[发明专利]基于亮度自适应水平集的极光卵分割方法

说明书

技术领域

本发明属于图像处理技术领域，涉及紫外波段捕获图像的目标分割，可用于从复杂的紫外极光图像中将极光卵区域分割出来。

背景技术

极光是极地区域空间光学辐射中一种重要的自然发光现象。它是由太阳风和磁尾带电粒子体与大气中的分子、原子在近地空间相互作用激发而成的。它的发生和发展与太阳活动周期、地磁活动强度密切相关。紫外波段成像探测由于可以捕捉到任何其它波段都难以观测到的极其微弱的能量散射，进而对太阳进入地球极区的能量波动进行全天候、全区域的探测，从而成为极光探测的主要手段。紫外极光图像中的极光卵区域是极光粒子以磁极为中心沉降在地球南北极地区形成的椭圆带状区域，它的赤道向边界和极向边界是重要的地球物理参数，因此，有效提取紫外极光图像中的极光卵边界对于研究极光粒子沉降规律，进而理解太阳风-磁层能量耦合过程起着十分重要的作用。

由于紫外极光图像的强噪声、低对比度以及众多的混淆现象，如日晖、彗星、宇宙射线等，所以将极光卵区域从图像中分割出来具有很大的挑战性。目前，对紫外极光图像极光卵区域进行分割的方法主要可以分为两类：无形状知识的方法和有形状知识的方法。前者不需要任何形状先验知识，仅考虑图像自身的灰度和像素间的空间关系信息。例如，Hung等人在文献“C.Hung,G.Germany,K-means and iterative selection algorithms in image segmentation,in Proc.IEEE Southeastcon，2003,(Session 1:Software Development).”中提出的基于直方图的k-均值法(Histogram-based K-means,HKM)，该方法对极光图像的灰度直方图进行k-均值聚类后，将高于灰度阈值的几个聚类作为极光卵区域；Li等人在文献“X.Li,R.Ramachandran，M.He,S.Movva,J.A.Rushing,S.J.Graves,W.Lyatsky,A.Tan，G.A.Germany,Comparing different thresholding algorithms for segmenting auroras,in Proc.IEEE Conf.Information Technology:Coding and Computing,2004,pp.594-601.”中提出的自适应最小误差阈值法(Adaptive Minimum Error Thresholding,AMET)，该方法根据磁地方时(Magnetic Local Time,MLT)将紫外极光图像划分成若干个子区域，然后对每个子区域应用最小误差阈值法进行分割处理；Germany等人在文献“G.A.Germany,G.K.Parks,H.Ranganath,R.Elsen,P.G.Richards,W.Swift,J.P.Spann，M.Brittnacher,Analysis of auroral morphology:substorm precursor and onset on January 10,1997,Geophysical Research Letters 25(15)(1998)3043-3046.”中提出的脉冲耦合神经网络法(Pulse-coupled Neural Network,PCNN)，该方法将图像的每个像素点看作一个分割神经元，利用相邻像素之间的灰度关系，采用神经网络法对极光卵区域进行分割。此类无形状知识的极光卵分割方法对于目标和背景灰度相差较大的极光图像分割效果较好，但是，在众多低对比度图像中会出现噪点大、误分率和漏分率较高等问题。而有形状知识的极光卵分割方法则结合了极光卵的形状特征先验知识，例如Cao等人在文献“C.Cao,T.S.Newman,G.Germany,A new shape-based auroral oval segmentation drivenby LLS-RHT,Pattern Recognition 42(2009)607-618.”中提出的基于椭圆形状先验知识的线性最小二乘-随机霍夫变换法(Linear least-squares(LLS)-randomized Hough transform(RHT),LLS-RHT)，该方法结合极光图像灰度信息和形状特征，用一个类似椭圆的图形来拟合极光卵区域，虽然能够对形态为完整型椭圆的极光卵进行较好的分割，但是，对于形态是缺口状椭圆的极光卵，分割结果会出现很大的偏差。