CN106326826B - 一种基于可见光图像的深空探测器自主着陆区选取方法 - Google Patents

Abstract

本发明公开一种基于可见光图像的深空探测器自主着陆区选取方法。重点解决在深空探测器着陆过程中利用可见光敏感器成像获得着陆区域地形数据，并判断着陆区域是否适合着陆的问题。首先根据成像分辨率、着陆器底座尺寸、相机FOV信息，通过优化自定义的全局可分和局部均匀度量，自适应地确定特征检测窗口尺寸；进而在自适应特征检测窗口尺寸下提取图像的统计、纹理和梯度特征，最后对图像纹理特性进行特征级融合，对图像统计特征、梯度特性及纹理特征信息进行决策级融合，实现对目标天体地形起伏的自适应判别，确定深空探测器自主着陆过程中的最佳自主着陆区。

Description

一种基于可见光图像的深空探测器自主着陆区选取方法

技术领域

本发明涉及一种深空探测中的自主着陆区域选取方法，特别是一种基于可见光图像的深空探测器自主着陆区选取方法。

背景技术

深空探测的重要目的是寻求开发和利用空间资源的途径，以解决人类日益面临的资源和环境的挑战。深空探测中的着陆技术是进行星体表面环境、土壤化学分析以及有关物理研究等必须解决的技术，同时也是将来进行取样返回和载人探测、建立基地、索取资源或移居，实现人类深空探测最终目的的基础。而地形对探测器着陆性能有重要影响，因此着陆器应具有对地形进行实时探测和分析的能力。当前主要获取着陆点区域地形数据的手段包括微波雷达、激光雷达等有源敏感器与光学相机、红外相机等可见光敏感器。有源敏感器利用获取的数据拟合地形信息，但微波敏感器设备质量大、功耗高，探测范围受限不能满足深空任务有效载荷小和高精度探测的要求；激光雷达质量小，质量轻、分辨率高，但是作用距离有限。

发明内容

本发明目的在于提供一种基于无源可见光图像的深空探测器自主着陆区选取方法，解决深空自主着陆中使用有源探测手段无法同时满足探测器环境适应性及探测精度要求的问题。

一种基于可见光图像的深空探测器自主着陆区选取方法具体步骤为：

第一步构建基于可见光图像的深空探测器自主着陆区选取系统

基于可见光图像的深空探测器自主着陆区选取系统，包括：自适应窗口大小确定模块、各纹理特征计算并融合模块和决策级融合并选取最佳着陆点模块。

自适应窗口大小确定模块通过对地形描述矩阵进行分析，确定自适应窗口，以适应深空未知环境下天体表面地形判别。

各纹理特征计算并融合模块利用图像四个方向上灰度共生矩阵的均值作为图像整体的纹理描述，基于此构造角二阶矩、对比度、相关性、熵和同质性五个地形判别准则从不同角度描述纹理信息。

决策级融合并选取最佳着陆点模块对于各个区域分别计算图像统计特性、梯度特性得到决策指标以及各纹理特征计算并融合模块得到的特征融合得到地形判别指标向量。

第二步自适应窗口大小确定模块确定自适应窗口

自适应窗口大小确定模块根据图像分辨率、着陆器尺寸，通过优化全局可分度量和局部均匀度量，确定自适应窗口大小。

假设图像为I_M×N，窗口尺寸为l×l时计算得到的地形描述矩阵为

T_l＝{t^l _i,j}(0≤i≤M,0≤j≤N) (1)

这样，l取不同值，可得到一系列地形描述矩阵T＝{T_l}(l＝1,2,...,num)；若图像分辨率为κ，着陆器底座尺寸为M_b×N_b，则着陆器着陆窗口w的尺寸大小为

分析满足安全着陆的地形数据，首先要使得在着陆窗口w中地形具有均匀性，以保证着陆器不会因地形起伏过大或局部障碍而无法着陆；其次着陆窗口之间地形具有可区分性，以保证地形矩阵可以作为着陆后有效开展科学研究的依据。

定义整体可分度量whole(l)

局部均匀度量local(l,d)

其中，l为计算地形描述矩阵采用的窗口尺寸；为最小着陆窗口内地形矩阵均值。这样，利用整体可分度量whole(l)衡量整体可分性，值越大，可分性越强；利用局部均匀度量local(l,d)衡量局部着陆窗口内的均匀性，值越小，越均匀。定义L(l,d)为地形起伏判据：

L(l,d)＝w₁Local(l,d)-w₂Whole(l) (5)

当L(l,d)取最大值时，能够保证最好的全局可分和局部均匀。而相应的自适应窗口大小为：

w₁,w₂分别为两种度量的贡献权重。

第三步各纹理特征计算并融合模块提取纹理信息

各纹理特征计算并融合模块利用图像四个方向上灰度共生矩阵的均值作为图像整体的纹理描述，基于此构造角二阶矩、对比度、相关性、熵和同质性5个地形判别准则从不同角度描述纹理信息。灰度共生矩阵描述了图像中灰度值的空间依赖性，从而刻画了邻域中灰度值的空间分布情况，反映了纹理模式内灰度的空间内在联系，从而有效地描述了纹理。

根据四个方向的纹理信息，构造灰度共生矩阵

基于灰度共生矩阵构建特征指标对图像纹理特性进行描述，进而进行地形起伏判别，ld为位移矢量。

角二阶矩：

角二阶矩是图像灰度分布均匀性的度量，由于是灰度共生矩阵元素值平方和，所以也称为能量。当灰度共生矩阵的元素分布较集中于对角线时，说明从局部区域观察图像的灰度分布是较均匀的。从图像整体来观察，纹理较粗能量较大，粗纹理含有的能量较多；反之，细纹理能量较小；当都相等的时候，能量有最大值。能量越大，灰度分布越均匀，越利于着陆。

对比度：

纹理的对比度表示图像的清晰程度，纹理的沟纹越深则对比度值越大，越不利于着陆。

相关性：

其中 相关性衡量纹理在行和列方向的相似程度，值越大，区域内相关度越大，纹理越具有相似性，越利于着陆。

熵：

熵是图像信息量的度量，纹理图像中含有的信息量越大则熵值越大，越不利于着陆。

同质性：

同质性是纹理相似性的描述，同质性越大，地形起伏越小，越利于着陆。

灰度共生矩阵能够很好描述小块区域基元组成的纹理。另外，位移矢量ld的选择对灰度共生矩阵能否有效刻画纹理非常重要，细致纹理的分析需要较小的ld值，而较大的ld值更适合于粗糙的纹理描述；要满足着陆器自主着陆要求，在选择ld时依赖于着陆器底座尺寸和图像分辨率信息。

利用图像四个方向上灰度共生矩阵的均值作为图像整体的纹理描述，基于此构造角二阶矩、对比度、相关性、熵和同质性5个地形判别准则从不同角度描述纹理信息。

对于以p为区域中心，区域大小为dh×dh的区域M_dh(p)，图像纹理特性指标向量为F_W(p)。

F_w(p)＝[Energy,Con,Cor,Entropy,Homogeniety] (13)

F_W(p)中的对比度和熵与着陆安全性能呈正相关；角二阶矩、同质性和相关性，其值与着陆安全性能呈负相关。各指标分别从纹理的粗细、清晰度、相似性和信息量的特定方面对图像纹理信息进行描述，对纹理信息的描述具有不完备和不确定性。

要得到稳定有效的纹理判别，就哟要对各指标进行特征级融合。考虑到在着陆过程中各个纹理指标对地形判别的性能不同，设定向量Cb＝[cb_i],(i＝0,1,…,4)对每个指标进行约束。融合后纹理判别为

第四步决策级融合并选取最佳着陆点模块决策级融合并选取最佳着陆点

决策级融合并选取最佳着陆点模块对于各个区域M_dh(p)分别计算图像统计特性、梯度特性，最后通过图像统计特性、梯度特性得到的决策指标以及各纹理特征计算并融合模块得到的特征融合得到地形判别指标向量。

在统计特征中，天体目标地面物质一致，因而反光属性相同。在大多情况下，地形起伏越大，灰度变化越剧烈。对于相机灰度图像，用局部标准差来描述局部地形区域内障碍分布的密集度。

