CN104680167A - 基于深度学习的极光卵位置确定方法 - Google Patents

Abstract

本发明公开了一种深度学习的极光卵位置确定方法，主要解决现有极光卵位置确定方法中存在的不准确的问题，其步骤是：(1)从紫外极光图像中挑选完整的极光卵图像构成极光卵图像集；(2)利用形状信息和最大相似性区域合并准则对原始图像做图像分割；(3)利用图像的地磁坐标信息，将分割得到的图像进行坐标转换；(4)根据转换后图像得到极光卵赤道向和极向的边界点坐标；(5)利用极光卵图像集中图像的拍摄时间，构建极光卵对应时刻的地磁物理参数数据库；(6)将极光卵边界点坐标和地磁物理参数输入深度学习网络对极光卵位置进行确定。本发明提高了极光卵位置的确定精确，可用于研究地磁物理参数对极光活动的影响。

Description

基于深度学习的极光卵位置确定方法

技术领域

本发明属于图像处理技术领域，特别涉及极光卵位置的确定方法，可用于研究极光卵位置与地磁物理参数之间的关系，了解日地耦合过程，认知空间气候变化规律。

背景技术

了解地球周围环境的一些物理过程如太阳风中的等离子体、地球磁场和地球大气层共同作用产生的极光现象，对于地球空间科学的研究具有重要的意义。极光卵是在地球南北极地区，受到太阳风影响的高能粒子沉降所产生的环形带状发光区域。极光卵的极向边界和赤道向边界是重要的地球物理参数，其与太阳风、地磁活动有着密切的关系。对极光卵的边界位置进行确定，有助于了解日地耦合过程，认知空间气候变化规律。极光卵的边界位置是受多种地磁物理因素共同影响的，传统方法将极光卵边界位置表示为一种或几种地磁活动指数的函数，具有很大的局限性。

在早期的研究工作中人们将极光卵的位置表示为单变量的函数。1967年Feldstein提出基于原始数据的模型，将极光卵出现的可能性描绘成了Q指数的函数。Starkov将极向、赤道向和弥散极光卵边界表示为AL指数的函数，Zhang和Paxton使用了Epstein方程来计算电子通量和平均能通量，并将极光卵位置表示为Kp指数的函数，Carbary也将极光卵的边界位置用Kp指数来表示。Milan的研究表明在磁暴期间极光卵半径随环电流增强而增加。Lukianova统计了极盖区域边界与行星际磁场的关系，指出极盖区域边界在正午-午夜方向受行星际磁场z方向分量控制，在晨昏线方向受行星际磁场y方向分量影响。

由于极光卵的边界位置不是一种地磁活动指数能决定的，因而上述这些将极光卵边界位置表示为单一一种地磁活动指数的函数的方法具有局限性，目前研究的趋势是将极光卵的位置和大小用多种地磁物理参数来表征。Yang利用多元回归的方法将极光卵的位置表征为多种物理参数的函数，但多元回归的方法受回归方程假设的影响很大，二次多项式形式的回归方程并不能准确地反应客观的物理规律。

发明内容

本发明的目的在于克服上述方法的不足，提出了基于深度学习的极光卵位置确定方法，以客观准确地反应各个物理参数对不同极光现象的影响，分析空间气候变化规律。

实现本发明目的技术思路是：利用基于形状信息反馈和最大相似性区域合并准则的极光卵分割算法对原始极光卵图像做图像分割，然后对分割结果图像利用地磁时和地磁纬度信息转换图像坐标，得到在地磁时和地磁纬度坐标下的极光卵图像并取极光卵赤道向和极向的边界点坐标，最后训练深度学习网络，将极光卵赤道向和极向边界点坐标和地磁物理参数对应通过训练好的深度学习网络预测极光卵位置。其具体实现方案如下：

本发明基于深度学习的极光卵位置确定方法，包括如下步骤：

(1)选取Polar卫星携带的紫外极光成像仪所拍摄的紫外极光图像，并从中挑选完整的极光卵图像构成极光卵图像集；

(2)对极光卵图像集中的图像做图像分割：

(2a)利用分水岭算法对极光卵图像集中的图像进行初始分割，得到初始分割结果F；

(2b)利用K-means方法按灰度值大小将极光卵图像集中的图像像素点聚为三类，这三类聚类中心的灰度值按从小到大依次记为C₁,C₂和C₃，并将位于第二灰度值C₂附近的像素点和整幅图像边界上的像素点标记为背景，将位于第三灰度值C₃附近的像素点标记为目标；

