[发明专利]一种清洗天文图像中太阳光球亮点的方法

说明书

技术领域

本发明涉及一种清洗天文图像中太阳光球亮点的方法，属天文技术、图像处理和数据挖掘领域。

背景技术

太阳光球表面布满了米粒状结构，在米粒的暗径中有一些发亮的结构，称为光球亮点。普遍认为，光球亮点与太阳磁场有密切关系，通过研究光球亮点可以促进太阳磁场的研究，促进更深层和更热的等离子体和日冕加热等太阳物理现象的研究，从而提前预报太阳磁场活动，以更好地进行空间天气预报及对地球磁场的预报。

目前在二维图像上识别亮点主要采用了阈值法、区域生长法和形态学等几种方法。阈值法通过设置一个或几个阈值将图像的灰度级分为几个部分，认为属于同一个部分的像素是同一个物体；区域生长法是从初始区域开始，将相邻的具有同样性质的像素或其它区域归并到目前的区域中从而逐步增长区域，直至没有可以归并的点或其它小区域为止；形态学是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。但这些方法在识别中都不可避免地将一些发亮的碎米粒误识别为亮点。

数据清洗是随着数据挖掘的发展而出现的一门新兴技术，是指从数据集中发现并纠正“脏数据”，即从数据文件中检测出错误和不一致的数据，并剔除或修正它们，以提高数据质量。聚类方法就非常适合用于数据清洗。聚类方法是将研究对象分为相对同质的群组的统计分析技术。其目的是发现数据间的关系，将相似的归为一类，相异的为一类。其中，基于密度的DBSCAN方法是一种高效的适合大型数据集的聚类方法。

发明内容

本发明提供了一种清洗天文图像中太阳光球亮点的方法，将数据挖掘中DBSCAN聚类方法应用到光球亮点的数据清洗，清洗出非亮点结构，用于解决传统识别亮点的方法中存在误识别的问题。

本发明清洗天文图像中太阳光球亮点的方法是这样实现的：

首先对序列图像进行预处理，然后采用一种拉普拉斯滤波和形态学膨胀相结合的方法来识别亮点；再通过三维联通的方法跟踪亮点；然后提取亮点的多个相关度较低的特征值作为清洗的数据；接着，对清洗的数据做z-score标准化处理；再采用主成分分析法根据贡献率将高维的标准化数据进行降维；最后，通过DBSCAN方法对降维后的数据进行清洗，从而剔除非亮点结构。

所述清洗天文图像中太阳光球亮点的方法的具体步骤如下：

Step1、亮点数据识别；首先对序列图像进行预处理，包括采用最大局部相关的对齐方法对齐序列图像，归一化序列图像、平滑图像；然后采用拉普拉斯滤波和形态学膨胀相结合的方法识别序列图像中每幅图的光球亮点；

Step2、亮点数据跟踪；在序列图像的每一幅图上识别出光球亮点后，再由序列图像中识别出的所有亮点构成的三维时空立方体中采用三维联通方法对光球亮点进行三维跟踪，其中，三维时空立方体(x,y,t)中x和y是二维平面图像的坐标，t是时间坐标；

Step3、亮点数据特征提取；识别和跟踪亮点后，提取亮点的相关度较低、且能代表亮点的光学强度、形态和运动等各方面的多个特征值作为清洗的数据；

Step4、亮点数据标准化；得到清洗数据之后，采用z-score方法标准化亮点数据，即将数据标准化为均值为0，方差为1的正态分布；

Step5、亮点数据降维；采用主成分分析法对标准化后的清洗数据进行降维处理，根据贡献率选择可降至的维度；

Step6、亮点数据清洗；对降维后的数据采用DBSCAN聚类方法进行清洗，从而剔除非亮点结构。

进一步优选的，所述步骤Step3的清洗的数据属性包括等效直径、强度、偏心率、亮点边缘处于暗径的比例、速度、运动方式和扩散系数特征值。

进一步优选的，所述步骤Step5的贡献率采用90％以上。

本发明的有益效果是：

聚类方法能够发现数据间的关系,将相似的归为一类，相异的归为一类；基于密度的DBSCAN方法不仅有较强的抗噪声能力强，还能处理任意形状的聚类。将DBSCAN方法应用于光球亮点数据的清洗问题上是前所未有的、有效的，该方法在很大程度上解决了传统光球亮点的识别方法存在误识别的问题；同时，为小尺度的磁场研究和进一步日冕加热等问题的研究清洗出更为准确的数据。

附图说明

图1是本发明清洗太阳光球亮点的方法的总体流程图；

图2是本发明通过日出/太阳光学望远镜在G波段观测到的高分辨图像；

图3是本发明用拉普拉斯滤波和形态学膨胀技术相结合的方法识别的亮点在原图中标记的结果图；