式中：w为着陆窗口，大小为mh×nl，；为着陆窗口中灰度均值；I_i,j是相对应图像中(i,j)位置的像素灰度值；σ为着陆窗口的灰度标准差。σ越大，所描述的地形起伏越大，越不利于着陆。为了快速获取安全着陆候选区域，直接利用σ值加以确定。

描述图像灰度分布的特征还有梯度特征。图像中每一个像素点处x和y方向上的梯度为

其中I_i,j为图像上(i,j)处灰度值；定义在(i,j)处的梯度梯度信息衡量图像灰度变化大小。地形起伏越大，梯度值越大，越不利于着陆。

得到决策指标为F_std(p)、F_inte(p)以及经过纹理特征融合得到的得到地形判别指标向量I_M(p)

I_M(p)中各个指标分别从图像统计信息、梯度信息和纹理信息对着陆区地形进行有效描述。但同时有各自的局限性：统计特性对图像局部噪声敏感，纹理信息在光照不均匀或存在遮挡的情况下会失真；而梯度特征值描述只能描述局部灰度变化。在着陆过程中从保证着陆器安全性能出发，对各个决策指标进行融合，最终给出统一稳定有效的联合决策。定义p^*

取p^*为最佳着陆点。

至此，完成一种基于可见光图像的深空探测器自主着陆区选取。

Benfangfa使用无源探测器，在深空自主着陆中能同时满足探测器环境适应性及探测精度要求。

具体实施方式

一种基于可见光图像的深空探测器自主着陆区选取的具体步骤为：

第一步构建基于可见光图像的深空探测器自主着陆区选取系统

基于可见光图像的深空探测器自主着陆区选取系统包括自适应窗口大小确定模块、各纹理特征计算并融合模块和决策级融合并选取最佳着陆点模块。

自适应窗口大小确定模块通过对地形描述矩阵进行分析，确定自适应窗口，以适应深空未知环境下天体表面地形判别。

各纹理特征计算并融合模块利用图像四个方向上灰度共生矩阵的均值作为图像整体的纹理描述，基于此构造角二阶矩、对比度、相关性、熵和同质性五个地形判别准则从不同角度描述纹理信息。

决策级融合并选取最佳着陆点模块对于各个区域分别计算图像统计特性、梯度特性得到决策指标以及各纹理特征计算并融合模块得到的特征融合得到地形判别指标向量。

第二步自适应窗口大小确定模块确定自适应窗口

自适应窗口大小确定模块主要根据图像分辨率、着陆器尺寸，通过优化全局可分度量和局部均匀度量，确定自适应窗口大小。

假设图像为I_M×N，窗口尺寸为l×l时计算得到的地形描述矩阵为

T_l＝{t^l _i,j}(0≤i≤M,0≤j≤N) (1)

这样，l取不同值，可得到一系列地形描述矩阵T＝{T_l}(l＝1,2,...,num)；若图像分辨率为κ，着陆器底座尺寸为M_b×N_b，则着陆器着陆窗口尺寸大小为

分析满足安全着陆的地形数据，首先要使得在着陆窗口w中地形具有均匀性，以保证着陆器不会因地形起伏过大或局部障碍而无法着陆；其次着陆窗口之间地形具有可区分性，以保证地形矩阵可以作为着陆后有效开展科学研究的依据。

定义整体可分度量whole(l)

局部均匀度量local(l,d)

其中，l为计算地形描述矩阵采用的窗口尺寸；为最小着陆窗口为窗口内地形矩阵均值。这样，利用整体可分度量whole(l)衡量整体可分性，值越大，可分性越强；利用局部均匀度量local(l,d)衡量局部着陆窗口内的均匀性，值越小，越均匀。定义L(l,d)为地形起伏判据：

L(l,d)＝w₁Local(l,d)-w₂Whole(l) (5)

不难看出，当L(l,d)取最大值时，能够保证最好的全局可分和局部均匀。而相应的自适应窗口大小为：

w₁,w₂分别为两种度量的贡献权重。

第三步各纹理特征计算并融合模块提取纹理信息

各纹理特征计算并融合模块利用图像四个方向上灰度共生矩阵的均值作为图像整体的纹理描述，基于此构造角二阶矩、对比度、相关性、熵和同质性5个地形判别准则从不同角度描述纹理信息。灰度共生矩阵描述了图像中灰度值的空间依赖性，从一定程度上刻画了邻域中灰度值的空间分布情况，反映了纹理模式内灰度的空间内在联系，从而有效地描述了纹理。

