本文件涉及天体图像识别,尤其涉及一种基于卷积神经网络的局部图像分类模型建立方法及装置。
背景技术:
1、在使用空间望远镜拍摄天体局部图像时,某些特定情况下无法准确定位拍摄区域,需要快速准确识别天体分类以免影响巡天任务。具有紧密结构的星系,星云和星团等形态外观不仅分类细致广泛,其拍摄到的局部图像之间也具有很大的相似性,统计特征数值相差不大,且有些情况下目标天体外的恒星数量不多,星表辅助定位技术难以实现,因此人工识别和基于统计学的方法实现天体局部图像分类准确率不高。
2、相关机器学习技术中,常见的传统卷积神经网络输入的图像分辨率通常在数百乘以数百的级别,空间望远镜所拍摄的ccd成像图分辨率通常达到数千乘以数千的级别,如果直接使用传统卷积神经网络将会导致训练模型所需的资源和时间显著增加,如果对天体高分辨率图像进行降采样处理将会导致观测到的恒星信息丢失,甚至改变原有的结构特征。
3、综合以上该技术领域发展状况分析,现有的技术中机器学习相关方案,缺少在识别天体时能够同时保证图像分辨率和图像特征提取效果的方法。
技术实现思路
1、本发明的目的在于提供一种基于卷积神经网络的局部图像分类模型建立方法及装置,旨在解决现有技术中的上述问题。
2、根据本公开实施例的第一方面,提供一种基于卷积神经网络的局部图像分类模型建立方法,包括:
3、获取空间望远镜拍摄的天体局部图像的初级产品数据,进行图像预处理,获取预处理后图像数据集;
4、使用以天体为基本单位的数据集划分方式,按比例将预处理后图像数据集划分为训练集和测试集;
5、构建卷积神经网络天体图像分类模型;
6、使用训练集和测试集,对卷积神经网络天体图像分类模型进行训练和测试,得到最终的卷积神经网络天体图像分类模型。
7、根据本公开实施例的第二方面,提供一种基于卷积神经网络的局部图像分类模型建立装置,包括:
8、获取预处理模块,用于获取空间望远镜拍摄的天体局部图像的初级产品数据,进行图像预处理,获取预处理后图像数据集;
9、数据集划分模块,用于使用以天体为基本单位的数据集划分方式,按比例将预处理后图像数据集划分为训练集和测试集;
10、模型构建模块,用于构建卷积神经网络天体图像分类模型;
11、模型训练测试模块,用于使用训练集和测试集,对卷积神经网络天体图像分类模型进行训练和测试,得到最终的卷积神经网络天体图像分类模型。
12、本公开的实施例提供的技术方案可以包括以下有益效果:建立卷积神经网络天体图像分类模型识别天体局部图像,在保证图像分辨率高的同时,减少了计算和内存的开销,提升了天体局部图像分类的准确性。
13、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
1.一种基于卷积神经网络的局部图像分类模型建立方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
3.根据权利要求1所述的方法,其特征在于,所述获取空间望远镜拍摄的天体局部图像的初级产品数据,进行图像预处理,获取预处理后图像数据集具体包括:
4.根据权利要求1所述的方法,其特征在于,所述按比例将所述预处理后图像数据集划分为训练集和测试集具体包括:
5.根据权利要求1所述的方法,其特征在于,所述构建卷积神经网络天体图像分类模型具体包括:
6.根据权利要求1所述的方法,其特征在于,所述对所述卷积神经网络天体图像分类模型进行训练和测试具体包括:
7.一种基于卷积神经网络的局部图像分类模型建立装置,其特征在于,包括:
8.根据权利要求7所述的装置,其特征在于,所述装置进一步包括:
9.根据权利要求7所述的装置,其特征在于,所述模型构建模块具体包括:
10.根据权利要求7所述的装置,其特征在于,所述模型训练测试模块具体包括: