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
一种基于可见光图像的深空探测器自主着陆区选取方法 Download PDFInfo
- Publication number
- CN106326826B CN106326826B CN201510652643.9A CN201510652643A CN106326826B CN 106326826 B CN106326826 B CN 106326826B CN 201510652643 A CN201510652643 A CN 201510652643A CN 106326826 B CN106326826 B CN 106326826B
- Authority
- CN
- China
- Prior art keywords
- texture
- image
- landing
- landform
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
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
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IM×N,窗口尺寸为l×l时计算得到的地形描述矩阵为
Tl={tl 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={Tl}(l=1,2,...,num);若图像分辨率为κ,着陆器底座尺寸为Mb×Nb,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Mdh(p),图像纹理特性指标向量为FW(p)。
Fw(p)=[Energy,Con,Cor,Entropy,Homogeniety] (13)
FW(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=[cbi],(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Mdh(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;Ii,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Ii,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Fstd(p)、Finte(p)以及经过纹理特征融合得到的得到地形判别指标向量IM(p)
IM(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IM×N,窗口尺寸为l×l时计算得到的地形描述矩阵为
Tl={tl 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={Tl}(l=1,2,...,num);若图像分辨率为κ,着陆器底座尺寸为Mb×Nb,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Mdh(p),图像纹理特性指标向量为FW(p)。
Fw(p)=[Energy,Con,Cor,Entropy,Homogeniety] (13)
FW(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=[cbi],(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Mdh(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;Ii,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Ii,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Fstd(p)、Finte(p)以及经过纹理特征融合得到的得到地形判别指标向量IM(p)
IM(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IM×N,窗口尺寸为l×l时计算得到的地形描述矩阵为
Tl={tl 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={Tl}(l=1,2,...,num);若图像分辨率为κ,着陆器底座尺寸为Mb×Nb,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Mdh(p),图像纹理特性指标向量为FW(p);
Fw(p)=[Energy,Con,Cor,Entropy,Homogeniety] (13)
FW(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=[cbi],(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Mdh(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;Ii,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Ii,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Fstd(p)、Finte(p)以及经过纹理特征融合得到的得到地形判别指标向量IM(p)
IM(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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510652643.9A CN106326826B (zh) | 2015-10-10 | 2015-10-10 | 一种基于可见光图像的深空探测器自主着陆区选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510652643.9A CN106326826B (zh) | 2015-10-10 | 2015-10-10 | 一种基于可见光图像的深空探测器自主着陆区选取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106326826A CN106326826A (zh) | 2017-01-11 |
CN106326826B true CN106326826B (zh) | 2019-10-18 |
Family
ID=57726216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510652643.9A Active CN106326826B (zh) | 2015-10-10 | 2015-10-10 | 一种基于可见光图像的深空探测器自主着陆区选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106326826B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107144278B (zh) * | 2017-04-24 | 2020-02-14 | 北京理工大学 | 一种基于多源特征的着陆器视觉导航方法 |
CN108151806B (zh) * | 2017-12-27 | 2020-11-10 | 成都西科微波通讯有限公司 | 基于目标距离的异类多传感器数据融合方法 |
CN109387565A (zh) * | 2018-10-12 | 2019-02-26 | 山东理工大学 | 一种通过分析声音信号检测刹车片内部缺陷的方法 |
CN116863492B (zh) * | 2023-09-04 | 2023-11-21 | 山东正禾大教育科技有限公司 | 一种移动数字出版系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101814144A (zh) * | 2010-03-25 | 2010-08-25 | 西安电子科技大学 | 遥感图像中无水桥梁目标识别方法 |
CN103208001A (zh) * | 2013-02-06 | 2013-07-17 | 华南师范大学 | 结合形状自适应邻域和纹理特征提取的遥感图像处理方法 |
WO2014099529A1 (en) * | 2012-12-19 | 2014-06-26 | Qualcomm Incorporated | Removing an object from an image |
CN104143101A (zh) * | 2014-07-01 | 2014-11-12 | 华南理工大学 | 一种基于超声图像的乳腺肿瘤区域自动识别方法 |
-
2015
- 2015-10-10 CN CN201510652643.9A patent/CN106326826B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101814144A (zh) * | 2010-03-25 | 2010-08-25 | 西安电子科技大学 | 遥感图像中无水桥梁目标识别方法 |
WO2014099529A1 (en) * | 2012-12-19 | 2014-06-26 | Qualcomm Incorporated | Removing an object from an image |
CN103208001A (zh) * | 2013-02-06 | 2013-07-17 | 华南师范大学 | 结合形状自适应邻域和纹理特征提取的遥感图像处理方法 |
CN104143101A (zh) * | 2014-07-01 | 2014-11-12 | 华南理工大学 | 一种基于超声图像的乳腺肿瘤区域自动识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106326826A (zh) | 2017-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Super-resolution mapping based on spatial–spectral correlation for spectral imagery | |
CN110378196B (zh) | 一种结合激光点云数据的道路视觉检测方法 | |
CN106326826B (zh) | 一种基于可见光图像的深空探测器自主着陆区选取方法 | |
CN113359810B (zh) | 一种基于多传感器的无人机着陆区域识别方法 | |
CN110276269B (zh) | 一种基于注意力机制的遥感图像目标检测方法 | |
CN107067415B (zh) | 一种基于图像匹配的目标定位方法 | |
Ai et al. | Convolutional neural network to retrieve water depth in marine shallow water area from remote sensing images | |
CN107330376A (zh) | 一种车道线识别方法及系统 | |
WO2017168472A1 (ja) | 位置推定装置、位置推定方法及び制御プログラム | |
Chen et al. | Edge-guided multiscale segmentation of satellite multispectral imagery | |
Ling et al. | Superresolution land cover mapping using spatial regularization | |
Bürgmann et al. | Matching of TerraSAR-X derived ground control points to optical image patches using deep learning | |
CN106023257A (zh) | 一种基于旋翼无人机平台的目标跟踪方法 | |
CN108876799A (zh) | 一种基于双目相机的实时台阶检测方法 | |
Li et al. | Superresolution mapping of remotely sensed image based on Hopfield neural network with anisotropic spatial dependence model | |
CN106815323A (zh) | 一种基于显著性检测的跨域视觉检索方法 | |
CN108428220A (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN109708643B (zh) | 小行星表面光学导航路标评价选取方法 | |
CN105957107A (zh) | 行人检测与跟踪方法及装置 | |
CN108629297A (zh) | 一种基于空域自然场景统计的遥感图像云检测方法 | |
CN110647909A (zh) | 一种基于三维密集卷积神经网络的遥感图像分类方法 | |
CN110197185A (zh) | 一种基于尺度不变特征变换算法监测桥下空间的方法和系统 | |
CN114563378A (zh) | 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 | |
CN113408340A (zh) | 基于增强型特征金字塔的双极化sar小型船只检测方法 | |
CN111191704B (zh) | 一种基于任务图卷积网络的地基云分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |