日冕物質拋射事件識別方法
【專利摘要】本發明公開了一種日冕物質拋射事件識別方法，先對具有CME現象和無CME現象的日冕觀測圖像進行切割，對切割塊進行灰度信息特征的統計，找出有CME現象和無CME現象的日冕觀測圖像的差別。利用不同的切割尺寸進行切割，對比多種切割方式下有CME現象的日冕觀測圖像和無CME現象的日冕觀測圖像的灰度統計特征，選擇較優的若干種切割方式。基于較優的切割方式下得到的切割圖像的灰度統計特征設計若干弱分類器。最后用Adaboost算法調整各弱分類器的比重得到強分類器。用強分類器對日冕觀測圖集中的圖像進行隨機抽樣檢測是否發生CME，檢測其正確率。利用Adaboost技術來組合多個分類器來解決CME的檢測會取得較好的效果，達到了較高的檢測正確率。
【專利說明】日冕物質拋射事件識別方法
【技術領域】
[0001] 本發明涉及一種日冕物質拋射事件識別方法。
【背景技術】
[0002] 近年來，國外已有多套自動識別預警系統，國內的研究相對較晚。在國內，QuMing 等完成了一套CME(日冕物質拋射）自動識別分類系統，該系統同時采用了LASCOC2和C3 的數據，利用圖像增強、圖像分割以及形態學方法對CME現象進行檢測并對耀斑的特征進 行檢測。
[0003] 曾昭憲提出了基于頻譜突變分析的日冕物質拋射識別方法，在該方法中，通過預 處理去除原始觀測圖像中的各種噪聲，針對CME的視覺統計特性，利用頻譜突變分析從預 處理后的觀測圖像中分離CME像區域，基于區域協方差分析提取出角寬度、速度等CME特 征參數。在國際上，Berghmans等主要是通過霍夫變換對來自LASCO的CME數據進行判別， 并對CME的特征如位置角度、展開角度、速度等基本參量進行定量化描述，并給出了識別 的準確率，Robbrecht等在Berghmans的工作基礎上改進了CME識別的算法，在霍夫變換之 后加入了聚類和形態學閉方法來標記不同的CME，提高了系統的識別準確率并減少了識別 CME現象所用的時間。0.Olmedo等完成了一套對LASCOC2數據（20分鐘時間間隔）序列 進行分析，自動識別CME，在系統中，運用二維圖像到一維數據的投影方法對圖像進行CME 現象的檢測，N.Goussies運用CME事件中的紋理的概念去處理圖像，并獲取CME的區域， 并在隨后的圖像序列中跟蹤CME事件，P.T.Gallagher利用小波、曲線波、脊波的方法進行 CME檢測，在檢測中，利用小波去抑制圖像中的噪聲，利用曲線波和脊波去檢測CME的位置 角度、展開角度及加速度等各項特征。
【發明內容】
[0004] 為解決以上技術上的不足，本發明提供了一種檢測效果好，正確率高的日冕物質 拋射事件識別方法。
[0005] 本發明是通過以下措施實現的：
[0006] 本發明的一種日冕物質拋射事件識別方法，包括以下步驟：
[0007] 步驟1，采用同一切割尺寸分別對具有日冕物質拋射現象和無日冕物質拋射現象 的日冕觀測圖像進行切割，并對兩種圖像各自的分割圖分別進行灰度信息特征的統計；
[0008] 步驟2,根據步驟1中統計的兩種圖像各自分割圖的灰度信息特征，設計多個弱分 類器；
[0009] 步驟3,利用各弱分類器對日冕觀測圖像進行學習，采用Adaboost算法調整各弱 分類器的比重并最終得到強分類器；
[0010]步驟4,依據步驟3中得到的強分類器對日冕觀測圖集中的圖像進行隨機抽樣檢 測是否發生日冕物質拋射現象。
[0011] 在步驟1中，需要選取較優的切割尺寸，兩圖像按照該較優的切割尺寸分別進行 切割，而且切割后兩圖像的分割圖灰度信息特征的統計差距最大。該較優的切割尺寸為 20*10像素。
[0012] 本發明的有益效果是：利用切割圖像統計其最亮塊的灰度特征，根據最亮塊的灰 度特征設計多個弱分類器解決CME有無的檢測問題，利用Adaboost技術來組合多個分類器 來解決CME的檢測會取得較好的效果，達到了較高的檢測正確率。
【專利附圖】
【附圖說明】
[0013] 圖1為本發明的流程框圖。
[0014] 圖2為弱分類器的設計中用到的算法PAD圖。
[0015] 圖3為不同切割尺寸下的灰度直方圖，其中：(a)日冕觀測圖像，（b)切割尺寸為 100*100像素下的灰度直方圖，（C)切割尺寸為20*10像素下的灰度直方圖，（d)切割尺寸 為50*50像素下的灰度直方圖。
[0016] 圖4為強分類器設計中用到的算法PAD圖。
[0017] 圖5抽取的3副圖象中三種切割方法找到的CME切割塊。
[0018] 圖6實驗結果數據圖。
[0019] 圖7各種技術方案的檢測正確率對比圖。
【具體實施方式】
[0020] 下面結合附圖對本發明做進一步詳細的描述：
[0021] 如圖1所示，本發明日冕物質拋射事件識別方法，首先對具有CME(日冕物質拋射） 現象和無CME現象的日冕觀測圖像進行切割，通常，具有CME現象的日冕觀測圖像區域亮度 比較大，找出每幅圖中的最亮的切割塊，即最有可能發生CME現象的區域，對切割塊進行灰 度信息特征的統計，找出有CME現象和無CME現象的日冕觀測圖像的差別。
