CN103871062B - 一种基于超像素描述的月面岩石检测方法 - Google Patents

Abstract

一种基于超像素描述的月面岩石检测方法，首先对图像进行各项异性平滑，以消弱月壤与岩石区域内的纹理但同时很好地保留了边缘信息；进一步，将图像过分割为超像素，利用超像素描述的方法，通过检测孔洞的方法来达到检测岩石区域的目的。此方法能够较为准确的检测出岩石区域，并准确定位描述岩石的边界。

Description

一种基于超像素描述的月面岩石检测方法

技术领域

本发明涉及一种基于超像素描述的月面岩石检测方法。

背景技术

对月面岩石的检测和分析，为月球车自主导航和地面遥控提供了重要依据。现有的月面岩石检测方法主要分为基于边缘强度、基于颜色信息、基于纹理信息等几类。

颜色信息是图像中最直观的特征。文献1（Bajracharya,M."Singleimagebasedhazarddetectionforaplanetarylander",WorldAutomationCongressOrlando,FL,USA.Jun,2002）利用局部灰度聚类将图像分割成区域，再将其标记为潜在危险目标和表面。

文献2(石德乐,叶培建,贾阳,月面巡视器的图像分割及识别方法,JOURNALOFJILINUNIVERSITY,2007)提出了多通道彩色分量融合的图像分割方法，并用形态学滤波对分割结果进行滤波，利用分割区域标识算法标记每块分割的区域。

由于环境复杂造成岩石表面颜色多变，单纯利用颜色信息进行场景分类效果并不好。

边缘和梯度是对地形分类非常有用的信息，有很多算法用到了这些信息。文献3(V.Gor,V.Gor,R.Castano,R.Manduchi,R.Anderson,andE.Mjolsness,“AutonomousRockDetectionforMarsTerrain”,Space2001,AmericanInstituteofAeronauticsandAstronautics,Aug.2001)介绍了两种岩石检测方法来分析火星地表，即采用灰度信息来检测小的石块，采用深度图像来检测大的石块。对于灰度图像，主要基于边缘流（edgeflow）的思想，找出不同灰度特性区域的边缘，并在此基础上进一步的分裂融合；对于深度图像，通过立体图像得到，并以此来计算各点的高度信息来提取岩石区域。两种方法结合的情况下，可以得到较好的检测结果。

文献4(R.Castano,M.Judd,T.Estlin,R.C.Anderson,D.Gaines,A.B.Bornstein,T.Stough,andK.Wagstaff,“CurrentResultsfromaRoverScienceDataAnalysisSystem,”Proceedingsofthe2005IEEEAerospaceConference.BigSky,Montana,March,2005)介绍了JPL实验室的Rockfinder算法，它采用金字塔的图像分割方法，在每一层次，先采用bilateral滤波平滑图像，再用sobel或canny算子进行边缘检测，然后把边缘连接成闭合的轮廓。这种方法并不能保证连接成的轮廓与石头的真实轮廓吻合。

文献5(PoojaMahapatra,"Aprototypesystemforautonomousrover-basedplanetarygeology",UniversityessayfromLuletekniskauniversity,Kiruna,2009)提出了基于尺度空间的岩石检测算法。图像首先进行一系列预处理，这包括双边滤波和自适应直方图均衡化，然后是Canny边缘检测，它的最高最低阈值由双边滤波的结果决定。但是，由于尺度范围有限，以及大尺寸岩石含有灰度或纹理不均匀区域，算法对大尺寸岩石容易出现过检测现象。

综上，由于环境复杂造成岩石表面颜色多变，单纯基于颜色的方法进行岩石检测的效果较差；而基于边缘的方法，不容易得到准确的岩石边界，易出现过分割。

发明内容

本发明技术解决问题：克服现有技术的岩石检测准确度低以及岩石边界定位不准等不足，提供一种基于超像素描述的月面岩石检测方法，提高了检测的准确度，并能较为准确地定位岩石的边界。

本发明采用的技术方案：一种基于超像素描述的月面岩石检测方法，首先对图像进行各项异性平滑，以消弱月壤与岩石区域内的纹理但同时很好地保留了边缘信息；进一步，将图像过分割为超像素，利用超像素描述的方法，通过检测孔洞的方法来达到检测岩石区域的目的。此方法能够较为准确的检测出岩石区域，并准确定位描述岩石的边界。

本发明具体实现步骤如下：

(1)对图像进行各向异性平滑；

(2)图像超像素描述；

(3)基于超像素的天空区域提取；

(4)基于超像素的岩石区域提取。

所述的步骤(1)对图像进行各向异性平滑的具体方法为：

（11）在尺度空间中，将月面图像的平滑表示为：

L(x,y,σ_n)=G(x,y,σ_n)*L(x,y,σ_n-1)

$G(x,y,{\mathrm{\σ}}_n)=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}_n^2}{e}^{-\frac{x^2+y^2}{2{\mathrm{\σ}}_n^2}}---\left(1\right)$

L(x,y,σ₀)=I(x,y)

其中，I(x,y)是原始图像，L(x,y,σ_n)为尺度为σ_n的图像，尺度σ_n控制了影响中心像素的邻域的尺寸，G(x,y,σ_n)为高斯卷积核；L(x,y,σ_n-1)为尺度为σ_n-1的图像。

（12）对高斯平滑方程求微分，得到：

$\frac{\∂L_{{\mathrm{\σ}}_n}}{\∂{\mathrm{\σ}}_n}=\frac{\∂G_{{\mathrm{\σ}}_n}}{\∂{\mathrm{\σ}}_n}*L_{{\mathrm{\σ}}_{n-1}}---\left(2\right)$

在此，为方便起见，将L(x,y,σ_n)缩写为同样地，将G(x,y,σ_n)缩写为 为求偏导符号。

（13）对于平滑后的图像，采用二阶矩矩阵来度量区域的线性性：

$M(x,y,{\mathrm{\σ}}_D)=\left[\begin{array}{cc}{L:}_x^2(x,y,{\mathrm{\σ}}_n,{\mathrm{\σ}}_D)& L_x{L}_y(x,y,{\mathrm{\σ}}_n,{\mathrm{\σ}}_D)\\ L_x{L}_y(x,y,{\mathrm{\σ}}_n,{\mathrm{\σ}}_D)& L_y^2(x,y,{\mathrm{\σ}}_n,{\mathrm{\σ}}_D)\end{array}\right]---\left(3\right)$

式（3）中，σ_D为积分尺度，L_x、L_y分别为平滑尺度σ_n上的水平和垂直方向的一阶差分；一个正定的矩阵M的奇异值分解表征了它的结构：

$M={\mathrm{UDV}}^T=U\left[\begin{array}{cc}{\mathrm{\λ}}_1& 0\\ 0& {\mathrm{\λ}}_2\end{array}\right]V^T---\left(4\right)$

式（4）中，λ₁≥λ₂≥0为两个特征值，U，V为特征向量组成的矩阵。

因此，引入度量范式q1量化地度量区域的线性性：

$q_1=1-{\left(\frac{{\mathrm{\λ}}_1-{\mathrm{\λ}}_2}{{\mathrm{\λ}}_1+{\mathrm{\λ}}_2}\right)}^2=\frac{4\det M}{{\left(\mathrm{traceM}\right)}^2}---\left(5\right)$

其中，detM为矩阵M的行列式，traceM为矩阵M的秩。

（14）将待滤波位置的图像行坐标r作为深度的度量参数：

$q_2=e^{\frac{r-H}{\mathrm{\λ}}}---\left(6\right)$

所以得到新的各项异性平滑方程为：

$\begin{array}{c}{L}_{{\mathrm{\σ}}_n}=L_{{\mathrm{\σ}}_{n-1}}+({\mathrm{\σ}}_n-{\mathrm{\σ}}_{n-1})\frac{\∂L_{{\mathrm{\σ}}_{n-1}}}{\∂{\mathrm{\σ}}_{n-1}}\\ =L_{{\mathrm{\σ}}_{n-1}}+({\mathrm{\σ}}_n-{\mathrm{\σ}}_{n-1})q_1{q}_2\mathrm{\κ}|\▿L_{{\mathrm{\σ}}_{n-1}}|\end{array}---\left(7\right)$

其中，即为各项异性平滑后的图像；为图像求梯度后的模，其它符号如前所述。

所述的步骤(2)图像超像素描述的具体方法为：

（21）将各项异性平滑后的图像的灰度和空间信息同时作为区域鉴别的特征向量；在某个像素特定邻域内，计算邻域内灰度的均值μ与标准差σ，然后将μ和σ与像素的空间坐标(u,v)统一为最终的特征向量：f=[μσuv]；

