全天空极光图像的分类与检索

论文摘要

极光是太阳风所携带的高能带电粒子与地球高空大气层中的中性气体相碰撞的结果,是唯一能够通过肉眼观测到的具有极区特征的地球物理现象,极光的形态及其在时间上演进的一系列变化,对研究空间天气和太阳风——磁层之间的耦合作用具有极其重要的意义。随着数字图像技术的发展,全天空极光图像成为研究极光的重要途径,每年全天空数字摄像仪捕获到数以百万计的极光图像,为地球科学的研究提供了丰富的资源,然而这其中只有一小部分资源用于研究,其主要原因是由于传统的人工处理方式效率较低,导致数据处理的速度和客观性都受到很大限制。为了解决这个问题,图像处理技术成为海量极光数据研究的新手段,然而由于该研究目前正处于起步阶段,有很多问题亟待解决,其中极光图像的自动分类标记、透明无明显形状和边缘的极光分割、以及海量数据库中极光图像的检索是研究的重点。本文拟在前人研究的基础之上,通过与图像处理、模式识别等领域的新技术和新思想相结合,构建全天空极光图像的分类与检索系统,该系统实现了多层多类极光图像的自动分类、多种复杂形态极光的分割、并将图像元数据和视觉特征相结合实现了快速有效的极光图像检索。论文的主要创新点概括如下:(1)在弧冕极光分类的特征提取阶段引入形态学成分分析(MCA)的预处理方法,采用能够有效表征图像不同特性的字典,在MCA的框架下,全天空极光图像分解为:包含极光纹理结构与边界特性的纹理特征子图和包含天空背景与极光光晕的平滑特征子图,将极光的主要纹理特征从复杂的天空背景中分离出来,为统计矩特征的提取提供良好的预处理结果。(2)提出了自适应局部二值模式(ALBP)算法用以表征极光图像的全局微观特征,该算法选择频繁发生的模式构建主要概率模式集,根据主要概率模式集选择相应模式及其发生概率作为图像的特征,不仅避免了使用均匀局部二值模式所造成的特征描述不充分,也避免了使用所有模式而带来的数据冗余,从而得到了较为精确的纹理细节特征。(3)提出了全天空极光图像的分类树结构,根据四类极光图像类型间的差异用两层分类树表示:第一层完成差异明显的弧冕两类极光的分类,第二层完成在纹理细节上有差异的三类冕状极光分类。根据极光图像的分类树结构构建了基于支持向量机(SVM)的全天空极光自动分类系统,根据不同层上类型间的差异以及每类极光图像的特点,选择适合的特征,并设计了符合分类树结构的多层多类SVM模型,得到快速有效的全天空极光图像自动分类系统。(4)提出了基于复杂形态的全天空极光图像的分割算法,根据极光在全天空极光图像中所呈现的不同形态将极光区域分为光斑区域和光线区域,对于光斑区域采用改进Otsu算法,根据前后背景灰度差异进行分割,该方法对于边界模糊或无具体形状的光斑也能够很好地进行处理;对于与天空背景灰度差异不大的光线区域,通过极光光线交织形成的独特纹理结构来实现分割。将不同形态区域的分割结果相结合,得到完整的极光区域分割结果,该方法对极光图像的类型、亮度、形状和边界等特性无特殊要求,适用于各种复杂形态的极光图像分割。(5)提出了基于元数据和基于内容的极光图像集成检索系统,通过元数据缩小检索范围,提高检索速度;为了准确、全面地表征极光图像,将全局微观特征ALBP特征和全局宏观特征Gabor特征相结合,通过这对互补特征对极光图像的准确表征,得到令人满意的检索结果;为了弥补高层语义与低层特征的差异,从而更好地理解用户输入的示例图像,将局部特征引入检索系统,更进一步提高了检索结果的精确程度。综上所述,本文将图像处理、模式识别技术与全天空极光图像研究相结合,所构建的全天空极光图像分类与检索系统能够有效地实现全天空极光图像的自动分类标记、分割和检索,为全天空极光图像在地球科学的研究和应用推广提供了新方法。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 全天空极光图像及其分类
• 1.2.1 全天空极光图像数据库
• 1.2.2 全天空极光图像分类研究
• 1.2.3 全天空极光图像分类树构建
• 1.3 全天空极光图像分析的研究进展及现状
• 1.4 本文的研究内容及章节安排
• 1.5 本章小结
• 本章参考文献
• 第二章 基于形态学成分分析的弧冕极光图像分类
• 2.1 引言
• 2.2 形态学成分分析（MCA）
• 2.2.1 模型假设
• 2.2.2 算法实现
• 2.3 基于MCA 的全天空极光图像预处理
• 2.3.1 基于MCA 的极光图像处理
• 2.3.2 MCA 算法中的字典选择
• 2.3.3 基于MCA 和统计特性的极光图像表征
• 2.4 弧冕极光图像分类
• 2.4.1 支持向量机（SVM）
• 2.4.2 基于SVM 的弧冕极光图像分类系统
• 2.5 实验结果与分析
• 2.6 本章小结
• 本章参考文献
• 第三章 基于自适应局部二值模式的冕状极光图像分类
• 3.1 引言
• 3.2 自适应局部二值模式（ALBP）
• 3.3 冕状极光图像分类
• 3.3.1 基于ALBP 的特征选择
• 3.3.2 分类器设计
• 3.4 实验结果与分析
• 3.4.1 ALBP 特征与现有极光分类方法对比
• 3.4.2 ALBP 特征与传统LBP 特征分类结果对比
• 3.5 本章小结
• 本章参考文献
• 第四章 基于光斑阈值和光线阈值的极光图像分割
• 4.1 引言
• 4.2 全天空极光图像中极光的形态分析
• 4.3 基于改进Otsu 方法的极光光斑区域分割
• 4.3.1 极光光斑区域分割
• 4.3.2 光斑判断阈值确定
• 4.4 基于ALBP 特征和块阈值的极光光线区域分割
• 4.5 全天空极光图像占空比参数计算
• 4.6 实验结果与分析
• 4.6.1 主观视觉评价
• 4.6.2 分割错误率
• 4.6.3 ALBP 与其他纹理特征分割结果对比
• 4.6.4 ALBP 与ULBP 分割结果对比
• 4.6.5 ALBP 与其他改进的LBP 算子对比
• 4.7 本章小结
• 本章参考文献
• 第五章 全天空极光图像集成检索系统
• 5.1 引言
• 5.2 全天空极光图像集成检索系统结构
• 5.3 全天空极光图像特征选择
• 5.3.1 全天空极光图像的全局微观特征
• 5.3.2 全天空极光图像的全局宏观特征
• 5.3.3 全天空极光图像的局部特征
• 5.4 极光图像检索集成系统
• 5.5 实验结果与分析
• 5.5.1 有标记测试集的检索
• 5.5.2 无标记海量数据库的检索
• 5.6 本章小结
• 本章参考文献
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 攻读博士学位期间撰写的学术论文
• 攻读博士学位期间参与的科研工作
• 攻读博士学位期间的成果