[发明专利]融合静态信息与动态信息的视频序列分割方法

说明书

本发明公开了一种融合静态信息与动态信息的视频序列分割方法，主要解决现有紫外极光图像分割方法由于不考虑动态特征，造成分割结果不准确的问题。其实现过程为：1).构建紫外极光序列数据库；2).利用紫外极光图像的静态特征在空域上对构建的紫外极光序列进行分割，得到紫外极光序列的空域分割结果；3).利用紫外极光图像的动态特征在时域上对构建的紫外极光序列进行分割，得到紫外极光序列的时域分割结果；4).融合步骤2)和3)的结果，得到最终的分割结果。本发明由于将静态特征与动态特征相结合，大大提升了紫外极光图像的分割精度，可用于目标识别。

技术领域

本发明属于图像处理技术领域，涉及紫外极光图像分割方法，可用于目标识别与跟踪。

背景技术

极光是来自磁层的高能粒子沉降到高层大气并与中性成分碰撞激发的一种大气发光现象，它主要出现在以地磁极为中心的环带状区域内，该区域又叫极光卵。极光卵的赤道向边界和极向边界是重要的地球物理参数，其与太阳风、地磁活动有着密切的关系。而且极光卵的边界随着地磁活动而变化，对其研究有助于进一步了解日地耦合过程，认知空间气候变化规律。因此，有效确定极光卵边界是非常重要的。

多年来，研究者们也提出了很多紫外极光图像分割方法，如1998年Germany等人提出的脉冲耦合神经网络法PCNN；2003年Hung等人提出的基于直方图的K均值算法HKM；2004年Li等人提出的自适应最小误差阈值转换法AMET；这三种方法由于只用图像的亮度信息对紫外极光图像进行分割，因此，在紫外极光图像对比度较高的情况下可以得到较好的分割结果，但是众所周知，大部分紫外极光图像的对比度都较低，所以这两种方法在大多数情况下都不能获得完整的极光卵。为了克服上述方法的缺陷，2009年Cao等人提出的基于随机霍夫变换的线性最小二乘法LLSRHT，该方法在紫外极光图像对比度较低的情况下也可以获得完整的极光卵，但该方法获得的极光卵的边界过于平滑，与实际情况不符。于是，Yang等人于2015年提出了亮度自适应和形状初始化的极光卵分割方法，该方法在最优参数下可以获得相对准确的分割结果，但是寻找最优参数不仅耗时耗力，而且非常困难。此外上述方法均只考虑了紫外极光图像的静态特征，而紫外极光图像的极光卵是粒子运动形成的，因此只考虑静态特征得到的分割结果会丢失运动的部分，以此造成分割结果不准确。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种融合静态信息与动态信息的视频序列分割方法，以实现紫外极光序列的精确分割。

本发明的技术思路是：利用紫外极光图像的静态特征在空域上对紫外极光图像进行分割，得到紫外极光图像的空域分割结果；利用紫外极光图像的动态特征在时域上对紫外极光图像进行分割，得到紫外极光图像的时域分割结果；将紫外极光图像的空域分割结果和时域分割结果进行融合，得到最终的分割结果。其实现步骤包括如下：

(1)从Polar卫星携带的紫外成像仪所拍摄的紫外极光图像中，选取形态相似且时间上连续的紫外极光图像构成10个紫外极光序列，每个紫外极光序列包含20张紫外极光图像；

(2)在空域上对10个紫外极光序列进行分割：

(2a)从每一个紫外极光序列中都随机选出10张紫外极光图像，得到100张紫外极光图像，手动标注出这100张紫外极光图像的极光卵边界，作为标准结果，并用这100张紫外极光图像及其对应的标准结果共同构成训练样本集，用10个紫外极光序列中剩下的100张紫外极光图像构成测试样本集；

(2b)在训练样本集和测试样本集中的每一幅紫外极光图像上用眼动仪得到注视点，并将注视点连成闭合曲线；

(2c)沿着步骤(2b)中得到的曲线对训练样本集中的每一幅紫外极光图像滑动取块，得到训练块，记下每一个块的位置，并根据这些块的位置在每一幅紫外极光图像对应的标准结果上也取相同尺寸的块，作为标准块，将这些训练块和对应的标准块构成块字典；