（22）对于给定的4维空间中的特征向量集合F={f=[μσuv]}，首先估计F的密度函数；一种简单的方法是将特征与宽度为h的核进行卷积来平滑特征，

$p\left(f\right)=\underset{i}{\mathrm{\Σ}}K(f-f_i)=\underset{i}{\mathrm{\Σ}}k\left(\frac{{\left|\right|f-f_i\left|\right|}^2}{h^2}\right)---\left(8\right)$

式（8）中，k(r)为核函数；计算f_i处的密度函数的梯度，并沿着梯度方向进行上升搜索；p(f)的梯度为：

$\▿p\left(f\right)=\underset{i}{\mathrm{\Σ}}(f-f_i)G(f-f_i)=\underset{i}{\mathrm{\Σ}}(f-f_i)g\left(\frac{{\left|\right|f-f_i\left|\right|}^2}{h^2}\right)---\left(9\right)$

式（9）中，p(f)为式（8）所定义的概率密度函数；

g()=-k′()，k′()为k()的一阶导数，。则密度函数的梯度重新写为：

$\▿p\left(f\right)=\underset{i}{\mathrm{\Σ}}G(f-f_i)m\left(f\right)---\left(10\right)$

其中向量为特征向量f的均值移动量，为f邻域内的权重平均与目前特征f的差；在均值移动的第k次迭代中，模式y_k的当前估计通过局部权重均值进行更新：

$y_{k+1}=y_k+m\left(y_k\right)=\frac{\underset{i}{\mathrm{\Σ}}{f}_{i}G(f-f_i)}{\underset{i}{\mathrm{\Σ}}G(f-f_i)}---\left(11\right)$

通过上述式（11）的均值移动的方法，即得到超像素；

所述的步骤(3)基于超像素的天空区域提取的具体方法为：

（31）计算每一个超像素sp的区域均值μ_sky和均方差σ_sky，然后计算其平均行坐标v_sky；

（32）构造超像素的代价函数c(sp|μ_sky,σ_sky，v_avg)：

$c\left(\mathrm{sp}\right|{\mathrm{\μ}}_{\mathrm{sky}},{\mathrm{\σ}}_{\mathrm{sky}},v_{\mathrm{sky}})=e^{-{\mathrm{\μ}}_{\mathrm{sky}}/{\mathrm{\λ}}_1}{e}^{-{\mathrm{\σ}}_{\mathrm{sky}}/{\mathrm{\λ}}_2}{e}^{-v_{\mathrm{sky}}/{\mathrm{\λ}}_3}---\left(13\right)$

式（13）中，λ₁、λ₂、λ₃为各个特征的尺度因子；一个理想的天空超像素，灰度最黑，所以具有最小的灰度均值μ_sky；超像素内像素灰度跨度范围较小，所以具有最小的均方差σ_sky；天空处在图像最上部，所以平均行坐标具有最小值v_sky；

（33）计算每个超像素的代价函数，并按照代价值进行排序，选择列表中第一个超像素作为天空区域；

所述的步骤(4)基于超像素的岩石区域提取的具体方法为：

（41）对于一个包含岩石和背景的区域，背景的边界相当于外轮廓，岩石的边界则相当于内轮廓；所以，背景的检测问题，转化为每个超像素中孔洞的检测问题；如果某个区域内不含有孔洞，则属于目标岩石类的，否则，判定为背景类；孔洞的检测则转化为区域的边界跟踪，显然，带有孔洞的区域，只有一条闭合的外边界，多条闭合的内边界；

对于一个超像素的二值模板，1表示属于超像素的点，0别是非超像素点；先跟踪每个超像素的外边界，然后搜索边界之内的非超像素点0，如果该超像素包含孔，判定其为背景，反之为目标岩石；

（42）外轮廓边界跟踪：给定一个区域R，边界跟踪就是将R的边界按顺序连续检测出来，存入边界像素序列Π=[x₀,x₁,...,x_q]；本方法利用8临域系统进行边界跟踪，临域的链码采用Freeman链码表示；

