应用多种方法对月球撞击坑进行自动检测和分类外文翻译资料

 2022-12-04 15:09:05

英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料

应用多种方法对月球撞击坑进行自动检测和分类

摘要

许多探测器都会拍摄月球图像进行检测，比如克莱门汀探测器和塞勒涅探测器（SELenetics和工程资源管理器）。的图像数据已经被存档，而且更多的数据还在进行中。从如此庞大和日益增长的数据中提取必要的信息是需要克服的关键问题。

撞击坑被广泛地研究是因为它们为我们提供了地面单元的相对年龄和更多关于月球表面地质的信息。从月球图像手动提取撞击坑是一项艰巨的任务，因为它需要大量的人力以及特定的提取知识和技能。已经开发了几种自动化的撞击坑检测算法，但没有一种算法是可行的或被充分测试证明是可靠的。

我们以前的算法（Sawabe，Y.，Matsunaga，T.，Rokugawa，S.Ameratical crater detection algorithm for the lunar surface using Multiple approaches.J.Report Sens.Soc.Jpn.25（2），157-168,2005）得到了改进，以增强月球图像中撞击坑的检测和撞击坑自动化分类。该算法使用各种图像进行测试，适用范围广泛。四种方法与撞击坑检测算法一同使用来找到（1）低太阳高度角图像中的“阴坡阳坡”图案，（2）边缘图像中的圆形特征，（3）薄型连接边缘线中的曲线和圆 ，和（4）使用模糊霍夫变换的离散或破碎的圆形边缘线。该算法适用于克莱门汀和阿波罗探测器在不同太阳角和空间分辨率下捕获的月球表面暗部和高地图像。新算法能够检测到80％以上的参数调整。 此外，通过从克莱门汀紫外-可见多光谱图像得到的光谱特征对检测到的撞击坑进行分类。最后，制定了月球表面地理信息系统，其地理和光谱属性由我们的算法自动生成。它可能是对分析和认识地质环境有用的系统。

关键词：自动火山口检测；模糊霍夫变换；边界；克莱门汀；阿波罗

1 引言

最近，许多行星探测器在飞行中，还有更多的计划发射。对世界各地的行星和卫星的关注正在增长。 在不久的将来，这些任务提供的数据将有助于我们揭示行星科学的想象不到的信息。例如，2006年将发射的日本月球轨道航天器塞勒涅预计将为我们带来大量数据。然而，从大量的数据中以有效的方式提取必要的信息是很困难的。

当样品标本不可用时，撞击坑对估计月球表面或地表单元的年龄起到重要作用(Neukum et al., 1975, 2001)。撞击坑的中央峰揭示了从地下挖出的物质。研究这些峰可以解释地壳结构(Tompkins and Pieters, 1999)。此外，月球表面暗部的火山口的喷射分析表明了它的熔岩厚度（Budney and Lucey,1998）。在最近的研究中，为了获得这些信息，目标撞击坑必须手动从图像中提取统计学和形态学数据。 手动提取撞击坑已经是一项艰巨的任务，而进一步分析它们需要更多的努力。这导致了对于自动探测器的算法的需求。 自动化算法可以帮助科学家减少人工识别撞击坑的艰巨任务。科学家们研究了几种自动和半自动撞击坑检测技术（Burl et al.,2001; Honda et al.,2002），但是它们的准确性不足以满足撞击坑年表，并没有被完全测试用于实际应用。当边缘不清晰，分段或重叠，并且图像嘈杂时，自动检测撞击坑是困难的。一种使用多种方法的新的撞击坑检测算法已经开发，并且与多个解释器的人工识别撞击坑结果相比，其获得了80％的准确度（Sawabe等人,2005）。 该算法不依赖于相机，太阳照明或空间分辨率。它也不需要任何参数调整。月球表面GIS（地理信息系统）也已建立。 通过使用拓扑和光谱信息，包括自动撞击坑检测算法，特别是使用塞勒涅的数据，它可以可视化地表地质背景和地下结构。当将该系统应用于塞勒涅时，特别是聚焦多频带成像仪（MI）和光谱分析仪（SP）（MI是多光谱，SP是超光谱传感器）。 该系统将使用MI和SP数据，有助于研究地壳结构和月球的构造热演化历史。

