本發(fā)明涉及一種基于融合特征和時(shí)空連續(xù)性判定規(guī)則的CME檢測方法。
背景技術(shù)：
：近年來，國外已有多套自動(dòng)識別預(yù)警系統(tǒng)，國內(nèi)研究起步相對較晚。在國內(nèi)，曾昭憲提出了基于頻譜突變分析的日冕物質(zhì)拋射識別方法。田紅梅等利用AdaBoost算法學(xué)習(xí)CME差分圖像中與暗化現(xiàn)象有關(guān)的統(tǒng)計(jì)特征并據(jù)此提取和檢測日冕暗化現(xiàn)象的發(fā)生。在國際上，Robbrecht等主要是通過霍夫變換對圖像進(jìn)行處理并進(jìn)一步計(jì)算出CME的特征參數(shù)如位置角度、展開角度、速度等。O.Olmedo通過處理單幅LASCO差分圖像進(jìn)行CME的檢測并進(jìn)一步對檢測到的CME進(jìn)行跟蹤。N.Goussies引入?yún)^(qū)域競爭機(jī)制對圖像進(jìn)行處理進(jìn)行CME事件的檢測并對其進(jìn)行跟蹤，Byrne結(jié)合LASCO的圖像和對應(yīng)的氣象圖進(jìn)行CME的檢測。此外，利用光流場算法可以檢測出形狀和強(qiáng)度相對穩(wěn)定發(fā)展的CME事件。中國發(fā)明專利申請公開說明書CN201310391553.X中提出了一種智能化日冕物質(zhì)拋射事件觀測方法，利用差分圖像檢測CME的發(fā)生并報(bào)警。專利書CN201410443408.6中提出利用灰度統(tǒng)計(jì)特征及AdaBoost人工智能的方法可以成功的檢測出具有高亮信息特征的CME事件，此方法通過集成多個(gè)根據(jù)灰度統(tǒng)計(jì)特性的弱分類器的分類結(jié)果提升檢測結(jié)果。專利說明書CN201510312081.3中提出融合灰度特征、紋理特征和HOG特征設(shè)計(jì)弱分類器，用決策樹的方法集成弱分類器的方法可以檢測出具備紋理信息的高亮特征的CME事件。公開號CN104597523A的公開說明書中提出了一種根據(jù)CME日冕觀測圖像的紋理特征檢測其伴隨現(xiàn)象的方法。該方法通過提取一段時(shí)間的圖像的紋理特征及其標(biāo)定其標(biāo)簽的方法進(jìn)行學(xué)習(xí)，再根據(jù)學(xué)習(xí)到的特征進(jìn)行CME伴隨現(xiàn)象的檢測。技術(shù)實(shí)現(xiàn)要素：為解決以上技術(shù)上的不足，本發(fā)明提供了一種檢測速度快，檢測準(zhǔn)確度高的基于融合特征和時(shí)空連續(xù)性判定規(guī)則的CME檢測方法。本發(fā)明是通過以下措施實(shí)現(xiàn)的：本發(fā)明提出的一種基于融合特征和時(shí)空連續(xù)性判定規(guī)則的CME檢測方法，包括以下步驟：步驟1，選取一定時(shí)間段內(nèi)包含各種CME的圖像序列，并對圖像序列中的圖像進(jìn)行人工標(biāo)定其是否有CME的發(fā)生，在標(biāo)定的有CME的發(fā)生的CME圖像中提取CME區(qū)域，并切割成CME切割塊樣本；在標(biāo)定的無CME的發(fā)生的CME圖像中找出無CME區(qū)域及有噪聲的區(qū)域，并切割成非CME切割塊樣本；組合CME切割塊樣本和非CME切割塊樣本做為訓(xùn)練樣本集；步驟2，利用機(jī)器學(xué)習(xí)方