（43）非超像素点检测：对于已标记的外轮廓区域，非超像素点检测就是采用基于图像行扫描的方法搜索其中的标记为0的点，进一步达到检测岩石区域的目的。

用一条扫描线水平扫描一个封闭的凸的物体区域，通常与物体的边界有个两个交点，一个入点一个出点；当区域非凸时，则扫描线与物体边界的交点数位偶数2b个，b个入点，b个出点；两个相邻的边界点之间的像素都属于物体，物体内部的点也都全部包含在这些边界点之间；因此0点的检测就在每两个边界像素之间搜索；

（44）经过外边界跟踪和内部非超像素点检测，将感兴趣的目标与月面背景分离，最后的结果为一幅二值化的表示：1表示目标，岩石或者撞击坑；0表示背景。

本发明与现有技术相比的优点在于：

（1）本发明提出的各项异性平滑兼顾了抗噪性能、适应能力强，适应于月面环境的成像特性；

（2）本发明提出的方法仅利用相机采集到的月面图像；其中，各项异性平滑处理及基于超像素的分析，兼具抗干扰性强、灵活性较强的特点。

附图说明

图1是本发明的进行月面岩石检测的总体流程图。

具体实施方式

如图1所示，本发明具体实现如下：

月面图像岩石检测方法包括以下四个部分：①图像平滑；②超像素描述；③天空区域提取；④岩石区域提取。由此，即得到最终检测到的岩石区域。

1、图像平滑：

图像平滑的目的是为了降低噪声的影响，可以通过与一定尺度的高斯模板卷积实现。在尺度空间中，图像平滑可以表示为：

L(x,y,σ_n)=G(x,y,σ_n)*L(x,y,σ_n-1)

$G(x,y,{\mathrm{\σ}}_n)=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}_n^2}{e}^{-\frac{x^2+y^2}{2{\mathrm{\σ}}_n^2}}---\left(1\right)$

L(x,y,σ₀)=I(x,y)

其中，I(x,y)是原始图像，L(x,y,σ_n)为尺度为σ_n的图像，尺度σ_n控制了影响中心像素的邻域的尺寸，G(x,y,σ_n)为高斯卷积核；L(x,y,σ_n-1)为尺度为σ_n-1的图像。

对高斯平滑方程求微分，得到：

$\frac{\∂L_{{\mathrm{\σ}}_n}}{\∂{\mathrm{\σ}}_n}=\frac{\∂G_{{\mathrm{\σ}}_n}}{\∂{\mathrm{\σ}}_n}*L_{{\mathrm{\σ}}_{n-1}}---\left(2\right)$

在此，为方便起见，将L(x,y,σ_n)缩写为同样地，将G(x,y,σ_n)缩写为 为求偏导符号。

基于此本发明采用二阶矩矩阵度量区域的线性性：

$M(x,y,{\mathrm{\σ}}_D)=\left[\begin{array}{cc}{L:}_x^2(x,y,{\mathrm{\σ}}_n,{\mathrm{\σ}}_D)& L_x{L}_y(x,y,{\mathrm{\σ}}_n,{\mathrm{\σ}}_D)\\ L_x{L}_y(x,y,{\mathrm{\σ}}_n,{\mathrm{\σ}}_D)& L_y^2(x,y,{\mathrm{\σ}}_n,{\mathrm{\σ}}_D)\end{array}\right]---\left(3\right)$

式（3）中，σ_D为积分尺度，L_x、L_y分别为平滑尺度σ_n上的水平和垂直方向的一阶差分；一个正定的矩阵M的奇异值分解表征了它的结构：

$M={\mathrm{UDV}}^T=U\left[\begin{array}{cc}{\mathrm{\λ}}_1& 0\\ 0& {\mathrm{\λ}}_2\end{array}\right]V^T---\left(4\right)$

式（4）中，λ₁≥λ₂≥0为两个特征值，U，V为特征向量组成的矩阵。

为了量化地度量区域的线性性，引入度量范式q1：

$q_1=1-{\left(\frac{{\mathrm{\λ}}_1-{\mathrm{\λ}}_2}{{\mathrm{\λ}}_1+{\mathrm{\λ}}_2}\right)}^2=\frac{4\det M}{{\left(\mathrm{traceM}\right)}^2}---\left(5\right)$

