一种小天体陨石坑显著性分割及匹配方法

技术领域

本发明属于深度学习和深空探测领域，具体涉及一种小天体陨石坑显著性分割及匹配方法。

背景技术

小天体由于其自身的科研价值，近年来，各国对小天体的研究和探索激增。小天体探测任务要求探测器具备高精度的自主导航能力，陨石坑是小天体常见形貌之一，可作为导航陆标使用，但小天体存在环境暗弱、快速自旋的问题，相机获取的图像存在平移、旋转变化，对陨石坑的提取及匹配提出了挑战。

传统算法如边缘检测，提取陨石坑受环境影响较大，对光照条件、视角等变化不具有鲁棒性；而基于深度学习的方法由于其对噪声干扰具有稳定性，非常适合在小天体未知环境的探测任务中应用，但深度学习网络获取的预测结果无法表征陨石坑形状。

发明内容

本发明的目的是针对现有算法的不足而提出的一种小天体陨石坑显著分割及分割结果精准匹配方法，避免冗余像素对描述的干扰，保证匹配的准确性，进而保证显著性分割结果在导航中的可用性。

为解决上述技术问题，本发明提供一种小天体陨石坑显著性分割及匹配算法，包括：

步骤A、陨石坑分割网络的设计；

构建陨石坑边界显著分割网络，并设计空间特征增强金字塔，使得分割结果更逼近真实陨石坑边界；

步骤B、网络训练与输出；

对上述的陨石坑分割网络进行训练，同时设计多重损失函数优化模型，将图像输入网络中获取陨石坑形状显著分割结果；

步骤C、对上述的分割区域生成特征描述符，包括以下步骤；

步骤C1、对分割区域进行自适应形态学处理，确定陨石坑支撑区域，保证支撑区域对陨石坑的表征效果；

步骤C2、对支撑区域进行分区构建分割不规则描述符；

步骤D、对生成的特征描述符进行匹配；

所述步骤A包括：

步骤A1、构建特征提取网络，获取降采样比率为4,8,16,32的特征图，

步骤A2、设计空间特征增强金字塔，获取高层特征图，

步骤A21、设计空间特征增强金字塔，设低层特征为F

F

其中，F

优选的，步骤B中，所述多重损失函数定义为：

其中，y为网络预测结果，

w

代表不同损失函数在陨石坑分割任务中所占的权值；

所述步骤C1具体为：

针对分割结果大小不一、不规则的问题，提出自适应膨胀的方法，优化选取支撑区域，确保特征的丰富度及可用性。

步骤C11、确定图像的高h、宽w，并计算分割区域最小外接圆半径；，

步骤C12、确定高和宽的较大值记为l，如下所示：

l＝max(h,w)

将陨石坑分为三类：半径大于

其中S为分割区域，K

所述步骤C2具体为：

提出一种在不规则区域中分区的方法，具体为：

步骤C21、确定分割区域最小外接圆的圆心位置，计算边缘上每个点到圆心的距离和记为S；

步骤C22、在10分区的情况下，计算区域边缘上点i到圆心的距离d

步骤C23、选取圆心正上方的边缘点为起始点，顺时针计算距离和，当其值为

以此种方式划分支撑区域，能够使分区像素数基本相等，进而提升描述符对陨石坑的表征能力，提高匹配精度。

步骤C24、提出了一种在分割结果支撑区域内用扇形区域分割构建描述符的方法；对于支撑区域内信息生成描述符时首先进行模糊处理，减小噪声对匹配影响，为避免局部信息被破坏，采用高斯滤波算法替换均值滤波；之后在对像素取权重时采用二维正态分布的高斯函数：

在每层金字塔上采集其所在支撑区域内像素梯度和方向分布特征，将支撑区域像素梯度和最高的方向作为分割区域描述符的主方向，为了实现完全的旋转不变性，在计算某一个点的梯度及其方向时，按照其位置进行自适应的调整，分别计算各像素点横向梯度与纵向梯度，经实验得，梯度方向按8方向划分时，匹配效果最优，之后根据C21中的公式进行梯度向量合成，获取像素点梯度方向与幅值；

步骤C25、当所有像素点计算完梯度后需进行描述符的构建，将支撑区域按步骤C21-步骤C23分区，在各个分区中计算梯度矢量和作为该分区的描述子，按此方式对所有分区进行表征，考虑到过于精细的区域划分使得描述符易受噪声干扰，而过少的区域划分会降低匹配精度，经实验后，选取每36度为一个区间进行划分，共分10个区间时，有着较好的匹配效果，

步骤C26、对于每个分割区域，考虑到独特的形状特征，采用Hu矩对其形状进行表征所述步骤D具体为：

考虑到描述符对陨石坑形状表征的唯一性，在匹配过程中，首先计算描述符的相似性，若相似度高于设定阈值0.9，判断两个陨石坑相似，移至匹配序列；否则，重复上述步骤，直至完成匹配。

与现有技术相比，本发明设计了结合通道注意力机制的语义分割网络并应用于小天体陨石坑分割，通过编码器提取小天体陨石坑特征，通过通道注意力机制自动选择陨石坑特征，显著提升陨石坑分割结果，同时引入特征描述符，针对分割结果提出了大尺度视角变换下鲁棒性匹配的方法。

