基于多特征融合的日冕物质抛射检测方法
【技术领域】
[0001] 本发明涉及一种基于多特征融合的日冕物质抛射检测方法。
【背景技术】
[0002] 日冕物质抛射（Coronal Mass Ejections, CMEs)是太阳大气中一种频繁发生的爆 发现象，其表现为在几分钟至几小时时间尺度内日冕结构发生明显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，尾随着一个亮度不足的暗区域。CME 不仅是一种瞬变现象，它还可能对日冕的长期演化起着重要的作用；同时它与许多行星际 扰动有着密切的关系，并可引起地球空间环境的剧烈改变；且CME的强度、角度等能对空间 天气产生重大影响，因此CME的定量化研究对太阳物理、空间天文学科本身具有重要意义， 而且对空间环境的预报和防灾、减灾具有一定的实用价值。而CME检测是CME定量化研究 的基础，良好的CME检测效果是CME定量化研究及基于CME分析的空间天气预报预测的保 证。尽管该问题非常重要，但在国内却鲜有研究。CME检测的任务是，针对输入的LASCO图 像序列，判断在当前图像中是否有CME发生，如果有CME发生，则启动报警；同时将发生CME 的视频序列进行存储，以备观测者或算法对当前的CME序列进行进一步的分析。而LASCO图 像序列中存在的各种星体的干扰，另外CME形状多变，亮度变化也较大，大大增加了 CME检 测的难度，并降低了 CME检测的精度。
[0003] Berghmans等通过霍夫变换对来自LASCO的CME数据进行判别，在完成CME分类的 基础上对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；Robbrecht 等在Berghmans的工作基础上改进了 CME识别的算法，能够通过LASCO C2和C3数据的整 合，对间隔20分钟左右的数据进行CME的计算和判别，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，其对于CME爆发的时间和张角确定 获得了较好的结果。这两种方法的缺点在于霍夫变换引入了线性的高度-时间演化约束， 因此，不适合于研究低日冕的CME参数。Qu等完成了一套CME自动识别分类系统，该系统 同时采用了 LASCO C2和C3的数据，利用图像增强、图像分割以及形态学方法对耀斑的特征 进行识别，并采用支持向量机的方法对CME进行了强、中等、弱的分类，该方法能够对来自 LASCO的20分钟间隔数据进行实时判别，但其分类器依据提取的二值化数据为基础，难以 取得好的检测效果。Olmedo等完成了一套对LASCO C2数据序列进行分析数据预处理、识 另IJ、跟踪、分类，采用1维和2维投影法进行识别，利用阈值分割法获取CME的前导边缘，该 系统计算的CME基本参数是位置角度、展开角度、速度、高度、平均亮度和速度等，但其无法 处理多重CME的情况。Gonzalez-Gomez等采用小波分析的方法对CME进行了分类研究，分 析的结果是从形态上把CME分成两类，一类是低流量、小尺度的活动现象；另一类则是高流 量大尺度的活动现象。Gallagher认为CME是一种多尺度特征，而小波分析在增强典型CME 前端曲线的可观性时效果欠佳，他们采用更高阶的脊小波和curvelet来进行分类和监测。 Colaninno提出了采用光流场的CME检测及跟踪算法，尽管他们的算法能够监测CME的速 度场，但由于光流场的基本假设是亮度不变性，而该假设在CME图像中显然是不满足的，另 外，算法要求CME在扩展时要保持它的形状。曾昭宪等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。该方法对于强 度较大的CME具有较好效果，但无法有效处理渐近发生的CME。
[0004] 中国发明专利申请公开说明书CN201310391553.X中提出了一种智能化日冕物质 抛射事件观测方法，利用差分图像检测CME的发生并报警。其通过阈值方法进行CME的检 测，由于CME的灰度与CME的强度相关，单纯依赖阈值的方法难以取得较好的效果。