(2c)利用标记信息，将初始分割结果F中的所有区域划分为包含背景标记的区域集合M_b、包含目标标记的区域集合M_o和未包含任何标记的区域集合M_n，以包含背景标记的区域集合M_b和包含目标标记的区域集合M_o为初始区域，应用最大相似性区域对初始区域和其相邻区域进行合并，得到初步分割结果I_i；

(2d)应用最小二乘椭圆拟合算法将初步分割结果I_i中的极光卵边界拟合成椭圆，再用最大相似性区域合并算法对椭圆区域和其相邻区域进行合并，得到最终的分割结果I_o；

(3)利用分割结果I_o中极光卵区域像素点的地磁纬度Mlat值和地磁时Mlt值，将分割结果I_o转换到Mlt-Mlat坐标系下，得到分割结果I_o在Mlt-Mlat坐标系下的图像I_M；

(4)对极光卵图像集中的所有图像经过图像分割和转换坐标系后，以图像中心为起点均匀引出24条射线，得到射线与极光卵内边界和外边界的交点，记录所有图像得到的交点的地磁纬度Mlat值并构成图像交点集合M_I；

(5)根据极光卵图像集中图像的拍摄时间，从数据库中获得对应时刻的32个不同地磁物理参数的数值构成地磁物理参数集P_I，将地磁物理参数集P_I和图像交点集合M_I按照图像的拍摄时间相对应，删除其中的无效数据，得到地磁物理参数样本集P和图像交点样本集M；

(6)根据参数样本集P和图像交点样本集M，训练得到深度学习网络。

本发明与现有技术相比具有如下优点：

1)本发明由于在图像分割阶段充分利用极光卵的形状信息，提出了基于极光卵形状信息反馈和最大相似性区域合并准则的极光卵分割，能够得到既完整又相对准确的极光卵边界；

2)本发明通过训练深度学习网络，利用深度学习的方法建立利用多种地磁物理参数确定极光卵边界位置的确定方法，能够有效找到很多的地磁活动指数与极光卵边界位置的内在联系，因而所构建的深度学习网络更能反映太阳风与地磁场的相互作用的规律。

本发明的技术过程和效果可结合以下附图详细说明。

附图说明

图1是本发明的实现流程图；

图2是本发明的极光卵图像分割流程图；

图3是本发明的极光卵位置确定流程图；

图4是本发明的极光卵边界点位置结果示意图。

具体实施方式

参照图1，本发明基于深度学习的极光卵位置确定方法，包括如下步骤：

步骤一，获取极光卵图像集。

从Polar卫星携带的紫外极光成像仪所拍摄的紫外极光图像中，选取1996年12月至1997年2月的极光卵图像，并从中挑选极光卵区域比较完整的图像，随着Polar卫星的运动导致紫外极光成像仪的拍摄角度发生变化，使得其拍摄的图像存在极光卵区域的缺损，剔除这些不完整的极光卵图像，最终得到具有完整型极光卵的图像构成极光卵图像集。

步骤二，对极光卵图像集中的图像做图像分割。

参照图2，本步骤的具体实现如下：

2.1)对极光卵图像集中的极光卵图像I，将其与Sobel算子进行卷积，得到极光卵图像I的水平梯度图像G_x和竖直梯度图像G_y

$G_x\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]\⊗I,G_y=\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]\⊗I$

利用水平梯度图像G_x和竖直梯度图像G_y得到包含图像边缘信息的梯度模值图像G:

