一种嫦娥三号高程值的估计方法

doi:10.19665/j.issn1001-2400.2019.02.023

西安电子科技大学学报 ›› 2019, Vol. 46 ›› Issue (2): 139-144.doi: 10.19665/j.issn1001-2400.2019.02.023

一种嫦娥三号高程值的估计方法

周哲哲^1,²,赵萌^1,²(),石凡^1,²,陈胜勇^1,²,栾昊^1,²

^1. 天津理工大学计算机科学与工程学院, 天津 300384
^2. 天津理工大学计算机视觉与系统教育部重点实验室, 天津 300384

收稿日期:2018-07-10 出版日期:2019-04-20 发布日期:2019-04-20
作者简介:周哲哲(1993-),女,天津理工大学硕士研究生,E-mail:zhouzhehh0319@gmail.com.
基金资助:
国家自然科学基金(61703304);国家自然科学基金(U1509207)

Method for estimation of the elevation value of the Chang’e-3

ZHOU Zhezhe^1,²,ZHAO Meng^1,²(),SHI Fan^1,²,CHEN Shengyong^1,²,LUAN Hao^1,²

^1. School of Computer Science and Engineering, Tianjin Univ. of Technology, Tianjin 300384, China
^2. Key Lab. of Computer Vision and System of Ministry of Education, Tianjin Univ. of Technology, Tianjin 300384, China

Received:2018-07-10 Online:2019-04-20 Published:2019-04-20

摘要/Abstract

摘要：

针对嫦娥三号所拍摄的图像为近月表图像,未搭载激光高度计,无法获得高程值这一问题,提出一种嫦娥三号高程值估计的方法。该算法是在嫦娥二号多传感器数据的基础上,训练出在图像中的特征描述子与高程值之间对应关系的误差反向传播神经网络模型;然后利用嫦娥三号的高精度图像特点,估计出相应的高程值。实验测试结果表明,这种算法可将高程值估计误差降低到3.94%,因此得到的嫦娥三号高程值具有可靠性,可应用于高精度月球重建。

关键词: 嫦娥三号, 高程值估计, 误差反向传播神经网络, 全月重建

Abstract:

According to the image taken by the Chang’e-3 as a near moon image, the elevation value cannot be obtained without a laser altimeter, and a method to estimate the elevation value of the Chang’e-3 is proposed. The method is based on the “Chang’e-2” multi-sensor data and trains the BP neural network model of the corresponding relationship between the feature descriptors and the elevation values in the image. Then, the corresponding elevation values are estimated using the features of the high precision image of the Chang’e-3. Exxperimental results show that the proposed method can reduce the elevation value estimation error to 3.94%. Therefore, the elevation value of the “Chang’e-3” is reliable and can be applied to high-precision moon reconstruction.

Key words: Chang’e-3, elevation value estimation, back propagation(BP) neural network, moon reconstruction

中图分类号:

TP39

周哲哲,赵萌,石凡,陈胜勇,栾昊. 一种嫦娥三号高程值的估计方法[J]. 西安电子科技大学学报, 2019, 46(2): 139-144.

ZHOU Zhezhe,ZHAO Meng,SHI Fan,CHEN Shengyong,LUAN Hao. Method for estimation of the elevation value of the Chang’e-3[J]. Journal of Xidian University, 2019, 46(2): 139-144.

