日冕物质抛射检测matlab,日冕物质抛射事件识别方法

日冕物质抛射事件识别方法

【专利摘要】本发明公开了一种日冕物质抛射事件识别方法，先对具有CME现象和无CME现象的日冕观测图像进行切割，对切割块进行灰度信息特征的统计，找出有CME现象和无CME现象的日冕观测图像的差别。利用不同的切割尺寸进行切割，对比多种切割方式下有CME现象的日冕观测图像和无CME现象的日冕观测图像的灰度统计特征，选择较优的若干种切割方式。基于较优的切割方式下得到的切割图像的灰度统计特征设计若干弱分类器。最后用Adaboost算法调整各弱分类器的比重得到强分类器。用强分类器对日冕观测图集中的图像进行随机抽样检测是否发生CME，检测其正确率。利用Adaboost技术来组合多个分类器来解决CME的检测会取得较好的效果，达到了较高的检测正确率。

【专利说明】日冕物质抛射事件识别方法

【技术领域】

[0001] 本发明涉及一种日冕物质抛射事件识别方法。

【背景技术】

[0002] 近年来，国外已有多套自动识别预警系统，国内的研究相对较晚。在国内，QuMing 等完成了一套CME(日冕物质抛射)自动识别分类系统，该系统同时采用了LASCOC2和C3 的数据，利用图像增强、图像分割以及形态学方法对CME现象进行检测并对耀斑的特征进 行检测。

[0003] 曾昭宪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，基于区域协方差分析提取出角宽度、速度等CME特 征参数。在国际上，Berghmans等主要是通过霍夫变换对来自LASCO的CME数据进行判别， 并对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，并给出了识别 的准确率，Robbrecht等在Berghmans的工作基础上改进了CME识别的算法，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并减少了识别 CME现象所用的时间。0.Olmedo等完成了一套对LASCOC2数据(20分钟时间间隔)序列 进行分析，自动识别CME，在系统中，运用二维图像到一维数据的投影方法对图像进行CME 现象的检测，N.Goussies运用CME事件中的纹理的概念去处理图像，并获取CME的区域， 并在随后的图像序列中跟踪CME事件，P.T.Gallagher利用小波、曲线波、脊波的方法进行 CME检测，在检测中，利用小波去抑制图像中的噪声，利用曲线波和脊波去检测CME的位置 角度、展开角度及加速度等各项特征。

【发明内容】

[0004] 为解决以上技术上的不足，本发明提供了一种检测效果好，正确率高的日冕物质 抛射事件识别方法。

[0005] 本发明是通过以下措施实现的：

[0006] 本发明的一种日冕物质抛射事件识别方法，包括以下步骤：

[0007] 步骤1，采用同一切割尺寸分别对具有日冕物质抛射现象和无日冕物质抛射现象 的日冕观测图像进行切割，并对两种图像各自的分割图分别进行灰度信息特征的统计；

[0008] 步骤2,根据步骤1中统计的两种图像各自分割图的灰度信息特征，设计多个弱分 类器；

[0009] 步骤3,利用各弱分类器对日冕观测图像进行学习，采用Adaboost算法调整各弱 分类器的比重并最终得到强分类器；

[0010]步骤4,依据步骤3中得到的强分类器对日冕观测图集中的图像进行随机抽样检 测是否发生日冕物质抛射现象。

[0011] 在步骤1中，需要选取较优的切割尺寸，两图像按照该较优的切割尺寸分别进行 切割，而且切割后两图像的分割图灰度信息特征的统计差距最大。该较优的切割尺寸为 20*10像素。

[0012] 本发明的有益效果是：利用切割图像统计其最亮块的灰度特征，根据最亮块的灰 度特征设计多个弱分类器解决CME有无的检测问题，利用Adaboost技术来组合多个分类器 来解决CME的检测会取得较好的效果，达到了较高的检测正确率。

【专利附图】

【附图说明】

[0013] 图1为本发明的流程框图。

[0014] 图2为弱分类器的设计中用到的算法PAD图。

[0015] 图3为不同切割尺寸下的灰度直方图，其中：(a)日冕观测图像，(b)切割尺寸为 100*100像素下的灰度直方图，(C)切割尺寸为20*10像素下的灰度直方图，(d)切割尺寸 为50*50像素下的灰度直方图。

[0016] 图4为强分类器设计中用到的算法PAD图。

[0017] 图5抽取的3副图象中三种切割方法找到的CME切割块。

[0018] 图6实验结果数据图。

[0019] 图7各种技术方案的检测正确率对比图。

【具体实施方式】

[0020] 下面结合附图对本发明做进一步详细的描述：

[0021] 如图1所示，本发明日冕物质抛射事件识别方法，首先对具有CME(日冕物质抛射) 现象和无CME现象的日冕观测图像进行切割，通常，具有CME现象的日冕观测图像区域亮度 比较大，找出每幅图中的最亮的切割块，即最有可能发生CME现象的区域，对切割块进行灰 度信息特征的统计，找出有CME现象和无CME现象的日冕观测图像的差别。

[0022] 利用不同的切割尺寸进行切割，对比多种切割方式下有CME现象的日冕观测图像 和无CME现象的日冕观测图像的灰度统计特征，选择较优的若干种切割方式。图像中亮度 大的区域一般为发生CME的区域，通过分割图像找出亮度最大的切割块，也就是可能发生 CME的具体位置，图像的切割尺寸直接影响CME的检测结果。图像分割尺寸过大，发生CME 图像和未发生CME现象的统计特性差距不明显，分割尺寸过小未发生CME现象的图像中也 可能会有若干块亮度也比较大。如图3(a)中的前两张为无CME的日冕观测图，后面两张为 有CME现象的日冕观测图，图3(b)、(c)、(d)分别为切割尺寸为100*100像素、20*10像素、 50*50像素的前面四张图的最亮切割块的灰度直方图。实验结果可以看出，20*10像素的尺 寸更容易看出无CME现象的观测图和有CME现象的观测图的差异。因此可以得出20*10像 素为较优的切割尺寸。

[0023] 基于较优的切割方式下得到的切割图像的灰度统计特征设计若干弱分类器。利用 各弱分类器对日冕观测图像进行学习，最后用Adaboost算法调整各弱分类器的比重得到 强分类器。用强分类器对日冕观测图集中的图像进行随机抽样检测是否发生CME，检测其正 确率。

[0024] 其中基于adaboost的CME检测算法包括以下步骤：

[0025] 1.弱分类器的设计

[0026] 不同的切割方法得到的分块图的直方图不一样。发生CME的图像区域具有不规则 性，单一的切割方法所得到的切割块难以确定CME是否会发生。对原图像进行不同方式的 切割，对切割之后的分图进行灰度特征的学习以得到发生CME和未发生CME的分块图各自 的特征，根据这些特征设计多个分类器。具体算法如下：

[0027]输入：样本集{Ml,M2,…MS}，S为样本集的样本个数。

[0028] 输出：每一种切割方式下图像的灰度统计特征。

[0029]步骤：

[0030]Step:

[0031]step L设计η种切割方法，每一种切割方法按一定的切割尺寸切割，heightm为 切割块的高度，widthm为切割块的宽度。

[0032]st印2.灰度统计特征的获得：如图2所示。

[0033] substep21:L00P :j从1到η(共有η种切割方式)

[0034]subsubstep211 :L00P:i从 1 到S

[0035]subsubsubstep2111:把样本Mi切割成t块，用Bq(q= 1，2. · · ·t)表示，满足公 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)计算每一切割块的超过灰度阈值thr的点的个 数Gq.

[0039] Gq =ΥΣ I(^j) …(2) ,、il,g{i,j) >thr

[0040]其中，/(心') = & elseg(i，j)是切割块图中(i，j)点的灰度 值.subsubsubstep2113:找出最亮切割块，并且计算切割块中超过灰度阈值thr的点的个 数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计算Pi的平均值。

[0043] Cj=Ypzs⑷

[0044]substep22:ENDLOOP。

[0045]算法的结果如表1所示，第一行为切割块的尺寸，第二行为无CME的图像中最亮切 割块中灰度值大于200的点的个数的均值X，第三行为有CME的图像中灰度值大于200的点 的个数的均值Y，第四行为X/Y的比值。比值越大，则对比越明显，利用其特征设计的分类器 识别CME现象的效果会更好。

[0046]表1不同切割尺寸下数据的对比

[0047]

【权利要求】

1. 一种日冕物质抛射事件识别方法，其特征在于，包括以下步骤： 步骤1，采用同一切割尺寸分别对具有日冕物质抛射现象和无日冕物质抛射现象的日 冕观测图像进行切割，并对两种图像各自的分割图分别进行灰度信息特征的统计； 步骤2,根据步骤1中统计的两种图像各自分割图的灰度信息特征，设计多个弱分类 器； 步骤3,利用各弱分类器对日冕观测图像进行学习，采用Adaboost算法调整各弱分类 器的比重并最终得到强分类器； 步骤4,依据步骤3中得到的强分类器对日冕观测图集中的图像进行随机抽样检测是 否发生日冕物质抛射现象。

2. 根据权利要求1日冕物质抛射事件识别方法，其特征在于：在步骤1中，需要选取较 优的切割尺寸，两图像按照该较优的切割尺寸分别进行切割，而且切割后两图像的分割图 灰度信息特征的统计差距最大。

3. 根据权利要求2日冕物质抛射事件识别方法，其特征在于：该较优的切割尺寸为 20*10像素。

【文档编号】G06F19/00GK104318049SQ201410443408

【公开日】2015年1月28日 申请日期:2014年10月30日 优先权日:2014年10月30日

【发明者】张玲, 尹建芹, 冯志全, 蔺永政, 边俊霞, 潘玉奇 申请人:济南大学