Detecc¸˜ao de slope streaks na superf´ıcie de Marte utilizando
processamento digital de imagem e aprendizado de m´aquina
Matheus Carnelutt Chafr˜ao1, Guilherme Pina Cardim1
1Departamento de Computac¸˜ao – Universidade Estadual de Londrina (UEL)
Caixa Postal 10.011 – CEP 86057-970 – Londrina – PR – Brasil
matheuschafrao@gmail.com, gpcardim@uel.br
Abstract. Slope streaks are dark spots in images of Mars surface. They are usually found in equatorial regions and can help scientists find a possible expla-nation to the existance of water in Mars. For that reason it’s extremely impor-tant to locate these places for a possible planet exploration. The main objective this work tries to achieve is a methodology to automatically detect this features using digital image processing and machine learning. It is expected that this paper can help future researches from the scientific community by providing the location of these features.
Resumo. Slope streaks s˜ao manchas escuras que aparecem em imagens da su-perf´ıcie de Marte. Podem ser encontrados na regi˜ao equatorial do planeta e possuem uma poss´ıvel explicac¸˜ao para a existˆencia de ´agua no planeta ver-melho. Por esse motivo, a localizac¸˜ao desses processos geol´ogicos s˜ao de suma importˆancia para uma poss´ıvel explorac¸˜ao do planeta. Nesse sentido, o objetivo do trabalho ´e desenvolver uma metodologia para detecc¸˜ao dessa caracter´ıstica utilizando t´ecnicas de processamento de imagem e aprendizado de m´aquina em conjunto. Espera-se que o desenvolvimento de uma metodologia autom´atica para a detecc¸˜ao dessas feic¸˜oes possa contribuir para a comunidade cient´ıfica fornecendo a localizac¸˜ao desses alvos para futuros estudos.
1. Introduc¸˜ao
Com o avanc¸o da tecnologia e o grande interesse em explorac¸˜ao de planetas al´em da Terra, surge a necessidade de estudar e conhecer a superf´ıcie desses astros antes de realizar uma viagem de explorac¸˜ao. Um planeta em que a comunidade cient´ıfica demonstra muito inte-resse ´e Marte. Esse inteinte-resse pode ser resumido em: procurar vida; entender a superf´ıcie e a evoluc¸˜ao do planeta; e preparar para a explorac¸˜ao humana [3].
Marte possui uma vasta gama de caracter´ısticas semelhantes as da Terra [10], como a durac¸˜ao do dia e a inclinac¸˜ao de rotac¸˜ao. Essa semelhanc¸a foi descoberta num conjunto de miss˜oes de explorac¸˜ao. Uma delas ´e a miss˜ao do Laborat´orio de Ciˆencia de Marte (Mars Science Laboratory, MSL), em que enviaram o Curiosity Rover (um ve´ıculo desenvolvido para explorar a superf´ıcie de um planeta ou de uma lua1) para o planeta
vermelho, com o objetivo de explorar e categorizar a superf´ıcie de Marte para estudos e explorac¸˜oes futuras [5].
Al´em de rovers, outra forma de estudar a formac¸˜ao do planeta ´e por meio de imagens obtidas atrav´es de sondas interplanet´arias. Um exemplo dessas sondas ´e a Mars
Observer Camera(MOC) que, por meio da sua ´orbita no planeta, consegue “montar” ima-gens, linha por linha, do astro em quest˜ao [7]. Essas imagens de alta definic¸˜ao s˜ao usadas para estudar sedimentos, processos sedimentares, dep´ositos polares, processos polares, vulcanismo e outros processos geom´orficos e geol´ogicos.
Uma caracter´ıstica importante para a explorac¸˜ao humana em Marte s˜ao os slope streaks. Eles s˜ao comumente encontrados na regi˜ao equatorial de Marte, sendo identifi-cados pela sua forma estreita e alongada [15] e seu tom em contraste com a ´area ao seu redor [2]. A visualizac¸˜ao dessas imagens, al´em das condic¸˜oes em que elas s˜ao encontradas (regi˜oes com baixa in´ercia termal, declives ´ıngremes e lugares onde a temperatura passa de 275K) mostra que ´e poss´ıvel que quantidades pequenas de ´agua transitavam por locais de baixa altitude, perto da superf´ıcie, possivelmente gerando os fenˆomenos observados [14] tornando essas caracter´ısticas de grande interesse cient´ıfico.