[0022] 利用不同的切割尺寸進行切割，對比多種切割方式下有CME現象的日冕觀測圖像 和無CME現象的日冕觀測圖像的灰度統計特征，選擇較優的若干種切割方式。圖像中亮度 大的區域一般為發生CME的區域，通過分割圖像找出亮度最大的切割塊，也就是可能發生 CME的具體位置，圖像的切割尺寸直接影響CME的檢測結果。圖像分割尺寸過大，發生CME 圖像和未發生CME現象的統計特性差距不明顯，分割尺寸過小未發生CME現象的圖像中也 可能會有若干塊亮度也比較大。如圖3(a)中的前兩張為無CME的日冕觀測圖，后面兩張為 有CME現象的日冕觀測圖，圖3(b)、（c)、（d)分別為切割尺寸為100*100像素、20*10像素、 50*50像素的前面四張圖的最亮切割塊的灰度直方圖。實驗結果可以看出，20*10像素的尺 寸更容易看出無CME現象的觀測圖和有CME現象的觀測圖的差異。因此可以得出20*10像 素為較優的切割尺寸。
[0023] 基于較優的切割方式下得到的切割圖像的灰度統計特征設計若干弱分類器。利用 各弱分類器對日冕觀測圖像進行學習，最后用Adaboost算法調整各弱分類器的比重得到 強分類器。用強分類器對日冕觀測圖集中的圖像進行隨機抽樣檢測是否發生CME，檢測其正 確率。
[0024] 其中基于adaboost的CME檢測算法包括以下步驟：
[0025] 1.弱分類器的設計
[0026] 不同的切割方法得到的分塊圖的直方圖不一樣。發生CME的圖像區域具有不規則 性，單一的切割方法所得到的切割塊難以確定CME是否會發生。對原圖像進行不同方式的 切割，對切割之后的分圖進行灰度特征的學習以得到發生CME和未發生CME的分塊圖各自 的特征，根據這些特征設計多個分類器。具體算法如下：
[0027]輸入：樣本集{Ml,M2,…MS}，S為樣本集的樣本個數。
[0028] 輸出：每一種切割方式下圖像的灰度統計特征。
[0029]步驟：
[0030]Step:
[0031]step L設計η種切割方法，每一種切割方法按一定的切割尺寸切割，heightm為 切割塊的高度，widthm為切割塊的寬度。
[0032]st印2.灰度統計特征的獲得：如圖2所示。
[0033] substep21:L00P :j從1到η(共有η種切割方式）
[0034]subsubstep211 :L00P:i從 1 到S
[0035]subsubsubstep2111:把樣本Mi切割成t塊，用Bq(q= 1，2. · · ·t)表示，滿足公 式⑴：
[0036] M=Ck q = \
[0037] B1ΠBh =Φ(1 尹h，1 = 1，2. · ·t;h= 1，2, · · ·t) (I)
[0038]subsubsubstep2112:按照公式（2)計算每一切割塊的超過灰度閾值thr的點的個 數Gq.
[0039] Gq =ΥΣ I(^j) …(2) ,、il,g{i,j) >thr
[0040]其中，/(心') = & elseg(i，j)是切割塊圖中（i，j)點的灰度 值.subsubsubstep2113:找出最亮切割塊，并且計算切割塊中超過灰度閾值thr的點的個 數Pi，公式如（3)所示：
[0041]Pi =max(Gq),q=I, 2, . . .t(3)
[0042] subsubst印212:ENDLOOP:按公式4計算Pi的平均值。
[0043] Cj=Ypzs⑷
[0044]substep22:ENDLOOP。
[0045]算法的結果如表1所示，第一行為切割塊的尺寸，第二行為無CME的圖像中最亮切 割塊中灰度值大于200的點的個數的均值X，第三行為有CME的圖像中灰度值大于200的點 的個數的均值Y，第四行為X/Y的比值。比值越大，則對比越明顯，利用其特征設計的分類器 識別CME現象的效果會更好。
[0046]表1不同切割尺寸下數據的對比
[0047]
【權利要求】
1. 一種日冕物質拋射事件識別方法，其特征在于，包括以下步驟： 步驟1，采用同一切割尺寸分別對具有日冕物質拋射現象和無日冕物質拋射現象的日 冕觀測圖像進行切割，并對兩種圖像各自的分割圖分別進行灰度信息特征的統計； 步驟2,根據步驟1中統計的兩種圖像各自分割圖的灰度信息特征，設計多個弱分類 器； 步驟3,利用各弱分類器對日冕觀測圖像進行學習，采用Adaboost算法調整各弱分類 器的比重并最終得到強分類器； 步驟4,依據步驟3中得到的強分類器對日冕觀測圖集中的圖像進行隨機抽樣檢測是 否發生日冕物質拋射現象。
2. 根據權利要求1日冕物質拋射事件識別方法，其特征在于：在步驟1中，需要選取較 優的切割尺寸，兩圖像按照該較優的切割尺寸分別進行切割，而且切割后兩圖像的分割圖 灰度信息特征的統計差距最大。
3. 根據權利要求2日冕物質拋射事件識別方法，其特征在于：該較優的切割尺寸為 20*10像素。
【文檔編號】G06F19/00GK104318049SQ201410443408
【公開日】2015年1月28日 申請日期:2014年10月30日 優先權日:2014年10月30日
【發明者】張玲, 尹建芹, 馮志全, 藺永政, 邊俊霞, 潘玉奇 申請人:濟南大學