CN103971120B - 基于空时极向局部二值模式的极光图像序列分类方法 - Google Patents

Abstract

本发明公开了一种基于空时极向局部二值模式的极光图像序列分类方法，主要解决现有技术分类效率不高的问题。其实现步骤为：(1)对极光图像序列进行逆时针旋转62.63°的预处理；(2)对预处理后的极光图像序列进行若干次块数不同的分块；(3)使用极向局部二值模式PVLBP算法，提取每块的极向局部二值模式特征PVLBP，并将各个块的PVLBP特征顺次连接得到空时极向局部二值模式特征ST‑PVLBP；(4)将极光序列的空时极向局部二值模式特征ST‑PVLBP输入给支持向量机SVM分类器进行分类，得到分类结果。本发明在保持高分类精度的同时，缩短了分类时间，提高了分类效率，可用于场景分类与事件检测。

Description

基于空时极向局部二值模式的极光图像序列分类方法

技术领域

本发明属于图像处理技术领域，具体的说是一种极光图像序列分类方法，可用于场景分类与事件检测。

背景技术

极光是由太阳风、行星际磁场与地球磁层的相互作用形成的美丽的光辉，是日地空间能量耦合以及各种磁层动力学过程中最直观的电离层踪迹。日侧极光反映太阳风-磁层-电离层耦合在日侧的各种动力学过程，通过对日侧极光进行长期观测及对其形态、强度、运动等特征变化进行深入研究，对空间天气过程的变换规律研究具有重要意义。

已有研究者对极光的研究，主要是采用多种手段进行联合观测，引用多种数据如雷达、卫星数据研究极光的物理变化过程，探讨相应的物理规律。其中，利用地面设备拍摄得到的极光图像正是研究极光的一种有力手段。利用极光图像分析极光的不同形态变化规律具有重要的科学研究价值，引起了众多学者的广泛关注。自2003年11月底，我国在北极黄河站安装了三台先进的极光全天空成像仪，同时对极光的三个典型波段即427.8nm、557.7nm与630.0nm进行连续观测，每年获得的全天空图像ASI数以百万计，如何充分利用这样的大数据给研究人员带来了新的考验。

随着数据的与日俱增，极光的分类研究也从早期的人工肉眼观察手工标记发展到如今的计算机定量分析。自从2004年等人在文献“MT,DonovanEF.Diurnal auroral occurrence statistics obtained via machine vision.AnnalesGeophysicae,22:1103-1113.2004”首次将计算机视觉的方法引入静态极光图像的分类，目前已有许多研究人员利用计算机技术来实现静态极光图像的自动处理，并在静态极光分类上取得了一定进展。但是对于形态变化多样、运动规律异常复杂的极光动态过程，仅考虑极光的静态特征显然不够，极光的动态过程包含更丰富的信息，对其展开分析对研究极光发生机制及相应的磁层动力学过程具有重要意义。然而，现有的极光运动自动处理研究仍处于起步阶段，研究侧重点各有不同。弧状极光形态明显，研究弧状极光的发生与持续时间等规律对尾瓣重联、磁鞘等离子体注入到低纬边界层引发的发电机效应、低纬边界层边缘的KH不稳定性等动力学过程具有重要意义，因此本发明关注弧状极光序列。

在大数据的背景下，如何降低算法复杂度提高算法效率是当前亟待解决的问题。Volume Local Binary Patterns作为局部二值模式LBP在视频序列分析上的拓展，具备计算简单、对单调的灰度变化具备鲁棒性的特点。但利用Volume Local Binary Patterns得到的特征向量维数过高，增加了分类时间，需要使用更多的机器内存。

发明内容

本发明的目的在于针对上述现有技术存在的不足，提出一种基于空时极向局部二值模式的极光图像序列分类方法，以适用于地磁南北向运动的弧状极光序列分类，有效减少数据冗余，提高分类效率。

实现本发明上述目的的技术方案是：对输入的极光图像序列进行逆时针旋转62.63°的预处理，提取预处理后的极光图像序列的空时极向局部二值模式特征ST-PVLBP，将空时极向局部二值模式特征ST-PVLBP输入给支持向量机SVM分类器进行分类。其具体步骤包括如下：

(1)输入极光图像序列，将极光图像序列进行逆时针旋转62.63°的预处理，得到预处理后的极光图像序列；

(2)对预处理后的极光图像序列进行M次块数不同的分块，即在空间上将预处理后的极光图像序列平均分成2^m-1个三维竖块，记为B_i ^m，其中m=1,2,…,M，M为大于等于1的正整数，i是每次分块得到的三维竖块的标号，i=1,2,…,2^m-1；