A Sec¸˜ao 2 explica quais os conceitos que ser˜ao aplicados e utilizados para o desen-volvimento do trabalho, citando como estado da arte trabalhos que j´a realizam a detecc¸˜ao de forma diferente da proposta. A Sec¸˜ao 3 detalha os objetivos a serem atingidos no tra-balho. A Sec¸˜ao 4 lista a metodologia que ser´a aplicada durante a execuc¸˜ao do tratra-balho. A Sec¸˜ao 5 apresenta o cronograma das atividades descritas na Sec¸˜ao anterior. Por fim, a Sec¸˜ao 6 apresenta as contribuic¸˜oes esperadas do trabalho a ser desenvolvido.
2. Fundamentac¸˜ao Te´orico-Metodol´ogica e Estado da Arte
2.1. Slope streaks e feic¸˜oes de Marte
Slope streaks s˜ao faixas escuras, alongadas e estreitas, como apresentado na Figura 1, encontradas na regi˜ao equatorial de Marte, em declives ´ıngremes. Foram observados pela primeira vez em imagens da sonda Viking Orbiter, mas por limitac¸˜oes de qualidade, s´o puderam ser analisados com detalhes com imagens da Mars Orbiter Camera (MOC) a bordo da sonda Mars Global Surveyor (MGS) [15].
Figura 1. Sec¸ ˜ao da imagem de um slope streak retirado da sonda HiRISE (ima-gem PSP 003259 1850)
Outra feic¸˜ao comumente abordadas em trabalhos sobre superf´ıcies de Marte s˜ao as crateras. Por ser facilmente identificadas, e trazer muitas informac¸˜oes sobre a idade e composic¸˜ao atmosf´erica [1] existem uma quantidade muito maior de pesquisas em crate-ras do que sobre slope streaks. ´E poss´ıvel reconhecer esse mesmo padr˜ao em trabalhos de
detecc¸˜ao dessas feic¸˜oes. A quantidade de trabalhos publicados sobre detecc¸˜ao de slope streaks´e extremamente menor do que de crateras. O mesmo pode ser dito para dust devils, uma outra feic¸˜ao encontrada na superf´ıcie de Marte.
Al´em disso, a pesquisa sobre slope streaks ´e significativa pois pode trazer informac¸˜oes importantes sobre a existˆencia de ´agua na superf´ıcie de Marte [14].
Nas subsec¸˜oes 2.2 e 2.3, ser´a feita uma breve explicac¸˜ao da t´ecnica apresentada, seguido de um exemplo de como essa t´ecnica ´e utilizada para a detecc¸˜ao de slope streaks em trabalhos publicados. Por fim, ser´a feito uma comparac¸˜ao com trabalhos de detecc¸˜ao em outras ´areas para compilar m´etodos e t´ecnicas que ser˜ao utilizados.
2.2. Processamento Digital de Imagens (PDI)
Processamento de imagem pode ser descrito como m´etodos que recebem uma ima-gem (um conjunto de pixels, com valores de intensidade para cada um), aplicam uma transformac¸˜ao e resultam em outra imagem. Os valores de intensidade dos pixels da ima-gem resultante podem ser modificados baseados em regras que usam os valores originais dos pixels e seus vizinhos [13]. Exemplos de processamentos de imagens s˜ao: detecc¸˜ao de bordas; extrac¸˜ao de cores; transformac¸˜ao para escala de cinzas [9].
Em trabalhos de detecc¸˜ao de slope streaks, utilizando somente o processamento de imagens, a detecc¸˜ao ´e dividida em trˆes etapas: pr´e-processamento; detecc¸˜ao; e p´os-processamento. Na primeira etapa, s˜ao utilizadas t´ecnicas como abertura e fechamento por ´area [12] [11] para atenuar ru´ıdos presentes na imagem. Na segunda, a detecc¸˜ao ´e realizada por meio da binarizac¸˜ao da imagem contendo os slope streaks. Essa binarizac¸˜ao ´e feita utilizando a transformada de top-hat por fechamento e binarizac¸˜ao de Otsu [12] [11]. Por fim, na terceira etapa ´e feito um filtro baseado na forma das estruturas brancas encontradas na segunda etapa. Esse filtro segue do pressuposto que as formas desejadas ser˜ao sempre alongadas e estreitas [15], removendo do resultado formas que n˜ao seguem esse padr˜ao.
Em problemas de detecc¸˜ao em imagens, t´ecnicas de processamento de imagens s˜ao utilizadas como pr´e-processamento da amostra para tornar o m´etodo de detecc¸˜ao me-nos complexo. Em casos como a detecc¸˜ao de slope streaks, ´e usado para remoc¸˜ao de ru´ıdos [12] [11], j´a em casos como a detecc¸˜ao de crateras pode ser usado para remoc¸˜ao de falsos positivos [16] ou detecc¸˜ao das bordas da cratera [6].
2.3. Aprendizado de m´aquina
Aprendizado de m´aquina (do inglˆes machine learning) ´e a ciˆencia de programar compu-tadores para que eles consigam aprender com dados [4]. Em outras palavras, aprendizado de m´aquina ´e como ensinar o computador a usar experiˆencia para predizer resultados com uma precis˜ao maior [8]. Essa tarefa pode ser detalhada de forma que o computador con-siga receber como entrada uma imagem contendo um gato ou um cachorro e dizer, com um n´ıvel de confianc¸a, qual dos dois est´a contido na imagem. Aprendizado de m´aquina ´e usado comumente para resolver problemas classificados como problemas de aprendizado [8]. Alguns exemplos s˜ao classificac¸˜ao de documentos, processamento de linguagem na-tural e vis˜ao computacional.
Se tratando de aprendizado de m´aquina, trabalhos com objetivos similares utili-zam essa t´ecnica como a principal forma de detecc¸˜ao. Por conta de sua caracter´ıstica de
aprendizado constante, ´e poss´ıvel fazer pequenos ajustes para melhorar a detecc¸˜ao utili-zando aprendizado supervisionado. Num trabalho de detecc¸˜ao de crateras, por exemplo, ´e poss´ıvel utilizar uma ´arvore de decis˜ao [16] para encontrar as crateras, depois da amostra ter passado por um refinamento.
Assim como em detecc¸˜ao de crateras, o aprendizado de m´aquina tamb´em pode ser utilizado para detectar slope streaks. Pode ser utilizada a t´ecnica de reconhecimento de padr˜oes utilizando uma rede neural [17] para separar imagens extra´ıdas de slope streaks de falsos positivos.
3. Objetivos
Realizar um algoritmo de detecc¸˜ao de slope streaks a partir de amostras de imagens de marte utilizando processamento de imagens e aprendizado de m´aquina. Al´em disso, com-parar a performance e os resultados com algoritmos j´a existentes no meio acadˆemico.
4. Procedimentos metodol´ogicos/M´etodos e t´ecnicas
Inicialmente pretende-se fazer uma revis˜ao bibliogr´afica de trabalhos j´a existentes sobre detecc¸˜ao de slope streaks assim como de outras caracter´ısticas de Marte (crateras, dust devils, nuvens de poeira). Ap´os isso, realizar a implementac¸˜ao de um algoritmo para a detecc¸˜ao espec´ıfica de slope streaks com t´ecnicas de processamento de imagens e inte-ligˆencia artificial. Por fim, comparar o algoritmo desenvolvido com os algoritmos exis-tentes, comparando a performance e qualidade das detecc¸˜oes, para definir se o trabalho proposto possui desempenho melhor ou pior que os demais.
5. Cronograma de Execuc¸˜ao
O cronograma das atividades apresentadas na Sec¸˜ao 4, incluindo a escrita das vers˜oes parcial e completa do Trabalho, ser˜ao realizadas da seguinte forma.