法學(xué)習(xí)不同種類的CME的多種特征并將其融合，建立分類器去檢測圖像中是否有CME現(xiàn)象的發(fā)生，然后從樣本集中提取融合特征；步驟3，根據(jù)步驟2提取的融合特征，訓(xùn)練步驟1中得到的訓(xùn)練樣本集，從而得到可以區(qū)分CME區(qū)域和非CME區(qū)域的檢測模型；步驟4，以滑窗形式掃描單幅圖片，掃描過程中，用步驟3得到的檢測模型檢測滑窗所覆蓋的區(qū)域是否為候選CME區(qū)域，然后結(jié)合CME的時(shí)空連續(xù)性，進(jìn)一步確定候選區(qū)域是噪聲區(qū)域還是CME區(qū)域，根據(jù)確定出的CME區(qū)域，擬合所有發(fā)生的CME現(xiàn)象的切割塊，即可得出CME的輪廓。在步驟1中在標(biāo)定的有CME的發(fā)生的圖像中提取CME區(qū)域時(shí)，CME區(qū)域包括具有高亮特性的CME以及非高亮特性的CME、具有豐富紋理特征的和不具有紋理特征的CME。在步驟2中利用機(jī)器學(xué)習(xí)方法學(xué)習(xí)不同種類的CME的多種特征并將其融合，其中包括包含區(qū)域多變性、強(qiáng)度各異性、紋理復(fù)雜性的多種CME。步驟3中，利用ELM學(xué)習(xí)算法訓(xùn)練步驟1中得到的訓(xùn)練樣本集，ELM學(xué)習(xí)算法判別切割塊中是否有CME，其初始化輸入數(shù)據(jù)為獲取的切割塊的灰度特征和紋理特征，其輸出結(jié)果為是否具有CME。本發(fā)明的有益效果是：本發(fā)明建立了多特征融合CME檢測模型，避免了根據(jù)單一特征檢測CME的誤差，同時(shí)也避免了日冕觀測圖像中的噪聲部分和CME發(fā)生區(qū)域發(fā)生混淆造成的誤判，檢測準(zhǔn)確度高，檢測效率高。附圖說明圖1中，(a)表示既有亮度信息又有紋理信息的CME圖像；(b)表示CME比較弱，亮度并不高的圖像；(c)表示CME區(qū)域面積很小的圖像；(d)表示噪聲和CME很相似的圖像；(e-h)找出圖像中的最亮塊和紋理最豐富的塊用矩形框標(biāo)出的圖像。圖2表示按照尺寸為50*50,15*30,5*5的三個(gè)滑窗戶分別遍歷極坐標(biāo)下的日冕觀測差分圖像。圖3中a-f依次展示了單幅CME圖像選取CME樣本塊的過程。具體實(shí)施方式下面結(jié)合附圖對本發(fā)明做進(jìn)一步詳細(xì)的描述：本發(fā)明的基于融合特征和時(shí)空連續(xù)性判定規(guī)則的CME檢測方法，是結(jié)合CME事件連續(xù)兩幀之間的時(shí)空連續(xù)性，根據(jù)圖像的灰度統(tǒng)計(jì)特征和紋理特征利用基于ELM的分類器對日冕觀測圖像進(jìn)行識別，檢測圖像中是否存在CME。并把檢測結(jié)果提供給空間天氣預(yù)測部門做為參考數(shù)據(jù)。一、建立多特征融合CME檢測模型以滑窗形式掃描整幅圖片，掃描過程中，用CME檢測模型檢測滑窗內(nèi)是否存在CME現(xiàn)象。以往的研究所采取的利用單一特征(紋理或灰度)去檢測CME，但實(shí)際的CME圖像特征具有多樣性，另外，類似CME的噪聲也使得使用單一特征進(jìn)行CME的檢測準(zhǔn)確率不高。本發(fā)明利用CME圖像的多種特征去建立檢測模型。