本发明提出的方法在图像进行缩放变换，平移旋转变换及光照匹配时都具有不变性，且与分割区域的大小无关。

附图说明

读者在参照说明书附图阅读具体实施案例后，将会更清楚的了解本发明的各个方面。其中，

图1示出了本发明的算法的总体流程图。

图2为网络结构示意图。

图3为本发明提出的多重损失函数训练后分割结果。

图4为支撑区域分块数目与正确匹配率之间的关系。

图5为支撑区域及划分示意图。

图6为陨石坑支撑区域权重示意图。

图7为特征描述符分区梯度直方图。

图8为尺度变换下的匹配结果图。

图9为旋转变换下的匹配结果图。

图10为平移变换下的匹配结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述，显然，所述的实施例仅是本发明的一部分实施例，而不是全部实施例。因此，以下在对附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的发明范围。

如图1所示一种小天体陨石坑精准分割及匹配算法具体包括以下步骤：

步骤S1：利用小天体分割数据集对小天体网络进行小天体分割网络进行训练，之后利用网络对小天体图像提取特征进行推理，输出小天体分割结果；

步骤S2：确定陨石坑分割区域支撑区域并生成描述符；

步骤S3：对描述符间相似度进行计算，获取最终匹配结果。

在一个实施例中，上述步骤S1：利用小天体分割数据集对小天体网络进行小天体分割网络进行训练，之后利用网络对小天体图像提取特征进行推理，输出小天体分割结果，具体包括：

参照图2所示的小天体分割网络，利用多层编码-解码器对图像的特征进行提取，针对小天体图像暗弱，特征难提取的问题，设计空间特征增强金字塔，将低层纹理特征与高层特征相融合，解决在特征提取过程中细节的损失，融合过程如公式(1)所示：

F

同时结合多重损失函数Loss

其中，y为网络预测结果，

w

代表不同损失函数在陨石坑精准分割中所占的权值。

最后获得网络分割结果如图3所示；在分割结果支撑区域确定的过程中：对图像进行降采样和高斯模糊来构建尺度空间金字塔。尺度空间金字塔的目的是模拟图像数据的多尺度特征，对金字塔中的每一幅图像的陨石坑进行描述，以此保证描述的陨石坑具有尺度不变性。考虑到分割结果大小不一、不规则的问题，提出自适应膨胀的方法，优化选取支撑区域，确保特征的丰富度及可用性，首先确定图像高h,宽w，并计算最小外接圆半径r，然后依据高和宽的较大值l

l＝max(h,w)(4)

将陨石坑分为三类，半径大于

其中S为分割区域，K

在每层金字塔上采集其所在陆标支撑区域内像素的梯度和方向分布特征。利用支撑区域像素梯度为每一个陆标分配一个基准方向。为了实现完全的旋转不变性，在计算某一个点的梯度及其方向时，按照其位置进行自适应的调整。对于二元函数f(x,y)，在点(x

则图像在像素点(x

分别计算各像素点横向梯度g(x,y)

对于第i个方向区间，梯度幅值求和可表示为：

其中，w(x,y)为权重系数，表示像素梯度幅值在i区间的影响大小，计算过程如公式(12)所示。当图像发生旋转时，感知区域边缘信息会相应变化，相对的，靠近中心区域像素相对能保持稳定。对此，根据像素点位置情况，在梯度幅值求和时赋予相应权重系数。

对于不规则的陆标分割区域，寻找其最小外接圆，将其划分为4个等比例的同心圆，并根据公式(6)所示的高斯函数求取各网格权重系数，结果如图5所示。其支撑区域如图6所示。根据网络权值系数图，计算各方向区间梯度幅值总和，构造梯度直方图，其中横轴为所划分的10个区域，纵轴为对应区间内梯度幅值总和。之后选择梯度幅值总和最大的方向区间作为主方向区间，则从该区间开始逆时针遍历所有区间构建描述符。对于图7所示直方图，其中第k区间为主方向区间，则对应描述符可表示为：

图像发生尺度变化时整体像素数量发生改变，而发生亮度变化时会导致像素值整体改变，但各方向区间梯度幅值总和的比例能相对保持稳定。因此，对描述符D进行归一化处理。令D中最大值为M

考虑到独特的形状特征，采用Hu矩对其形状进行表征，提高匹配精度，Hu矩定义如下：

Hu＝[h

其中h

h

h

h

h

h

h

其中η

则引入Hu矩后的描述符

最后针对两幅图像中的陆标进行匹配，通过特征描述符建立分割区域描述子集合。目标的匹配是通过两点集中描述子比对来完成。具有150维的描述子的相似性度量采用欧式距离来表示。从前一帧图像中循环获取分割区域，针对前一帧图像中的每一个陨石坑，在右图中匹配与之对应的区域。其次设置描述符间欧氏距离阈值，考虑到不同描述符间向量长度有差异，难以设置具有一般性的阈值，这里使用相对距离进行匹配效果衡量。对描述符

其中Y为设定的阈值0.9，用于判断两幅图像中提取的陨石坑是否相似。同时采用最近邻比率的方法减小误匹配，其匹配结果如图8-图10所示。在光照变化下正确匹配率为98.12％，误匹配率为1.88％；在旋转变化下正确匹配率为96.36％，误匹配率为3.64％；在尺度变化下正确匹配率为96.85％，误匹配率为3.15％。

综上，本发明所述方法对深度学习网络陨石坑显著性分割结果进行匹配，从最终的结果可以看出，提出的基于特征描述符的匹配方法实现了陆标匹配，对于陨石坑显著分割，障碍识别以及视觉导航等有重要意义。

以上论述，仅是本发明的较佳实施例而已，并非是对本发明做其他形式的限制，任何熟悉本专业的技术人员可能利用上述内容加以变更或改型为等同变化等效实施例应用于其他领域，但凡是未脱离本发明的技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明保护范围。