在这项研究中，撞击坑自动提取和地理信息系统得到了改进，使用了月球照片和多光谱图像的地形和光谱信息。 通过图像的金字塔表示，前一种算法得到了很大的改进，这导致了处理时间缩短和精度的提高。该算法适用于在不同太阳高度下，通过克莱门汀和阿波罗图像获得的月球暗部和高原成像获得的月球暗部和高地。 将结果与使用撞击坑频率分布获得的撞击坑计数结果（Neukum等,1975）进行比较。克莱门汀图像中的撞击坑根据克莱门汀紫外-可见光谱图像得到的光谱信息进行分类。 最后，开发了一个显示地表特征和地下结构的月球表面地理信息系统。 使用我们的撞击坑自动检测算法从塞勒涅数据获得的拓扑和光谱信息被绘制到地理信息系统中。

2 数据

众所周知在低太阳高度角下拍摄的图像，例如来自月球轨道仪和阿波罗的图像适合于撞击坑检测（Hiesinger等，2003）。然而，在高太阳高度下获取的多光谱图像的光谱信息对于撞击坑地理信息系统也是必不可少的。我们使用在不同的太阳高度下拍摄的克莱门汀和阿波罗数据，以验证我们的算法，然后使用克莱门汀多光谱数据来创建撞击坑地理信息系统。

2.1 Apollo数据

阿波罗的图像是由光学量测相机在绕月球运行的时候拍摄的。这些图像可以扫描到约60米/像素。为了估计我们的撞击坑检测算法的可靠性，我们将自动检测结果与Neukum等人（1975）的撞击坑计数结果进行了比较。 将与Neukum等人使用的图像相同的地方提取出来。 这些地区几乎是同质的，以获得月球暗部危海，门得列夫，亚平宁山脉和阿波罗16号着陆点的初始未修改的撞击坑群。 位置和图片序列显示在表1中。这些图片是在低太阳高度角下观察的。

2.2 克莱门汀紫外-可见多光谱图像数据

本研究使用了美国地质调查局（Isbell等，1999）的克莱门汀紫外-可见多光谱图像数据生成的月球数字图像模型（DIM）。 DIM图像由通过放射学和光度校正的五个光谱带组成。 在正弦等边投影中，图像在几何尺寸上控制在100m /像素的空间分辨率，并在高太阳高度角下观察。这些图像担当了生产许多其他数据产品的基础，包括通过Lucey等人（2000）的方法制出的FeO和TiO2图和通过Tompkins和Pieters（1999）的算法的矿物学指示。Lucey绘制FeO含量的方法依赖于750 nm至950 nm / nm的反射率，来量化主要月球矿物如辉石和橄榄石中二价铁的光谱效应。 该技术降低了随着岩石暴露于月球表面的微陨石轰击和太阳风注入而产生的亚微陨石金属铁的比较效果。为了估计月球表面的TiO2含量，Lucey的方法利用了750 nm到415/750 nm的反射率。 这种方法是基于这样一种理解：富Ti不透明矿物钛铁矿（FeTiO3）具有特殊的效果，可以作为包含月球矿石的矿物混合物的组分。Tompkins和Pieters（1999）提出了使用克莱门汀紫外-可见多光谱图像数据的矿物学指标。 它分别利用了900/750,950/750和1000/750nm反射率的“关键比”，以及可以一起使用的750,900和950nm反射率组成的曲线的“光谱曲率”。 这些参数与吸收带有关，区分低钙和高钙辉石与橄榄石之间的形状。 他们定义了11个矿物类。

3 方法

3.1 撞击坑自动检测算法

据了解撞击坑特征根据其大小而变化。小撞击坑形成简单的圆形，其尺寸越大，形状越复杂（Heiken等，1991）。这种特征的变化提出了一个使用单一的方法来检测不同大小的撞击坑的难题。在我们以前的算法（Sawabe 等，2005）中，将四种指向不同撞击坑大小和特征的方法用于撞击坑检测。该算法适用于没有参数调整的图像，无论它们在太阳高度，使用的照相机和空间分辨率上有何差异。本研究通过包含图像尺度变化的金字塔表示进一步改进了该算法。它在图1的预处理的算法流程的第一步被插入。以最低分辨率开始处理三种不同的分辨率图像，目的是通过在低分辨率图像处去除撞击坑的扭曲窄轮廓并缩短处理时间来提高撞击坑检测精度。

我们改进算法的流程图如图1所示。 由于我们以前的算法在其他地方有所描述（Sawabe 等，2005），我们在这里简要解释一下。在我们的算法中，我们定义了一个撞击坑是图像中的圆形地形特征，最小检测坑的大小是半径的两个像素。

