[发明专利]一种全天空喉区极光识别方法及系统

说明书

本发明公开了一种全天空喉区极光识别方法及系统，所述方法包括：获取原始极光观测数据，进行预处理后得到去除噪声的图像数据；将去除噪声的图像数据输入预先训练好的喉区极光分类器，得到图像是否包括喉区极光的分类结果。本发明的方法收集并标注了领域专家认可的喉区极光数据集，通过深度有监督学习的方法训练出基于DenseNet121的喉区极光分类器，基于深度学习的方法能有效地从图像中学到更具有代表性的高维特征，从而得到优于传统分类器的分类结果；该喉区极光分类器对喉区极光的识别准确率0.96，召回率0.88，f1值0.92，在新的年份数据上也能达到同样的准确率，泛化性能良好，能有效应用于喉区极光领域的研究。

技术领域

本发明属于空间科学领域，具体涉及一种全天空喉区极光识别方法及系统。

背景技术

极光被视为日地空间电磁信息的观测窗口，极光的强度与形态演化中蕴含着丰富的磁层动力学信息。对极光形态的识别有助于研究人员获取更多太阳和地磁场的相互作用细节及信息。从国际地球物理年开始，各国相继在南北极设置拥有诸如CCD全天空成像仪等新型极光观测设备的观测站，海量的连续观测图像在为极光统计研究带来强有力的数据支持的同时，也带来了大数据时代的挑战。

喉区极光是出现在磁正午附近(对应世界时上午10：00)，当南北向的条带状弥散极光与分立极光卵接触的情况下，在极光卵低纬侧出现的一种沿南北向分布的分立极光结构目前的研究认为喉区极光对应磁层顶上的局地内陷式变形，最可能由磁鞘高速流冲击磁层顶产生，同时还可能触发磁重联过程。进一步探究喉区极光对全面认识磁鞘高速流影响太阳风-磁层耦合过程具有重要科学意义，而对喉区极光形态结构的精确高效识别，是对其进行深入探究的先决步骤。而目前对于喉区极光的识别仍依赖专家经验人工筛选，在海量原始数据面前，这一低效且繁杂的过程严重阻碍了后续更多的研究。因此，引入计算机视觉的方法对全天空喉区极光图像进行实时自动识别是喉区极光研究领域迫切需求的技术。

在极光图像研究领域，更多的研究者还是使用人工设计的特征提取算法搭配传统的模式识别分类器来完成极光形态的分类，这种人工设计特征提取方法复杂且准确率低。

发明内容

本发明的目的在于克服上述技术缺陷，帮助极光领域研究人员从海量全天空极光观测数据中高效精确的识别出喉区极光，基于深度学习的特征提取与图像识别方法应用于喉区极光的识别，提出一种全新的，高准确率、高召回率的喉区极光识别模型，可以对黄河站原始观测数据是否是喉区极光进行实时判别。

为了实现上述目的，本发明提供了一种全天空喉区极光识别方法，所述方法包括：

获取原始极光观测数据，进行预处理后得到去除噪声的图像数据；

将去除噪声的图像数据输入预先训练好的喉区极光分类器，得到图像是否包括喉区极光的分类结果。

作为上述方法的一种改进，所述获取原始极光观测数据，进行预处理后得到去除噪声的图像数据，具体包括：

读取原始极光观测数据并转换成常规图像的格式；

通过减暗电流消除由观测设备引起的系统噪声；

将图像像素值压缩在[0,4000]范围内，并对图像进行灰度值拉伸，将16位图像线性压缩成8位；

旋转图像使南北极走向与坐标轴吻合，正北向上；

圆形掩膜并剪裁，消除四周灯光、山脉的干扰。

作为上述方法的一种改进，所述喉区极光分类器为分类模型Densenet121，该模型由1个7*7卷积层，池化层、58个增加了特征复用支路的密集连接模块、3个过渡层和全连接层组成；

每一个卷积层都是对图像的局部区域做一次前馈计算，不同的卷积核提取不同的特征，随着层数的加深，得到更高维度的抽象特征，第l层的第j个特征图表示为：