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
基于空时极向局部二值模式的极光图像序列分类方法 Download PDFInfo
- Publication number
- CN103971120B CN103971120B CN201410160536.XA CN201410160536A CN103971120B CN 103971120 B CN103971120 B CN 103971120B CN 201410160536 A CN201410160536 A CN 201410160536A CN 103971120 B CN103971120 B CN 103971120B
- Authority
- CN
- China
- Prior art keywords
- pvlbp
- local binary
- image sequence
- aurora
- pole
- 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
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
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2m-1个三维竖块,记为Bi 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,…,2m-1;
(3)使用极向局部二值模式PVLBP算法,提取每一个三维竖块Bi m的极向局部二值模式特征PVLBP,记为PVLBPi m;
(4)将各个三维竖块Bi m的极向局部二值模式特征PVLBPi 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1×2m-1个三维竖块,得到的2m-1个三维竖块中的第i块记为Bi 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,…,2m-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Bi m的极向局部二值模式特征PVLBP,记为PVLBPi m。
参照图2,本步骤的具体实现如下:
(3a)对每一个三维竖块Bi 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,PVLBPc表示中间帧的中心像素点c的PVLBP十进制数值,vq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,2q是二进制编码的每个01码的权重,P=2;
(3d)计算三维竖块Bi 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Bi m的极向局部二值模式特征PVLBPi m。
步骤4,将各个三维竖块Bi m的极向局部二值模式特征PVLBPi 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Bi m的极向局部二值模式特征PVLBPi 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2m-1个三维竖块,记为Bi 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,…,2m-1;
(3)使用极向局部二值模式PVLBP算法,提取每一个三维竖块Bi m的极向局部二值模式特征PVLBP,记为PVLBPi 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Bi 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Bi 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:
其中,PVLBPc表示中间帧的中心像素点c的PVLBP十进制数值,vq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,2q是二进制编码的每个01码的权重,P=2;
(2d)计算三维竖块Bi 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Bi m的极向局部二值模式特征PVLBPi m;
(4)将各个三维竖块Bi m的极向局部二值模式特征PVLBPi 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410160536.XA CN103971120B (zh) | 2014-04-18 | 2014-04-18 | 基于空时极向局部二值模式的极光图像序列分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410160536.XA CN103971120B (zh) | 2014-04-18 | 2014-04-18 | 基于空时极向局部二值模式的极光图像序列分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103971120A CN103971120A (zh) | 2014-08-06 |
CN103971120B true CN103971120B (zh) | 2017-02-15 |
Family
ID=51240591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410160536.XA Expired - Fee Related CN103971120B (zh) | 2014-04-18 | 2014-04-18 | 基于空时极向局部二值模式的极光图像序列分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103971120B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MY188125A (en) * | 2014-09-15 | 2021-11-22 | Temasek Life Sciences Laboratory | Image recognition system and method |
CN104392235A (zh) * | 2014-12-09 | 2015-03-04 | 西安电子科技大学 | 基于梯度方向直方图特征和分块亮度的弧状极光检测方法 |
CN104463226A (zh) * | 2014-12-25 | 2015-03-25 | 西安电子科技大学 | 基于序列环扇形分块的弧状极光序列检测方法 |
CN104992187B (zh) * | 2015-07-14 | 2018-08-31 | 西安电子科技大学 | 基于张量动态纹理模型的极光视频分类方法 |
CN106997601B (zh) * | 2017-03-27 | 2019-10-11 | 西安电子科技大学 | 基于粘性流体粒子运动模型的视频序列分类方法 |
