《日冕物质抛射事件识别方法.pdf》由会员分享，可在线阅读，更多相关《日冕物质抛射事件识别方法.pdf（12页珍藏版）》请在专利查询网上搜索。
1、10申请公布号CN104318049A43申请公布日20150128CN104318049A21申请号201410443408622申请日20141030G06F19/00201101G06T7/0020060171申请人济南大学地址250022山东省济南市市中区南辛庄西路336号72发明人张玲尹建芹冯志全蔺永政边俊霞潘玉奇74专利代理机构济南泉城专利商标事务所37218代理人肖健54发明名称日冕物质抛射事件识别方法57摘要本发明公开了一种日冕物质抛射事件识别方法，先对具有CME现象和无CME现象的日冕观测图像进行切割，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。
2、像的差别。利用不同的切割尺寸进行切割，对比多种切割方式下有CME现象的日冕观测图像和无CME现象的日冕观测图像的灰度统计特征，选择较优的若干种切割方式。基于较优的切割方式下得到的切割图像的灰度统计特征设计若干弱分类器。最后用ADABOOST算法调整各弱分类器的比重得到强分类器。用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CME，检测其正确率。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。51INTCL权利要求书1页说明书5页附图5页19中华人民共和国国家知识产权局12发明专利申请权利要求书1页说明书5页附图5页10申请公布号CN。
3、104318049ACN104318049A1/1页21一种日冕物质抛射事件识别方法，其特征在于，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。2根据权利要求1日冕物质抛射事件识别方法，其特征在于在步骤。
4、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。3根据权利要求2日冕物质抛射事件识别方法，其特征在于该较优的切割尺寸为2010像素。权利要求书CN104318049A1/5页3日冕物质抛射事件识别方法技术领域0001本发明涉及一种日冕物质抛射事件识别方法。背景技术0002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，QUMING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LASCOC2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。00。
5、03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。
6、用的时间。OOLMEDO等完成了一套对LASCOC2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，NGOUSSIES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，PTGALLAGHER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0004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。0005本发明是通过以下措施实现的00。
7、06本发明的一种日冕物质抛射事件识别方法，包括以下步骤0007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；0008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；0009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；0010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。0011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说明。
8、书CN104318049A2/5页4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2010像素。0012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0013图1为本发明的流程框图。0014图2为弱分类器的设计中用到的算法PAD图。0015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100100像素下的灰度直方图，C切割尺寸为2010像素下的灰度直方图，D切割尺寸为5。
9、050像素下的灰度直方图。0016图4为强分类器设计中用到的算法PAD图。0017图5抽取的3副图象中三种切割方法找到的CME切割块。0018图6实验结果数据图。0019图7各种技术方案的检测正确率对比图。具体实施方式0020下面结合附图对本发明做进一步详细的描述0021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。0022利用不同的切。
10、割尺寸进行切割，对比多种切割方式下有CME现象的日冕观测图像和无CME现象的日冕观测图像的灰度统计特征，选择较优的若干种切割方式。图像中亮度大的区域一般为发生CME的区域，通过分割图像找出亮度最大的切割块，也就是可能发生CME的具体位置，图像的切割尺寸直接影响CME的检测结果。图像分割尺寸过大，发生CME图像和未发生CME现象的统计特性差距不明显，分割尺寸过小未发生CME现象的图像中也可能会有若干块亮度也比较大。如图3A中的前两张为无CME的日冕观测图，后面两张为有CME现象的日冕观测图，图3B、C、D分别为切割尺寸为100100像素、2010像素、5050像素的前面四张图的最亮切割块的灰度直。
11、方图。实验结果可以看出，2010像素的尺寸更容易看出无CME现象的观测图和有CME现象的观测图的差异。因此可以得出2010像素为较优的切割尺寸。0023基于较优的切割方式下得到的切割图像的灰度统计特征设计若干弱分类器。利用各弱分类器对日冕观测图像进行学习,最后用ADABOOST算法调整各弱分类器的比重得到强分类器。用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CME，检测其正确率。0024其中基于ADABOOST的CME检测算法包括以下步骤00251弱分类器的设计说明书CN104318049A3/5页50026不同的切割方法得到的分块图的直方图不一样。发生CME的图像区域具有不规则性。
