劉宇軒，劉建軍，牟伶俐，李春來

(1.中國(guó)科學(xué)院國(guó)家天文臺(tái)，北京 100012;2.中國(guó)科學(xué)院研究生院，北京 100049)

撞擊坑是指布滿月球、火星等行星表面大大小小、密密麻麻的環(huán)形凹坑構(gòu)造，它們是月球、火星等行星表面最顯著的特征［1］，是研究行星內(nèi)部物質(zhì)的窗口［2］。通過對(duì)行星表面撞擊坑的研究，可以為研究天體現(xiàn)狀和演化歷史提供最直接的證據(jù)，為研究成坑機(jī)制、撞擊效應(yīng)和演化歷史等提供豐富的信息。例如，撞擊坑的尺頻分布和空間統(tǒng)計(jì)數(shù)據(jù)可以用來推斷行星表面的相對(duì)地質(zhì)年齡和地表特性［3－4］;通過觀察撞擊坑的形態(tài)和空間分布可以推測(cè)過去行星表面地質(zhì)事件的時(shí)間順序和位置［5］。撞擊坑的形態(tài)空間變化也可以用來研究地質(zhì)物質(zhì)的變化［6］。而且，對(duì)于撞擊坑形態(tài)學(xué)的研究可以促進(jìn)其他天體地貌學(xué)的深入開展，比如，自然侵蝕過程［7］，地質(zhì)物質(zhì)的區(qū)域差異性［8］，次地表下?lián)]發(fā)物質(zhì)的地理分布［9］。除此之外，撞擊坑的識(shí)別還用于航天器導(dǎo)航的定位和著陸障礙躲避［10］。縱觀歷次人類深空探測(cè)任務(wù)，對(duì)撞擊坑的識(shí)別一直是個(gè)研究重點(diǎn)。

本文首先介紹撞擊坑以及撞擊坑識(shí)別的定義，再分別對(duì)人工識(shí)別法，基于形態(tài)擬合、機(jī)器學(xué)習(xí)、地學(xué)信息分析的方法進(jìn)行綜合論述，并分析不同方法的適用性和優(yōu)缺點(diǎn)。最后對(duì)目前存在的問題進(jìn)行分析，提出撞擊坑識(shí)別方法的發(fā)展趨勢(shì)。

1 撞擊坑及其識(shí)別

撞擊坑主要由抬升邊緣(Raised rim)、撞擊坑底部(Floor)、中央峰(Central uplift)、撞擊坑壁(Walls)、濺射物(Ejecta)、放射狀亮條紋(Rays)等部分組成(圖1)。根據(jù)基本形態(tài)，撞擊坑可分為簡(jiǎn)單撞擊坑(碗型小型撞擊坑)、復(fù)雜撞擊坑(具中央峰的較大型撞擊坑)(圖2)、多環(huán)撞擊坑(撞擊盆地)3類［11］。撞擊坑識(shí)別是一種特征識(shí)別，是指輸入圖像數(shù)據(jù)(光學(xué)數(shù)據(jù)、地形數(shù)據(jù)或其他類型數(shù)據(jù))，通過多種方法的處理，輸出撞擊坑列表及其屬性，包括坐標(biāo)、直徑等基本信息。除此之外，有些方法還可以獲得如橢圓撞擊坑的偏心率、深度、深度直徑比等其他信息。

圖1 撞擊坑基本組成地貌單元Fig.1 Typical features of a lunar crater

撞擊坑識(shí)別過程通常分為3個(gè)步驟。首先是數(shù)據(jù)預(yù)處理，包括噪聲濾波、圖像邊緣增強(qiáng)、閾值分析等過程，目的是為了突出撞擊坑邊緣信息，提高識(shí)別效率。其次是邊緣識(shí)別以及提取，包括邊緣因子提取、霍夫變換、模板匹配、支持向量機(jī)等方法，目的是識(shí)別和提取撞擊坑邊緣信息，用圓或橢圓標(biāo)識(shí)并表示它們。最后是驗(yàn)證和改進(jìn)階段，包括神經(jīng)網(wǎng)絡(luò)、證實(shí)性算法等，目的是盡量剔除錯(cuò)分的撞擊坑，以提高識(shí)別準(zhǔn)確度。撞擊坑識(shí)別最終結(jié)果是撞擊坑邊緣以及相關(guān)的幾何參數(shù)(包括直徑和位置)?；玖鞒倘鐖D3。

圖2 簡(jiǎn)單撞擊坑和復(fù)雜撞擊坑剖面圖Fig.2 Structure of an impact crater

圖3 撞擊坑識(shí)別流程圖Fig.3 Flowchart of crater detection

2 研究現(xiàn)狀

撞擊坑識(shí)別研究由來已久，包括早期利用望遠(yuǎn)鏡觀測(cè)，描繪撞擊坑的形貌;到利用衛(wèi)星遙感圖像數(shù)據(jù)人工識(shí)別撞擊坑;到近年來利用獲取的大量形貌數(shù)據(jù)，采用數(shù)字圖像分析與空間分析方法提取撞擊坑，而這已成為一個(gè)新的研究熱點(diǎn)。不少研究學(xué)者建立了多種尺度的撞擊坑數(shù)據(jù)庫(kù)［12－21］。通過對(duì)現(xiàn)有方法的分析總結(jié)，撞擊坑識(shí)別的方法大致可以歸納為4類:人工識(shí)別、基于形態(tài)擬合、基于機(jī)器學(xué)習(xí)以及基于地學(xué)信息分析的方法。

2.1 人工識(shí)別法

在早期的研究中，月球撞擊坑的識(shí)別完全利用望遠(yuǎn)鏡，采用人工識(shí)別的方法實(shí)現(xiàn)，如1609年Galileo在“The Starry Messenger”中第1次對(duì)月球撞擊坑進(jìn)行了描繪。1645年Michel Florent Van Langren出版的第1張?jiān)虑驑?gòu)造圖以及1647年Johanners Hevelius出版的月圖集“Selenographia”中都有對(duì)撞擊坑的描繪［22］。

