CN100487395C - 一种基于相似性度量的天体光谱自动分类与红移测量方法 - Google Patents
一种基于相似性度量的天体光谱自动分类与红移测量方法 Download PDFInfo
- Publication number
- CN100487395C CN100487395C CNB2005100117868A CN200510011786A CN100487395C CN 100487395 C CN100487395 C CN 100487395C CN B2005100117868 A CNB2005100117868 A CN B2005100117868A CN 200510011786 A CN200510011786 A CN 200510011786A CN 100487395 C CN100487395 C CN 100487395C
- Authority
- CN
- China
- Prior art keywords
- spectrum
- red shift
- celestial body
- redshift
- spectral line
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000011524 similarity measure Methods 0.000 title 1
- 230000003595 spectral effect Effects 0.000 claims abstract description 42
- 238000005259 measurement Methods 0.000 claims abstract description 23
- SGTNSNPWRIOYBX-UHFFFAOYSA-N 2-(3,4-dimethoxyphenyl)-5-{[2-(3,4-dimethoxyphenyl)ethyl](methyl)amino}-2-(propan-2-yl)pentanenitrile Chemical compound C1=C(OC)C(OC)=CC=C1CCN(C)CCCC(C#N)(C(C)C)C1=CC=C(OC)C(OC)=C1 SGTNSNPWRIOYBX-UHFFFAOYSA-N 0.000 claims description 15
- 230000003287 optical effect Effects 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 11
- 230000003068 static effect Effects 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 6
- 241000284156 Clerodendrum quadriloculare Species 0.000 claims description 3
- 235000019892 Stellar Nutrition 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000002596 correlated effect Effects 0.000 claims 2
- 230000000875 corresponding effect Effects 0.000 claims 1
- 230000011218 segmentation Effects 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及天体光谱处理技术领域。一种基于相似性度量的天体光谱自动分类与红移测量方法。将天体光谱分为恒星、星系和类星体三种，并对星系和类星体进行红移测量。方法包括三大步骤：首先对光谱进行预处理；然后进行谱线提取；最后，利用提取出的谱线信息确定红移候选，并通过目标光谱和模板光谱间的相似性度量来交叉验证红移候选以确定红移值和天体类型。本发明能同时实现光谱的分类和红移测量，避免了传统的先分类再进行测量或者先测量再分类造成的错误累积。本发明的分类正确率对恒星、星系和类星体分别能达到92%、97.9%和98.8%；红移测量正确率对星系和类星体分别能达到97.8%和94%。本发明可用于海量天体光谱的自动分析。
Description
技术领域
本发明涉及天体光谱处理技术领域，特别是一种基于相似性度量的天体光谱自动分类与红移测量方法。
背景技术