其中，detM为矩阵M的行列式，traceM为矩阵M的秩。两个特征值之间的距离越远，q1越趋近于0。

不失一般性，将待滤波位置的图像行坐标r作为深度的度量参数，归一化有：

$q_2=e^{\frac{r-H}{\mathrm{\λ}}}---\left(6\right)$

所以新的平滑方程可以表示为：

$\begin{array}{c}{L}_{{\mathrm{\σ}}_n}=L_{{\mathrm{\σ}}_{n-1}}+({\mathrm{\σ}}_n-{\mathrm{\σ}}_{n-1})\frac{\∂L_{{\mathrm{\σ}}_{n-1}}}{\∂{\mathrm{\σ}}_{n-1}}\\ =L_{{\mathrm{\σ}}_{n-1}}+({\mathrm{\σ}}_n-{\mathrm{\σ}}_{n-1})q_1{q}_2\mathrm{\κ}|\▿L_{{\mathrm{\σ}}_{n-1}}|\end{array}---\left(7\right)$

其中q=q₁q₂是线性的非增函数，对于局部的线性结构，它将抑制平滑的程度，平滑仅在其他图像结构上进行。

2、超像素描述

将图像的灰度和空间信息同时作为区域鉴别的特征向量，也就是说，特征向量包含了图像的值域度量和空间位置度量。对于前者，在某个像素特定邻域内，计算邻域内灰度的均值μ与标准差σ，然后将μ和σ与像素的空间坐标(u,v)统一为最终的特征向量：f=[μσuv]。

对于给定的4维空间中的的特征向量集合F={f=[μσuv]}，首先估计F的密度函数。一种简单的方法就是将特征与宽度为h的核进行卷积，从而平滑特征：

$p\left(f\right)=\underset{i}{\mathrm{\Σ}}K(f-f_i)=\underset{i}{\mathrm{\Σ}}k\left(\frac{{\left|\right|f-f_i\left|\right|}^2}{h^2}\right)---\left(8\right)$

其中k(r)为核函数。当特征向量的维数比较高时，在整个搜索空间中估计密度会导致很大的计算量。与其相比，均值移动则从局部极值的随机预测特征向量f_i开始，计算f_i处的密度函数的梯度，并沿着梯度方向进行上升搜索。p(f)的梯度为：

$\▿p\left(f\right)=\underset{i}{\mathrm{\Σ}}(f-f_i)G(f-f_i)=\underset{i}{\mathrm{\Σ}}(f-f_i)g\left(\frac{{\left|\right|f-f_i\left|\right|}^2}{h^2}\right)---\left(9\right)$

式（9）中，g(r)=-k′(r)，k′(r)为k(r)的一阶导数，则密度函数的梯度可以重新写为：

$\▿p\left(f\right)=\underset{i}{\mathrm{\Σ}}G(f-f_i)m\left(f\right)---\left(10\right)$

其中向量为特征向量f的均值移动量，它为f临域内的权重平均与目前特征f的差。在均值移动的第k次迭代中，模式y_k的当前估计通过局部权重均值进行更新：

$y_{k+1}=y_k+m\left(y_k\right)=\frac{\underset{i}{\mathrm{\Σ}}{f}_{i}G(f-f_i)}{\underset{i}{\mathrm{\Σ}}G(f-f_i)}---\left(11\right)$

3、天空区域提取

首先，计算每一个超像素sp的区域均值μ_sky和均方差σ_sky，然后计算其平均行坐标v_sky。构造超像素的代价函数c(sp|μ_sky,σ_sky，v_avg)：

$c\left(\mathrm{sp}\right|{\mathrm{\μ}}_{\mathrm{sky}},{\mathrm{\σ}}_{\mathrm{sky}},v_{\mathrm{sky}})=e^{-{\mathrm{\μ}}_{\mathrm{sky}}/{\mathrm{\λ}}_1}{e}^{-{\mathrm{\σ}}_{\mathrm{sky}}/{\mathrm{\λ}}_2}{e}^{-v_{\mathrm{sky}}/{\mathrm{\λ}}_3}---\left(13\right)$

式（13）中，λ₁、λ₂、λ₃为各个特征的尺度因子。一个理想的天空超像素，灰度最黑，所以具有最小的灰度均值μ_sky；超像素内像素灰度跨度范围较小，所以具有最小的均方差σ_sky；天空处在图像最上部，所以平均行坐标具有最小值v_sky。这样，只需计算每个超像素的代价函数，并按照c(·)值进行排序。对于理想的月面图像，天空会属于同一块超像素，所以只需选择列表中第一个超像素作为天空区域。