本专利根据四个方向的纹理信息，构造灰度共生矩阵

本专利基于灰度共生矩阵构建特征指标对图像纹理特性进行描述，进而进行地形起伏判别，ld为位移矢量。

角二阶矩：

角二阶矩是图像灰度分布均匀性的度量，由于是灰度共生矩阵元素值平方和，所以也称为能量。当灰度共生矩阵的元素分布较集中于对角线时，说明从局部区域观察图像的灰度分布是较均匀的。从图像整体来观察，纹理较粗能量较大，粗纹理含有的能量较多；反之，细纹理能量较小；当都相等的时候，能量有最大值。能量越大，灰度分布越均匀，越利于着陆。

对比度：

纹理的对比度表示图像的清晰程度，纹理的沟纹越深则对比度值越大，越不利于着陆。

相关性：

其中 相关性衡量纹理在行和列方向的相似程度，值越大，区域内相关度越大，纹理越具有相似性，越利于着陆。

熵：

熵是图像信息量的度量，纹理图像中含有的信息量越大则熵值越大，越不利于着陆。

同质性：

同质性是纹理相似性的描述，同质性越大，地形起伏越小，越利于着陆。

灰度共生矩阵能够很好描述小块区域基元组成的纹理。另外，位移矢量ld的选择对灰度共生矩阵能否有效刻画纹理非常重要，细致纹理的分析需要较小的ld值，而较大的ld值更适合于粗糙的纹理描述。要满足着陆器自主着陆要求，在选择ld时要依赖于着陆器底座尺寸和图像分辨率等信息。

利用图像四个方向上灰度共生矩阵的均值作为图像整体的纹理描述，基于此构造角二阶矩、对比度、相关性、熵和同质性5个地形判别准则从不同角度描述纹理信息。

对于以p为区域中心，区域大小为dh×dh的区域M_dh(p)，图像纹理特性指标向量为F_W(p)。

F_w(p)＝[Energy,Con,Cor,Entropy,Homogeniety] (13)

F_W(p)中的对比度和熵与着陆安全性能呈正相关；角二阶矩、同质性和相关性，其值与着陆安全性能呈负相关。各指标分别从纹理的粗细、清晰度、相似性和信息量等特定方面对图像纹理信息进行描述，对纹理信息的描述具有不完备和不确定性。因此要得到稳定有效的纹理判别，本专利对各指标进行特征级融合。考虑到在着陆过程中各个纹理指标对地形判别的性能不同，设定向量Cb＝[cb_i],(i＝0,1,…,4)对每个指标进行约束。融合后纹理判别为

第四步决策级融合并选取最佳着陆点模块决策级融合并选取最佳着陆点

决策级融合并选取最佳着陆点模块对于各个区域M_dh(p)分别计算图像统计特性、梯度特性，最后通过图像统计特性、梯度特性得到的决策指标以及各纹理特征计算并融合模块得到的特征融合得到地形判别指标向量。

在统计特征中，天体目标地面物质一致，因而反光属性相同。在大多情况下，地形起伏越大，灰度变化越剧烈。对于相机灰度图像，可用局部标准差来描述局部地形区域内障碍分布的密集度。

式中：w为着陆窗口，大小为mh×nl，；为着陆窗口中灰度均值；I_i,j是相对应图像中(i,j)位置的像素灰度值；σ为着陆窗口的灰度标准差。一般而言，σ越大，所描述的地形起伏越大，越不利于着陆。为了快速获取安全着陆候选区域，可以直接利用σ值加以确定。

梯度特征描述图像灰度分布的特征还有梯度特征。图像中每一个像素点处x和y方向上的梯度为

其中I_i,j为图像上(i,j)处灰度值；定义在(i,j)处的梯度梯度信息衡量图像灰度变化大小。一般而言，地形起伏越大，梯度值越大，越不利于着陆。

得到决策指标为F_std(p)、F_inte(p)以及经过纹理特征融合得到的得到地形判别指标向量I_M(p)