$G=\sqrt{G_x^2+G_y^2}$

2.2)对梯度模值图像G直接输入分水岭算法，得到初始分割结果F；

2.3)用K-mean方法对极光卵图像I进行聚类：

2.3a)设置K-means聚类类别数为K＝3；

2.3b)选取初始聚类中心为灰度值为0、140和220的像素点，分别记为无效成像区域聚类中心C₁、背景区域聚类中心C₂和极光卵区域聚类中心C₃；

2.3c)计算其余像素点到各聚类中心的欧氏距离，找出与其距离最近的聚类中心，并将其归类到该聚类中心所属的类别，迭代计算得到极光卵图像I所有像素点的归类结果；

2.3d)对归类后得到的三个类别簇，分别计算三个类别簇内像素点的灰度值均值，并把距离均值最近的像素点替代原有的聚类中心C₁、C₂和C₃；

2.3f)重复步骤2.3.3)和2.3.4)直到聚类中心C₁、C₂和C₃不再发生变化，得到极光卵图像I的聚类结果；

2.4)利用极光卵图像I的聚类结果，将位于聚类中心C₂附近的像素点和整幅图像边界上的像素点标记为背景，将位于聚类中心C₃附近的像素点标记为目标；

2.5)利用标记信息，将初始分割结果F中的所有区域划分到不同的集合：若区域内包含背景标记，则划分到包含背景标记的区域集合M_b中，若区域内包含目标标记，则划分到包含目标标记的区域集合M_o中，若区域未包含任何标记，则划分到未包含任何标记的区域集合M_n中；

2.6)对上述这三个区域集合内的区域进行区域合并：

2.6a)对包含目标标记的区域集合M_o中的区域O∈M_o，将其邻域的集合记作 ${\stackrel{\‾}{S}}_O=\{A_i{\}}_{i=\mathrm{1,2},...,r},$ r为邻域的个数且

2.6b)选取集合中的一个区域A_i，将区域A_i的邻域集合记作k为区域A_i邻域的个数；

2.6c)遍历搜索区域A_i的邻域，若区域A_i满足：的条件，则将区域A_i合并到区域O，其中，ρ为相似性度量函数；

2.6d)对区域O的所有邻域{A_i}_{i＝1,2,...,r}重复执行步骤2.6b)和2.6c)直到没有满足合并条件的区域为止，将合并到区域O的区域添加到包含目标标记的区域集合M_o内；

2.6e)对未包含任何标记的区域集合M_n中的区域N∈M_n，其邻域的集合记作 ${\stackrel{\‾}{S}}_N=\{H_i{\}}_{i=\mathrm{1,2},...,p},$ p为邻域个数；

2.6f)选取集合中的一个区域H_i，对区域H_i的邻域集合记作q为区域H_i的邻域个数；

2.6g)遍历搜索区域H_i邻域，若区域H_i满足：的条件，其中，ρ为相似性度量函数，则将区域H₁并入区域N；

2.6h)对区域N的所有邻域{H_i}_{i＝1,2,...,p}重复执行步骤2.6f)和2.6g)直到没有满足合并条件的区域为止，将合并到区域N的区域添加到未包含任何标记的区域集合M_n；

2.6i)对包含目标标记的区域集合M_O和未包含任何标记的区域集合M_n内的所有区域，重复执行步骤2.6a)到2.6h)，直到没有满足合并条件的区域为止，得到初始分割图像I_i；

2.7)应用最小二乘椭圆拟合算法拟合极光卵边界：

2.7a)提取初步分割结果I_i中极光卵的所有边界点的坐标值(x_i,y_i)_i＝1,2,...n，n为边界点的个数，对所有坐标点进行归一化后得到坐标向量：

$\left\{\begin{array}{c}X={[x_1,x_2,...x_n]}^T\\ Y={[y_1,y_2,...y_n]}^T\end{array}\right.$

其中T表示转置；

2.7b)定义椭圆方程：

aX²+bXY+cY²+dX+eY+f＝0，

其中{a b c d e f}为椭圆方程各项的参数，将坐标向量代入椭圆方程求解出这些参数{a b c d e f}；

2.7c)利用上述椭圆参数{a b c d e f}，得到极光卵边界拟合的椭圆形状；

2.8)将极光卵边界拟合的椭圆形状标记为目标区域；

2.9)应用最大相似性区域合并算法对目标区域和其相邻区域进行合并，得到最终的分割结果图像I_o。

步骤三，分割图像坐标转换。

利用分割结果图像I_o中极光卵区域像素点的地磁纬度Mlat值和地磁时Mlt值，将分割结果I_o转换到Mlt-Mlat坐标系下，对于转换坐标后缺少的像素点，取其临近位置的灰度值作为像素点灰度值，得到分割结果I_o在Mlt-Mlat坐标系下的图像I_M。

步骤四，选取极光卵边界点坐标。

以上述图像I_M的中心为起点均匀引出24条射线，其分别对应24个地磁时Mlt值，24条射线分别与极光卵边界有交点，得到射线与极光卵内边界和外边界的交点，并把交点的地磁纬度Mlat值构成交点集合M_I。

