[发明专利]一种基于机器学习进行CME检测和跟踪的方法

说明书

本发明公开了一种基于机器学习进行CME检测和跟踪的方法，以白光日冕仪图像为基础，通过预处理、分类、检测和跟踪四个阶段实现CME(日冕物质抛射)的检测和跟踪。在预处理阶段，对图像进行下采样和差分图像计算。在分类阶段，使用有监督图像分类方法将给定的白光日冕仪图像分类为有、无CME类别，再从已训练好的CNN中提取的中层特征用于检测CME的区域。在检测阶段，使用无监督图像协同定位的方法挖掘出CME区域。在跟踪阶段，将图像转换为极坐标系，对不同位置的CME进行划分，并定义了一些规则清洗过滤CME，计算所有检测到的CME的基本参数。

技术领域

本发明属于计算机图像处理和计算机视觉领域，尤其涉及一种基于机器学习进行CME检测和跟踪的方法。

背景技术

对日冕物质抛射(coronal mass ejection，CME)进行观测的太空任务可以追溯到20世纪70年代。SOHO卫星上的日冕仪对CME观测做出了巨大贡献，如大角度和光谱日冕仪(Large Angle and Spectrometric Coronagraph Experiment，LASCO)可以追踪1.1至约30Rs的CME。自从日地关系卫星(Solar TErrestrial RElations Observatory，STEREO)发射升空后，可以从日地关联日冕和太阳风层探测器的仪器包中两个不同的望远镜COR1、COR2观测CME。随着日冕图像数据的大量积累，能够自动检测、跟踪不同特征并构建相应的事件目录(尤其是CME)的能力变得越来越重要。一方面，这可以为CME关键参数的统计研究提供了更便捷的数据访问。另一方面，通过自动检测具有CME标记的日冕仪图像，可以进行实时天气预测。

目前已经开发了不同的CME目录，这些目录中包含长期运行的日冕仪观测资料，它们被分类为手动或自动目录。一般主要使用的数据是由LASCO日冕仪观测并创建的CME目录，这些数据在CDAW数据中心进行维护，CDAW提供了LASCO和其他相关仪器的观测的事件视频以及每个CME的关键参数。虽然CDAW目录已被广泛采用，但CME检测和跟踪是通过人工完成的，这显然是主观和耗时的。因为不同操作员的经验不同，可能会得到不同的检测结果和物理参数。当太阳接近其最大活动时，CME的检测和跟踪更是会需要消耗大量的人力，以上手动CME目录的缺点促使自动目录的开发。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种新的CME检测和追踪的方法。

技术方案：本发明公开了一种基于机器学习进行CME检测和跟踪的方法，该方法用于从连续的白光日冕仪图像中检测出CME并进行跟踪。包括以下步骤：

步骤1，采集原始日冕图像，对图像进行预处理，得到日冕差分图像；

步骤2，图像分类：训练LeNet-5卷积神经网络模型进行日冕差分图像二分类，判定单张日冕差分图像是否有CME发生，得到有CME类别的差分图像和无CME类别的差分图像，有CME发生的图像记为有CME类别的差分图像；

步骤3，CME区域检测：将判断为有CME类别的差分图像进行LeNet-5卷积神经网络特征图提取，使用无监督的图像协同定位方法DDT进行CME区域的粗定位，再利用图像切割方法进行分段区域平滑，得到带有精细CME区域注释的日冕差分图像；

步骤4，进行CME跟踪并计算CME事件的基本参数，。

步骤1包括如下步骤：

步骤1-1，从等级为0.5的LASCO C2数据中提取原始日冕图像，将分辨率为1024×1024的原始日冕图像下采样到512×512分辨率并根据太阳中心的坐标对齐，再将图像通过噪声滤波器，所述噪声滤波器为带有尺寸为3×3的滑动窗口的标准化盒式滤波器；