在現(xiàn)代，對(duì)撞擊坑的識(shí)別主要是對(duì)衛(wèi)星獲取的影像數(shù)據(jù)進(jìn)行人工目視判讀。部分研究學(xué)者通過人工識(shí)別法收集了撞擊坑的大小、位置及其他屬性信息，建立了大量撞擊坑數(shù)據(jù)庫(kù)。其中Andersson和Whitaker［12］于1982年列出了8 497個(gè)月球撞擊坑。N G Barlow［13］于1982～1987年利用Viking影像數(shù)據(jù)識(shí)別了直徑5 km以上的42283個(gè)火星撞擊坑。Rodionova等人分別在1987年和2000年識(shí)別了直徑10 km以上的14 923個(gè)月球撞擊坑［15］和19 308個(gè)火星撞擊坑［16］，并分別統(tǒng)計(jì)了9項(xiàng)月球撞擊坑以及15項(xiàng)火星撞擊坑相關(guān)信息。2001年，Kozlova［17］等人識(shí)別列出直徑10 km以上的6334個(gè)水星撞擊坑。2004年Schenk［18］等人識(shí)別了木衛(wèi)三232個(gè)撞擊坑以及木衛(wèi)四130個(gè)撞擊坑。A Losiak［21］等人對(duì)Chunk Wood的月球撞擊坑數(shù)據(jù)庫(kù)進(jìn)行補(bǔ)充和整理，共識(shí)別8 862個(gè)撞擊坑。

人工識(shí)別方法的優(yōu)點(diǎn)是可以準(zhǔn)確識(shí)別各種類型的撞擊坑。但人工識(shí)別的方法費(fèi)時(shí)費(fèi)力，已經(jīng)不適用于當(dāng)今獲取的海量行星探測(cè)數(shù)據(jù)，而且目視識(shí)別方法只適用于圖像數(shù)據(jù)，而“可視性”的局限性會(huì)導(dǎo)致識(shí)別結(jié)果的不完整。從已知的撞擊坑數(shù)據(jù)庫(kù)不難看出，人工識(shí)別的撞擊坑都是5 km以上的“大”撞擊坑，隨著更高精度數(shù)據(jù)的獲取，人工識(shí)別的方法已經(jīng)不能適應(yīng)當(dāng)前的發(fā)展和需求，因此大量研究學(xué)者開始致力于研究利用計(jì)算機(jī)自動(dòng)識(shí)別撞擊坑的方法，以減少大量的人工操作，獲得更多的撞擊坑信息。

2.2 基于形態(tài)擬合算法

撞擊坑的大小不一，形態(tài)各異，從簡(jiǎn)單碗型撞擊坑到具有中央峰的復(fù)雜撞擊坑到大型多環(huán)撞擊坑，但其外形輪廓大部分是圓形或者橢圓形?；谄渫庑翁卣?，形態(tài)擬合的思想被應(yīng)用到撞擊坑自動(dòng)識(shí)別中，其中最常用的方法主要有霍夫變換、二次曲線擬合以及模板匹配。

2.2.1 霍夫變換算法

霍夫變換算法是圖像處理中識(shí)別幾何形狀的一種常用方法，基本思想是將圖像的空間域變換到參數(shù)空間，形成一種多對(duì)多的映射關(guān)系，從而檢測(cè)參數(shù)曲線［23］。與周圍地物相比，撞擊坑具有典型的環(huán)形特征，霍夫變換算法是較早應(yīng)用到撞擊坑提取的基礎(chǔ)算法，也是應(yīng)用最多的方法。M Magee［24］、J R Kim［25］、L Bruzzone［26］等人利用圓形霍夫變換對(duì)火星圖像數(shù)據(jù)進(jìn)行處理，識(shí)別火星表面撞擊坑。B D Bue［27］、G G Michael［28］等人利用霍夫變換對(duì)MOLA數(shù)據(jù)分析處理，其中后者得到75%以上直徑大于10 km的撞擊坑。Jon Earl［29］等人還綜合采用SAR、Landsat以及SRTM數(shù)據(jù)，利用霍夫變換對(duì)地球撞擊坑(加拿大地區(qū))進(jìn)行識(shí)別實(shí)驗(yàn)，為飛行器導(dǎo)航和避障。Leroy和Johnson［30］等人提出一種基于廣義霍夫變換(GHT)的橢圓檢測(cè)方法對(duì)小行星撞擊坑進(jìn)行識(shí)別。為了減少計(jì)算時(shí)間和改進(jìn)識(shí)別精度，Rie Honda［31］基于 Watanabe和 Shibata［32］提出的組合霍夫變換(CHT)算法，并應(yīng)用到Clementine數(shù)據(jù)中。Y Sawabe［33］等人利用模糊霍夫變換正確識(shí)別80%的撞擊坑。模糊霍夫變換的優(yōu)點(diǎn)是搜尋擬合度高的數(shù)據(jù)點(diǎn)集，可以有效減少傳統(tǒng)霍夫變換中得到的錯(cuò)誤邊界。為了提高不完整撞擊坑或形狀被破壞撞擊坑的識(shí)別率，Alejandro Flores-Mendez［34］提出一種滑動(dòng)窗霍夫變換(HTSW)。丁萌［35］等人提出一種基于弦中點(diǎn)霍夫變換算法，提高了計(jì)算速度，增加了撞擊坑中心點(diǎn)識(shí)別的準(zhǔn)確性。K Homma［36］等人基于霍夫變換，引入并行計(jì)算的思想，對(duì)SELENE影像數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，在不影響識(shí)別準(zhǔn)確率的情況下，大大提高了計(jì)算速度。

