月面灰度图像中的陨石坑检测

应用科学学报 ›› 2009, Vol. 27 ›› Issue (2): 156-160.

月面灰度图像中的陨石坑检测

丁萌1 曹云峰1;2 吴庆宪1

1. 南京航空航天大学自动化学院，南京210016
2. 南京航空航天大学高新技术研究院，南京210016

收稿日期:2008-10-20 修回日期:2009-02-23 出版日期:2009-04-01 发布日期:2009-04-01
作者简介:丁萌，博士生，研究方向：计算机视觉与模式识别，E-mail：nuaa_dm@hotmail.com；曹云峰，教授，博导，研究方向：导航、制导与控制，E-mail：cyfac@nuaa.edu.cn
基金资助:
江苏省研究生创新基金(No.CX07B_113z)；南京航空航天大学博士创新基金(No.BCXJ07-06)资助项目

Crater Detection from Gray Image of the Moon Surface

1. Automation Engineering College, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China
2. Academy of Frontier Science, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China

Received:2008-10-20 Revised:2009-02-23 Online:2009-04-01 Published:2009-04-01

摘要/Abstract

摘要：

提出了一种从灰度图像中自主检测陨石坑的方法. 通过Census变换对原始图像块进行转换，用获得的图像灰度直方图作为特征向量. 利用主分量分析对特征空间进行压缩，消除直方图冗余，并利用支持向量机构建模式分类器. 最后对连续缩放陨石坑候选区域不同尺寸的陨石坑区域进行检测. 相关实验表明，该方法可有效检测出尺寸大于20×20 的陨石坑区域.

关键词: 陨石坑, Census变换, 主分量分析, 支持向量机

Abstract:

A method for autonomous detection of crater from gray images is proposed. The original image blocks are census-transformed. The obtained histograms are used as feature vectors. Principal component analysis is performed to compress the feature space. Pattern classification is done with support vector machine. Craters of different sizes are detected by reducing and magnifying the crater candidate area. The results show that the proposed method can effectively detect craters of size greater than 20*20.

Key words: crater, Census transform, principal component analysis (PCA), support vector machine (SVM)

中图分类号:

V249.122+.9

丁萌1 曹云峰1;2 吴庆宪1. 月面灰度图像中的陨石坑检测[J]. 应用科学学报, 2009, 27(2): 156-160.

DING Meng1, CAO Yun-feng1;2, WU Qing-xian1. Crater Detection from Gray Image of the Moon Surface[J]. Journal of Applied Sciences, 2009, 27(2): 156-160.

[1]	迟楠, 牛文清, 贾俊连, 哈依那尔. 基于抗非线性SVM的几何整形可见光通信系统[J]. 应用科学学报, 2020, 38(4): 647-658.
[2]	范书瑞, 贾雅亭, 刘晶花. 基于三轴加速度传感器人体姿态识别的特征选择[J]. 应用科学学报, 2019, 37(3): 427-436.
[3]	苏文煊, 方针. 基于CFA插值特性不一致的图像真伪鉴别[J]. 应用科学学报, 2019, 37(1): 33-40.
[4]	许忠雄, 邵瑰玮, 谢予星, 吴亮, 季铮. 基于编码标志的无人机电力巡检自主定位方法[J]. 应用科学学报, 2018, 36(5): 845-858.
[5]	冯发杰, 吏军平, 丁亚洲, 朱坤, 崔卫红. 基于多尺度视觉特征组合的高分遥感影像目标检测[J]. 应用科学学报, 2018, 36(3): 471-484.
[6]	杨晋生, 林振军. 一种改进支持向量机的无线定位方法[J]. 应用科学学报, 2017, 35(6): 685-692.
[7]	翟旭平, 孟田, 王涛. 采用对数预处理的SVM频谱感知方法[J]. 应用科学学报, 2017, 35(6): 726-734.
[8]	熊邦书, 吴强镪, 李新民, 莫燕, 黄建萍. 基于频段能量特征的低速滚动轴承故障诊断[J]. 应用科学学报, 2017, 35(3): 366-372.
[9]	熊邦书, 刘雨, 莫燕, 黄建萍, 李新民. 基于SVM的直升机飞行状态识别[J]. 应用科学学报, 2016, 34(4): 469-474.
[10]	胡昭华, 徐玉伟, 赵孝磊, 何军, 周游. 基于支持向量机的多特征选择目标跟踪[J]. 应用科学学报, 2015, 33(5): 502-517.
[11]	杨洪涛，耿金华，丁小瑞，喻曹丰，禹斌. 数控机床力-几何误差的PSO-SVM建模[J]. 应用科学学报, 2014, 32(3): 325-330.
[12]	吴量1，江桦1，崔伟亮1,2. 利用循环平稳性检测和支持向量机的调制信号分类[J]. 应用科学学报, 2013, 31(6): 593-600.
[13]	温祥西，孟相如，李明迅. 基于最优样本子集的在线模糊LSSVM混沌时间序列预测[J]. 应用科学学报, 2013, 31(4): 411-417.
[14]	靳一，吴乐南，应鹏魁，余静. 基于SVM判决的RS编码EBPSK调制解调器[J]. 应用科学学报, 2013, 31(1): 48-52.
[15]	付仲良，张文元，孟庆祥. 灰度和纹理特征组合的SAR影像SVM分类[J]. 应用科学学报, 2012, 30(5): 498-504.