《表1 采用机器学习方法对火星表面撞击坑提取和识别的方法一览表》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《行星遥感影像目标识别与分类进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

（1）构造地貌。火星表面的构造地形地貌主要有撞击坑、火山等，早期主要采用手工进行撞击坑提取（刘宇轩等，2012），如Barlow等（1988）从20世纪80年代利用Viking影像人工判别和统计了火星大撞击坑数据，后续利用火星全球勘探者的MOC (Mar Orbital Camera）、MOLA(Mars Orbiter Laser Altimeter）和TES (Thermal Emission Spectrometer）数据对撞击坑数据进行了更新。对大于1 km的撞击坑，Robbins和Hynek(2012a，2012b）通过人工方式建立了数据库。基于影像灰度、DEM等信息，利用特定的图像处理方法进行构造地貌提取和识别的方法有：结合边缘提取和DEM数据的方法（Salamuni?car等，2011，2012），利用DEM和等值线关系与形态学拟合的方法（王栋等，2015a），主成分分析的方法（刘安等，2016），模板匹配方法（Vinogradova等，2002）(Kim等，2005）等。采用机器学习方法提取识别撞击坑是研究最多的方法，传统的机器学习方法一般是利用光照、纹理、梯度等信息建立窗口/区域的特征向量，然后利用分类器进行识别分类（Stepinski等，2012）。近年来深度学习中的卷积神经网络在提取和识别撞击坑方面进行了较好的应用（De Latte等，2019b）。表1为近年来发表的文献中，采用机器学习（包含深度学习）对火星撞击坑提取特征表达方法、分类器和采用的数据信息一览表。