天体光谱自动分类和红移测量对大型的红移巡天项目有着非常重要的意义。目前国际上众多的光谱分类都是在红移值已知的前提下先将光谱移回静止波长再进行分类。红移测量基本上是通过两种途径进行的：一种是谱线证认，另一种是交叉相关。当光谱受噪声污染严重时，谱线证认就比较困难。而传统的交叉相关法由于受到可观测波段的限制，只能对低红移的光谱进行测量，并且同样不适于低信噪比的光谱。大型的红移巡天项目观测的科学目标通常是非常暗的未知天体，获得的天体光谱受噪声污染特别严重且红移值未知，其中包含有大量的高红移的类星体光谱。如何对高噪声，高红移的未知类型的天体光谱进行分类与红移测量已成了一个迫切需要解决的难题。
发明内容
光谱的红移值和类型均未知使得现有的一些自动分类方法和红移测量方法不能有效地运用。为了解决在红移值和类型未知、高噪声、高红移情况下的天体光谱的自动分类和红移测量，本发明提供一种基于相似性度量的光谱分类和红移测量方法。如附图1所示：光谱的分类是将光谱分为恒星、星系和类星体，红移测量是对星系和类星体光谱进行的。所述方法首先对光谱进行预处理；然后进行谱线提取；最后，利用提取出的谱线信息确定红移候选，并通过目标光谱和模板光谱间的相似性度量来交叉验证红移候选以确定红移值和天体类型。恒星模板是通过对Jacoby(1984)公布的161条标准恒星光谱进行主成分分析得到的两个特征光谱，星系的模板是通过对Kinney&Calzetti(1996)的四个正常星系的静止模板和七个星爆星系的静止模板分别进行主分量分析得到的两个特征光谱，类星体模板采用Vanden Berk et al(2001)合成的一个类星体光谱。
本发明能同时实现光谱的分类和红移测量。自动分类正确率对恒星能达到92％，对星系能达到97.9％，对类星体能达到98.8％；本发明的红移测量正确率对星系能达到97.8％，对类星体能达到94％。本发明可用于海量天体光谱的自动分析。
附图说明
图1是所述方法的功能示意图
图2是基于相似性度量进行光谱分类和红移测量的流程图。
具体实施方式
如附图2所示，基于相似性度量的光谱分类和红移测量方法包括三大步骤：第一步S1，对光谱进行预处理；第二步S2，进行谱线提取；第三步S3，进行光谱的分类和红移测量。各步骤的具体说明如下：
S1 光谱的预处理
首先，在光谱上可能存在天光线的固定波长附近进行中值滤波，去除天光线；
然后，用小波软阈值法去除随机噪声；最后，采用带宽为30nm的中值滤波器拟合连续谱，用去噪后的光谱除以连续谱并将生成的光谱减去一。
S2 谱线提取
在经过预处理后的光谱上进行逐点搜索，并通过特征约束来识别谱线。利用特征约束进行谱线的识别，特征约束为：谱线线心的强度必须大于设定的局部阈值和整体阈值，局部阈值的设置是为了尽可能提取不同强度的谱线，整体阈值的设置是为了限定谱线线心强度的下界；谱线的起始波长和终止波长处的强度必须小于谱线线心的强度。提取出的谱线包含两种信息：谱线的特征波长和谱线的线型(发射或吸收)。
S3 光谱分类和红移测量
首先利用提取出的谱线信息确定红移候选，然后通过度量目标光谱和红移后的模板光谱间的相似性来交叉验证红移候选以确定红移值和天体类型，其步骤如下：
(1)将恒星、星系和类星体的静止模板光谱以及目标光谱进行连续谱去除，并去除目标光谱中的天光线；
(2)利用天体光谱谱线表中的谱线线型信息和特征波长信息与S2中提取出的谱线信息，确定红移候选；
(3)按红移候选将连续谱去除后的静止模板光谱红移，度量所得到光谱与连续谱去除后的目标光谱的相似度；
(4)最大相似度对应的红移候选即为目标光谱的红移值，最大相似度对应的静止模板类型即为目标光谱的类型。
模板光谱，恒星模板是通过对Jacoby(1984)公布的161条标准恒星光谱进行主成分分析得到的两个特征光谱，星系的模板是通过对Kinney&Calzetti(1996)的四个正常星系的静止模板和七个星爆星系的静止模板分别进行主分量分析得到的两个特征光谱，类星体模板采用Vanden Berk et al(2001)合成的一个类星体光谱。
光谱间的相似性度量，仅当红移候选为零时，才考虑恒星的模板光谱。
光谱间的相似性度量，必须首先去除光谱的连续谱，然后通过局部加权相关进行相似性度量。
局部加权相关，包括步骤：
(1)将两个光谱向量分别等分为4个子段；
(2)将每个子段标准化为单位向量；
(3)采用向量内积求两个光谱对应子段间的相关值；
(4)求所得到相关值的加权和。
相关值的加权和，应遵循原则：相关值越大，则相应的权值越大；所有权值的和为1。该处的权值采用0.1:0.2:0.3:0.4。
Claims (7)
1.一种基于相似性度量的天体光谱的自动分类与红移测量方法，包括三大步骤：第一步S1，对光谱进行预处理；第二步S2，进行谱线提取；第三步S3，进行光谱分类和红移测量；其中，具体步骤为：
光谱的预处理：首先，在光谱上可能存在天光线的固定波长附近进行中值滤波，去除天光线；然后，用小波软阈值法去除随机噪声；最后，采用带宽为30nm的中值滤波器拟合连续谱，用去噪后的光谱除以连续谱并将生成的光谱减去一；