Atividades:
1. Revis˜ao Bibliogr´afica;
2. Pesquisa sobre processamento de imagem a ser utilizado; 3. Pesquisa sobre redes neurais a ser utilizado;
4. Desenvolvimento e testes do algoritmo; 5. Comparac¸˜ao com algoritmos j´a existentes; 6. Escrita parcial do TCC;
7. Escrita do TCC.
6. Contribuic¸˜oes e/ou Resultados esperados
Neste trabalho, espera-se apresentar uma nova forma de detectar slope streaks, assim como comparar a efic´acia dos m´etodos j´a existentes.
7. Espac¸o para assinaturas
Tabela 1. Cronograma de Execuc¸ ˜ao
jul ago set out nov dez jan Atividade 1 X X Atividade 2 X Atividade 3 X Atividade 4 X X X X Atividade 5 X X Atividade 6 X X Atividade 7 X X X —————————————— —————————————— Aluno Orientador
Referˆencias
[1] Edward Anders and James R Arnold. Age of craters on mars. Science, 149(3691):1494– 1496, 1965.
[2] Frank C Chuang, Ross A Beyer, Alfred S McEwen, and Bradley J Thomson. Hirise observations of slope streaks on mars. Geophysical Research Letters, 34(20), 2007. [3] ESA. Why go to mars? http://www.esa.int/Science_Exploration/
Human_and_Robotic_Exploration/Exploration/Why_go_to_ Mars, 2020. Acesso em 03 ago. 2020.
[4] Aur´elien G´eron. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems. O’Reilly Media, 2019. [5] John P Grotzinger, Joy Crisp, Ashwin R Vasavada, Robert C Anderson, Charles J Baker,
Robert Barry, David F Blake, Pamela Conrad, Kenneth S Edgett, Bobak Ferdowski, et al. Mars science laboratory mission and science investigation. Space science reviews, 170(1-4):5–56, 2012.
[6] M Magee, CR Chapman, SW Dellenback, B Enke, WJ Merline, and MP Rigney. Au-tomated identification of martian craters using image processing. LPI, page 1756, 2003.
[7] Michael C Malin, GE Danielson, AP Ingersoll, H Masursky, J Veverka, MA Ravine, and TA Soulanille. Mars observer camera. Journal of Geophysical Research: Planets, 97(E5):7699–7718, 1992.
[8] Mehryar Mohri, Afshin Rostamizadeh, and Ameet Talwalkar. Foundations of machine learning. MIT press, 2018.
[9] Fr´ed´eric Patin. An introduction to digital image processing. online]: http://www. pro-grammersheaven. com/articles/patin/ImageProc. pdf, 2003.
[10] Ronald G Prinn and Bruce Fegley Jr. The atmospheres of venus, earth, and mars: a critical comparison. Annual review of earth and planetary sciences, 15(1):171–212, 1987. [11] F Puga, P Pina, and EA Silva. Automatic slope streak detection in moc, ctx and hirise
[12] Fernanda Puga, Erivaldo A Silva, and Pedro Pina. Automatic slope streak detection on mars. In 2015 9th International Symposium on Image and Signal Processing and Analysis (ISPA), pages 98–101. Ieee, 2015.
[13] John C Russ. Image processing. In Computer-assisted microscopy, pages 33–69. Sprin-ger, 1990.
[14] Norbert Schorghofer, Oded Aharonson, and Samar Khatiwala. Slope streaks on mars: Correlations with surface properties and the potential role of water. Geophysical Research Letters, 29(23):41–1, 2002.
[15] Robert Sullivan, Peter Thomas, Joseph Veverka, Michael Malin, and Kenneth S Edgett. Mass movement slope streaks imaged by the mars orbiter camera. Journal of Ge-ophysical Research: Planets, 106(E10):23607–23633, 2001.
[16] Erik R Urbach and Tomasz F Stepinski. Automatic detection of sub-km craters in high resolution planetary images. Planetary and Space Science, 57(7):880–887, 2009. [17] Yexin Wang, Kaichang Di, Xin Xin, and Wenhui Wan. Automatic detection of martian
dark slope streaks by machine learning using hirise images. ISPRS Journal of Pho-togrammetry and Remote Sensing, 129:12–20, 2017.