I_M(p)中各个指标分别从图像统计信息、梯度信息和纹理信息对着陆区地形进行有效描述。但同时有各自的局限性：统计特性对图像局部噪声敏感，纹理信息在光照不均匀或存在遮挡的情况下会失真；而梯度特征值描述只能描述局部灰度变化。在着陆过程中从保证着陆器安全性能出发，对各个决策指标进行融合，最终给出统一稳定有效的联合决策。定义p^*

取p^*为最佳着陆点。

至此，完成一种基于可见光图像的深空探测器自主着陆区选取，其使用无源探测器，在深空自主着陆中能同时满足探测器环境适应性及探测精度要求。

Claims (1)

1.一种基于可见光图像的深空探测器自主着陆区选取方法，其特征在于具体步骤为：

第一步 构建基于可见光图像的深空探测器自主着陆区选取系统

基于可见光图像的深空探测器自主着陆区选取系统，包括：自适应窗口大小确定模块、各纹理特征计算并融合模块和决策级融合并选取最佳着陆点模块；

自适应窗口大小确定模块通过对地形描述矩阵进行分析，确定自适应窗口，以适应深空未知环境下天体表面地形判别；

各纹理特征计算并融合模块利用图像四个方向上灰度共生矩阵的均值作为图像整体的纹理描述，基于此构造角二阶矩、对比度、相关性、熵和同质性五个地形判别准则从不同角度描述纹理信息；

决策级融合并选取最佳着陆点模块对于各个区域分别计算图像统计特性、梯度特性得到决策指标以及各纹理特征计算并融合模块得到的特征融合得到地形判别指标向量；

第二步 自适应窗口大小确定模块确定自适应窗口

自适应窗口大小确定模块根据图像分辨率、着陆器尺寸，通过优化全局可分度量和局部均匀度量，确定自适应窗口大小；

假设图像为I_M×N，窗口尺寸为l×l时计算得到的地形描述矩阵为

T_l＝{t^l _i,j}(0≤i≤M,0≤j≤N) (1)

这样，l取不同值，可得到一系列地形描述矩阵T＝{T_l}(l＝1,2,...,num)；若图像分辨率为κ，着陆器底座尺寸为M_b×N_b，则着陆器着陆窗口w的尺寸大小为

分析满足安全着陆的地形数据，首先要使得在着陆窗口w中地形具有均匀性，以保证着陆器不会因地形起伏过大或局部障碍而无法着陆；其次着陆窗口之间地形具有可区分性，以保证地形矩阵可以作为着陆后有效开展科学研究的依据；

定义整体可分度量whole(l)

局部均匀度量local(l,d)

其中，l为计算地形描述矩阵采用的窗口尺寸；为最小着陆窗口内地形矩阵均值；这样，利用整体可分度量whole(l)衡量整体可分性，值越大，可分性越强；利用局部均匀度量local(l,d)衡量局部着陆窗口内的均匀性，值越小，越均匀；定义L(l,d)为地形起伏判据：

L(l,d)＝w₁Local(l,d)-w₂Whole(l) (5)

当L(l,d)取最大值时，能够保证最好的全局可分和局部均匀；而相应的自适应窗口大小为：

w₁,w₂分别为两种度量的贡献权重；

第三步 各纹理特征计算并融合模块提取纹理信息

各纹理特征计算并融合模块利用图像四个方向上灰度共生矩阵的均值作为图像整体的纹理描述，基于此构造角二阶矩、对比度、相关性、熵和同质性5个地形判别准则从不同角度描述纹理信息；灰度共生矩阵描述了图像中灰度值的空间依赖性，从而刻画了邻域中灰度值的空间分布情况，反映了纹理模式内灰度的空间内在联系，从而有效地描述了纹理；