12、，单一的切割方法所得到的切割块难以确定CME是否会发生。对原图像进行不同方式的切割，对切割之后的分图进行灰度特征的学习以得到发生CME和未发生CME的分块图各自的特征，根据这些特征设计多个分类器。具体算法如下0027输入样本集M1,M2,MS,S为样本集的样本个数。0028输出每一种切割方式下图像的灰度统计特征。0029步骤0030STEP0031STEP1设计N种切割方法，每一种切割方法按一定的切割尺寸切割,HEIGHTM为切割块的高度，WIDTHM为切割块的宽度。0032STEP2灰度统计特征的获得如图2所示。0033SUBSTEP21LOOPJ从1到N共有N种切割方式0034SUBSUB。
13、STEP211LOOPI从1到S0035SUBSUBSUBSTEP2111把样本MI切割成T块,用BQQ1,2T表示,满足公式100360037BLBHLH,L1,2T；H1,2,T10038SUBSUBSUBSTEP2112按照公式2计算每一切割块的超过灰度阈值THR的点的个数GQ00390040其中，GI,J是切割块图中I,J点的灰度值SUBSUBSUBSTEP2113找出最亮切割块，并且计算切割块中超过灰度阈值THR的点的个数PI，公式如3所示0041PIMAXGQ,Q1,2,T30042SUBSUBSTEP212ENDLOOP按公式4计算PI的平均值。00430044SUBSTEP22。
14、ENDLOOP。0045算法的结果如表1所示，第一行为切割块的尺寸，第二行为无CME的图像中最亮切割块中灰度值大于200的点的个数的均值X，第三行为有CME的图像中灰度值大于200的点的个数的均值Y，第四行为X/Y的比值。比值越大，则对比越明显，利用其特征设计的分类器识别CME现象的效果会更好。0046表1不同切割尺寸下数据的对比0047说明书CN104318049A4/5页600482强分类器的获得0049得出各种切割方式下的灰度统计特征后，选取对比效果明显的切割方式设计弱分类器。利用ADABOOST算法对各个弱分类器进行组合。ADABOOST算法最终的分类器是在每一个弱分类器在对样本进行训。
15、练的过程中调整每一个训练样本的权重来实现。开始，每一个训练样本的权重均等，应用弱分类器去检测图像，对于分类错误的样本加大其样本权重，对于分类正确的分类器，减小其样本权重。在新的样本分布下，再次利用新的弱分类器对其进行检测，调整权重。最终根据每一个弱分类器的检测结果，调整其在最后决策中所占的比重，得到最终的强分类器。算法如下如图4所示。0050输入各弱分类器CII从1到N，标记过有无CME现象的样本训练集S，训练集的样本初始权重。0051输出强分类器0052步骤0053STEP1初始化各分类器的权重，RII从1到N0054STEP2LOOPI从1到N,N为弱分类器的个数0055SUBSTEP21。
16、按权重抽取样本集，样本的个数为Q。0056SUBSTEP22LOOPJ从1到Q,切割图像按公式5检测是否存在CME。00570058其中，RCI,J为第I个分类器检测第J幅图像的结果1表示存在图像中存在CME,0表示图像中不存在CME。PI是由公式3计算出的结果。THR的值的设定参考弱分类器的算法。0059SUBSTEP23根据公式6计算第I个分类器的成功检测率。006000610062其中，RI为第I个分类器的成功检测率。AI为检测是否成功的结果。AI为1,则检测结果是正确的。0表示检测是错误的。0063SUBSTEP3LOOPJ从1到Q,根据公式7调整样本图像的权重。0064WJWJ1V说。
17、明书CN104318049A5/5页700650066在公式中,如果第J幅图像在本轮循环中检测结果是正确的，V为0,否则V为1I是第I个分类器的检测错误率。0067STEP4组合各弱分类器构造最终的分类器。由最终的分类器确定第J幅图像是否存在CME的方法如公式8所示。006800690070公式中，FJ表示第J幅图像的最终检测结果。RI表示第I个分类器检测结果在最终结果中所占的投票权重。第I个分类器检测正确率越高，则其在最终的检测结果中的投票权重就越大。0071为了通过对比进一步说明本发明的可行性和高正确率，程序选用三个分类器分别根据前文所述有无CME现象对比度大的切割方式根据灰度统计特性所设。
18、计的分类器，分割尺寸分别为1020，2010,2020，分别记为CL1,CL2,CL3，对于相同的测试样本，测试用了440幅CME图像，其中用了200幅图进行了训练，在其余的240幅图中随机抽取样本图进行测试，得到识别结果。图5展示了抽取的3副图象中三种切割方法找到的CME切割块。其中红线标出的切割尺寸为2010像素的CME切割块，绿线标出的是切割尺寸为1020像素的CME切割块，蓝线是切割尺寸为2020像素找出的CME切割块。图6展示了CL1，CL2，CL3和最终分类器五次随机抽取50副图的检测正确率。可以看出，利用ADABOOST组合的最终分类器检测正确率最高。图7展示了QUMING,BE。
19、RGHMANS,ROBBRECHT提出的算法与本技术方案检测的正确率的比较。0072在程序地运行过程中，进行了运行时间的统计在240幅图象中随机抽取50幅图象进行CME现象的识别，在AMDPHENOMIIX432GHZ处理器，4G内存的配置下，三次运行程序的时间分别为42656秒，42188秒，42031秒。QUMING在2006开发的系统在DELL460028GHZ的主机内存为512MB的配置下处理3幅图象的时间开销为5秒。BERGHMANS在2002年的程序处理一个月的CME数据在计算机上用了数小时的时间。0073从以上测试结果可以看出，基于ADABOOST的CME检测算法是一种可行的实时检测CME的算法，它可以有效的检测出每一张图里是否发生了CME现象，具有重要的应用价值，可参考性较大。0074以上所述仅是本专利的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本专利技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本专利的保护范围。说明书CN104318049A1/5页8图1图2说明书附图CN104318049A2/5页9说明书附图CN104318049A3/5页10图3说明书附图CN104318049A104/5页11图4图5图6说明书附图CN104318049A115/5页12图7说明书附图CN104318049A12。