[发明专利]月球探测器鲁棒环形山检测方法及飞行器导航方法

说明书

月球探测器鲁棒环形山检测方法及飞行器导航方法，解决了现有月球探测器下降着陆过程中常规环形山检测方法受光照影响、鲁棒性差的问题，属于月球探测技术领域。本发明首先采用对图像进行滤波，保留图像边缘细节又去除噪声影响；随后计算处理后的图像的熵分布，进行极大熵阈值分割、将图像信息三值化，去除图像对光源的敏感性，同时最大程度保留图像信息；本发明还采用归一化多指标约束环形山匹配和拟合方法完成环形山提取，在不同光照条件下均能提取出月面环形山连续、完整、清晰的边缘。本发明基于鲁棒环形山提取的飞行器导航方法实时性更好。

技术领域

本发明涉及一种月球探测器鲁棒环形山检测方法及飞行器导航方法，属于月球探测技术领域。

背景技术

在过去的几十年中，针对月球(阿波罗，嫦娥)、火星(天问-1，好奇号、机遇号)、小行星(隼鸟号)等天体，世界各国已经开展了一系列成功的探测任务。通常来说，具有更高科学研究价值的地区其地形也往往越复杂，着陆探测的难度也越大。因此，作为探测任务的基础之一，环形山检测算法(Crater detection algorithm,CDA)对导航系统和障碍规避系统十分重要。“嫦娥”4号探测器是第一个降落在月球背面的探测器。与以往的月球着陆探测器相比，其着陆地区缺乏高精度的地形数据，着陆风险更大。

对未来的月球探测或行星探测任务而言，往往无法事先制备目标天体的高精度数字高程图(Digital e map,DEM)，因此需要开发鲁棒性强、实时性优的环形山检测方法，以满足高精度和高可靠性的探测需求，为光学导航、障碍感知与规避系统提供支撑。

现有的环形山检测算法有很多，一些算法注重环形山有效检测的检测率，另有一些理论更注重算法的速度和实时性。依处理信息不同可将算法分为基于DEM的环形山检测和基于光学信息的环形山检测。近些年来，部分研究者将机器学习和卷积神经网络等人工智能方法应用到DEM分析中以进行环形山检测；采用转移学习的方法也获得了具有一定泛化性的环形山检测结果；采用多层神经网络构建出了可达人类水平的环形山检测方法，美中不足的是该方法需要同时对探测到的DEM数据和红外成像数据进行分析；还有提出一种基于CNN的环形山检测方法，这种方法需要在任务前确定目标地区的检测概率。一些传统理论也被用于环形山检测中，如霍夫变换、小波分析、Canny边缘检测、级联决策森林、形态学分析、光照方向和图像纹理分析等。还有提出基于图像分割和小波变换的标记点过程环形山提取方法；还有采用纹理分析和形态学分析的方法对亚公里级环形山检测，得到了很高的检测率；还有采用霍夫变换和Canny边缘检测的方法对高精度月面图像进行处理，计算量较大；还有直接环形山的曲线特征进行匹配以实现行星着陆导航，取得了很高的导航精度。

不同的环形山检测方法有不同的弊端。基于学习的方法需要合适的数据集训练；基于霍夫变换、形态学分析的方法对光照很敏感，适应性较差。然而，可以看出基于图像信息的环形山检测方法仍然具有研究价值。

发明内容

针对现有月球探测器下降着陆过程中常规环形山检测方法受光照影响、鲁棒性差的问题，本发明提供一种月球探测器鲁棒环形山检测方法。

本发明的一种月球探测器鲁棒环形山检测方法，包括：

S1、对月面图像进行滤波；

S2、根据公式一确定三值化阈值α和β：

其中，三值化总熵H(α,β)＝H₁(α)+H₂(α,β)+H₃(β)，亮区、暗区和周围环境三个区域对应的信息熵分别为：

p_i为滤波后的月面图像中各个像素值i出现的概率密度；

三值化后亮区、暗区和周围环境对应的概率分布分别为：