With the increasing number of planetary orbiter images, how to quickly select optimal images from the redundant data for planetary mapping tasks has become a critical issue. This paper proposes a planetary orbiter image selection method based on multi-constraints. In this method, orbiter image metadata and various constraints in photogrammetry mapping are combined, and a subset of images that satisfies mapping requirements from a large amount of redundant orbiter data is obtained through three parts: metadata-based selection in the preprocessing, images selection before feature matching, and stereo image pairs selection before dense matching. The experimental results indicate that the mean elevation deviation between the Digital Elevation Model (DEM) generated by the selected data subset and by the raw data is less than 1 meter, the DEM has 100% coverage ratio in the region of interest, and the data redundancy ratio is reduced by more than 500%. This method improves mapping efficiency while ensuring mapping accuracy.

Abstract. High-resolution digital terrain models (DEM) are crucial for Mars scientific exploration and engineering demands, such as mission route planning, landing site selection, and topography research. However, DEMs generated based on photogrammetry or photometry suffer from limited stereo coverage and complex generative processes. Therefore, we propose a GAN-based monocular 3D reconstruction method, which utilizes high-resolution monocular orbital images to achieve pixel-level Martian terrain reconstruction. We preprocess the image data and then invert the elevation using the trained generative model. Finally, we recover the absolute scale through post-processing. In this work, we use HiRISE orthorectified images and DEMs with a resolution of 2 m and 0.25 m to validate the effectiveness of our method. We evaluated our method in four areas with different landforms and found that the predicted DEM and HiRISE DEM have height consistency with the root mean square error of about 2 m. This indicates that the proposed GAN-based method has certain effectiveness and generalization and great potential in high-resolution monocular Martian DEM reconstruction.

Abstract Underground lava tubes are promising candidates for the construction of lunar bases because they are believed to offer good protection against radiation and harsh thermal environments on the lunar surface. Although the extent and structures of the underground lava tubes are uncertain, previously identified “skylights”, believed to represent places where lava tube roofs have collapsed, may provide insights into tube structures. Unfortunately, owing to the steep slopes, considerable depth, and associated difficult illumination conditions, the availability of detailed morphologic models of these pits is limited. In this study, we reconstruct the topography of lava tube pits using a refined photogrammetric approach. We use improved census cost for disparity search, refined point cloud coarse‐to‐fine registration, and weighted fusion of point clouds from several matched stereo image pairs to obtain a high‐resolution topographic model. Experiments are conducted for two prominent skylights, that is, the Mare Tranquillitatis Pit and the Marius Hills Hole, to demonstrate the effectiveness of the proposed approach. Several LRO NAC image pairs are selected from images covering these two areas, and fused topographic models with a spatial resolution of 2 are generated. The quality of our generated topographic models is validated against terrain products provided by the LROC team. Compared to these previous models, our model is generated based on a much denser point cloud and provides better coverage and more details. Benefiting from the detailed three‐dimensional models, morphological analysis is carried out to investigate the geometric dimensions (e.g., depth, diameters, slopes) of the lava tube pits.