谱线提取：利用特征约束进行谱线的识别，特征约束为：谱线线心的强度必须大于设定的局部阈值和整体阈值，局部阈值的设置是为了尽可能提取不同强度的谱线，整体阈值的设置是为了限定谱线线心强度的下界；谱线的起始波长和终止波长处的强度必须小于谱线线心的强度；
光谱分类和红移测量，将天体光谱粗分为恒星、星系、类星体三种光谱，红移测量是对星系和类星体光谱进行的：首先利用提取出的谱线信息确定红移候选，然后通过度量目标光谱和红移后的模板光谱间的相似性来交叉验证红移候选以确定红移值和天体类型。
2.按权利要求1所述的基于相似性度量的天体光谱的自动分类与红移测量方法，其特征在于，光谱分类和红移测量，其步骤如下：
(1)将恒星、星系和类星体的静止模板光谱以及目标光谱进行连续谱去除，并去除目标光谱中的天光线；
(2)利用天体光谱谱线表中的谱线线型信息和特征波长信息与S2中提取出的谱线信息，确定红移候选；
(3)按红移候选将连续谱去除后的静止模板光谱红移，度量所得到光
谱与连续谱去除后的目标光谱的相似度；
(4)最大相似度对应的红移候选即为目标光谱的红移值，最大相似度对应的静止模板类型即为目标光谱的类型。
3.按权利要求2所述的基于相似性度量的天体光谱的自动分类与红移测量方法，其特征在于，模板光谱，恒星模板是通过对161条标准恒星光谱进行主成分分析得到的两个特征光谱，星系的模板是通过对四个正常星系的静止模板和七个星爆星系的静止模板分别进行主分量分析得到的两个特征光谱，类星体模板采用合成的一个类星体光谱。
4.按权利要求2所述的基于相似性度量的天体光谱的自动分类与红移测量方法，其特征在于，光谱间的相似性度量，仅当红移候选为零时，才考虑恒星的模板光谱。
5.按权利要求2所述的基于相似性度量的天体光谱的自动分类与红移测量方法，其特征在于，光谱间的相似性度量，必须首先去除光谱的连续谱，然后通过局部加权相关进行相似性度量。
6.按权利要求5所述的基于相似性度量的天体光谱的自动分类与红移测量方法，其特征在于，局部加权相关，包括步骤：
(1)将两个光谱向量分别等分为4个子段；
(2)将每个子段标准化为单位向量；
(3)采用向量内积求两个光谱对应子段间的相关值；
(4)求所得到相关值的加权和。
7.按权利要求6所述的基于相似性度量的天体光谱的自动分类与红移测量方法，其特征在于，相关值的加权和，应遵循原则：相关值越大，则相应的权值越大；所有权值的和为1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNB2005100117868A CN100487395C (zh) | 2005-05-26 | 2005-05-26 | 一种基于相似性度量的天体光谱自动分类与红移测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNB2005100117868A CN100487395C (zh) | 2005-05-26 | 2005-05-26 | 一种基于相似性度量的天体光谱自动分类与红移测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN1869613A CN1869613A (zh) | 2006-11-29 |
| CN100487395C true CN100487395C (zh) | 2009-05-13 |
Family
ID=37443335
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNB2005100117868A Expired - Fee Related CN100487395C (zh) | 2005-05-26 | 2005-05-26 | 一种基于相似性度量的天体光谱自动分类与红移测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN100487395C (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107218919A (zh) * | 2017-06-15 | 2017-09-29 | 山东师范大学 | 一种基于光波红移的天文观测望远镜 |
| CN107993212A (zh) * | 2017-12-12 | 2018-05-04 | 天津津航计算技术研究所 | 基于二维pca的多目标光纤光谱减天光处理方法 |
| CN115905366B (zh) * | 2022-12-14 | 2023-06-16 | 中国科学院云南天文台 | 一种在海量数据中全面搜索天体测量型微引力透镜事件的方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1527198A (zh) * | 2003-03-07 | 2004-09-08 | 中国科学院自动化研究所 | 基于光谱的恒星与星系的自动识别方法 |