總的來說，霍夫變換是撞擊坑識(shí)別領(lǐng)域使用最為廣泛的方法，對(duì)撞擊坑的識(shí)別效果較好，對(duì)間斷不連續(xù)的邊緣識(shí)別效果也不錯(cuò)。目前的困難在于霍夫變換的計(jì)算量和內(nèi)存需求會(huì)隨著參數(shù)數(shù)量的增加而以指數(shù)方式增長(zhǎng)。雖然降低參數(shù)空間維度，可以減少計(jì)算量和內(nèi)存的需求，但是同時(shí)也降低了魯棒性，特別是當(dāng)撞擊坑的形狀不是規(guī)則的橢圓或圓形時(shí)［37］。

2.2.2 二次曲線擬合算法

二次曲線擬合是用連續(xù)曲線近似地刻畫或比擬平面上離散點(diǎn)表示的坐標(biāo)之間函數(shù)關(guān)系的一種數(shù)據(jù)處理方法。J R Kim［38］利用Filzgibbon提出的最小二乘擬合方法(DLS)［39］以及Kanazawa和Kanantani提出的最優(yōu)估值擬合方法(OE)［40］，還有Thomas等提出的基于回歸公式的環(huán)形算法［41］對(duì)火星撞擊坑進(jìn)行識(shí)別研究。通過對(duì)比霍夫環(huán)形變換算法識(shí)別結(jié)果，二次曲線擬合方法識(shí)別的可靠性更高，克服干擾噪聲影響的能力較強(qiáng)。其中最小二乘擬合方法更適合邊緣組織;最優(yōu)估值擬合方法對(duì)較短的弧線識(shí)別準(zhǔn)確度較高，但CPU消耗相對(duì)較多;回歸公式算法對(duì)不規(guī)則的空間點(diǎn)的識(shí)別組織效果較好。Yang Cheng［10］等在利用撞擊坑實(shí)現(xiàn)空間飛行器光學(xué)導(dǎo)航的研究中，采用了二次曲線擬合方法對(duì)小行星撞擊坑進(jìn)行自動(dòng)識(shí)別，成功識(shí)別90%的撞擊坑，并將錯(cuò)分率控制在5%以下。馮軍華等［42］基于光照梯度信息，利用嫦娥一號(hào)CCD圖像，采用最小二乘法擬合邊緣橢圓的方法實(shí)現(xiàn)對(duì)撞擊坑的提取。

二次曲線擬合方法在背景較復(fù)雜、噪聲較大的情況下對(duì)撞擊坑的識(shí)別效果較好。此方法將不同撞擊坑的邊界誤認(rèn)為同一撞擊坑的概率較低，而且對(duì)不同尺寸的撞擊坑識(shí)別正確率較高。

2.2.3 模板匹配算法

模板匹配是根據(jù)已知模式到另一幅圖中尋找相應(yīng)模式的處理方法。撞擊坑明顯的環(huán)形特征是此方法應(yīng)用的基礎(chǔ)。M Magee［24］等人提出一種基于互相關(guān)的模板匹配方法，通過標(biāo)準(zhǔn)化互相關(guān)法對(duì)測(cè)試圖像進(jìn)行計(jì)算。一系列不同尺度的模板被用來檢測(cè)不同尺寸的撞擊坑，當(dāng)互相關(guān)值達(dá)到局部極大，就認(rèn)為檢測(cè)結(jié)果為撞擊坑。實(shí)驗(yàn)結(jié)果表明該方法適用于小型的、相對(duì)簡(jiǎn)單的撞擊坑。L Bandeira等人［43］使用不同尺寸的簡(jiǎn)單黑色背景和白色圓形的撞擊坑模板，采用快速傅里葉(FFT)方法計(jì)算模板與處理后的測(cè)區(qū)二值圖之間的相關(guān)性，根據(jù)相關(guān)性的大小確定撞擊坑。實(shí)驗(yàn)全部測(cè)區(qū)的正確識(shí)別率為86.57%，錯(cuò)分率為15.95%。M C Burl［44］采用連續(xù)可伸縮模板匹配算法(Continuously Scalable template Matching)對(duì)Clementin月海地區(qū)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，正確識(shí)別80%直徑四像素以上的撞擊坑，錯(cuò)分率為12%。同時(shí)Vinogradova T［45］利用該方法對(duì)火星軌道相機(jī)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，在所選測(cè)區(qū)內(nèi)正確識(shí)別88%的撞擊坑。T Barata［46］等也利用模板匹配方法對(duì)火星撞擊坑識(shí)別研究，得到平均64.77%的識(shí)別正確率，并得到識(shí)別正確率與錯(cuò)分率并沒有直接關(guān)系的結(jié)論。模板匹配的方法對(duì)于簡(jiǎn)單撞擊坑效果較好，然而在地形復(fù)雜的區(qū)域，此算法的精確度明顯降低。

2.3 基于機(jī)器學(xué)習(xí)算法

機(jī)器學(xué)習(xí)(Machine Learning)是研究計(jì)算機(jī)模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)活動(dòng)，它是研究計(jì)算機(jī)識(shí)別現(xiàn)有知識(shí)、獲取新知識(shí)、不斷改善性能和實(shí)現(xiàn)自身完善的方法。這里的學(xué)習(xí)是指從數(shù)據(jù)中學(xué)習(xí)，主要分為監(jiān)督學(xué)習(xí)方法和非監(jiān)督學(xué)習(xí)方法，包括支持向量機(jī)、遺傳、面向?qū)ο?、人工神?jīng)網(wǎng)絡(luò)等算法。這些算法被廣泛應(yīng)用到計(jì)算機(jī)視覺、模式識(shí)別等領(lǐng)域，不少研究學(xué)者將機(jī)器學(xué)習(xí)的思想引入撞擊坑的自動(dòng)識(shí)別。