4、岩石区域提取

与天空区域类似，假设月面背景具有外形上的一致性，而岩石则位于这些背景之中。对于一个包含岩石和背景的区域，背景的边界相当于外轮廓，岩石的边界则相当于内轮廓。所以，背景的检测问题，就转化为每个超像素中孔洞的检测问题。如果某个区域内不含有孔洞，则认为它是属于目标岩石类的，否则，判定为背景类。而孔洞的检测则转化为区域的边界跟踪，很明显，带有孔洞的区域，只有一条闭合的外边界，多条闭合的内边界。

对于一个超像素的二值模板，1表示属于超像素的点，0别是非超像素点。先跟踪每个超像素的外边界，然后搜索边界之内的非超像素点0，如果该超像素包含孔，判定其为背景，反之为目标岩石。

(1)外轮廓边界跟踪

给定一个区域R，边界跟踪就是将R的边界按顺序连续检测出来，存入边界像素序列Π=[x₀,x₁,...,x_q]。本发明利用8临域系统进行边界跟踪，临域的链码采用文献6(FreemanH.Ontheclassificationofline-drawingdata,Modelsfortheperceptionofspeechandvisualform,1967,pp.408-412)中的Freeman链码表示。

步骤1：将集合Π置为空；

步骤2：按从左向右、从上到下的顺序遍历区域R，遇到第一个1是，记为为当前点x，它具有区域R最西北部的一点，第一方向变量ori，存储从当前边界像素出发，相对于当前边界像素，沿着边界搜索下一个边界像素开始的方向，按照逆时针方式，初始方向为当前点西南方向，即ori=5；

步骤3：将x标记为已跟踪，并插入序列Π中；

步骤4：从x的ori方向开始逆时针搜索其8临域，直到找到第一个1，并设为当前点x，如果x等于第一个边界像素点x₀，则说明已回到跟踪起点，算法结束；

步骤5：更新ori：若当前ori为对角线方向，则ori更新规则为ori=(ori+4+2)%8；否则ori=(ori+4+3)%8；

最后，序列Π中包含单像素宽度的外边界，它是封闭的曲线，将标记为1的像素完全包围在其中。

(2)非超像素点检测

对于已标记的外轮廓区域，非超像素点检测就是搜索其中的标记为0的点。这里采用基于图像行扫描的方法。

用一条扫描线水平扫描一个封闭的凸的物体区域，通常与物体的边界有个两个交点，一个入点一个出点。当区域非凸时，则扫描线与物体边界的交点数位偶数2b个，b个入点，b个出点。两个相邻的边界点之间的像素都属于物体，物体内部的点也都全部包含在这些边界点之间。因此0点的检测就可以在每两个边界像素之间搜索。

尽管如此，实际的超像素区域呈现出不规则的形状：①当物体的水平厚度只有一个像素时，扫面线与边界交点为奇数个。这种情况下肯定存在一个交点，它的左右两侧都为0点。②扫描线上连续存在多个边界点，则在该行上边界呈现水平走向。对于这种情况，肯定存在至少一个像素，它的左右两边均为物体1点。很明显，对于每一行上的边界像素，如果它一边是0一边是1，才判定为边界点，然后再搜边界点之间的0像素。

经过外边界跟踪和内部非超像素点检测，可以将感兴趣的目标与月面背景分离，最后的结果本质上一幅二值化的表示，不失一般性，1表示目标，岩石或者撞击坑，0表示月面背景和天空背景。

至此为止，基于超像素描述的月面岩石检测完毕。

Claims (4)

1.一种基于超像素描述的月面岩石检测方法，其特征在于实现步骤如下：

(1)对月面拍摄的图像进行各向异性平滑，以平滑月壤区域的纹理但同时能够很好地保留月壤与岩石的边界；

(2)对平滑后的图像进行过分割，得到超像素；

(3)基于超像素，提取天空区域；

(4)在去除天空区域的超像素中，提取月面岩石区域；

所述步骤(3)基于超像素的天空区域提取的具体实现为：

(31)计算每一个超像素sp的区域均值μ_sky和均方差σ_sky，然后计算该超像素的平均行坐标v_sky；

(32)构造超像素的代价函数c(sp|μ_sky,σ_sky，v_sky)：

$c\left(sp\right|{\mathrm{\μ}}_{sky},{\mathrm{\σ}}_{sky},v_{sky})=e^{-{\mathrm{\μ}}_{sky}/{\mathrm{\λ}}_1}{e}^{-{\mathrm{\σ}}_{sky}/{\mathrm{\λ}}_2}{e}^{-v_{sky}/{\mathrm{\λ}}_3}---\left(13\right)$