(3)使用极向局部二值模式PVLBP算法，提取每一个三维竖块B_i ^m的极向局部二值模式特征PVLBP，记为PVLBP_i ^m；

(4)将各个三维竖块B_i ^m的极向局部二值模式特征PVLBP_i ^m顺次连接，得到空时极向局部二值模式特征ST-PVLBP；

(5)将图库中标准类型极光图像序列的空时极向局部二值模式特征ST-PVLBP输入给支持向量机SVM分类器进行训练；

(6)将步骤(4)所得的极光图像序列的空时极向局部二值模式特征ST-PVLBP输入给步骤(5)训练后的支持向量机SVM分类器进行分类，得到最终的分类结果。

本发明与现有的技术相比具有以下优点：

1.本发明针对极光图像序列的运动特性，在Volume Local Binary Patterns的基础上提出了空时极向局部二值模式ST-PVLBP，有效减少数据冗余，更具针对性；

2.本发明有效结合序列帧间连续性信息和单帧空间位置信息，提高分类精度；

3.与现有技术相比，本发明计算复杂度低，有效节约机器内存，提高处理速度。

附图说明

图1是本发明的实现总流程图；

图2是本发明提取极向局部二值模式特征PVLBP的子流程图；

图3是本发明的提取空时极向局部二值模式特征ST-PVLBP的子流程图。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1，对输入极光图像序列进行逆时针旋转62.63°的预处理，得到预处理后的极光图像序列。

由于极光图像中的南北方向与实际地磁南北方向存在62.63°的偏差，故需要对输入的极光图像序列进行逆时针旋转62.63°的预处理，即将极光图像中的南北方向与实际地磁南北方向对齐。

步骤2，对预处理后的极光图像序列进行M次块数不同的分块。

(2a)第一次分块，即将预处理后的极光图像序列分为1×1三维竖块，实际上就是原始的预处理后的极光图像，记为B₁ ¹；

(2b)第二次分块，即将预处理后的极光图像序列平均分成1×2个三维竖块，得到的两个三维竖块分别记为B₁ ²和B₂ ²；

(2c)第三次分块，即将预处理后的极光图像序列平均分成1×4个三维竖块，得到的四个三维竖块分别记为B₁ ³、B₂ ³、B₃ ³和B₄ ³；

(2d)以此类推，进行第m次分块，即将预处理后的极光图像序列平均分成1×2^m-1个三维竖块，得到的2^m-1个三维竖块中的第i块记为B_i ^m，其中m=1,2,…,M，M为大于等于1的正整数，i是每次分块得到的三维竖块的标号，i=1,2,…,2^m-1。

步骤3，使用极向局部二值模式PVLBP算法，提取每一个三维竖块B_i ^m的极向局部二值模式特征PVLBP，记为PVLBP_i ^m。

参照图2，本步骤的具体实现如下：

(3a)对每一个三维竖块B_i ^m，以相邻三帧极光图像为一个处理板块；

(3b)对每一个处理板块，按从左到右、从上到下的顺序，取大小为3×1×3的长方体邻域作为处理单元，对每个处理单元，以中间帧的中心像素点c的灰度值作为阈值，将处理单元长方体邻域的其他像素点灰度值与c的灰度值进行对比，如果邻域像素的灰度值大于c的灰度值，则该邻域像素被置1，否则置0，从而将长方体邻域的所有像素转换为01二进制编码；

(3c)将步骤(3b)得到的二进制编码转化为一个十进制数值：

其中，PVLBP_c表示中间帧的中心像素点c的PVLBP十进制数值，v_q表示邻域像素点的灰度值与中间帧的中心像素点c的灰度值对比后的结果，即0或者1，q是长方体邻域的像素点个数，2^q是二进制编码的每个01码的权重，P=2；

(3d)计算三维竖块B_i ^m中除边界点外的所有像素点的PVLBP十进制数值，并作统计直方图，将得到的统计直方图作为三维竖块B_i ^m的极向局部二值模式特征PVLBP_i ^m。