连接

可能的撞击坑中央峰计算

霍夫变换

撞击坑检测（3）

撞击坑检测（4）

保存为撞击坑列表

图1 提出的撞击坑自动检测算法的流程图。

月球表面图像

预处理

边缘检测

二值化

“阴坡阳坡”模式检测

撞击坑检测（1）

撞击坑检测（2）

））

1）低分辨率图像
2）中分辨率图像
3）高分辨率图像

细化

3.1.1 撞击坑检测（1）

根据太阳高度角将图像分为两组。如果在低太阳高度下拍摄图像，撞击坑的阴坡和阳坡部分清晰可辨。我们可以认识到，一个撞击坑的这个“阴坡阳坡”模式是从太阳辐射的方向被识别出来的。当满足方程（1）的时候使用这种模式检测。

lt; -sigma;;

gt; sigma;; （1）

lt; ;

其中表示最小像素值，表示最大像素值，sigma;表示包括目标的小区域中的标准偏差。 和表示从太阳辐射方向的最小值和最大值像素的位置。

将一个圆拟合到识别到的阴坡和阳坡模式的周围边缘像素（第3.1.2节）。 拟合的圆被认为是一个撞击坑。如果检测到撞击坑，则边缘像素从边缘图像中删除。

3.1.2 撞击坑检测（2）

边缘强度是通过使用基于高度和边缘的可靠性的技术的图像计算的（Sugiyama和Abe，1997）。 这种技术使用最近像素的差异和方差，适用于噪声地形图像，如月球图像。 然后使用Kurita等人（1992）计算的阈值从边缘强度图像中检测边缘像素的技术。如果边缘像素形成圆形特征，则将其识别为撞击坑。当圆度C大于0.8时，检测到圆形特征。

C=4pi;A/Lsup2;， （2）

其中A是边缘像素区域，L是边缘像素的周长。

3.1.3 撞击坑检测（3）

使用Hilditch的细化算法将一组边缘像素减到一个像素宽。这些线根据线的长度和方向连接。 如果连接的边缘线被封闭并且圆度大于0.8，则用这些线创建的圆形形状被认为是撞击坑。

3.1.4 撞击坑检测（4）

第四种撞击坑检测方法首先在随机选择的一条边缘线段上拾取三个点（p1 =（x1，y1），p2 =（x2，y2），p3 =（x3，y3）），然后使用这些点计算圆的中心（O）（图2（a））。 该计算通过缩小可能的撞击坑中心现有面积来减少下一个模糊霍夫变换中的处理负载。 接下来，使用针对循环特征的顺序检测定制的模糊霍夫变换（Han 等，1994）检测了撞击坑。考虑到依赖尺寸的撞击坑畸变，估计隶属函数f（p）。

F(p)=

其中D，p，r，图示于图2（b）中。 D是从边缘线到拟合圆的欧几里德距离，r是拟合圆的半径，h是边缘线的法线与拟合圆的径向之间的角度。

这一步骤可以检测出大型撞击坑。

图2 （a）围绕通过P1，P2和P3的圆的中心O进行投票。 （b）边缘像素Pi和拟合圆（中心：O，半径R）的关系。

假定圆

边界线

候选中心点

边界线

3.2 撞击坑自动检测算法验证方法

我们的撞击坑检测算法的优点已经在Sawabe等人（2005）的文章中描述过了。 与手动检测结果相比，我们的算法的准确度超过了80％。 在本研究中，通过查阅撞击坑年表比较Neukum 等人 （1975）得出的撞击坑计数与我们的计数，我们的算法得到了验证。

Neukum 等人（1975）和Neukum和Ivanov（1994）的结果显示，在不同年龄的地质单位测量的累积撞击坑分布可以沿着垂直移位的连续复杂曲线对齐。 在log D中十一次度多项式的归一化对数累积频率的近似值适合于具有足够精度的分布的复杂结构（Neukum等人，2001; Ivanov等人，2002）。 多项式具有以下形式：

log N = ，

其中D是火山口的直径，单位为公里，是每平方公里2个火山口的数量。 a0表示1公里处的截距方程。（1）的系数如下：a1 = 3.557528, a2 = 0.781027, a3 = 1.021521, a4 =0.156012, a5 = 0.444058, a6 = 0.019977, a7 = 0.086850,a8 = 0.005874, a9 = 0.006809, a10 = 0.000825, a11 =0.0000554。

Neukum和Ivanov（1994）的经验衍生年表由下式给出：

，

其中t代表十亿年的时间。

统计误差sigma;解释如下：

sigma;=(n ，

其中n是第n个陨石坑的数量，A是表面积。

在这项研究中，等式（1）和（2）用于通过最小二乘法拟合

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[25328]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章