式(13)中，λ₁、λ₂、λ₃为各个特征的尺度因子；一个理想的天空超像素，灰度最黑，所以具有最小的灰度均值μ_sky；超像素内像素灰度跨度范围较小，所以具有最小的均方差σ_sky；天空处在图像最上部，所以平均行坐标具有最小值v_sky；

(33)计算每个超像素的代价函数，并按照代价值进行排序，选择列表中第一个超像素作为天空区域。

2.根据权利要求1所述的基于超像素描述的月面岩石检测方法，其特征在于：所述步骤(1)对图像进行各向异性平滑的具体实现为：

(11)在尺度空间中，将月面图像的平滑表示为：

L(x,y,σ_n)＝G(x,y,σ_n)*L(x,y,σ_n-1)

$G(x,y,{\mathrm{\σ}}_n)=\frac{1}{2{\mathrm{\π\σ}}_n^2}{e}^{-\frac{x^2+y^2}{2{\mathrm{\σ}}_n^2}}---\left(1\right)$

L(x,y,σ₀)＝I(x,y)

其中，I(x,y)是原始图像，L(x,y,σ_n)为尺度为σ_n的图像，尺度σ_n控制了影响中心像素的邻域的尺寸，G(x,y,σ_n)为高斯卷积核；L(x,y,σ_n-1)为尺度为σ_n-1的图像；

(12)对高斯平滑方程求微分，得到：

$\frac{\∂L_{{\mathrm{\σ}}_n}}{\∂{\mathrm{\σ}}_n}=\frac{\∂G_{{\mathrm{\σ}}_n}}{\∂{\mathrm{\σ}}_n}*L_{{\mathrm{\σ}}_{n-1}}---\left(2\right)$

将L(x,y,σ_n)缩写为同样地，将G(x,y,σ_n)缩写为 为求偏导符号；

(13)对于平滑后的图像，采用二阶矩矩阵来度量区域的线性性：

$M(x,y,{\mathrm{\σ}}_D)=\left[\begin{array}{cc}{L}_x^2(x,y,{\mathrm{\σ}}_n,{\mathrm{\σ}}_D)& L_x{L}_y(x,y,{\mathrm{\σ}}_n,{\mathrm{\σ}}_D)\\ L_x{L}_y(x,y,{\mathrm{\σ}}_n,{\mathrm{\σ}}_D)& L_y^2(x,y,{\mathrm{\σ}}_n,{\mathrm{\σ}}_D)\end{array}\right]---\left(3\right)$

式(3)中，σ_D为积分尺度，L_x、L_y分别为平滑尺度σ_n上的水平和垂直方向的一阶差分；一个正定的矩阵M的奇异值分解表征了它的结构：

$M={\mathrm{UDV}}^T=U\left[\begin{array}{cc}{\mathrm{\λ}}_1& 0\\ 0& {\mathrm{\λ}}_2\end{array}\right]V^T---\left(4\right)$

式(4)中，λ₁≥λ₂≥0为两个特征值，U，V为特征向量组成的矩阵；

引入度量范式q₁量化地度量区域的线性性：

$q_1=1-{\left(\frac{{\mathrm{\λ}}_1-{\mathrm{\λ}}_2}{{\mathrm{\λ}}_1+{\mathrm{\λ}}_2}\right)}^2=\frac{4\det M}{{\left(traceM\right)}^2}---\left(5\right)$

其中，detM为矩阵M的行列式，traceM为矩阵M的秩；

(14)将待滤波位置的图像行坐标r作为深度的度量参数：

$q_2=e^{\frac{r-H}{\mathrm{\λ}}}---\left(6\right)$

得到新的各项异性平滑方程为：

$\begin{array}{c}{L}_{{\mathrm{\σ}}_n}=L_{{\mathrm{\σ}}_{n-1}}+({\mathrm{\σ}}_n-{\mathrm{\σ}}_{n-1})\frac{\∂L_{{\mathrm{\σ}}_{n-1}}}{\∂{\mathrm{\σ}}_{n-1}}\\ =L_{{\mathrm{\σ}}_{n-1}}+({\mathrm{\σ}}_n-{\mathrm{\σ}}_{n-1})q_1{q}_2\mathrm{\κ}|\▿L_{{\mathrm{\σ}}_{n-1}}|\end{array}---\left(7\right)$