模型的設(shè)計(jì)包括以下幾個(gè)方面：1)樣本集的選擇；選取一定時(shí)間段內(nèi)包含各種CME的圖像序列，并對圖像序列中的圖像進(jìn)行人工標(biāo)定其是否有CME的發(fā)生，對于標(biāo)定后的CME圖像提取其CME區(qū)域(包括具有高亮特性的CME以及非高亮特性的CME、具有豐富紋理特征的和不具有紋理特征的CME)并切割成塊，對于標(biāo)定后的無CME的圖像找出其無CME區(qū)域及有噪聲的區(qū)域切割成塊，組合CME切割塊樣本和非CME切割塊樣本做為訓(xùn)練樣本集。2)融合特征的提??；由于CME的多樣性，其特征也呈現(xiàn)出多樣性，每一個(gè)特征反映CME的一個(gè)方面，利用單一特征去判定CME只能檢測出具有該特征的CME現(xiàn)象,對于具有多樣性特征的CME現(xiàn)象很難取得較好的檢測效果，本發(fā)明利用機(jī)器學(xué)習(xí)方法學(xué)習(xí)不同種類的CME(包含區(qū)域多變性、強(qiáng)度各異性、紋理復(fù)雜性的CME)的多種特征并交其融合建立分類器去檢測圖像中是否有CME現(xiàn)象的發(fā)生。3)建立檢測模型；根據(jù)2)中提到的融合特征，利用ELM極限學(xué)習(xí)機(jī)的方式訓(xùn)練1)中的樣本集得到可以區(qū)分CME和非CME區(qū)域的檢測模型。極限學(xué)習(xí)機(jī)，是由黃廣斌提出來的求解單隱層神經(jīng)網(wǎng)絡(luò)的算法，是一種新型的快速學(xué)習(xí)算法，在保證一定的學(xué)習(xí)精度下，ELM的學(xué)習(xí)算法收斂速度比較快，可以在隨機(jī)初始化輸入權(quán)重和偏置的情況下根據(jù)樣本的分類結(jié)果得到相應(yīng)的單隱以輸出節(jié)點(diǎn)的輸出權(quán)重。切割塊中是否有CME的判別可以由ELM算法解決，其初始化輸入數(shù)據(jù)為獲取的切割塊的灰度特征和紋理特征，其輸出結(jié)果為是否具有CME。4)時(shí)空約束下的的CME判定規(guī)則的建立；日冕觀測圖像中的噪聲部分和CME發(fā)生的區(qū)域具有一定的相似性，即具備高亮以及紋理豐富的特征，容易導(dǎo)致誤判，結(jié)合CME現(xiàn)象本身的特性，也即CME的時(shí)空連續(xù)性制訂CME連續(xù)性判定規(guī)則。二、CME的檢測與定量化描述；以滑窗形式掃描單幅圖片，掃描過程中，用已經(jīng)建立好的CME切割塊檢測模型檢測滑窗所覆蓋的區(qū)域是否為候選CME區(qū)域。結(jié)合CME的時(shí)空連續(xù)性，進(jìn)一步確定候選區(qū)域是噪聲區(qū)域還是CME區(qū)域。根據(jù)檢測出的CME區(qū)域，擬合所有發(fā)生的CME現(xiàn)象的切割塊，即可得出CME的輪廓。三、CME特征向量設(shè)計(jì)從人類視覺的角度來講，CME區(qū)域通常有一個(gè)亮的前沿、緊跟著一個(gè)暗腔和高核。因此利用計(jì)算機(jī)模仿人類視覺來檢測CME也就是找出具有高亮特征和豐富紋理的候選區(qū)域進(jìn)而判斷其是否為CME區(qū)域。首先，對LASCO的日冕物質(zhì)差分圖像進(jìn)行坐標(biāo)轉(zhuǎn)換：將圖像從直角坐標(biāo)的形式轉(zhuǎn)成極坐標(biāo)的形式。然后，利用中值濾波器對圖像進(jìn)行預(yù)處理以去除其細(xì)小的噪聲。