2.3.1 支持向量機(jī)算法

支持向量機(jī)是一種監(jiān)督學(xué)習(xí)方法，即已知訓(xùn)練點(diǎn)的類別，求訓(xùn)練點(diǎn)和類別之間的對(duì)應(yīng)關(guān)系，以便將訓(xùn)練集按照類別分開，或預(yù)測(cè)新的訓(xùn)練點(diǎn)所對(duì)應(yīng)的類別。支持向量機(jī)根據(jù)已知的撞擊坑訓(xùn)練樣本集建立分類的對(duì)策，從而實(shí)現(xiàn)試驗(yàn)區(qū)的撞擊坑分類識(shí)別。Tomasz F Stepinski［47］等人在行星表面自動(dòng)成圖的分類研究中，利用支持向量機(jī)方法對(duì)火星表面6個(gè)測(cè)區(qū)進(jìn)行撞擊坑的分類，正確率最高可以達(dá)到91%。Wetzler P G［48］等人使用了多種監(jiān)督學(xué)習(xí)的方法對(duì)火星撞擊坑進(jìn)行識(shí)別，通過對(duì)比試驗(yàn)結(jié)果，發(fā)現(xiàn)支持向量機(jī)的方法相對(duì)于基于邊界提取的方法(如霍夫變換)，識(shí)別效果更勝一籌。然而在實(shí)際應(yīng)用中，此方法需要大量的實(shí)際數(shù)據(jù)作為訓(xùn)練樣本，而且需要大量的計(jì)算內(nèi)存空間。為了克服大容量計(jì)算需求的弊端，一些學(xué)者對(duì)此方法進(jìn)行了改進(jìn)。其中，M C Burl［49］等人提出了基于支持向量機(jī)決策函數(shù)的分塊快速傅里葉變換。丁萌等人［50］提出先通過K-L變換降低維度，再利用支持向量機(jī)構(gòu)建模式分類器的方法識(shí)別撞擊坑。在進(jìn)一步的研究中，丁萌等人在文［50］的基礎(chǔ)上提出一種基于支持向量機(jī)的Boosting的方法［51］，通過構(gòu)建多層分類器進(jìn)行撞擊坑的分類識(shí)別，提高了識(shí)別的準(zhǔn)確性。支持向量機(jī)方法的優(yōu)點(diǎn)是對(duì)邊緣模糊的隕石坑具有較好的檢測(cè)效果，缺點(diǎn)是較小撞擊坑縮放過程中的失真和不確定性導(dǎo)致檢測(cè)效果不佳。

2.3.2 遺傳算法

遺傳算法(Genetic Algorithm)是一類借鑒生物界自然選擇和自然遺傳機(jī)制的隨機(jī)、高度并行、自適應(yīng)搜索算法，通常被用來獲取最優(yōu)解問題。C S Plesko等人［52］利用Los Alamos國(guó)家實(shí)驗(yàn)室基于遺傳算法開發(fā)的機(jī)器學(xué)習(xí)軟件系統(tǒng)分別對(duì)THEMIS日間近紅外圖像以及火星軌道相機(jī)數(shù)據(jù)進(jìn)行撞擊坑識(shí)別提取實(shí)驗(yàn)。通過人工選擇紋理和尺寸合適的撞擊坑區(qū)域作為遺傳因子，實(shí)驗(yàn)結(jié)果表明個(gè)別區(qū)域撞擊坑的正確識(shí)別率最高達(dá)到95%，錯(cuò)分率控制在3%［53］，這是目前取得的最好結(jié)果。Rie Honda等人［54］在他們的研究中也采用了遺傳算法。通過設(shè)定位置坐標(biāo)和半徑參數(shù)的三維數(shù)組為遺傳因子，通過選擇、雜交、變異得到最優(yōu)化撞擊坑模板，測(cè)區(qū)撞擊坑識(shí)別正確率大約為60%。實(shí)驗(yàn)表明圖像的質(zhì)量和參數(shù)的設(shè)置會(huì)極大地影響到識(shí)別的準(zhǔn)確度。遺傳算法的缺點(diǎn)是將不少非撞擊坑錯(cuò)誤劃分為撞擊坑以及由于數(shù)據(jù)噪聲的影響而漏分部分撞擊坑。

2.3.3 面向?qū)ο?/p>

面向?qū)ο蠓椒ㄌ幚淼淖钚卧嵌鄠€(gè)相鄰像元組成的影像對(duì)象。它將影像分割成許多對(duì)象，利用對(duì)象的幾何信息以及影像對(duì)象間的紋理信息、拓?fù)潢P(guān)系等，采用不同的特征提取算法，計(jì)算這些對(duì)象的多項(xiàng)特征值并實(shí)現(xiàn)對(duì)事物的識(shí)別。岳宗玉［55］等利用ecognition軟件對(duì)Clementine的可見光/近紫外波段影像數(shù)據(jù)進(jìn)行撞擊坑識(shí)別研究。陳偉濤［56］等采用面向?qū)ο蟮乃枷?，利用ENVI對(duì)嫦娥一號(hào)CCD數(shù)據(jù)進(jìn)行分割、合并，再利用ArcGis手動(dòng)修改，以影像數(shù)據(jù)的空間特征為基礎(chǔ)，基于規(guī)則分類原理，進(jìn)行撞擊坑的自動(dòng)識(shí)別。實(shí)驗(yàn)結(jié)果表明面向?qū)ο罂梢院芎玫靥崛『徒M合撞擊坑邊緣信息，這對(duì)識(shí)別形狀不規(guī)則的撞擊坑是有利的，再加上后期的人工處理，可以得到更好的效果。但不足之處在于得到的僅僅是分類結(jié)果，并沒有提取半徑和中心位置信息。

2.3.4 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)就是模擬人思維的非線性動(dòng)力學(xué)系統(tǒng)，其特色在于信息的分布式存儲(chǔ)和并行協(xié)同處理。為了剔除錯(cuò)分的撞擊坑，進(jìn)一步提高識(shí)別正確率，J R Kim［38］等人將人工神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到撞擊坑識(shí)別的研究中。他們利用Turk和Pentland［57］基于神經(jīng)網(wǎng)絡(luò)提出的本征空間構(gòu)造算法可以剔除85%以上的錯(cuò)分撞擊坑。但此方法的缺陷在于重訓(xùn)練通常需要不同的傳感器數(shù)據(jù)。同樣為了進(jìn)一步提高識(shí)別正確率，Tomasz F Stepinski［58］、Erik R Urbach［59］等人對(duì)候選撞擊坑結(jié)果采用了決策樹的算法。他們將Quinlan［60］提出的C4.5決策樹算法應(yīng)用到WEKA軟件包［61］，對(duì)候選撞擊坑進(jìn)行了分類，根據(jù)設(shè)定的決策條件判斷是否屬于撞擊坑的范疇。兩片實(shí)驗(yàn)區(qū)的正確識(shí)別率分別達(dá)到90.1%和96.2%。

