[发明专利]日冕物质抛射事件识别方法

说明书

技术领域

本发明涉及一种日冕物质抛射事件识别方法。

背景技术

近年来，国外已有多套自动识别预警系统，国内的研究相对较晚。在国内，Qu Ming等完成了一套CME(日冕物质抛射)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CME现象进行检测并对耀斑的特征进行检测。

曾昭宪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,基于区域协方差分析提取出角宽度、速度等CME特征参数。在国际上，Berghmans等主要是通过霍夫变换对来自LASCO的CME数据进行判别，并对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,并给出了识别的准确率，Robbrecht等在Berghmans的工作基础上改进了CME识别的算法，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并减少了识别CME现象所用的时间。O.Olmedo等完成了一套对LASCO C2数据(20分钟时间间隔)序列进行分析，自动识别CME，在系统中,运用二维图像到一维数据的投影方法对图像进行CME现象的检测，N.Goussies运用CME事件中的纹理的概念去处理图像，并获取CME的区域,并在随后的图像序列中跟踪CME事件，P.T.Gallagher利用小波、曲线波、脊波的方法进行CME检测，在检测中，利用小波去抑制图像中的噪声，利用曲线波和脊波去检测CME的位置角度、展开角度及加速度等各项特征。

发明内容

为解决以上技术上的不足，本发明提供了一种检测效果好，正确率高的日冕物质抛射事件识别方法。

本发明是通过以下措施实现的：

本发明的一种日冕物质抛射事件识别方法，包括以下步骤：

步骤1，采用同一切割尺寸分别对具有日冕物质抛射现象和无日冕物质抛射现象的日冕观测图像进行切割，并对两种图像各自的分割图分别进行灰度信息特征的统计；

步骤2，根据步骤1中统计的两种图像各自分割图的灰度信息特征，设计多个弱分类器；

步骤3，利用各弱分类器对日冕观测图像进行学习，采用Adaboost算法调整各弱分类器的比重并最终得到强分类器；

步骤4，依据步骤3中得到的强分类器对日冕观测图集中的图像进行随机抽样检测是否发生日冕物质抛射现象。

在步骤1中，需要选取较优的切割尺寸，两图像按照该较优的切割尺寸分别进行切割，而且切割后两图像的分割图灰度信息特征的统计差距最大。该较优的切割尺寸为20*10像素。

本发明的有益效果是：利用切割图像统计其最亮块的灰度特征，根据最亮块的灰度特征设计多个弱分类器解决CME有无的检测问题，利用Adaboost技术来组合多个分类器来解决CME的检测会取得较好的效果，达到了较高的检测正确率。

附图说明

图1为本发明的流程框图。

图2为弱分类器的设计中用到的算法PAD图。

图3为不同切割尺寸下的灰度直方图，其中：(a)日冕观测图像，(b)切割尺寸为100*100像素下的灰度直方图，(c)切割尺寸为20*10像素下的灰度直方图，(d)切割尺寸为50*50像素下的灰度直方图。

图4为强分类器设计中用到的算法PAD图。

图5抽取的3副图象中三种切割方法找到的CME切割块。

图6实验结果数据图。

图7各种技术方案的检测正确率对比图。

具体实施方式

下面结合附图对本发明做进一步详细的描述：

如图1所示，本发明日冕物质抛射事件识别方法，首先对具有CME(日冕物质抛射)现象和无CME现象的日冕观测图像进行切割，通常，具有CME现象的日冕观测图像区域亮度比较大，找出每幅图中的最亮的切割块，即最有可能发生CME现象的区域，对切割块进行灰度信息特征的统计，找出有CME现象和无CME现象的日冕观测图像的差别。