在模糊橢圓形的四周，正樣本基本與陽(yáng)光照射和坑深等條件無(wú)關(guān)而呈現(xiàn)穩(wěn)定的特征。

2.2 撞擊坑區(qū)域邊緣的塔式有向梯度方向直方圖PHOG特征提取

HOG是對(duì)規(guī)定區(qū)域的邊緣或梯度向不同的角度方向范圍進(jìn)行累計(jì)而形成的直方圖特征描述，它很好地表征區(qū)域內(nèi)的梯度結(jié)構(gòu)和變化，通常用來(lái)描述圖像的局部形狀以及空間關(guān)系，由于PHOG是將區(qū)域劃分為許多不同層次的塊而對(duì)HOG進(jìn)行層次化整體和關(guān)聯(lián)描述，并將其圖像中的各層次的HOG特征進(jìn)行級(jí)聯(lián)，反映了紋理變化在整體上的統(tǒng)計(jì)特性?；谒紿OG特征的PHOG具有一定的具有旋轉(zhuǎn)不變性，因而能適應(yīng)于小范圍內(nèi)不同太陽(yáng)方位角的月球圖像分析。如將每層的梯度的角度方向數(shù)定為K=9，第1層是整個(gè)圖像，第2層將特定區(qū)域分為2×2的塊，第3層將特定區(qū)域分為4×4的塊，第4層將特定區(qū)域分為8×8的塊，整個(gè)區(qū)域圖像共有PHOG特征為85K=765維特征。圖6是一個(gè)月球撞擊坑正樣本在4個(gè)層的塔式梯度方向直方圖特征分布，圖中下方直方圖的Y軸為直方圖梯度模量，X軸為不同層次塊中各方位角的序次。圖6(a)是包含一定陰陽(yáng)面撞擊坑的PHOG特征，圖6(b)是基本不含強(qiáng)烈對(duì)比陰陽(yáng)面撞擊坑的PHOG特征，下方區(qū)域的第1層的HOG特征在各個(gè)方向比較平穩(wěn)。如將各個(gè)方位區(qū)域的撞擊坑區(qū)域圖像都處理成圖6下方相似的模糊圓周圖像，將使HOG的特征在各層上表現(xiàn)為都比較平穩(wěn)和具備魯棒性。通過(guò)加權(quán)處理將使各層的HOG特征具備更佳的描述能力。

圖6 月球撞擊坑的梯度方向直方圖特征分布Fig.6 Histograms of PHOG of lunar craters

有向梯度方向直方圖反映撞擊坑的最大局部特性就是表現(xiàn)出圓形周邊模糊的邊界方向梯度分布，這些經(jīng)過(guò)預(yù)處理后的撞擊坑區(qū)域的正照射面和背陽(yáng)面與其他灰度區(qū)域平滑過(guò)渡，其區(qū)域圖像特征此時(shí)主要表現(xiàn)在撞擊坑圓形周邊的梯度變化，如考察第1層的9個(gè)Bin的值比較接近(如表1所示)，避免了對(duì)于不同方向太陽(yáng)光照射區(qū)域需要采用不同訓(xùn)練樣本的繁瑣，使撞擊坑分類的訓(xùn)練和識(shí)別算法具備更大的通用性，本實(shí)驗(yàn)采用PHOG特征與SVM分類方法相結(jié)合組成分類器。

表1 圖像預(yù)處理對(duì)撞擊坑的第一層HOG特征的影響

3 撞擊坑識(shí)別試驗(yàn)分析

圖7 月球表面的撞擊坑探測(cè)結(jié)果Fig.7 Detection results of lunar crater images

實(shí)驗(yàn)中選用樣本和測(cè)試區(qū)域包括高對(duì)比月牙形、低灰度模糊邊界撞擊坑和點(diǎn)狀類撞擊坑的月貌圖像。選擇的搜索窗口的尺寸范圍為12像素×12像素到128像素×128像素,用于訓(xùn)練的正、負(fù)樣本數(shù)都為400個(gè)，搜索計(jì)算方法的快捷就需考慮遺傳算法或依賴積分圖計(jì)算的方法。依靠窮舉的多尺度的窗口搜索與分類需要采用合適的區(qū)域特征、分類方法及它們的配合，實(shí)驗(yàn)中采用8種模型的Haar原始特征19 884個(gè)和PHOG的原始特征為765維特征。本文中的實(shí)驗(yàn)主機(jī)采用的CPU為i5，內(nèi)存為4 GB，開(kāi)發(fā)環(huán)境為編程平臺(tái)Delphi 7。圖7為對(duì)不同方位的月球表面的撞擊坑的探測(cè)結(jié)果，圖7(b)的撞擊坑存在重疊和粘連等背景復(fù)雜情況，但仍能較好地被識(shí)別。

測(cè)試月球圖片的分辨率為1 024×980，表2是采用不同的預(yù)處理方法選取不同特征和分類器條件下測(cè)試的測(cè)試精度、訓(xùn)練時(shí)間和識(shí)別時(shí)間的對(duì)比表。在采用了屬性形態(tài)學(xué)等預(yù)處理方法下的撞擊坑紋理和幾何特征都呈現(xiàn)比較穩(wěn)定的橢圓形狀，光學(xué)和坑的幾何條件對(duì)Haar和PHOG特征的影響都明顯減少，其訓(xùn)練時(shí)間和識(shí)別檢測(cè)時(shí)間明顯減少。采用Haar特征與AdaBoost分類方法相結(jié)合將比采用PHOG特征和SVM分類方法相結(jié)合的方式具備更快的識(shí)別效率[8]，但具有精確特性描述的PHOG特征與更高分辨能力的SVM相結(jié)合的方式具有更加高的識(shí)別精度[9]。

表2 預(yù)處理方法對(duì)不同特征和分類器的識(shí)別精度、訓(xùn)練時(shí)間和識(shí)別時(shí)間對(duì)比

4 結(jié)束語(yǔ)

本文提出的多閥值分類和屬性形態(tài)學(xué)對(duì)月球圖像進(jìn)行層次性和選擇性預(yù)處理，通過(guò)預(yù)處理方法得到與背景有較大區(qū)別的撞擊坑區(qū)域，使高對(duì)比陰陽(yáng)對(duì)和低灰度弱邊界的撞擊坑具備基本規(guī)范和穩(wěn)定的Haar和PHOG特征。由于積分圖運(yùn)算的合理利用，使得Haar與AdaBoost的分類方式具備較高的識(shí)別效率，而經(jīng)過(guò)基于屬性形態(tài)學(xué)等預(yù)處理的撞擊坑區(qū)域特性的穩(wěn)定性和PHOG本身對(duì)圓形紋理描述的魯棒性，使之與SVM分類方式的組合具備較高和穩(wěn)定的識(shí)別精確度。

[1] Salamuniccar G, Loncaric S, Pina P, et al. MA130301GT catalogue of Martian impact craters and advanced evaluation of crater detection algorithms using diverse topography and image datasets[J]. Planet Space Sci, 2011,59(1):111-131.

[2] 劉茜,盧心紅,李象霖.基于多尺度Retinex的自適應(yīng)圖像增強(qiáng)方法[J].計(jì)算機(jī)應(yīng)用，2009,29(8):2077-2079.

Liu Qian, Lu Xinhong, Li Xianglin. Adaptive image enhancement method based on multi-scale retinex algorithm[J]. Journal of Computer Applications, 2009,29(8):2077-2079.

[3] 袁悅鋒,朱培民,趙娜,等.基于數(shù)學(xué)形態(tài)學(xué)的月海圓形撞擊坑自動(dòng)識(shí)別方法[J].中國(guó)科學(xué):物理學(xué)力學(xué)天文學(xué)，2013,43(3):324-332.

Yuan Yuefeng, Zhu Peimin, Zhao Na, et al. Automatic identification of circular mare craters based on mathematical morphology[J]. Scientia Sinica (Physica, Mechanica & Astronomica), 2013,43(3):324-332.

[4] Ouzounis G K, Wilkinson M H F. Second-order connected attribute filters using Max-trees[C]∥Proc Int′l Symp Math Morphology. Netherlands: Springer, 2005:65-74.

[5] Urbach E R, Stepinski Tomasz F. Automatic detection of sub-km craters in high resolution planetary images[J]. Planet Space Sci， 2009,57(7):880-887.

[6] Martins R, Pina P, Marques J S, et al. Crater detection by a boosting approach[J]. IEEE Geosci Remote Sensing Lett, 2009,6(1):127-131.

[7] Papageorgiou C P, Oren M, Poggio T. A general framework for object detection[C]∥Sixth International Conference on Computer Vision. Bombay, India: IEEE, 1998:555-562.

[8] 李忠國(guó),侯杰,王凱,等.模糊支持向量機(jī)在路面識(shí)別中的應(yīng)用[J].數(shù)據(jù)采集與處理，2014,29(1):146-151.

Li Zhongguo, Hou Jie, Wang Kai, et al. Application of fuzzy support vector machine on road type recognition[J]. Journal of Data Acquisition and Processing, 2014,29(1):146-151.

[9] 鄭馨,王勇,汪國(guó)有.EM聚類和SVM自動(dòng)學(xué)習(xí)的白細(xì)胞圖像分割算法[J].數(shù)據(jù)采集與處理，2013,28(5):614-619.

Zheng Xin, Wang Yong, Wang Guoyou. White blood cell segmentation using expectation-maximization and automatic support vector mechine learning[J]. Journal of Data Acquisition and Processing, 2013,28(5):614-619.

Lunar Crater Detection Method Based on Normalized Features

Jiang Xiangang, Qiu Yunli, Feng Dayi, Jiang Zhaofeng

(School of Science, East China Jiaotong University, Nanchang, 330013, China)

A method based on multi-threshold classification and attribute morphology is adopted to preprocess lunar image selectively in different gray layers, which ensure different highlight shadow crescent pair and low gray weak edge elliptical crater possess essentially normalized and steady Haar and PHOG feature. The influence and the function of the preprocessing method on partial wavelet Haar and pyramid histogram of oriented gradients feature is probed, and the effects of AdaBoost and SVM used in lunar crater detection are investigated. The integrated craters detecting strategy combining Haar and PHOG features with AdaBoost and SVM classifiers is also studied. The method is proved to have high accuracy and recognition efficiency. Experimental rusults demonstrate that lunar crater recognition radio is proved by 2%～5% via atlribute morphology and assemble classifier compared to traditional methods.

attribute morphology; Retinex algorithm; Haar feature; pyramid histogram of oriented gradients feature; crater detection

國(guó)家自然科學(xué)基金(61262031)資助項(xiàng)目；中國(guó)科學(xué)研究院地理研究院科研(YQZX-HT-KY-QT-20120119-1)資助項(xiàng)目；江西省高校科技落地計(jì)劃(KJLD12067)資助項(xiàng)目。

2013-10-29；

2014-06-04

TP391.41

A

蔣先剛(1958-),男，教授，研究方向：數(shù)字圖像處理與模式識(shí)別，E-mail：jxg_2@tom.com。

蔣兆峰(1962-)，男，副教授，研究方向:數(shù)字圖像處理與模式識(shí)別。

丘赟立(1987-)，男，研究生，研究方向:數(shù)字圖像處理與模式識(shí)別。

馮大一(1979-)，男，講師，研究方向:數(shù)字圖像處理與模式識(shí)別。