Les cratères d'impact sur la Lune et la surface des planètes similaires à la Terre sont largement répandus et constituent une source de données importante pour l'étude des corps célestes. Aujourd'hui, il existe de nombreuses méthodes de détection de cratères d'impact, principalement basées sur des données d'images de cratères ou des modèles numériques de l'altitude (DEM) ; et avec l'enrichissement constant des données, ces dernières années ont également vu une tendance à l'utilisation combinée de ces deux types de données. Dans cet article, les auteurs utilisent les mots-clés image, modèle numérique d'altitude (DEM), et passent en revue de manière exhaustive les méthodes existantes de détection de cratères d'impact en utilisant de manière combinée des images et des DEM. Les résultats montrent que les méthodes de détection de cratères d'impact peuvent être divisées en 4 classes : la première classe est basée sur des données d'images, le DEM étant accessoire ; la deuxième classe est centrée sur le DEM, les images étant des informations supplémentaires ; la troisième classe - des méthodes qui combinent les deux types de données, en détectant d'abord les cratères d'impact dans les images et les DEM, puis en confrontant les résultats pour obtenir un résultat final ; la quatrième classe, appelée méthodes de fusion, implique l'utilisation d'images et de DEM, avec les deux catégories d'échantillons collectés sur la même zone, puis les échantillons des deux types sont d'abord fusionnés, puis utilisés comme entrée pour l'algorithme de détection de cratères d'impact, pour obtenir un modèle de détection unifié. De plus, dans cet article, les auteurs ont rassemblé des travaux représentatifs des 4 classes de méthodes et analysé les avantages et les domaines d'application des différentes méthodes, identifiant ainsi les points chauds de la recherche dans ce domaine et les perspectives de développement futur.

planète-terreuse; détection de cratères d'impact; données d'images; modèle numérique d'altitude; apprentissage machine