步骤五，选取物理参数。

根据极光卵图像集中图像的拍摄时间，从OMNI数据库中获得对应时刻的32个不同地磁物理参数的数值，包括太阳风压、太阳风速等参数，构成地磁物理参数集P_I，将地磁物理参数集P_I和图像交点集合M_I按照图像的拍摄时间相对应，删除其中由于卫星拍摄角度变化导致的无效数据，得到由4432组样本数据构成的地磁物理参数样本集P和图像交点样本集M。

步骤六，根据地磁物理参数样本集P和图像交点样本集M，训练得到深度学习网络。

参考图3，本步骤具体操作如下：

6.1)将两层受限玻尔兹曼机RBM网络和一层径向基RBF网络进行组合，并将地磁物理参数样本集P作为该组合网络的输入，将图像交点样本集M作为该组合网络的输出；

6.2)设置组合网络的训练误差为ε＝4，并对其进行训练，即修改该组合网络中间层之间的连接权值，使得该组合网络的输出结果与图像交点样本集M之间的输出误差越来越小，直到输出误差小于设定的误差ε时结束训练；

6.3)训练结束后，固定该组合网络的中间层之间的连接权值，则该组合网络就为表示地磁物理参数和极光卵边界位置关系的深度学习网络。

本发明的效果通过一下仿真进一步说明：

1.仿真实验数据：

本发明所使用的数据来自Polar卫星携带的紫外极光成像仪所拍摄的1996年12月至1997年2月间的紫外极光图像。为了验证本发明的有效性，在紫外极光图像上进行了仿真实验。

2.仿真参数

实验中对利用深度学习网络确定极光卵边界位置的准确性，主要的评价准则是平均绝对误差：

$\mathrm{MAE}=\frac{1}{24}\underset{i=1}{\overset{24}{\mathrm{\Σ}}}\left(\frac{1}{k}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\right|F_M^{\mathrm{ij}}-S_M^{\mathrm{ij}}\left|\right)$

其中，为第j个测试样本在第i个磁地方时处实际的地磁纬度值，为第j个测试样本在第i磁地方时处通过网络学习得到的地磁纬度值，k为测试样本总数。

2.仿真内容和结果

从地磁物理参数样本集P和图像交点样本集M随机选取3500组数据作为训练集，设置深度学习网络的隐含层节点数为64，训练误差设置为4，得到深度学习网络，并利用该网络对剩下的932组数据进行测试，进行100次测试，得到利用深度学习网络得到的极光卵边界点位置。

将上述仿真结果进行可视化表示，将通过网络确定的极光卵边界点位置和实际的极光卵边界点位置，同时在极光卵图像上进行表示，结果如图4所示，图4中圆圈代表极光卵内边界点的实际位置，加号代表利用该发明确定的极光卵内边界点的位置，正方形代表极光卵外边界点的实际位置，三角形代表利用该发明确定的极光卵外边界点的位置。

3.仿真结果分析，将利用深度学习网络得到的极光卵边界点位置与实际的极光卵边界点位置做对比，得到极光卵内边界点位置的平均绝对误差为1.8，外边界点平均绝对误差为1.6，可以看出本发明对极光卵边界点位置的确定有着较高的精度。

Claims (5)

1.一种基于深度学习的极光卵位置确定方法，包括如下步骤：

(1)选取Polar卫星携带的紫外极光成像仪所拍摄的紫外极光图像，并从中挑选完整的极光卵图像构成极光卵图像集；

(2)对极光卵图像集中的图像做图像分割：

(2a)利用分水岭算法对极光卵图像集中的图像进行初始分割，得到初始分割结果F；

(2b)利用K-means方法按灰度值大小将极光卵图像集中的图像像素点聚为三类，这三类聚类中心的灰度值按从小到大依次记为C₁,C₂和C₃，并将位于第二灰度值C₂附近的像素点和整幅图像边界上的像素点标记为背景，将位于第三灰度值C₃附近的像素点标记为目标；

(2c)利用标记信息，将初始分割结果F中的所有区域划分为包含背景标记的区域集合M_b、包含目标标记的区域集合M_o和未包含任何标记的区域集合M_n，以包含背景标记的区域集合M_b和包含目标标记的区域集合M_o为初始区域，应用最大相似性区域对初始区域和其相邻区域进行合并，得到初步分割结果I_i；