(1)CME的特征分析不同類型的CME承現(xiàn)出的表象特征也具有多樣性。圖1(a-d)展示了四幅不同類型CME的圖像。為了找出CME的候選區(qū)域，也就是找出具有高亮特性和豐富紋理特征的區(qū)域。首先進(jìn)行切割圖像，把圖像切割成尺寸為50*50的切割塊。塊的亮度在本文中用切割塊內(nèi)所有像素的平均灰度值來衡量。塊的紋理用其熵值來衡量。算法找出圖像中的最亮塊和紋理最豐富的塊分別用線型為虛線的矩形框和線型為實(shí)線的矩形框標(biāo)出,見圖1(e-h)。圖1(a)中的CME既有亮度信息又有紋理信息，因此用紋理特征和亮度信息均可以檢測出CME切割塊。圖1(b)的CME比較弱，其亮度并不高，因此用亮度特征不能定位，但是此區(qū)域具備紋理信息，因此找到的高熵切割塊是CME切割塊。圖1(c)中CME區(qū)域面積很小，只占一小條，其所在的切割塊不具備高熵特征，但其具備高亮特征，因此用亮度信息可以定位出CME區(qū)域。圖1(d)圖像中的CME和噪聲和CME很相似，高熵區(qū)域和高亮區(qū)域都不是CME區(qū)域，從以上描述來看，單用亮度或紋理信息不能找出所有的CME區(qū)域。將兩個(gè)特征融合起來去檢測CME是可行的一種方案。融合灰度和紋理信息的特征向量設(shè)計(jì)用特征向量X來融合灰度和紋理信息。在X中，亮度和紋理特征均是向量X的分量。a)亮度特征的選擇。通常情況下，大部分的CME具有高亮特征。因此高于背景像素平均灰度值(記作m)的像素的個(gè)數(shù)可以做為參考特征用來檢測CME。在本發(fā)明中，50個(gè)灰度統(tǒng)計(jì)特征設(shè)計(jì)為向量的50個(gè)分量，記作[g1，g2，…，g50]。其中，gi是切割塊中像素值為m+i的像素的個(gè)數(shù)。其公式如公式(1)所示。gi=Σk=1h×wf(k)f(k)=1p(k)=m+i0else---(1)]]>b)紋理特征的選擇。CME區(qū)域除了有高亮特征，還有紋理特征。切割圖像塊中4個(gè)方向(0°,45°,90°,135°)上的13個(gè)haralick紋理特征做為向量X的另外一部分分量，記作[t1,t2,…,t52]。因此，特征向量X可以設(shè)計(jì)為X＝[t1,t2,…,t52,g1,g2,…g50]T?；贓LM的CME檢測算法本節(jié)介紹如何利用特征向量用基于ELM的分類器來檢測圖像中是否有CME事件的發(fā)生。ELM算法是一種快速的單隱層神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法。算法可以分解為三層：輸入層、隱層和輸出層,運(yùn)用在CME的檢測中，CME切割塊的的特征向量設(shè)計(jì)為ELM的輸入層，切割塊中是否存在CME設(shè)計(jì)為ELM的輸出層。CME的檢測算法描述如下：(1)樣本選擇過程。在此過程中，建立了一個(gè)樣本集。(2)利用(1)中所得的樣本集訓(xùn)練基于ELM的分類器。(3)用基于ELM的分類器來檢測圖像中是否含有CME。(4)利用時(shí)空連續(xù)性的決策規(guī)則來進(jìn)一步提高檢測的正確率。a)樣本選擇過程在此過程中，選擇越多類型的CME樣本，則訓(xùn)練出來的分類器可以檢測的CME越準(zhǔn)確。在此過程中，建立了一個(gè)用來訓(xùn)練分類器的樣本集。