CN107229936B (zh) * | 2017-05-22 | 2020-06-23 | 西安电子科技大学 | 基于球状鲁棒序列局部二值化模式的序列分类方法 |
CN110969173B (zh) * | 2018-09-28 | 2023-10-24 | 杭州海康威视数字技术股份有限公司 | 目标分类方法及装置 |
CN110188612B (zh) * | 2019-04-28 | 2023-02-10 | 西安电子科技大学 | 基于生成式对抗网络的极光卵强度图像建模方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930273A (zh) * | 2012-10-15 | 2013-02-13 | 西安电子科技大学 | 基于亮度自适应水平集的极光卵分割方法 |
CN103049767A (zh) * | 2013-01-25 | 2013-04-17 | 西安电子科技大学 | 基于生物激发特征和流形学习的极光图像分类方法 |
CN103632166A (zh) * | 2013-12-04 | 2014-03-12 | 西安电子科技大学 | 基于融合显著信息的潜在主题极光图像分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7171042B2 (en) * | 2000-12-04 | 2007-01-30 | Intel Corporation | System and method for classification of images and videos |
-
2014
- 2014-04-18 CN CN201410160536.XA patent/CN103971120B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930273A (zh) * | 2012-10-15 | 2013-02-13 | 西安电子科技大学 | 基于亮度自适应水平集的极光卵分割方法 |
CN103049767A (zh) * | 2013-01-25 | 2013-04-17 | 西安电子科技大学 | 基于生物激发特征和流形学习的极光图像分类方法 |
CN103632166A (zh) * | 2013-12-04 | 2014-03-12 | 西安电子科技大学 | 基于融合显著信息的潜在主题极光图像分类方法 |
Non-Patent Citations (2)
Title |
---|
Rong Fu等.Automatic Aurora Images Classification Algorithm Based on Separated Texture.《IEEE》.2009, * |
杨曦等.一种分层小波模型下的极光图像分类算法.《西安电子科技大学学报(自然科学版)》.2013,第40卷(第2期), * |
Also Published As
Publication number | Publication date |
---|---|
CN103971120A (zh) | 2014-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103971120B (zh) | 基于空时极向局部二值模式的极光图像序列分类方法 | |
CN107329139B (zh) | 一种双时相双极化干涉sar影像水域提取方法 | |
CN101510309B (zh) | 基于复小波纹理区域合并的改进分水岭sar图像分割方法 | |
CN107392122B (zh) | 基于多极化特征和fcn-crf融合网络的极化sar影像目标检测方法 | |
CN103345763B (zh) | 一种基于多尺度可变块的运动注意力计算方法 | |
CN104700110A (zh) | 一种基于全极化sar图像的植被覆盖信息提取方法 | |
CN104239872A (zh) | 异态汉字识别方法 | |
CN105741309A (zh) | 一种基于卡方变换和样本选择的遥感影像变化检测方法 | |
CN103854281A (zh) | 基于波段选择的高光谱遥感影像矢量c-v模型分割方法 | |
CN103984963A (zh) | 一种高分辨率遥感图像场景分类方法 | |
Chen et al. | EFCNet: ensemble full convolutional network for semantic segmentation of high-resolution remote sensing images | |
CN107590782B (zh) | 一种基于全卷积网络的高分辨率光学图像厚云去除方法 | |
CN104408472A (zh) | 基于Wishart和SVM的极化SAR图像分类方法 | |
CN105844662A (zh) | 基于流体力学的极光运动方向确定方法 | |
CN111914848B (zh) | 一种融合gis数据的遥感图像语义分割方法及系统 | |
CN105389781A (zh) | 一种基于显著性检测和Criminisi算法的车辆光照修复方法 | |
Ma et al. | Feature enhanced deep learning network for digital elevation model super-resolution | |
Zheng et al. | Remote Sensing Geological Classification of Sea Islands and Reefs Based on Deeplabv3+ | |
Dong et al. | Generative ConvNet Foundation Model with Sparse Modeling and Low-Frequency Reconstruction for Remote Sensing Image Interpretation | |
Du et al. | Photovoltaic Power Station Extraction from High-Resolution Satellite Images Based on Deep Learning Method | |
Wang et al. | River Extraction from Remote Sensing Images in Cold and Arid Regions Based on Attention Mechanism | |
Wang et al. | A New Remote Sensing Change Detection Data Augmentation Method based on Mosaic Simulation and Haze Image Simulation | |
Hu et al. | Wind turbine detection with synthetic overhead imagery | |
CN110826578A (zh) | 全域尺度的岩溶石漠化信息遥感快速提取方法 | |
CN104320659A (zh) | 背景建模方法、装置及设备 |
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: 20170215 |