2.4 基于地學(xué)信息分析算法

隨著大量行星表面地學(xué)信息的獲取，對(duì)于撞擊坑的識(shí)別研究不僅僅局限于利用影像數(shù)據(jù)，一些研究學(xué)者開始利用地形、多光譜等數(shù)據(jù)。就目前的研究來看，主要有基于地形信息和光譜信息的撞擊坑識(shí)別方法。

2.4.1 基于地形信息

地形數(shù)據(jù)可以更貼切地描述行星表面的高低起伏狀況，可以更好地描述撞擊坑的真實(shí)形態(tài)。通過地形曲率的閾值設(shè)置，可以將撞擊坑的邊緣更加準(zhǔn)確地提取識(shí)別。

J R Kim［38］以及G G Michael［28］等人將坡度測(cè)量應(yīng)用到撞擊坑識(shí)別研究中，他們認(rèn)為坡度變化值高的地區(qū)是撞擊坑的邊緣，后者成功識(shí)別出75%直徑大于10 km的撞擊坑。而B D Bue［27，62］等人認(rèn)為僅僅以坡度作為撞擊坑邊緣識(shí)別的依據(jù)有不足之處，特別對(duì)于小型撞擊坑以及被侵蝕的撞擊坑不適用。他們不僅考慮坡度分析，還加入紋理分析和剖面曲率分析。B D Bue等人利用地形數(shù)據(jù)的特征，引入水淹法將大面積實(shí)驗(yàn)數(shù)據(jù)分割成大量小分塊，從而減少計(jì)算量。通過與Barlow火星撞擊坑列表進(jìn)行對(duì)比發(fā)現(xiàn)，他們的算法識(shí)別出很多人工列表上沒有的小型撞擊坑，但是沒有識(shí)別出一些嚴(yán)重?fù)p壞的撞擊坑。B D Bue等人對(duì)火星地形數(shù)據(jù)的快速應(yīng)用實(shí)驗(yàn)結(jié)果表明基于地形的撞擊坑檢測(cè)算法為撞擊坑的識(shí)別和特征描述提供了相對(duì)簡(jiǎn)單和立即可用的工具。Mert Degimenci［63］等人利用水文學(xué)以及形態(tài)學(xué)算法，利用T G Freeman［64］提出的多流向模型計(jì)算識(shí)別坑底平整的撞擊坑。J I Simpson［65］等人利用高分辨率的HRSC立體影像數(shù)據(jù)，通過構(gòu)建撞擊坑3D模型，根據(jù)地形剖面分析識(shí)別撞擊坑。同樣，Naoto Harada［66］等人對(duì)SELENE的DTM數(shù)據(jù)采用了傅里葉變換以及小波變換的方法，通過計(jì)算地形坡度等獲取撞擊坑邊緣信息。實(shí)驗(yàn)結(jié)果表明，傅里葉變換方法對(duì)較大撞擊坑邊緣識(shí)別效果較好，而小波變換對(duì)小型和復(fù)雜撞擊坑的邊緣識(shí)別效果較好。

相對(duì)于基于光學(xué)影像的方法，基于地形分析的算法可以更準(zhǔn)確地描述和識(shí)別提取撞擊坑的邊緣信息，算法的計(jì)算速度和占用的內(nèi)存空間要遠(yuǎn)遠(yuǎn)低于光學(xué)影像數(shù)據(jù);不足是對(duì)大型的撞擊坑，以及殘缺的撞擊坑識(shí)別效果較差。

2.4.2 基于光譜信息

除影像信息和地形信息外，光譜信息也是歷次深空探測(cè)任務(wù)獲取的重要數(shù)據(jù)。光譜數(shù)據(jù)主要用于分析物質(zhì)成分和分布等，由于在光譜成像圖上不同物質(zhì)的分布有明顯的區(qū)別，有些研究學(xué)者考慮利用光譜特性識(shí)別撞擊坑。Y Sawabe［33］等人在針對(duì)Clementine和Apollo月球高地及月海地區(qū)的數(shù)據(jù)進(jìn)行撞擊坑的自動(dòng)識(shí)別和分類的研究中加入了UV-Vis波段多光譜數(shù)據(jù)分析，通過使用Lucey［67］等人的月球FeO和TiO2的分布圖以及Tompkins［68］等人的月球礦物索引表格。在測(cè)試數(shù)據(jù)中，他們發(fā)現(xiàn)撞擊坑中的FeO和TiO2的含量明顯比周圍地區(qū)少得多。撞擊坑中的輝長(zhǎng)蘇長(zhǎng)巖或者鈣長(zhǎng)輝長(zhǎng)蘇長(zhǎng)巖的含量遠(yuǎn)遠(yuǎn)高于周圍地表。在撞擊坑識(shí)別研究中利用光譜數(shù)據(jù)是一個(gè)嘗試和創(chuàng)新，這也啟發(fā)研究人員在今后的研究中考慮獲取有關(guān)撞擊坑的更多地學(xué)信息，比如濺射物分布、月海巖漿厚度等，反過來這些地學(xué)信息也可以作為撞擊坑識(shí)別的輔助條件，對(duì)進(jìn)一步提高自動(dòng)識(shí)別的準(zhǔn)確度有重要科學(xué)意義。