樣本塊的尺寸的選擇也是很重要的一步,選擇過程示例如下:按照尺寸為50*50,15*30,5*5的三個(gè)滑窗戶分別遍歷極坐標(biāo)下的日冕觀測差分圖像(如圖2)以找出其候選CME區(qū)域，也就是具有高亮特征的塊和豐富紋理信息的塊。找出的高亮特征的塊用白色的矩形框標(biāo)出，熵最高的塊用黑色的矩形框標(biāo)出。從圖中可以看出，如果滑窗的尺寸過大，如50*50，則找出的高亮特征的塊和熵最高的塊均不是CME塊，如果滑窗的尺寸過小，如5*5，則找出的候選CME塊根本不是CME切割塊。而在15*30的滑窗尺寸下，找出的兩個(gè)候選塊均為CME塊。因此，滑窗的尺寸選定為15*30。為了使分類器能檢測出不同類型的CME。盡可能選擇具備多樣性的CME樣本和非CME樣本。選取2007年3月的圖像資料，在其中取中具備各異性的CME和非CME切割塊樣本。首先，人工標(biāo)定每一幅圖像中是否具備CME，然后選取CME和非CME的切割樣本塊。(1)CME樣本的選擇。單幅CME圖像選取CME樣本塊的過程如圖3。首先,用大于15*30的尺寸H*W的滑窗去遍歷發(fā)生CME的圖像,找出候選CME的大尺寸的切割塊，也即高亮的切割塊(圖3.b)和高熵(圖3.d)的切割塊,然后按照15*30的尺寸去切割H*W尺寸的兩類候選CME塊，兩部分15*30的切割小塊取并集，并去除掉其中不含CME的切割小塊做為CME的切割塊樣本。所有的CME圖像按照上述方法找出15*30的CME切割小塊構(gòu)成樣本集。這部分樣本表示為{SW1,SW2,…,SWm}(2)無CME樣本的選擇。過程如下：從無CME的樣本圖像中任選20幅進(jìn)行切割，切割尺寸為15*30。切割之后，從每幅圖像的切割塊中選出80個(gè)切割塊組合起來做為無CME樣本塊的一部分。另外，人工挑選出含噪聲的無CME圖像并按照15*30的尺寸進(jìn)行切割。人工挑選出含噪聲的無CME的切割塊做為樣本的另一部分。這一部分樣本表示為{SN1,SN2,…,SNn}。有CME的切割塊和無CME的切割塊組合起來構(gòu)成訓(xùn)練樣本集，記為DS＝{SW1,SW2,…,SWm,SN1,SN2,…,SNn}。b)基于ELM分類器的建立。ELM算法包括三層:輸入層、輸出層和隱含層。假設(shè)L是隱含層中節(jié)點(diǎn)的個(gè)數(shù)，基于ELM的分類器算法的輸入層和輸出層設(shè)計(jì)如下：輸入層：樣本集中樣本的特征向量集X＝{X1,X2,…XN}，其中Xi為第i個(gè)樣本的特征向量。Xi可以表示為Xj＝[tj1,tj2,…,tj52,gj1,gj2,gj50]T。輸出層：O＝{O1,O2,…ON}。其中O是樣本集DS中所有樣本的分類標(biāo)識集。如果DSi是CME樣本,則Oi=1，否則Oi=0。隱節(jié)點(diǎn)的權(quán)重的計(jì)算過程如下：i.隨機(jī)生成向量W和偏置向量b。其中，W＝{W1,W2,…,WL}，Wi＝[ωi,1,ωi,2,…ωi,102]T,Wi的維度為102。偏置向量b＝{b1,b2,…,bL}。ii.計(jì)算β。單隱層神經(jīng)網(wǎng)絡(luò)可以表示為公式2，簡寫為向量的形式：公式3。Σi=1Lβi.g(Wi.Xj+bi)=tj,j=1,...N---(2)]]>Hβ＝T(3)其中，g(x)是激活函數(shù)，是期望輸出,ti可以按公式(4)算出。ti=01TifOi=010Telse---(4)]]>由公式(2-4)可以得出β的近似計(jì)算公式(5)。