[发明专利]一种基于改进U-Net网络的日冕物质抛射检测方法

说明书

本发明公开了一种基于改进U‑Net网络的日冕物质抛射检测方法，包括以下步骤：步骤1，将从SOHO主页上下载的LASCO C2图像进行图像预处理，所述预处理包括图像灰度化、图像旋转和翻转操作；步骤2，将从通过步骤1得到的LASCO C2图像转换到极坐标下来表示；步骤3，制作日冕图像数据集，将数据集分为训练集和测试集；步骤4，对原始的U‑Net网络进行改进，使之适应于日冕物质抛射检测任务；步骤5，使用改进后的U‑Net网络进行训练，微调网络参数，最终得到检测结果。实现对日冕物质抛射现象的自动检测，降低人工记录的难度，加快自动检测速度。

技术领域

本发明涉及天文图像目标检测领域，尤其涉及一种基于改进U-Net网络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)是太阳大气类型中一种频繁发生的爆发现象，其爆发时间及频率随太阳活动频率而不同，具体表现为在几分钟至几小时时间间隔范围内日冕结构发生显著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，其拖尾常伴随着一个亮度不足的暗区域。日冕物质抛射尚无明确的定义，较早的定义是日冕结构中可见的变化，包括日冕视野中一个新的、离散的、明亮的白光特征的出现和向外运动。日冕物质抛射是由包含等离子体和磁场的大型结构组成，这些等离子体和磁场是从太阳中发射到日球层的。日冕物质抛射的研究具有重大意义，从科学上讲，它们消除了日冕中积聚的磁能和等离子体；从理论意义上讲，它们对地球、其他行星和整个日光层的宇宙飞船上最极端的太空天气具有一定的影响。

目前的CME检测方法有其局限性，主要是由于这些扩散的物体很难用传统的图像处理技术来识别。这些困难来自于CME形态的变化、周围日冕的散射效应和非线性强度分布、日冕流带的存在，以及宇宙射线和影响日冕探测器的太阳能量粒子产生的噪声。

国内外现有的日冕物质抛射检测方法有两大类，一类是基于人工手动标识检测方法，协调数据分析中心(CDAW)和美国海军研究实验室(NRL)，这两个方法是由观测者对日冕仪拍摄的日冕图像进行处理，通过人工手动标识，编制成CMEs目录。人工手动标识检测方法主要依靠研究人员每日手工记录CMEs，该类方法易受观测者个人主观影响且工作量繁多耗时。而基于计算机自动处理的方法在一定程度上能够消除部分人工主观因素的同时还能节约人力资源成本。

基于计算机自动处理的方法大致可以分为以下四类：基于灰度特征的方法、基于纹理特征的方法，基于光流法和基于学习的方法。Robbrecht等首次提出计算机自动检测方法(CACTus)，该方法利用日冕物质抛射爆发时的物理参数组成的特殊数据结构体，通过使用霍夫变换完成日冕物质抛射的检测；Boursier等提出ARTEMIS方法，该方法将C2日冕图像变换到Synoptic Maps综合图中，利用垂直条纹来探测CME；Brueckner等使用传统形态学和变化阈值的方法在直角坐标系下探测CME；Colaninno等运用光流法实现对日冕物质抛射检测和跟踪；Olmedo等提出了太阳爆发事件探测系统(SEEDS)，该系统利用图像分割技术在极坐标中实现CME的检测。

上述方法或多或少存在一定问题，譬如基于灰度特征的方法CACTus和SEEDS等都采用了亮度增强的方式来突出日冕图像中的疑似日冕物质抛射区域，增强CMEs目标区域的同时也增强了非CMEs区域的强度，且因各自设置的检测规则、阈值选取不同会大大影响检测结果。基于光流算法可以从连续的日冕图像序列中估计每个像素的速度矢量，形成图像运动场，能够确定运动明显的目标，但对于较弱CMEs的检测跟踪效果较差，无法区分类似日冕物质抛射的太阳结构体。

近年来，随着机器学习等技术的快速发展，由于深度学习中的卷积神经网络(CNN)具有良好的特征提取能力，使用卷积神经网络能够实现对日冕物质抛射的特征提取，从而更好更快地从日冕图像中检测出日冕物质抛射，同时还能够在很大程度上节约人力资源成本。

发明内容