3 結(jié)論

本文對(duì)多種撞擊坑識(shí)別算法進(jìn)行綜合歸納總結(jié)，結(jié)果表明現(xiàn)有的方法雖然提高了撞擊坑識(shí)別的準(zhǔn)確度和效率，但是其適合條件不盡相同，識(shí)別的準(zhǔn)確性仍待提高。其中:

(1)人工識(shí)別法適合圖像數(shù)據(jù)的撞擊坑識(shí)別，識(shí)別的精度取決于判讀者的先驗(yàn)知識(shí)，識(shí)別效率較低;

(2)基于形態(tài)特征擬合的方法適合于邊界清晰、結(jié)構(gòu)簡(jiǎn)單的撞擊坑，但對(duì)于“可視性”較差和相對(duì)復(fù)雜的撞擊坑識(shí)別效果較差;

(3)基于機(jī)器學(xué)習(xí)算法可以較好地利用影像數(shù)據(jù)的特點(diǎn)，識(shí)別效果與學(xué)習(xí)樣本以及決策參數(shù)密切相關(guān)。相對(duì)形態(tài)擬合方法，對(duì)于邊界模糊的撞擊坑識(shí)別效果更好;

(4)基于地學(xué)信息分析的方法不受“可視性”的影響，能更準(zhǔn)確地識(shí)別撞擊坑，減少錯(cuò)分率，但受地形數(shù)據(jù)以及多光譜數(shù)據(jù)的分辨率限制，不適合尺寸特別小的撞擊坑的識(shí)別。

通過綜合對(duì)比，利用影像數(shù)據(jù)的撞擊坑識(shí)別研究目前取得的成果還不足以實(shí)際應(yīng)用。而利用地形數(shù)據(jù)基于地形分析方法的撞擊坑識(shí)別的效果相對(duì)要好。目前的方法對(duì)于多尺度、復(fù)雜多樣的撞擊坑(如多環(huán)撞擊坑、疊置撞擊坑)的識(shí)別效率和正確率不高。無(wú)論何種方法都與數(shù)據(jù)有關(guān)，數(shù)據(jù)的分辨率是識(shí)別準(zhǔn)確率的重要影響因素之一。

由于基于影像識(shí)別撞擊坑的方法存在多解性和噪聲干擾，使得識(shí)別的準(zhǔn)確率很難提高。隨著深空探測(cè)技術(shù)的發(fā)展和識(shí)別算法的改進(jìn)，今后的研究重點(diǎn)在于:

(1)利用高分辨率、多波段，特別是DEM等新數(shù)據(jù)提高識(shí)別的正確性;

(2)利用以上數(shù)據(jù)實(shí)現(xiàn)對(duì)撞擊坑真實(shí)邊界的提取，突破目前均將撞擊坑視為標(biāo)準(zhǔn)(橢)圓的不足。

［1］H J Melosh.Impact cratering ［M］.Oxford:Oxford University Press，1996.

［2］R Honda，R Azuma.Crater Extraction and Classification System for Lunar Images ［J］.Memoirs of the Faculty of Science Kochi University Series A Mathematics，2000，21(1):13－22.

［3］D E Wilhelms.The Geologic History of the Moon ［M］.United States Geological Survey Professional Paper 1384，1987:283－292.

［4］Neukum G，Konig B，Arkani-Hamed J.A Study of Lunar Impact Crater Size-distributions［J］.The Moon，1975，12(2):201－229.

［5］Craddock R A，Maxwell T A，Howard A D.Crater Morphometry and Modification in the Sinus Sabaeus and Margaritifer Sinus Regions on Mars ［J］.Journal of Geophysical Research，1997，102(E6):13321－13340.

［6］Nadine G Barlow，Tracy L Bradley.Martian Impact Craters:Correlations of Ejecta and Interior Morphologies with Diameter，Latitude，and Terrain ［J］.Icarus，1990，87(1):156－179.

［7］L A Soderblom，C D Condit，R A West，et al.Martian Planet Wide Crater Distributions:Implications for Geologic History and Surface Processes ［J］.Icarus，1974，22(3):239－263.

［8］Cintala M J，Head J W，Mutch T A.Martian Crater Depth/Diameter Relationship:Comparison with the Moon and Mercury［C］//Proceedings of the Lunar Science Conference.New York:Pergamon Press，1976(3):3375－3587.

［9］Cintala M J，Mouginis-Mark P J.Martian Fresh Crater Depth:More Evidence for Subsurface Volatiles ［J］.Geophysical Research Letters，1980，7(5):329－332.

［10］Y Cheng，A E Johnson，L H Matthies，et al.Optical Landmark Detection for Spacecraft Navigation ［C］//Proceedings of the 13th Annual AAS/AIAA Space Flight Mechanics Meeting，2003:1785－1803.

［11］Heiken Grant H，Vaniman David T，F(xiàn)rench Bevan M.Lunar Sourcebook:A User’s Guide to the Moon ［M］.Cambridge:Cambridge University Press，2005:62－64.

［12］Andersson L B，Whitaker E A.Nasa Catalogue of Lunar Nomenclature［M］.Washington:National Aeronautics and Space Administration，Scientific and Technical Information Branch，1982.

［13］N G Barlow.Crater Database ［DB/OL］.http://webgis.wr.usgs.gov/pigwad/down/mars_crater_consortium.htm#barlow2.

［14］J McDowell.A Merge of a Digital Version of the List of Lunar Craters from NASA Catalogue of Lunar Nomenclature with the List from the USGS Site ［DB/OL］.http://www.planet4589.org/astro/lunar/Craters.

［15］Rodionova J F，Karlov A A，Skobeleva T P，et al.Morphological Catalogue of the Craters of the Moon ［DB/OL］.http://selena.sai.msu.ru/Home/Moon_Cat/Moon_cate.htm.

［16］Rodionova J F，Dekchtyareva K I，Khramchikhin A A，et al.Morphological Catalogue of the Craters of Mars ［DB/OL］.http://selena.sai.msu.ru/home/mars_cat/mars_cate.htm.

［17］Kozlova E A，Michael G G，Rodinova J F，et al.Compilation and Preliminary Analysis of a Catalogue of Craters of Mercury ［CD/DK］.Lunar and Planetary Science XXXII，Lunar and Planetary Institute，2001.

［18］Schenk P M，Chapman C R，Zahnle K，et al.Age and Interiors:the Cratering Record of the Galilean Satellites ［C］//Bagenal F，Dowling T E，McKinnon W B.Jupiter:The Planet，Satellites and Magnetosphere.Cambridge:Cambridge University Press，2004:427－456.

［19］Goran Salamuniccar，Sven Loncaric.GT-57633 Catalogue of Martian Impact Craters Developed for Evaluation of Crater Detection Algorithms ［J］.Planetary and Space Science，2008，56(15):1992－2008.

［20］Goran Salamuniccar，Sven Loncaric，Pedro Pina，et al.MA130301GT Catalogue of Martian Impact Craters and Advanced Evaluation of Crater Detection Algorithms Using Diverse Topography and Image Datasets ［J］.Planetary and Space Science，2011，59(1):111－131.

［21］A Losiak，T Kohout，K O Sullivan，et al.Lunar Impact Database ［DB/OL］.http://www.lpi.usra.edu/lunar/surface/Lunar_Impact_Crater_Database_v9Feb2009.xls.

［22］Alssandro Motanari，Christian Koeberl.Imapact Stratigraphy:The Italian Record ［M］.New York:Springer，2000:1－7.

［23］Hough V，Paul C.Method and Means for Recognizing Complex Patterns［M］.United States Patent Publication，2009，27(2):156－160.

［24］Magee M，Chapman C R，Dellenback S W，et al.Automated Identification of Martian Craters Using Image Processing［C］//34th Annual Lunar and Planetary Science Conference，League City，2003:17－21.

［25］Kim J R，J P Muller.Impact Crater Detection on Optical Image and DEMS ［C］//IAdvances in Planetary Mapping.Houston，2003.

［26］Bruzzone L，Lizzi L，Marchetti P G.Recognition and Detection of Impact Craters from EO Products［C］//Proceedings of ESA-EUSC2004—Theory and Applications of Knowledge-Driven Image Information Mining with Focus on Earth Observation.Madrid，2004.

［27］Bue B D，Stepinski T F.Machine Detection of Martian Impact Craters from Digital Topography Data ［J］.Geoscience and Remote Sensing，2007，45(1):265－274.

［28］Michael G.Coordinate Registration by Automated Crater Recognition ［J］.Planetary and Space Science，2003，51(9/10):563－568.

［29］Earl J，Chicarro A，Koeberl C，et al.Automatic Recognition of Crater-like Structures in Terrestrial and Planetary Images［C］//36th Annual Lunar and Planetary Science Conference.League City，2005:1319.

［30］B Leroy，G Medioni，E Johnson，et al.Crater Detection for Autonomous Landing on Asteroids［J］.Image and Vision Computer，2001，19(11):787－792.

［31］R Honda，Y Iijima，O Konishi.Mining of Topographic Feature from Heterogeneous Imagery and its Application to Lunar Craters［C］//Progress in Discovery Science:Lecture Notes in Computer Science.New York:Springer，2002，2281:27－44.

［32］Watanabe T，Shibata T.Detection of Broken Ellipse by the Hough Transforms and Multiresolutional Images ［J］.General＆ Introductory Electrical＆ Electronics Engineering，1990，22(8):159－166.

［33］Sawabe Y，Matsunaga T，Rokugawa S.Automatic Crater Detection Algorithm for the Lunar Surface Using Multiple Approaches［J］.Journal of Remote Sensing Society of Japan，2005，25(2):157－168.

［34］Flores-M'endez A.Crater Marking and Classification Using Computer Vision［J］.Lecture Notes in Computer Science，2003，2905:79－86.

［35］Ding Meng，Cao Yunfeng，Wu Qingxian.Method of Passive Image Based Crater Autonomous Detection ［J］.Chinese Journal of Aeronautics，2009，22(3):301－306.

［36］Homma K，Yamamoto H，Isobe T，et al.Parallel Processing for Crater Recognition ［J］.Lunar and Planetary Science XXVIII，1997:1073.

［37］A C Aguado，M E Montiel，M S Nixon.Arbitrary Shape Hough Transform by Invariant Geometric Features［C］//Proceedings of the IEEE International Conference on Systems Man and Cybemetics Computational Cybernetics and Simulation.Orlando，1997:2661－2665.

［38］J R Kim，J P Muller，S Van Gasselt，et al.Automated Crater Detection，a New Tool for Mars Cartography and Chronology ［J］.Photogrammetric Engineering and Remote Sensing，2005，71(10):1205－1217.

［39］Pilu M，F(xiàn)itzgibbon A，F(xiàn)isher R.Square Fitting of Ellipses［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1999，21(5):476－480.

［40］Kanazawa Y，Kannatani K.Optimal Conic Fitting and Reliability Evalution［J］.Institute of Electronics，Information and Communication Engineering，Transaction on Information and System，1996:1323－1328.

［41］Thomas S M，Y T Chan.A Simple Approach for the Estimation of Circular arc Center and its Radius，Image Vision，Graphic and Image Processing ［J］.Computer Vision，Graphics，and Image Processing，1989，45(2):362－370.

［42］馮軍華，崔祜濤，崔平遠(yuǎn)，等.行星表面隕石坑檢測(cè)與匹配方法 ［J］.航空學(xué)報(bào)，2010，31(9):1858－1863.Feng Junhua，Cui Hutao，Cui Pingyuan，et al.Autonomous Crater Detection and Matching on Planetary Surface ［J］.Acta Aeronautica Etastronautica Sinica，2010，31(9):1858－1863.

［43］L Bandeira，J Saraiva，P Pina.Development of a Methodology for Automated Crater Detection on Planetary Images ［J］.Lecture Notes in Computer Science，2007，4477:193－200.

［44］Burl M C，Stough T，Colwell W，et al.Automated Detection of Craters and Other Geological Features［C］//Proceedings of 6th International Symposium on Artificial Intelligence，Robotics，and Automation in Space.Montreal，2001.

［45］Vinogradova T，Burl M，Miolsness E，et al.Training of a Crater Detection Algorithm for Mars Crater Imagery ［C］//Aerospace Conference Proceedings.IEEE，2002，7:3201－3211.

［46］Barata T，Alves E I，Saraiva J，et al.Automatic Recognition of Impact Craters on the Surface of Mars ［J］.Lecture Notes in Computer Science，2004，3212:486－496.

［47］Tomasz F Stepinski，Soumya Ghosh，Ricardo Vilalta.Machine Learning for Automatic Mapping of Planetary Surface［C］//Proceedings of the 19th National Conference on Innovative Applications of Artificial Intelligence.AAAI Press，2007:1807－1812.

［48］Wetzler P G，Honda R，Enke B，et al.Learning to Detect Small Impact Craters［C］//Proceedings of the Seventh IEEE Workshops on Application of Computer Vision.IEEE，2005:178－184.

［49］M C Burl，P G Wetzler.Resource-constrained Application of Support Vector Machines to Sensor Data ［J］.Data Mining in Resource-Constrained Environments，2004.

［50］丁萌，曹云峰，吳慶憲.月面灰度圖像中的隕石坑檢測(cè) ［J］.應(yīng)用科學(xué)學(xué)報(bào)，2009，27(2):156－160.Ding Meng，Cao Yunfeng，Wu Qingxian.Crater Detection from Gray Image of the Moon Surface［J］.Journal of Applied Sciences，2009，27(2):156－160.

［51］丁萌，曹云峰，吳慶憲.基于Census變換和Boosting方法的隕石坑區(qū)域檢測(cè) ［J］.南京航空航天大學(xué)學(xué)報(bào)，2009，41(5):682－687.Ding Meng，Cao Yunfeng，Wu Qingxian.Crater Region Detection Based on Census Transform and Boosting［J］.Journal of Nanjing University of Aeronautics＆ Astronautics，2009，41(5):682－687.

［52］Catherine S Plesko，Steven P Brumby，John C Armstrong，et al.Applications of Machine Learning Techniques in Digital Processing of Images of the Martian Surface［C］//Andrew G Tescher.Applications of Digital Image Proceeding XXV.SPIE，2002，4790:82－91.

［53］Plesko C，Brumby S，Asphaug E.Automated Development of Feature Extraction Tools for Planetary Science Image Datasets［C］//34th Annual Lunar and Planetary Science Conference.Houston，2003:1758.

［54］Honda R，Konishi O，Yamanaka S，et al.Data Mining System for Planetary Images-Crater Detection and Categorization［C］//Proceedings of the International Workshop on Machine Learning of Spatial Knowledge in Conjunction with ICML.Stanford，2000:103－108.

［55］岳宗玉，劉建忠，吳淦國(guó).應(yīng)用面向?qū)ο蠓诸惙椒▽?duì)月球撞擊坑進(jìn)行自動(dòng)識(shí)別 ［J］.科學(xué)通報(bào)，2008，53(22):2809－2813.

［56］陳偉濤，閆柏琨，張志.基于嫦娥一號(hào)CCD數(shù)據(jù)空間特征的特定目標(biāo)識(shí)別 ［J］.國(guó)土資源遙感，2009(4):40－44.Chen Weitao，Yan Bokun，Zhang Zhi.The Identification of Special Targets Based on Spatial Features of Chang E-1 CC Data ［J］.Remote Sensing for Land ＆ Resources，2009(4):40－44.

［57］Turk M，A Pentland.Eigenfaces for Recognition ［J］.Journal of Cognitive Neuroscience，1991，3(1):71－86.

［58］Tomasz F Stapinski，Michael P Mendenhall，Brain D Bue.Machine Cataloging of Impact Craters on Mars ［J］.Icarus，2009，2039(1):77－87.

［59］Erik R Urbach，Tomasz F Stepinski.Automatic Detection of Sub-Km Craters in High Resolution Planetary Images ［J］.Planetary and Science，2009，57(7):880－887.

［60］Quinlan J R.C4.5 Programs for Machine Learning［M］.San Francisco:Morgan Kaufmann Publishers Incorporation，1993.

［61］Witten I H，F(xiàn)rank E.DataMining:Practical Machine Learning Tools and Techniques with Java Implementations［M］.London:Academic Press，2000.

［62］Bue B D，Stepinski T F.Machine Detection of Martian Impact Craters from Digital Topography［J］.IEEE Transactions on Geoscience and Remote Sensing ，2007，45(1):265－274.

［63］Mert Degirmenci，Shatlyk Ashyralyyev.Impact Crater Detection on Mars Digital Elevation and Image Model［J/OL］.http://www.ceng.metu.edu.tr/～e1560051/docs/Impact_Crater_Detection.pdf.

［64］T G Freeman.Calculating Catchment Area with Divergent Flow Based on a Regular Grid ［J］.Computer and Geoscience，1991，17(3):413－422.

［65］J I Simpson，J R Kim，J P Muller.3D Crater Database Production on Mars by Automated Crater Detection and Data Fusion［C］//The International Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences，2009:1049－1054.

［66］Naoto Harada，Takafumi Hayashi，Naru Hirata，et al.Recognition Algorithm for Topographic Features［C］//7th IEEE International Conference on Computer and Information Technology(CIT2007)，2007:685－689.

［67］Lucey P，Blewett D T，Jolliff B L.Lunar Iron and Titanium Abundance Algorithms Based on Final Processing of Clementine Ultraviolet-visible Images［J］.Journal of Geophysical Research，2000，105(E8):20297－20305.

［68］Tompkins S，Pieters C M.Mineralogy of the Lunar Crust:Results from Clementine ［J］.Meteoritics＆ Planetary Science，1999(34):25－41.