[发明专利]一种基于深度学习的月球撞击坑识别方法

说明书

一种基于深度学习的月球撞击坑识别方法，用于解决天体撞击坑难以识别的情况。所述方法步骤如下：（1）由已有的撞击坑位置信息和月球DEM图像生成训练样本；（2）根据生成的图像构建适用的卷积神经网络，即Simple‑ResUnet网络模型；（3）利用生成的月球图像和撞击坑标注图像进行训练；（4）使用训练好的模型进行撞击坑边缘分割；（5）最后对撞击坑边缘进行提取，记录新发现的撞击坑。本方法与其它分类方法相比，该方法分类速度快，撞击坑识别概率高，撞击发现率高，适用于各种天体撞击坑的识别。

技术领域

本发明涉及一种基于深度学习的月球撞击坑识别方法，属图像识别技术领域。

背景技术

月球是距离地球最近的天体，也是地球质量最大的卫星。月球表面存在大量的撞击坑，撞击坑是由陨石撞击天体形成的凹坑，与月海、高地等组成了典型月貌特征。嫦娥工程已经完成了月面的勘测任务，带回来大量的月表图片，并且绘制了全月的三维立体地图，有助于今后对月球的进一步研究。通过对撞击坑的研究，不仅能获知天体表面的相对地质年龄和地表特性，还能通过绘制天体表面图为今后太空探索中航天器导航的定位和障碍物躲避等提供数据分析。所以，撞击坑的提取和识别在太空探索领域中有着重要的意义。

目前最主要的撞击坑识别方法为人工识别，人工识别方法的优点是可以准确识别各种大型的撞击坑。人工识别的方法不仅费时费力，而且“可视性”的局限会导致识别结果的不完整，对于小型的撞击坑识别效果并不是很理想。目前关于如何快速准确的识别出月球的撞击坑依然是国内外月球探索领域的难题与焦点。

为了提高天体撞击坑的识别效率，国内外许多研究人员尝试使用计算机来识别撞击坑，并且设计了各种各样的撞击坑自动识别算法。这些算法多半基于机器学习的方法。撞击坑识别被分为两类，一类为无监督学习，一类为有监督学习。无监督学习方法中，研究人员主要利用撞击坑多为圆形或椭圆形的几何特征，使用基于地形分析和数学形态学方法或者基于图像区域局部灰度等方法来匹配出图像中的撞击坑。有监督学习方法中，研究人员通常把已经标注好的撞击坑分为三种，训练样本、验证样本、测试样本，再使用神经网络、支持向量机、集成学习、迁移学习或连续可伸缩模版匹配算法等方法，在反复学习的过程中提升识别的正确率，然后在测试样本集中展示监督学习方法的识别效果。非监督学习的方法在特定的图像中识别的效果较好，但是光照和拍摄角度对识别效果的影响很大，这些原因导致这些方法很难投入正式的应用中。在监督学习中，通过输入对象(月表图像)获得一个期望的输出值(撞击坑边缘标注图像)，再通过输出值与真实的输出值(撞击坑真实标注图像)进行比较，不断调整分类器参数，将识别误差调整到最小。目前监督学习中通常使用人工标注的撞击坑图像做真实输出。人工标注在较小的撞击坑标注上并不完整，会对实际应用造成一些影响。

近年来，深度学习在计算机视觉领域取得了重大的成功。与传统机器学习方法不同，深度学习会自动找出解决问题所需要的重要特征，而传统的机器学习方法可能需要手工定义一些特征。随着数据量的增加，深度学习的表现比传统机器学习更好。基于卷积神经网络的算法在解决目标检测、分割和分类等问题中表现的十分优秀。卷积神经网络是一种多层神经网络，通过卷积、池化等操作，降低数据维度，逐步提取数据特征。最后，通过训练好的卷积神经网络权值来完成分类任务。在人脸识别任务中，深度学习的识别准确率已经超过了人眼。同时，深度学习也在自动驾驶、卫星图像识别等任务中取得了成功。除了在计算机视觉领域，深度学习在语音识别和自然语言处理等领域中也取得了很大的成功。

发明内容

本发明的目的是，针对月球撞击坑识别困难、效率低下的情况，本发明利用深度学习在图像识别上的优势，提出一种基于深度学习的月球撞击坑识别方法。

本发明实现的技术方案如下，一种基于深度学习的月球撞击坑识别方法，采用卷积神经网络来识别月球数字高程图(DEM)的撞击坑。所述方法根据已有的撞击坑位置信息和月球图像生成训练样本和测试样本；构建卷积神经网络，设置神经网络参数；使用生成的月球图像作为网络输入、撞击坑标注图像作为网络输出进行训练；使用训练好的神经网络模型进行撞击坑边缘识别；最后对撞击坑边缘进行提取，记录新发现的撞击坑。