步骤4，将各个三维竖块B_i ^m的极向局部二值模式特征PVLBP_i ^m顺次连接，得到空时极向局部二值模式特征ST-PVLBP。

参照图3，各个三维竖块B_i ^m的极向局部二值模式特征PVLBP_i ^m的连接顺序按照分块次数m的从小到大顺序，即

步骤5，将图库中标准类型极光图像序列的空时极向局部二值模式特征ST-PVLBP输入给支持向量机SVM分类器进行训练。

步骤6，将步骤4所得的极光图像序列的空时极向局部二值模式特征ST-PVLBP输入给步骤5训练后的支持向量机SVM分类器进行分类，得到最终的分类结果。

本发明的效果可以通过下面的实验仿真进一步说明：

1.实验条件与方法

硬件平台为：Intel Core i3、2.93GHz、3.45GB RAM；

软件平台为：Windows7操作系统下的MATLAB R2011b；

实验方法：分别为本发明和现有方法，现有方法为Volume Local BinaryPatterns。

2.仿真内容与结果

本发明用于实验的数据由我国北极黄河站的全天空极光观测系统采集，这些数据来自2003年12月到2004年1月、2004年12月到2005年1月以及2005年12月期间所观测到的G波段图像，每幅极光图像为512×512的灰度图像，从中筛选出33天的极光数据。对这些数据进行人工标记，得到82个弧状极光序列和142个非弧状极光序列，序列长度根据弧状极光序列事件的持续时间在12帧-50帧之间不等，大部分集中在22帧-35帧。最终结果为200次实验的平均分类准确率。

实验一，用本发明与现有的Volume Local Binary Patterns对极光图像序列进行分类的平均分类准确率对比实验。

当训练样本数分别为30、50、80、100、120时，现有的Volume Local BinaryPatterns的平均分类准确率分别为84.92%、88.09%、90.29%、90.74%、90.75%，本发明的平均分类准确率分别为85.63%、87.62%、89.67%、90.39%、91.25%。可见，本发明保持了现有方法的高分类精度。

实验二，用本发明与现有的Volume Local Binary Patterns对极光图像序列进行分类的平均分类时间对比实验。

对分类时间进行归一化对比，现有的Volume Local Binary Patterns归一化分类时间为1.000，本发明归一化分类时间为0.072。可见，本发明大大提高了分类效率。

综合以上分析，本发明能在保持高分类精度的前提下，大大提高分类的效率。

Claims (1)

1.一种基于空时极向局部二值模式的极光图像序列分类方法，包括如下步骤：

(1)输入极光图像序列，将极光图像序列进行逆时针旋转62.63°的预处理，得到预处理后的极光图像序列；

(2)对预处理后的极光图像序列进行M次块数不同的分块，即在空间上将预处理后的极光图像序列平均分成2^m-1个三维竖块，记为B_i ^m，其中m＝1,2,…,M，M为大于等于1的正整数，i是每次分块得到的三维竖块的标号，i＝1,2,…,2^m-1；

(3)使用极向局部二值模式PVLBP算法，提取每一个三维竖块B_i ^m的极向局部二值模式特征PVLBP，记为PVLBP_i ^m；

所述的使用极向局部二值模式PVLBP算法，提取每一个三维竖块B_i ^m的极向局部二值模式特征PVLBP，按如下步骤进行：

(2a)对每一个三维竖块B_i ^m，以相邻三帧极光图像为一个处理板块；

(2b)对每一个处理板块，按从左到右、从上到下的顺序，取大小为3×1×3的长方体邻域作为处理单元，对每个处理单元，以中间帧的中心像素点c的灰度值作为阈值，将处理单元长方体邻域的其他像素点灰度值与c的灰度值进行对比，如果邻域像素的灰度值大于c的灰度值，则该邻域像素被置1，否则置0，从而将长方体邻域的所有像素转换为01二进制编码；

(2c)将步骤(2b)得到的二进制编码转化为一个十进制数值：

${\mathrm{PVLBP}}_c=\underset{q=0}{\overset{3P+1}{\Σ}}{v}_q{2}^q,$

其中，PVLBP_c表示中间帧的中心像素点c的PVLBP十进制数值，v_q表示邻域像素点的灰度值与中间帧的中心像素点c的灰度值对比后的结果，即0或者1，q是长方体邻域的像素点的编号，2^q是二进制编码的每个01码的权重，P＝2；

(2d)计算三维竖块B_i ^m中除边界点外的所有像素点的PVLBP十进制数值，并作统计直方图，将得到的统计直方图作为三维竖块B_i ^m的极向局部二值模式特征PVLBP_i ^m；

(4)将各个三维竖块B_i ^m的极向局部二值模式特征PVLBP_i ^m顺次连接，得到空时极向局部二值模式特征ST-PVLBP；

(5)将图库中标准类型极光图像序列的空时极向局部二值模式特征ST-PVLBP输入给支持向量机SVM分类器进行训练；

(6)将步骤(4)所得的极光图像序列的空时极向局部二值模式特征ST-PVLBP输入给步骤(5)训练后的支持向量机SVM分类器进行分类，得到最终的分类结果。