(2d)应用最小二乘椭圆拟合算法将初步分割结果I_i中的极光卵边界拟合成椭圆，再用最大相似性区域合并算法对椭圆区域和其相邻区域进行合并，得到最终的分割结果I_o；

(3)利用分割结果I_o中极光卵区域像素点的地磁纬度Mlat值和地磁时Mlt值，将分割结果I_o转换到Mlt-Mlat坐标系下，得到分割结果I_o在Mlt-Mlat坐标系下的图像I_M；

(4)对极光卵图像集中的所有图像经过图像分割和转换坐标系后，以图像中心为起点均匀引出24条射线，得到射线与极光卵内边界和外边界的交点，记录所有图像得到的交点的地磁纬度Mlat值并构成图像交点集合M_I；

(5)根据极光卵图像集中图像的拍摄时间，从数据库中获得对应时刻的32个不同地磁物理参数的数值构成地磁物理参数集P_I，将地磁物理参数集P_I和图像交点集合M_I按照图像的拍摄时间相对应，删除其中的无效数据，得到地磁物理参数样本集P和图像交点样本集M；

(6)根据参数样本集P和图像交点样本集M，训练得到深度学习网络。

2.根据权利要求1所述的方法，其中步骤(2a)所述的利用分水岭算法对极光卵图像集中的图像进行初始分割，得到初始分割结果F，按如下步骤进行：

(2a1)对极光卵图像集中的图像I与Sobel算子进行卷积，得到图像的水平梯度图像G_x和竖直梯度图像G_y：

$G_x=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]\⊗I,G_y=\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]\⊗I$

(2a2)由水平梯度图像G_x和竖直梯度图像G_y得到包含图像边缘信息的图像G；

$G=\sqrt{G_x^2+G_y^2}$

(2a3)将图像G作为分水岭算法的输入，得到初始分割结果F。

3.根据权利要求1所述的方法，其中步骤(2b)所述的利用K-means方法按灰度值大小将极光卵图像集中的图像像素点聚为三类，按如下步骤进行：

(2b1)设置K-means聚类方法聚类的类别数为K＝3；

(2b2)选取初始聚类中心为灰度值为0、140和220的像素点，分别记为无效成像区域聚类中心C₁、背景区域聚类中心C₂和极光卵区域聚类中心C₃；

(2b3)计算其余像素点与各聚类中心的欧氏距离，将其归类到距离最近的类别，迭代计算得到图像所有像素点的归类结果；

(2b4)利用均值最小化准则对聚类中心C₁、C₂和C₃进行更新；

(2b5)重复步骤(2b3)和(2b4)直到聚类中心不再发生变化，得到图像聚类结果。

4.根据权利要求1所述的方法，其中步骤(2d)所述的应用最小二乘椭圆拟合算法将初步分割结果I_i中的极光卵边界拟合成椭圆，按如下步骤进行：

(2d1)提取初步分割结果I_i中极光卵的所有边界点的坐标值(x_i,y_i)_i＝1,2,...n，n为边界点的个数，对所有坐标点进行归一化后得到坐标向量：

$\left\{\begin{array}{c}X={[x_1,x_2,...x_n]}^T\\ Y={[y_1,y_2,...y_n]}^T\end{array}\right.$

其中T表示转置；

(2d2)定义椭圆方程：

aX²+bXY+cY²+dX+eY+f＝0

其中{a b c d e f}为实数，将坐标向量代入椭圆方程求解椭圆参数{a b c d e f}；

(2d3)利用得到的椭圆参数{a b c d e f}，得到极光卵边界拟合的椭圆。

5.根据权利要求1所述的方法，其中步骤(6)所述的根据参数样本集P和图像交点样本集M，训练得到深度学习网络，按如下步骤进行：

(6a)将两层受限玻尔兹曼机RBM网络和一层径向基RBF网络进行组合，并将地磁物理参数样本集P作为该组合网络的输入，将图像交点样本集M作为该组合网络的输出；

(6b)设置组合网络的训练误差为ε＝4，并对其进行训练，即修改该组合网络中间层之间的连接权值，使得该组合网络的输出结果与图像交点样本集M之间的输出误差越来越小，直到输出误差小于设定的误差ε时结束训练；

(6c)训练结束后，固定该组合网络的中间层之间的连接权值，则该组合网络就为表示地磁物理参数和极光卵边界位置关系的深度学习网络。