图/表 6

图1

图2

表1

图3

图4

表2

参考文献 15

[1]	李春来, 刘建军, 任鑫 , 等. 基于嫦娥二号立体影像的全月高精度地形重建[J]. 武汉大学学报(信息科学版), 2018,43(4):485-495. doi: 10.13203/j.whugis20170400
	LI Chunlai, LIU Jianjun, REN Xin , et al. Lunar Global High-precision Terrain Reconstruction Based on Chang’e-2 Stereo Images[J]. Geomatics and Information Science of Wuhan University, 2018,43(4):485-495. doi: 10.13203/j.whugis20170400
[2]	LIU R . The Performance of the Chang’e 3 Lunar Satellite[J]. Aerospace China, 2014,15(1):4-7.
[3]	曹建峰, 张宇, 胡松杰 , 等. 嫦娥三号着陆器精确定位与精度分析[J]. 武汉大学学报(信息科学版), 2016,41(2):274-278. doi: 10.13203/j.whugis20140123
	CAO Jianfeng, ZHANG Yu, HU Songjie , et al. An Analysis of Precise Positionging and Accuracy of the CE-3 Lunarlander Soft Landing[J]. Geomatics and Information Science of Wuhan University, 2016,41(2):274-278. doi: 10.13203/j.whugis20140123
[4]	SILBURT A, ALI-DIB M, ZHU C C , et al. Lunar Crater Identification via Deep Learning[J/OL]. [2018-06-20]. https://arxiv.org/pdf/1803.02192.pdf.
[5]	BARKER M K, MAZARICO E, NEUMANN G A , et al. A New Lunar Digital Elevation Model from the Lunar Orbiter Laser Altimeter and SELENE Terrain Camera[J]. Icarus, 2016,273:346-355. doi: 10.1016/j.icarus.2015.07.039
[6]	KOROKHIN V, VELIKODSKY Y, SHKURATOV Y , et al. Using LROC WAC Data for Lunar Surface Photoclinometry[J]. Planetary and Space Science, 2018,160:120-135. doi: 10.1016/j.pss.2018.05.020
[7]	张兴国, 刘晓磊, 李靖 , 等. BP神经网络下的限速交通标志实时检测识别[J]. 西安电子科技大学学报, 2018,45(5):136-142. doi: 10.3969/j.issn.1001-2400.2018.05.022
	ZHANG Xingguo, LIU Xiaolei, LI Jing , et al. Real-time Detection and Identification of Speed Limit Traffic Signs under the BP Neural Network[J]. Journal of Xidian University, 2018,45(5):136-142. doi: 10.3969/j.issn.1001-2400.2018.05.022
[8]	黎剑兵, 肖潇, 李小平 , 等. 一种新的结合环状区域划分的特征描述子[J]. 西安电子科技大学学报, 2016,43(2):64-69. doi: 10.3969/j.issn.1001-2400.2016.02.012
	LI Jianbing, XIAO Xiao, LI Xiaoping , et al. Local Coordinate Gradient Descriptor Based on Cyclic Division[J]. Journal of Xidian University, 2016,43(2):64-69. doi: 10.3969/j.issn.1001-2400.2016.02.012
[9]	LOWE D G . Distinctive Image Features from Scale-invariant Keypoints[J]. International Journal of Computer Vision, 2004,60(2):91-110. doi: 10.1023/B:VISI.0000029664.99615.94
[10]	LOWE D G . Fitting Parameterized Three-dimensional Models to Images[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1991,13(5):441-450. doi: 10.1109/34.134043
[11]	续拓, 李洁, 王颖 . 叠加信息熵游走数据聚类算法[J]. 西安电子科技大学学报, 2018,45(4):75-79. doi: 10.3969/j.issn.1001-2400.2018.04.014
	XU Tuo, LI Jie, WANG Ying . Clustering by Samples Movement in the Superposition Information Entropy Field[J]. Journal of Xidian University, 2018,45(4):75-79. doi: 10.3969/j.issn.1001-2400.2018.04.014
[12]	刘雨情, 肖嵩, 李磊 . 在线判别式超像素跟踪算法[J]. 西安电子科技大学学报, 2018,45(3):13-17. doi: 10.3969/j.issn.1001-2400.2018.03.003
	LIU Yuqing, XIAO Song, LI Lei . Online Discriminant Based Superpixel Tracking Method[J]. Journal of Xidian University, 2018,45(3):13-17. doi: 10.3969/j.issn.1001-2400.2018.03.003
[13]	NIELSEN F . Hierarchical Clustering[J]. Psychometrika, 2016,521(1):405-414.
[14]	DE SOUZA R S, MAIO U, BIFFI V , et al. Robust PCA and MIC Statistics of Baryons in Early Minihaloes[J]. Monthly Notices of the Royal Astronomical Society, 2018,440(1):240-248. doi: 10.1093/mnras/stu274
[15]	LIU L X, LIU Y, SHI G X . Evaluation of Quality of Teaching Based on BP Neural Network[J]. Journal of Chemical and Pharmaceutical Research, 2014,6(2):83-88.

编号	SIFT匹配点特征 (x₁,x₂,x₃,…,x₇₃)	匹配点坐标		高程值
编号	SIFT匹配点特征 (x₁,x₂,x₃,…,x₇₃)	左图坐标	右图坐标	高程值
1	(49.4200,16.2600,192,…,66)	(1.19423,2.91739)	(1.5290,3.3337)	(1689.6646)
2	(24.9800,20.4700,64,…,65)	(1.30565,4.69155)	(1.4831,6.5289)	(1417.2866)
3	(1.2025,49.8800,128,…,65)	(2.2391,3.14345)	(1.4806,5.3587)	(1636.9781)
4	(49.3247,64.0700,250,…,64)	(5.8586,3.6801)	(1.4007,6.5266)	(1398.8079)
5	(25.5880,85.3200,230,…,63)	(5.1953,2.4787)	(1.3760,1.3137)	(1559.0171)

算法	相对误差/%	运行时间/s
SURF+BP	13.00	66
SIFT+BP	5.24	50
文中算法	3.94	37

一种嫦娥三号高程值的估计方法

Method for estimation of the elevation value of the Chang’e-3

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 15

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	李卓, 王童彤, 刘开华. 基于智能规则存储匹配模型的包分类算法研究[J]. 西安电子科技大学学报, 2024, 51(6): 149-158.
[2]	王进花, 魏婷, 曹洁, 陈莉. 改进SwinIR的多特征融合图像超分辨率重建[J]. 西安电子科技大学学报, 2024, 51(6): 171-181.
[3]	汤书苑, 周一青, 李锦涛, 刘畅, 石晶林. 基于特征校准的双注意力遮挡行人检测器[J]. 西安电子科技大学学报, 2024, 51(6): 25-39.
[4]	蔡固顺, 刘锦辉, 张馨丹, 黄钊, 王泉. 基于PINN的非线性电路直流工作点求解方法[J]. 西安电子科技大学学报, 2024, 51(6): 91-103.
[5]	宋文超, 杨帆, 邢泽华, 张钰杰. 时间二维变化建模的网络流量多步预测方法[J]. 西安电子科技大学学报, 2025, 52(1): 22-36.
[6]	张静, 吴慧雪, 张少博, 李云松. 分布式策略下的解码端增强图像压缩网络[J]. 西安电子科技大学学报, 2025, 52(1): 1-13.
[7]	余修武, 晋诗琪. 融合VFA和ISSA的多目标优化WSN覆盖算法[J]. 西安电子科技大学学报, 2024, 51(6): 60-72.
[8]	梁礼明, 金家新, 李俞霖, 董信. 融合PVTv2和动态感知的视网膜分级算法[J]. 西安电子科技大学学报, 2024, 51(6): 159-170.
[9]	梁礼明, 董信, 雷坤, 夏雨辰, 吴健. 融合注意力谱非局部块的视网膜图像质量分级[J]. 西安电子科技大学学报, 2024, 51(4): 102-113.
[10]	高迪辉, 盛立杰, 许小冬, 苗启广. 图文跨模态检索的联合特征方法[J]. 西安电子科技大学学报, 2024, 51(4): 128-138.
[11]	陈永, 常婷, 张冰旺. 混沌映射与中国剩余定理增强的切换认证方案[J]. 西安电子科技大学学报, 2024, 51(4): 192-205.
[12]	姜来为, 顾海洋, 谢丽霞, 杨宏宇. 机器学习在WSN入侵检测中的应用研究[J]. 西安电子科技大学学报, 2024, 51(4): 206-225.
[13]	逯彦, 廖桂生, 王小鹏. 一种自适应加速的多路径匹配追踪重建算法[J]. 西安电子科技大学学报, 2024, 51(4): 39-50.
[14]	陈可嘉, 张雨鹏, 林鸿熙. 句法感知与知识增强的方面级情感分析[J]. 西安电子科技大学学报, 2024, 51(5): 165-178.
[15]	管业鹏, 苏光耀, 盛怡. 双向长短期记忆网络的时间序列预测方法[J]. 西安电子科技大学学报, 2024, 51(3): 103-112.