论文部分内容阅读
Cassini空间探测器携带有专门的光学望远镜系统ISS(Imaging Science Subsystem),截止目前为止,它已经获取了几十万张图像,但是其中只有一部分可用于天体测量工作。传统的方法是通过专业人员根据以往的天体测量经验从大量ISS图像中挑选出可用于天体测量的图像,这是一个繁重且耗时的工作。如果能够找到一种自动的ISS图像筛选方法,那么对天体测量领域的研究将有重要意义,本文的研究目的就是尝试将该工作自动化。ISS图像的筛选工作本质上属于图像分类的范畴。本文将当前流行的卷积神经网络技术与传统的支持向量机(Support Vector Machine,SVM)技术结合提出了一种自动化的ISS图像可测性分类系统,并对该系统进行了大量实验测试。同时,也用了几种传统的特征提取算子来与本文方法进行了对比分析。总的来说,本文的ISS图像可测性分类系统主要分为:ISS图像预处理、ISS图像特征提取以及ISS图像分类三个部分,其中后两者是重点。1)在ISS图像特征提取过程中,本文采用了八种在ImageNet 2012数据集上训练好的深度卷积网络——CNN-F,CNN-M,CNN-S,CNN-M-128,CNN-M-1024,CNN-M-2048,VeryDeep-16和VeryDeep-19,将其输出层的输入数据作为ISS图像的特征描述子。除此之外,在最后的实验部分中本文又用了三种传统的图像特征提取算子——Hog、LBP和Gabor算子来与本文的图像特征提取方法进行对比。2)在ISS图像分类过程中,本文采用的分类器是SVM。不过,因为本文所要分的类别有三个,而原始的SVM只能进行二分类,因此本文分别采用了一对一和一对多的多分类策略。另外,在SVM核函数的选择上,本文对常见的线性函数、多项式函数和高斯函数分别进行了实验。3)因为ISS图像为Vicar格式,利用一般的工具无法直接进行读取,所以在ISS图像的预处理阶段需要对其进行特殊处理。本文通过对ISS图像的存储结构进行分析,利用MATLAB编写了读取ISS图像的函数,这为下一步的ISS图像特征提取奠定了基础。最后,通过实验测试和分析发现,同等条件下,利用本文提到的八种深度卷积网络进行特征提取所得到的分类结果总体上优于利用传统的三种图像特征提取算子得到的分类结果。并且,利用深度卷积网络CNN-S与2阶多项式核函数和一对多的多分类SVM结合的方式可以达到最好的分类结果,其分类准确率在97%以上。总体而言,本文提出的Cassini ISS图像可测性分类系统基本实现了ISS图像的自动筛选工作,而且得到了良好的效果。同时,该系统也可以推广到其它空间探测项目的类似工作中。