[发明专利]基于张量动态纹理模型的极光视频分类方法

说明书

本发明公开了一种基于张量动态纹理模型的极光视频分类方法，主要解决现有技术无法直接对极光视频进行分类，只能进行单帧操作，分类准确率和分类效率较低的问题。其实现步骤是：(1)获取训练极光视频和测试极光视频；(2)提取训练极光视频和测试极光视频的混合观测矩阵；(3)对训练极光视频和测试极光视频的混合观测矩阵进行优化；(4)用训练极光视频的最优混合观测矩阵训练支持向量机，得到SVM分类器；(5)用SVM分类器对测试极光视频进行分类。本发明能实现对现有四类极光视频的计算机自动分类，且具有分类准确率高的优点，可用于极光视频的特征提取和计算机图像识别。

技术领域

本发明属于图像处理技术领域，涉及四种形态极光视频的计算机分类方法，可用于极光视频的特征提取和计算机图像识别。

背景技术

极光是太阳风通过日侧极隙区注入到地球磁层时，沉降粒子沿磁力线与地球高层大气相互作用而产生的绚丽光辉。极光是极区空间天气物理过程的观测窗口，直观地反映了太阳风与地磁层的耦合过程，蕴含着大量日地空间的电磁活动信息，有着深刻的研究意义。

中国北极黄河站的全天空成像系统(All-sky Camera)同时对极光的三个典型谱段427.8nm，557.7nm和630.0nm进行连续观测，产生数以万计的极光图像，数据量巨大。WangQ等人在文章“Spatial texture based automatic classification of dayside aurorain all-sky images.Journal of Atmospheric and Solar-Terrestrial Physics,2010,72(5):498-508.”中将极光按形态分为弧状、辐射状、帷幔状和热点状四类，并得出了四种极光类型的统计分布规律。Pedersen等人发表的文章“Pedersen T R,Gerken EA.Creation of visible artificial optical emission in the aurora by high-powerradio waves.Nature,2005,433(7025):498-500”，胡泽俊等人发表文章“Hu Z J,Yang H,Huang D,et al.Synoptic distribution of dayside aurora:Multiple-wavelengthall-sky observation at Yellow River Station in Ny-Alesund,Svalbard.J.Atmos.Sol.-Terr.Phys.,2009,71(89):794-804”以及文章“Lorentzen D A,Moen J,Oksavik K,et al.In situmeasurement of a newly created polar cappatch.J.Geophys.Res.,2010,115(A12).”，提供了大量的研究材料，证明不同形态的极光对应着不同的磁层边界层动力学过程。如何准确高效地对极光视频进行分类，既是揭示其磁层源区动力学过程的一个关键，也是其发生机制研究的重要环节，然而极光形态和动态变化复杂，无疑为极地科研工作者带来了巨大的困难.