[发明专利]基于生物激发特征和流形学习的极光图像分类方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及极光图像的分类方法，可用于场景分类与目标识别。

背景技术

图像分类是图像处理和模式识别中非常关键的技术之一，它是利用计算机对图像进行定量分析，根据图像信息中所反映的不同特征，把不同类别的目标区分开，从而以代替人的视觉判读。极光是各种磁层动力学过程最为直观的电离层踪迹，合理有效的极光分类对研究各类极光现象及其与磁层动力学过程之间的关系尤为重要。

早期的极光分类研究以肉眼观察为基础，手工实现标记和分类工作，然而由全天空数字摄像仪所捕获的极光图像每年数以百万计，人工进行分类标记的方式已经不再满足对大规模数据进行客观分类的要求。直到2004年在文献“M.T.,and DonovanE.F.,Diurnal auroral occurrence statistics obtained via machine vision.Annales Geophysicae,22(4):1103-1113,2004.”中才将图像处理技术引入到极光图像自动分类。利用极光图像的纹理特征对弧形，斑块型和欧米伽型三类极光图形进行了分类，该方法仅对形状特征明显的弧状极光效果良好，但此方法仅适用于形态较为单一的弧状极光，而且是在很小的极光数据集上进行的，不具备很好的泛化能力和图像表征算法的推广性。其主要原因在于：最能够代表极光特征的纹理部分淹没在极其复杂的背景中，导致纹理受到了背景的干扰，纹理不清晰，特征描述也随之不够准确，进而分类效果不佳。2007年，Wang等人在文献“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对极光图像的灰度特征进行提取，提出了一种基于表象的极光分类方法，在冕状极光分类研究方向取得了一定进展。2008年，Gao等人在文献“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变换的极光图像分类方法，采用了局部Gabor滤波器提取图像特征，在确保计算精度的情况下降低了特征冗余信息，取得了较好的分类效果。2009年，Fu等人在文献“FuR.,Li J.,and GaoX.,AutomaticAurora Images Classification Algorithm Based on Separated Texture.Proc.Int.Conf.Robotics and Biomimetics,1331-1335,2009.”中将形态学成分分析MCA与极光图像处理相结合，从经过MCA分离后所得到的极光纹理子图中提取特征，用于弧冕两类极光图像的分类，提高了弧冕极光分类的正确率；2010年，Wang在文献“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.”中根据极光形态的特点对GLAM的邻域形状进行改进，提出了一种基于X-GLAM特征的日侧极光图像分类算法，大大提高了分类准确性，但该方法由于进行较大规模的像素运算，因而较为耗时。对现有算法研究分析发现，对极光图像分类的关键在于特征提取及其对特征的进一步处理，由于极光图像没有特定的形状等表象特征，因此现有大部分特征提取方法对其均会失效。