[发明专利]一种基于多层MRF聚类的深空探测影像形貌分析方法

说明书

本发明提出了一种基于多层MRF聚类的深空探测影像形貌分析方法，其步骤如下：深空探测影像数据进行光谱直方图表示，确定初始聚类的类别数；根据初始聚类的类别数，采用像素级MRF模型对影像数据进行聚类获得初始聚类结果图；对初始聚类的每一种类别的像素分别进行光谱直方图表示，确定每一个初始聚类类别的细化类别数目，采用修正MRF模型对每一个初始类别内的像素点进行聚类获得细化聚类结果图；将初始聚类结果和细化聚类结果叠加形成多层聚类图，获得深空探测影像数据中的形貌分析结果。本发明以多层聚类结果来表示深空探测光学数据，可更好地凸显光照过亮或光照不足区域的影像细节信息，提高深空影像中行星或小行星形貌分析的精度。

技术领域

本发明涉及深空探测影像智能判读的技术领域，尤其涉及一种基于多层MRF聚类的深空探测影像形貌分析方法。

背景技术

从古时夜观天象，到当今的“嫦娥”飞天，人类一直没有停止过对深空的探测步伐。近年来，随着全球各国相继开展的深空探测任务，人类能够获得的深空探测数据呈指数级增长。然而，与深空数据获取能力形成鲜明对比的是深空数据的解译判读能力相对低下。特别是深空环境的复杂多样，进一步加剧了数据判读的难度，尤其是深空探测影像数据，在成像过程中往往存在光照过亮或光照不足的区域，极大限制了数据的解译精度与信息的充分提取。因此，深空探测影像数据的自动化智能分析与判读是当前研究的一个重要科学问题。

为了有效地分析和判读深空探测影像中行星或小行星的形貌特点，一些方法被国内外学者相继提出。但是，这些方法的研究往往关注某一种典型形貌，如撞击坑、砾石等。然后，通过分析典型形貌的影像特点，如形状、中间峰、光照变化等，在影像数据中识别出这一典型形貌。单一形貌特点的识别方法难以适用于整幅影像中行星或小行星的形貌识别。为了有效地识别整幅影像的形貌特点，不同的聚类方法被相继引入到深空探测影像的形貌分析，如早期的阈值法、OSTU方法、K均值、FCM(基于划分的聚类算法)等，但是，由于深空探测影像中光照不均、行星或小行星表面光谱变化不大等特点，导致这些聚类结果难以有效地判读行星或小行星的形貌。MRF模型是一种概率图模型，它在经典聚类方法的基础上，不仅考虑了影像的特征，而且考虑了影像相邻像素间的空间关系，能够更好地反映影像中的形貌特点。但是，单一层面的MRF模型聚类方法仍然难以充分地识别深空探测影像中的形貌信息，特别是光照过亮或光照不足的区域。由于这些区域内不同形貌单元间像素的光谱差异非常小，不仅人眼难以判读识别，MRF模型也往往会将其聚为一类。深空探测影像复杂的成像环境及日益增多的数据量，为人工判读带来了挑战。

为了提高光照过亮或光照不足区域的识别精度，需要对这些部分进行影像增强。但是，现有的影像增强技术，如直方图均衡化、对比度拉伸、对数变换等，对深空探测数据光照过亮或不足区域的增强效果非常有效，难以满足后续聚类和识别分析的需求。因此，亟须一种方法能有效地增强深空探测影像光照过亮或不足区域，并基于此进行影像的聚类识别和形貌的智能分析。

发明内容

针对现有深空探测影像形貌判读时，深空复杂成像环境导致影像形貌识别精度有限，尤其是光照过亮或光照不足区域形貌识别精度不高的技术问题，本发明提出一种基于多层MRF聚类的深空探测影像形貌分析方法，通过MRF模型对深空探测数据进行两层次的聚类分析，将深空探测影像的增强和聚类过程合二为一，从多层聚类图的视角增强和凸显了影像中的形貌规律，尤其是光照过亮或光照不足区域的影像形貌信息，以提高深空探测影像的形貌解译精度。

为了达到上述目的，本发明的技术方案是这样实现的：一种基于多层MRF聚类的深空探测影像形貌分析方法，其步骤如下：

步骤一：输入并读取一幅深空探测影像数据，进行光谱直方图的表示，并根据直方图分布确定初始聚类的类别数；根据初始聚类的类别数，采用条件迭代模式下的像素级MRF模型对影像数据进行聚类，获得初始聚类结果图；

步骤二：对初始聚类的每一种类别分别像素进行对应的光谱直方图表示，根据光谱直方图分布确定每一个初始聚类类别的细化类别数目，并采用修正MRF模型对每一个初始类别内的像素点进行第二层聚类，获得细化聚类结果图；