β^=H+T---(5)]]>其中，為β的近似值。H+是H的廣義逆矩陣。c)基于ELM的分類器檢測CME的過程。檢測過程如下：用尺寸為15*30的滑窗按照步長s對圖像進(jìn)行遍歷，遍歷的過程中，計(jì)算滑窗內(nèi)圖像的特征向量，然后用b)得出的分類器對滑窗內(nèi)圖像進(jìn)行CME的檢測。如果遍歷過程中只要存在滑窗內(nèi)有CME產(chǎn)生，則整幅圖像中有CME現(xiàn)象。d)樣本集的擴(kuò)充用基于ELM的分類器檢測2007年3月份的圖像，結(jié)果集中顯示有錯(cuò)分的日冕觀測圖像。錯(cuò)分的原因有兩個(gè)：其一為樣本集中不存在類似錯(cuò)分圖像的樣本，其二是形如亮點(diǎn)和高線的噪聲的影響。解決的方法為切割錯(cuò)分的樣本,人工找出錯(cuò)分的切割塊并把它們加入到訓(xùn)練樣本集中。用擴(kuò)充的樣本集繼續(xù)訓(xùn)練分類器并再測試同樣的樣本集發(fā)現(xiàn)檢測的正確率有所提高。擴(kuò)充樣本及測試樣本集的過程循環(huán)進(jìn)行直至正確率不再提升。因?yàn)镋LM的收斂速度快，通過擴(kuò)充樣本訓(xùn)練分類器的方法可行并可以提高檢測的正確率。結(jié)合基于時(shí)空連續(xù)性決策規(guī)則改進(jìn)的算法檢測圖像時(shí)，發(fā)現(xiàn)在CME檢測出來的同時(shí)，噪聲區(qū)域也被誤判為CME區(qū)域。原因是噪聲和CME在表象特征上極為相似。解決的方法為聯(lián)系視頻圖像序列中CME的時(shí)空連續(xù)性去解決誤判問題。方法如下：CME事件有一個(gè)從產(chǎn)生、發(fā)展至消亡的過程。表現(xiàn)在極坐標(biāo)圖像上，CME區(qū)域是從左向右延展的。CME起始階段，CME區(qū)域一定在圖像的最左邊，而且在后續(xù)的圖像幀中向右延展?？梢缘贸?，檢測出的CME區(qū)域如果是孤立的區(qū)域，且不在擋板附近，并且追溯至前面的圖像幀類似的位置或者其左方均無CME區(qū)域的話，則此孤立候選CME區(qū)域是噪聲區(qū)域。根據(jù)此過程，設(shè)計(jì)基于時(shí)空連續(xù)性的決策規(guī)則如公式(6)所示：Ri,j,t=1j=1andOi,j,t=11j>1and(Σm=i-si+sΣl=j-sjRm,l,t-1+Σm=i-si+sOm,j-s,t)>10Oi,j,t=0---(6)]]>在公式(6)中，Ri,j,t表示在t時(shí)刻的圖像中中心為(i,j)的圖像塊的最終檢測結(jié)果。如果圖像塊中有CME，則Ri,j,t為1，否則Ri,j,t為0。s為用滑窗遍歷圖像時(shí)的步長。Oi,j,t表示用決策規(guī)則之前t時(shí)刻分類器檢測中心為(i,j)的圖像塊的分類結(jié)果，Oi,j,t為0如果圖像塊不是候選CME區(qū)域，否則Oi,j,t為1。通過利用基于時(shí)空連續(xù)性判定規(guī)則，可以解決大部分圖像中噪聲區(qū)域塊的誤判問題。以上所述僅是本專利的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說，在不脫離本專利技術(shù)原理的前提下，還可以做出若干改進(jìn)和替換，這些改進(jìn)和替換也應(yīng)視為本專利的保護(hù)范圍。當(dāng)前第1頁1 2 3