根据四个方向的纹理信息，构造灰度共生矩阵

基于灰度共生矩阵构建特征指标对图像纹理特性进行描述，进而进行地形起伏判别，ld为位移矢量；

角二阶矩：

角二阶矩是图像灰度分布均匀性的度量，由于是灰度共生矩阵元素值平方和，所以也称为能量；当灰度共生矩阵的元素分布较集中于对角线时，说明从局部区域观察图像的灰度分布是较均匀的；从图像整体来观察，纹理较粗能量较大，粗纹理含有的能量较多；反之，细纹理能量较小；当都相等的时候，能量有最大值；能量越大，灰度分布越均匀，越利于着陆；

对比度：

纹理的对比度表示图像的清晰程度，纹理的沟纹越深则对比度值越大，越不利于着陆；

相关性：

其中 相关性衡量纹理在行和列方向的相似程度，值越大，区域内相关度越大，纹理越具有相似性，越利于着陆；

熵：

熵是图像信息量的度量，纹理图像中含有的信息量越大则熵值越大，越不利于着陆；

同质性：

同质性是纹理相似性的描述，同质性越大，地形起伏越小，越利于着陆；

灰度共生矩阵能够很好描述小块区域基元组成的纹理；另外，位移矢量ld的选择对灰度共生矩阵能否有效刻画纹理非常重要，细致纹理的分析需要较小的ld值，而较大的ld值更适合于粗糙的纹理描述；要满足着陆器自主着陆要求，在选择ld时依赖于着陆器底座尺寸和图像分辨率信息；

利用图像四个方向上灰度共生矩阵的均值作为图像整体的纹理描述，基于此构造角二阶矩、对比度、相关性、熵和同质性5个地形判别准则从不同角度描述纹理信息；

对于以p为区域中心，区域大小为dh×dh的区域M_dh(p)，图像纹理特性指标向量为F_W(p)；

F_w(p)＝[Energy,Con,Cor,Entropy,Homogeniety] (13)

F_W(p)中的对比度和熵与着陆安全性能呈正相关；角二阶矩、同质性和相关性，其值与着陆安全性能呈负相关；各指标分别从纹理的粗细、清晰度、相似性和信息量的特定方面对图像纹理信息进行描述，对纹理信息的描述具有不完备和不确定性；

要得到稳定有效的纹理判别，就要对各指标进行特征级融合；考虑到在着陆过程中各个纹理指标对地形判别的性能不同，设定向量Cb＝[cb_i],(i＝0,1,…,4)对每个指标进行约束；融合后纹理判别为

第四步 决策级融合并选取最佳着陆点模块决策级融合并选取最佳着陆点

决策级融合并选取最佳着陆点模块对于各个区域M_dh(p)分别计算图像统计特性、梯度特性，最后通过图像统计特性、梯度特性得到的决策指标以及各纹理特征计算并融合模块得到的特征融合得到地形判别指标向量；

在统计特征中，天体目标地面物质一致，因而反光属性相同；在大多情况下，地形起伏越大，灰度变化越剧烈；对于相机灰度图像，用局部标准差来描述局部地形区域内障碍分布的密集度；

式中：w为着陆窗口，大小为mh×nl；为着陆窗口中灰度均值；I_i,j是相对应图像中(i,j)位置的像素灰度值；σ为着陆窗口的灰度标准差；σ越大，所描述的地形起伏越大，越不利于着陆；为了快速获取安全着陆候选区域，直接利用σ值加以确定；

描述图像灰度分布的特征还有梯度特征；图像中每一个像素点处x和y方向上的梯度为

其中I_i,j为图像上(i,j)处灰度值；定义在(i,j)处的梯度梯度信息衡量图像灰度变化大小；地形起伏越大，梯度值越大，越不利于着陆；

得到决策指标为F_std(p)、F_inte(p)以及经过纹理特征融合得到的得到地形判别指标向量I_M(p)

I_M(p)中各个指标分别从图像统计信息、梯度信息和纹理信息对着陆区地形进行有效描述；但同时有各自的局限性：统计特性对图像局部噪声敏感，纹理信息在光照不均匀或存在遮挡的情况下会失真；而梯度特征值描述只能描述局部灰度变化；在着陆过程中从保证着陆器安全性能出发，对各个决策指标进行融合，最终给出统一稳定有效的联合决策；定义p^*

取p^*为最佳着陆点；

至此，完成一种基于可见光图像的深空探测器自主着陆区选取。