[发明专利]基于多特征融合的日冕物质抛射检测方法

说明书

本发明公开了一种基于多特征融合的日冕物质抛射检测方法，通过对CME差分图像进行分割，将CME检测建模为差分图像中最亮块的分类问题；首先，将原图像转化为极坐标显示；其次，由于CME的典型表现是明亮的、纹理复杂的增强结构，因此，查找CME的最亮块，以最亮块作为图像的代表，并提取最亮块的灰度、纹理以及HOG特征；最后，以抽取的灰度特征、纹理以及HOG特征为基础，采用决策树作为基分类器，采用集成决策树完成CME的检测。实验结果表明，提出的融合多特征的CME检测算法，可以取得较好的CME检测效果。

技术领域

本发明涉及一种基于多特征融合的日冕物质抛射检测方法。

背景技术

日冕物质抛射(Coronal Mass Ejections,CMEs)是太阳大气中一种频繁发生的爆发现象，其表现为在几分钟至几小时时间尺度内日冕结构发生明显变化并伴有可观测的物质抛射，通常表现为一个明亮的、纹理复杂的增强结构，尾随着一个亮度不足的暗区域。CME不仅是一种瞬变现象，它还可能对日冕的长期演化起着重要的作用；同时它与许多行星际扰动有着密切的关系，并可引起地球空间环境的剧烈改变；且CME的强度、角度等能对空间天气产生重大影响，因此CME的定量化研究对太阳物理、空间天文学科本身具有重要意义，而且对空间环境的预报和防灾、减灾具有一定的实用价值。而CME检测是CME定量化研究的基础，良好的CME检测效果是CME定量化研究及基于CME分析的空间天气预报预测的保证。尽管该问题非常重要，但在国内却鲜有研究。CME检测的任务是，针对输入的LASCO图像序列，判断在当前图像中是否有CME发生，如果有CME发生，则启动报警；同时将发生CME的视频序列进行存储，以备观测者或算法对当前的CME序列进行进一步的分析。而LASCO图像序列中存在的各种星体的干扰，另外CME形状多变，亮度变化也较大，大大增加了CME检测的难度，并降低了CME检测的精度。

Berghmans等通过霍夫变换对来自LASCO的CME数据进行判别，在完成CME分类的基础上对CME的特征如位置角度、展开角度、速度等基本参量进行定量化描述；Robbrecht等在Berghmans的工作基础上改进了CME识别的算法，能够通过LASCO C2和C3数据的整合，对间隔20分钟左右的数据进行CME的计算和判别，在霍夫变换之后加入了聚类和形态学闭方法来标记不同的CME，提高了系统的识别准确率，其对于CME爆发的时间和张角确定获得了较好的结果。这两种方法的缺点在于霍夫变换引入了线性的高度-时间演化约束，因此，不适合于研究低日冕的CME参数。Qu等完成了一套CME自动识别分类系统，该系统同时采用了LASCO C2和C3的数据，利用图像增强、图像分割以及形态学方法对耀斑的特征进行识别，并采用支持向量机的方法对CME进行了强、中等、弱的分类，该方法能够对来自LASCO的20分钟间隔数据进行实时判别，但其分类器依据提取的二值化数据为基础，难以取得好的检测效果。Olmedo等完成了一套对LASCO C2数据序列进行分析数据预处理、识别、跟踪、分类，采用1 维和2维投影法进行识别，利用阈值分割法获取CME的前导边缘，该系统计算的CME基本参数是位置角度、展开角度、速度、高度、平均亮度和速度等，但其无法处理多重CME的情况。Gonzalez-Gomez等采用小波分析的方法对CME进行了分类研究，分析的结果是从形态上把CME分成两类，一类是低流量、小尺度的活动现象；另一类则是高流量大尺度的活动现象。Gallagher认为CME是一种多尺度特征，而小波分析在增强典型CME前端曲线的可观性时效果欠佳，他们采用更高阶的脊小波和curvelet来进行分类和监测。Colaninno提出了采用光流场的CME检测及跟踪算法，尽管他们的算法能够监测CME的速度场，但由于光流场的基本假设是亮度不变性，而该假设在CME图像中显然是不满足的，另外，算法要求CME在扩展时要保持它的形状。曾昭宪等提出了基于频谱突变分析的日冕物质抛射识别方法，在该方法中，通过预处理去除原始观测图像中的各种噪声，针对CME的视觉统计特性，利用频谱突变分析从预处理后的观测图像中分离CME像区域。该方法对于强度较大的CME具有较好效果，但无法有效处理渐近发生的CME。