本發(fā)明屬于圖像處理，具體涉及一種太陽(yáng)暗條自動(dòng)檢測(cè)方法。

背景技術(shù)：

1、太陽(yáng)活動(dòng)是太陽(yáng)大氣中一切活動(dòng)現(xiàn)象的總稱，例如太陽(yáng)黑子、耀斑、日餌等。其中，太陽(yáng)暗條是日珥在太陽(yáng)表面投影產(chǎn)生的暗黑色條帶，其一定程度上能夠反映出日珥區(qū)域的局部磁場(chǎng)機(jī)構(gòu)。當(dāng)前的太陽(yáng)暗條自動(dòng)檢測(cè)方法有基于canny邊緣檢測(cè)的連通域處理方法，基于樸素u-net的語(yǔ)義分割方法等。

2、其中，對(duì)于基于canny邊緣檢測(cè)的連通域處理方法，該技術(shù)需要多個(gè)人為設(shè)定的閾值，這些閾值對(duì)于圖像本身的特征敏感，因此對(duì)于不同臺(tái)站攝制的圖像，泛用性和可遷移性差，自動(dòng)化程度低，需要反復(fù)進(jìn)行人為調(diào)整；該技術(shù)方法的暗條識(shí)別能力差，只能識(shí)別相對(duì)明顯的暗條，對(duì)于活動(dòng)區(qū)較小的暗條，該方法很可能因連通域閾值的問(wèn)題將其視為噪聲。

3、對(duì)于語(yǔ)義分割方法，其中涉及的數(shù)據(jù)集需要完全人工標(biāo)注，比較耗時(shí)，自動(dòng)化程度低，且數(shù)據(jù)集規(guī)模較小，模型指標(biāo)不理想；同時(shí)，該方法只能處理相對(duì)低分辨率的數(shù)據(jù)，對(duì)于高分辨率圖像沒(méi)有可靠的功能。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的太陽(yáng)暗條檢測(cè)方法解決了現(xiàn)有相關(guān)方法自動(dòng)化程度低、檢測(cè)精度和準(zhǔn)確度一般、方法可擴(kuò)展性差的問(wèn)題，以及現(xiàn)存暗條檢測(cè)數(shù)據(jù)集數(shù)量少、質(zhì)量低、制作耗時(shí)的問(wèn)題。

2、為了達(dá)到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：一種太陽(yáng)暗條自動(dòng)檢測(cè)方法，包括以下步驟：

3、s1、獲取全日面hα圖像，對(duì)其進(jìn)行預(yù)處理，構(gòu)建圖像訓(xùn)練數(shù)據(jù)集；

4、s2、構(gòu)建基于app改進(jìn)的u-net模型作為太陽(yáng)暗條檢測(cè)模型，并利用圖像數(shù)據(jù)集對(duì)其訓(xùn)練；

5、s3、利用完成訓(xùn)練的太陽(yáng)暗條檢測(cè)模型對(duì)有時(shí)間序列的預(yù)處理后的輸入圖像進(jìn)行處理，獲得太陽(yáng)暗條檢測(cè)結(jié)果；

6、s4、對(duì)暗條檢測(cè)結(jié)果進(jìn)行sort跟蹤，獲得暗條跟蹤結(jié)果。

7、進(jìn)一步地，所述步驟s1具體為：

8、s11、獲取全日面hα圖像，將其轉(zhuǎn)換為單通道圖像，并校正其臨邊昏暗；

9、s12、在校正臨邊昏暗的基礎(chǔ)上，根據(jù)日面像素中心和半徑數(shù)據(jù)裁剪日面的外接矩形，獲得日面圖像；

10、s13、按像素的色彩深度對(duì)日面圖像進(jìn)行k-means聚類，根據(jù)聚類結(jié)果中暗條分類明顯度大于設(shè)定閾值的聚類結(jié)果構(gòu)建圖像訓(xùn)練數(shù)據(jù)集。

11、進(jìn)一步地，所述步驟s1中，所述預(yù)處理還包括：

12、對(duì)同一日面圖像對(duì)應(yīng)的不同聚類結(jié)果，對(duì)其進(jìn)行集成，并進(jìn)行多數(shù)選舉及groudtruth標(biāo)注；

13、對(duì)groudtruth標(biāo)注結(jié)果進(jìn)行再聚類，去除噪點(diǎn)，并進(jìn)行人工修正。

14、進(jìn)一步地，所述步驟s2中，所述太陽(yáng)暗條檢測(cè)模型包括改進(jìn)u-net模型架構(gòu)和app組件；

15、其中，所述改進(jìn)u-net模型架構(gòu)包括依次連接的doubleconv組件、第一～第n個(gè)downsample組件、第一～第n個(gè)upsample組件以及2d卷積層；所述2d卷積層的輸出端與app組件連接；

16、其中，所述doubleconv組件還與第n個(gè)upsample組件通過(guò)concatenate函數(shù)連接，第一～第n個(gè)downsample組件與第n-1～第一個(gè)upsample組件通過(guò)concatenate函數(shù)分別一一對(duì)應(yīng)連接；

17、其中，n為upsample組件及downsample組件的可調(diào)節(jié)數(shù)量。

18、進(jìn)一步地，當(dāng)doubleconv組件的輸出通道數(shù)為base_channels時(shí)，第i個(gè)downsample組件的輸入、輸出通道數(shù)分別為2i-1*base_channels和2i*base_channels，第i個(gè)upsample組件的輸入、輸出通道數(shù)分別為2n-i+1-f*base_channels和2n-i-f*base_channels，2d卷積層的輸入、輸出通道數(shù)分別為base_channels；

19、其中，i為downsample組件或upsample組件的索引，其中，若bi_linear為真，則f為1，否則f為0，bi_linear為upsample組件的傳參。

20、進(jìn)一步地，所述doubleconv組件包括依次連接的第一3×3卷積層、第一批標(biāo)準(zhǔn)化層bn、第一leakyrelu激活函數(shù)、第二3×3卷積層、第二批標(biāo)準(zhǔn)化層bn、第二leakyrelu激活函數(shù)以及隨機(jī)失活層。

21、進(jìn)一步地，所述app組件包括并列的結(jié)構(gòu)相同的depth個(gè)自適應(yīng)池化層，每個(gè)所述自適應(yīng)池化層的輸出端均通過(guò)concatenate函數(shù)依次與1×1卷積層、dropout層以及sigmoid激活層連接；

22、每個(gè)所述自適應(yīng)池化層包括依次連接的自適應(yīng)池化策略、1×1卷積層以及上采樣層；所述自適應(yīng)池化策略為最大池化或平均池化；

23、所述第m個(gè)自適應(yīng)池化層的輸出的目標(biāo)大小為out_image_size為所述app組件的輸出大小，depth為所述app組件的深度，即自適應(yīng)池化層的數(shù)量。

24、進(jìn)一步地，所述downsample組件包括依次連接的app組件和doubleconv組件；

25、對(duì)于所述upsample組件，當(dāng)bi_linear為真時(shí)，所述upsample組件包括mode為bi_linear的upsample層和doubleconv組件；所述upsample層的處理結(jié)果與對(duì)應(yīng)的downsample組件的處理結(jié)果中心裁剪后合并，并通過(guò)concatenate函數(shù)與doubleconv組件連接；

26、當(dāng)bi_linear為假時(shí)，upsample組件包括2×2轉(zhuǎn)置卷積層和doubleconv組件；所述2×2轉(zhuǎn)置卷積層的處理結(jié)果與對(duì)應(yīng)的downsample組件的處理結(jié)果中心裁剪后合并，并通過(guò)concatenate函數(shù)與doubleconv組件連接；

27、當(dāng)upsample組件的輸入尺寸為hin×win×cin時(shí)，其輸出尺寸為2hin×2win×cout。

28、進(jìn)一步地，根據(jù)檢測(cè)圖像的復(fù)雜程度，使用改進(jìn)u-net模型架構(gòu)和app組件進(jìn)行自由連接以擴(kuò)展太陽(yáng)暗條檢測(cè)模型的結(jié)構(gòu)。

29、進(jìn)一步地，所述步驟s3具體地：

30、s31、使用完成訓(xùn)練的太陽(yáng)暗條檢測(cè)模型對(duì)輸入圖像進(jìn)行推理，輸出檢測(cè)暗條標(biāo)注結(jié)果；

31、s32、對(duì)輸出結(jié)果進(jìn)行dbscan聚類，獲得獨(dú)立暗條的分類結(jié)果；

32、s33、記錄每個(gè)獨(dú)立暗條的像素坐標(biāo)和所在圖像編號(hào)，獲得太陽(yáng)暗條檢測(cè)結(jié)果。

33、本發(fā)明的有益效果為：

34、1.本發(fā)明中模型的訓(xùn)練數(shù)據(jù)生成可以基本自動(dòng)化，kmeans聚類速度快，除了人工篩選外可以不需要任何人力參與，因此能夠快速生成大量訓(xùn)練數(shù)據(jù)；

35、2.本發(fā)明中的將改進(jìn)u-ne模型結(jié)構(gòu)作為太陽(yáng)暗條檢測(cè)模型，其深度支持人為調(diào)節(jié)，便于支持不同分辨率的訓(xùn)練數(shù)據(jù)以及硬件需求；

36、3.基于本發(fā)明中的太陽(yáng)暗條檢測(cè)模型獲得的目標(biāo)檢測(cè)的結(jié)果指標(biāo)較好。

37、4.本發(fā)明提供了長(zhǎng)周期暗條跟蹤的方案，可以處理帶時(shí)間序列的圖像組，而非單張圖像；

38、5.本發(fā)明方法總體的自動(dòng)化程度高、可遷移性和可伸縮性好。