其中，即为各项异性平滑后的图像，为图像求梯度后的模，其它符号如前所述。

3.根据权利要求1所述的基于超像素描述的月面岩石检测方法，其特征在于：所述步骤(2)图像超像素描述的具体实现为：

(21)将各项异性平滑后的图像的灰度和空间信息同时作为区域鉴别的特征向量；在某个像素特定邻域内，计算邻域内灰度的均值μ与标准差σ，然后将μ和σ与像素的空间坐标(u,v)统一为最终的特征向量：f＝[μσuv]；

(22)对于给定的4维空间中的特征向量集合F＝{f＝[μσuv]}，首先估计F的密度函数，将特征f与宽度为h的核进行卷积来平滑特征，

$p\left(f\right)=\underset{i}{\Σ}K(f-f_i)=\underset{i}{\Σ}k\left(\frac{\left|\right|f-f_i|{|}^2}{h^2}\right)---\left(8\right)$

式(8)中，k()为核函数，计算f_i处的密度函数的梯度，并沿着梯度方向进行上升搜索；p(f)的梯度为：

$\▿p\left(f\right)=\underset{i}{\Σ}(f-f_i)G(f-f_i)=\underset{i}{\Σ}(f-f_i)g\left(\frac{\left|\right|f-f_i|{|}^2}{h^2}\right)---\left(9\right)$

式(9)中，p(f)为式(8)所定义的概率密度函数；

g()＝-k′()，k′()为k()的一阶导数，则密度函数的梯度重新写为：

$\▿p\left(f\right)=\underset{i}{\Σ}G(f-f_i)m\left(f\right)---\left(10\right)$

其中向量为特征向量f的均值移动量，为f邻域内的权重平均与目前特征f的差；在均值移动的第k次迭代中，模式y_k的当前估计通过局部权重均值进行更新：

$y_{k+1}=y_k+m\left(y_k\right)=\frac{\underset{i}{\Σ}{f}_{i}G(f-f_i)}{\underset{i}{\Σ}G(f-f_i)}---\left(11\right)$

通过上述式(11)的均值移动的方法，即得到超像素。

4.根据权利要求1所述的基于超像素描述的月面岩石检测方法，其特征在于：所述步骤(4)基于超像素的岩石区域提取的具体方法为：

(41)对于一个包含岩石和背景的区域，背景的边界相当于外轮廓，岩石的边界则相当于内轮廓；所以，背景的检测问题，转化为每个超像素中孔洞的检测问题；如果某个区域内不含有孔洞，则属于目标岩石类的，否则，判定为背景类；孔洞的检测则转化为区域的边界跟踪，对于带有孔洞的区域，只有一条闭合的外边界，多条闭合的内边界；

对于一个超像素的二值模板，1表示属于超像素的点，0别是非超像素点；先跟踪每个超像素的外边界，然后搜索边界之内的非超像素点0，如果该超像素包含孔，判定其为背景，反之为目标岩石；

(42)外轮廓边界跟踪：给定一个区域R，边界跟踪就是将R的边界按顺序连续检测出来，存入边界像素序列Π＝[x₀,x₁,...,x_q]；利用8临域系统进行边界跟踪，临域的链码采用Freeman链码表示；

(43)非超像素点检测：对于已标记的外轮廓区域，非超像素点检测就是采用基于图像行扫描的方法搜索其中的标记为0的点，进一步达到检测岩石区域的目的；

用一条扫描线水平扫描一个封闭的凸的物体区域，通常与物体的边界有个两个交点，一个入点一个出点；当区域非凸时，则扫描线与物体边界的交点数位偶数2b个，b个入点，b个出点；两个相邻的边界点之间的像素都属于物体，物体内部的点也都全部包含在这些边界点之间，0点的检测就在每两个边界像素之间搜索；

(44)经过外边界跟踪和内部非超像素点检测，将感兴趣的目标与月面背景分离，最后的结果为一幅二值化的表示：1表示目标，岩石或者撞击坑；0表示背景。