-
2005
- 2005-05-26 CN CNB2005100117868A patent/CN100487395C/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1527198A (zh) * | 2003-03-07 | 2004-09-08 | 中国科学院自动化研究所 | 基于光谱的恒星与星系的自动识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| De-Noising by Soft-Thresholding. David L. Donoho.IEEE TRANSACTIONS ON INFORMATION THEORY,Vol.41 No.3. 1995 * |
| 一种基于Hough变换和神经网络的分层类星体识别方法. 周虹，黄凌云，罗曼丽.电子科学学刊，第22卷第4期. 2000 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN1869613A (zh) | 2006-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Saintonge | The arecibo legacy fast alfa survey. iv. strategies for signal identification and survey catalog reliability | |
| JP6438549B1 (ja) | 機械学習を用いた未知化合物の分類方法 | |
| CN109993155A (zh) | 针对低信噪比紫外拉曼光谱的特征峰提取方法 | |
| CN102721952B (zh) | 基于超分辨多普勒谱的地面运动目标稳健分类方法 | |
| CN104181170B (zh) | 基于光谱图像分析的水果外表检测方法 | |
| CN107358250A (zh) | 基于双波段雷达微多普勒融合的人体步态识别方法及系统 | |
| CA2435290A1 (en) | Computer-aided image analysis | |
| CN104251839B (zh) | 南疆红枣建模用南疆红枣样品成分的光谱分离检测方法 | |
| CN103913435B (zh) | 一种基于多源信息融合的潲水油快速检测方法及装置 | |
| CN102183467B (zh) | 一种近红外谱区新疆红枣品质分级建模方法 | |
| CN104408705A (zh) | 一种高光谱图像的异常检测方法 | |
| CN106385288B (zh) | 一种雷达脉冲跨信道融合检测装置及其检测方法 | |
| CN112068120A (zh) | 基于二维傅里叶变换的微多普勒时频平面单兵小分队识别方法 | |
| CN104990892A (zh) | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 | |
| CN106137219A (zh) | 双波长的绝对差值加和计算动脉血氧饱和度方法及其装置 | |
| CN100487395C (zh) | 一种基于相似性度量的天体光谱自动分类与红移测量方法 | |
| CN107229910A (zh) | 一种遥感图像结冰湖泊检测方法及其系统 | |
| CN107545213A (zh) | 基于飞行时间质谱的信号处理方法、系统及电子设备 | |
| CN103886332A (zh) | 一种检测与识别金属网栅缺陷的方法 | |
| CN105044054A (zh) | 一种基于盲源分离的海洋溢油精细化遥测方法 | |
| CN106770151B (zh) | 一种快速检测拉曼光谱信号的方法及装置 | |
| Selamet et al. | Automatic detection and classification of defective areas on metal parts by using adaptive fusion of faster R-CNN and shape from shading | |
| CN109709581A (zh) | 一种卫星导航信号强干扰循环特征参数快速检测获取方法 | |
| CN115406860A (zh) | 一种基于建模对比的黄龙病快速检测装置及方法 | |
| CN104408476A (zh) | 基于深度稀疏主分量分析的极化sar图像分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20090513 Termination date: 20170526 |