[0005] 中国发明专利申请公开说明书（专利号：201410443408)中提出了一种日冕物质 抛射事件识别方法，利用切割块的灰度统计特征设计弱分类器，利用AdaBoost算法设计最 终的强分类器，实现CME的检测。但其采用亮点个数作为灰度统计特征，忽视了 CME结构的 纹理信息；另一方面，其采用矩形块的切割方式难以描述CME的径向传播方式。
[0006] 总之，现有CME检测领域中的研究往往依靠单一特征如灰度、纹理等的检测方式， 且其大多采用传统的数字图像处理技术进行检测，难以取得较好的检测效果。
【发明内容】
[0007] 为解决以上技术上的不足，本发明提供了一种检测精度高的基于多特征融合的日 冕物质抛射检测方法。
[0008] 本发明是通过以下措施实现的：
[0009] 本发明的一种基于多特征融合的日冕物质抛射检测方法，其特征在于，包括以下 步骤：
[0010] 步骤1，将差分处理后的日冕观测图像转化为极坐标显示；
[0011] 步骤2,采用不同的尺度对经步骤1处理后的图像进行切分，得到不同的子块，并 求取最亮块；
[0012] 步骤3,分别提取步骤2中最亮块的灰度特征Gb、纹理特征Tb以及HOG特征H B;
[0013] 步骤4,以提取的灰度特征Gb、纹理特征Tb以及HOG特征H b为基础，采用决策树作 为基分类器，并采用AdaBoost算法提升得到强分类器，最终得到分类结果，完成检测。
[0014] 在步骤4中，首先，分别利用灰度特征Gb、纹理特征Tb以及HOG特征H 练决策树 模型，对每种特征的分类能力进行初步评估；其次，针对分类能力良好的特征得到的决策树 模型，利用AdaBoost算法进行提升；最后，选用具有良好分类能力的特征生成每棵决策树， 利用AdaBoost算法进行提升。
[0015] 在步骤1中，极坐标转化是对经差分处理后的日冕观测图像做几何变换，保持 像素灰度值不变，仅变换像素的几何位置，设经差分处理后的日冕观测图像中的任一点 (x，y)，将其按照式（3)进行变换，得到极坐标图像中的（Ρ，Θ);
[0017] 式⑶中，W，H为经差分处理后的日冕观测图像的宽度和高度；
[0018] 在步骤2中，求取最亮块等同于寻求区域中灰度值之和最大值B，即寻求：
[0020] 其中，R是最亮块所对应的区域，1(1，j)表示第i行第j列的灰度值，因此，R~ (Shape，Size)，即区域R由形状和大小两个要素决定。
[0021] 提取最亮块的灰度直方图进行灰度特征表示：
[0023] 其中，g(i，j)为最亮块B中第i行第j列的灰度值；
[0024] 提取Harilick纹理描述子进行纹理特征描述，在距离变量和旋转方向变量的约 束下，共有14种纹理特征，采用1种距离，4个方向求取其纹理特征，得到56个Haralick纹 理描述子；
[0025] 提取HOG特征进行CME轮廓表示，将目标区域划分为一系列的块（Block)和单元 (Cell)，每个Cell选为8*8,每个Block由一系列Cell组成，选为2*2,块重叠率为50%，计 算目标的HOG特征。
[0026] 在步骤2中，采用5*10像素的尺寸对经步骤1处理后的图像进行切分。
[0027] 本发明的有益效果是：通过先多特征融合再分类的方案，较单特征或多特征而言 均可以取得最优指标，可以较好的描述CME，大大提高了日冕物质抛射检测的精度。
【附图说明】
[0028] 图1为差分图像原坐标与极坐标示意图；
[0029] 图2中（a)插值之前的极坐标差分图像；(b)插值后的极坐标差分图像；
[0030] 图3不同特征选择方案下的CME检测指标直方图；
[0031] 图4不同尺度下的CME检测结果直方图；
[0032] 图5不同尺度融合的CME检测结果。
【具体实施方式】
[0033] 下面结合附图对本发明做进一步详细的描述：
[0034] 本发明公开了一种基于多特征融合的日冕物质抛射检测方法，具体步骤如下：
[0035] 步骤1，将差分处理后的日冕观测图像转化为极坐标显示