[發明專利]基于生物激發特征和流形學習的極光圖像分類方法

有效

• 申請號: 201310028098.7
• 申請日: 2013-01-25
• 公開（公告）號: CN103049767A
• 公開（公告）日: 2013-04-17
• 發明（設計）人: 韓冰;趙曉靜;高新波;李潔;楊曦;仇文亮;楊辰;王秀美
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

技術領域

本發明屬于圖像處理技術領域，更進一步涉及極光圖像的分類方法，可用于場景分類與目標識別。

背景技術

圖像分類是圖像處理和模式識別中非常關鍵的技術之一，它是利用計算機對圖像進行定量分析，根據圖像信息中所反映的不同特征，把不同類別的目標區分開，從而以代替人的視覺判讀。極光是各種磁層動力學過程最為直觀的電離層蹤跡，合理有效的極光分類對研究各類極光現象及其與磁層動力學過程之間的關系尤為重要。

早期的極光分類研究以肉眼觀察為基礎，手工實現標記和分類工作，然而由全天空數字攝像儀所捕獲的極光圖像每年數以百萬計，人工進行分類標記的方式已經不再滿足對大規模數據進行客觀分類的要求。直到2004年在文獻“M.T.,and?DonovanE.F.,Diurnal?auroral?occurrence?statistics?obtained?via?machine?vision.Annales?Geophysicae,22(4):1103-1113,2004.”中才將圖像處理技術引入到極光圖像自動分類。利用極光圖像的紋理特征對弧形，斑塊型和歐米伽型三類極光圖形進行了分類，該方法僅對形狀特征明顯的弧狀極光效果良好，但此方法僅適用于形態較為單一的弧狀極光，而且是在很小的極光數據集上進行的，不具備很好的泛化能力和圖像表征算法的推廣性。其主要原因在于：最能夠代表極光特征的紋理部分淹沒在極其復雜的背景中，導致紋理受到了背景的干擾，紋理不清晰，特征描述也隨之不夠準確，進而分類效果不佳。2007年，Wang等人在文獻“Q.Wang,J.M.Liang?and?X.B.Gao,Appearance?based?aurora?classification.Proc.the12th?Conf.on?physics?ofSun-Earth?space,71,2007.”中使用主成分分析法PCA對極光圖像的灰度特征進行提取，提出了一種基于表象的極光分類方法，在冕狀極光分類研究方向取得了一定進展。2008年，Gao等人在文獻“X.B.Gao,and?J.M.Liang.,AdaBoost?algorithm?for?dayside?aurora?detection?based?on?sample?sele-ction.J?ournal?of?Image?and?Graphics,15(1):116-121,2010.”中提出基于Gabor變換的極光圖像分類方法，采用了局部Gabor濾波器提取圖像特征，在確保計算精度的情況下降低了特征冗余信息，取得了較好的分類效果。2009年，Fu等人在文獻“FuR.,Li?J.,and?GaoX.,AutomaticAurora?Images?Classification?Algorithm?Based?on?Separated?Texture.Proc.Int.Conf.Robotics?and?Biomimetics,1331-1335,2009.”中將形態學成分分析MCA與極光圖像處理相結合，從經過MCA分離后所得到的極光紋理子圖中提取特征，用于弧冕兩類極光圖像的分類，提高了弧冕極光分類的正確率；2010年，Wang在文獻“WangY，Gao?X.,FuR.,et?al.,Dayside?Corona?Aurora?Classification?Based?on?X-Gray?Level?Aura?Matrices.Proc.ACM?Int.Conf.Image?and?Video?Retrieval,282-287,2010.”中根據極光形態的特點對GLAM的鄰域形狀進行改進，提出了一種基于X-GLAM特征的日側極光圖像分類算法，大大提高了分類準確性，但該方法由于進行較大規模的像素運算，因而較為耗時。對現有算法研究分析發現，對極光圖像分類的關鍵在于特征提取及其對特征的進一步處理，由于極光圖像沒有特定的形狀等表象特征，因此現有大部分特征提取方法對其均會失效。