CN105427312B - 一种用于识别和跟踪天文图像中太阳光球亮点的方法 - Google Patents

一种用于识别和跟踪天文图像中太阳光球亮点的方法 Download PDF

Info

Publication number
CN105427312B
CN105427312B CN201510814303.1A CN201510814303A CN105427312B CN 105427312 B CN105427312 B CN 105427312B CN 201510814303 A CN201510814303 A CN 201510814303A CN 105427312 B CN105427312 B CN 105427312B
Authority
CN
China
Prior art keywords
bright spot
identification
image
tracking
seed point
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.)
Active
Application number
CN201510814303.1A
Other languages
English (en)
Other versions
CN105427312A (zh
Inventor
杨云飞
熊建萍
张艾丽
季凯帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201510814303.1A priority Critical patent/CN105427312B/zh
Publication of CN105427312A publication Critical patent/CN105427312A/zh
Application granted granted Critical
Publication of CN105427312B publication Critical patent/CN105427312B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/70Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30181Earth observation
    • G06T2207/30192Weather; Meteorology

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种用于识别和跟踪天文图像中太阳光球亮点的方法,属于天文技术和图像处理技术领域。本发明包括步骤:采用局部相关方法对齐序列图像、归一化和降噪滤波进行对序列图像的预处理;采用拉普拉斯滤波和形态学膨胀相结合的方法提取种子点;考虑亮点的形态和光学强度等特性以及其在时间轴上的演化特性设定识别和跟踪的条件和参数;在三维时空立方体中根据设定的条件和参数递归遍历种子点以实现亮点的边识别边跟踪;最后根据亮点的物理特性筛选确认亮点。本发明改变了先识别和后跟踪的策略,充分考虑亮点的物理特性与其在时间轴的演化边识别边跟踪,从而使识别和跟踪的结果更加准确可靠。

Description

一种用于识别和跟踪天文图像中太阳光球亮点的方法
技术领域
本发明涉及一种用于识别和跟踪天文图像中太阳光球亮点的方法,特别涉及一种在三维时空立方体中边识别边跟踪序列图像中太阳光球亮点的方法。属于天文技术和图像处理领域。
背景技术
在太阳光球图像中,一个引人注目的现象就是存在于米粒暗径中的小尺度发亮结构:光球亮点。普遍认为,光球亮点与太阳磁场有着密切的关系,是目前观测手段能够分辨的最小磁结构。通过研究光球亮点可以促进太阳磁场的研究,促进更深层和更热的等离子体和日冕加热等太阳物理现象的研究,从而提前预报太阳磁场活动,以更好地进行空间天气预报及对地球磁场的预报。
为了研究光球亮点的物理机制,首先需要从高分辨率图像中识别它们,然后跟踪其演化,提取其特征。目前普遍采用的方法都是先从单幅图像上识别出亮点,然后再在时间轴上对识别的亮点进行跟踪,即“先识别边跟踪”。但是,由于亮点在米粒的推动下不断地演化,很容易和较亮的碎米粒或者米粒上发亮的特征等其他局部强度较高的太阳表面小尺度特征混淆,而且亮点的边缘会和米粒、米粒暗径粘在一起,这些都给在单幅图像上的识别带来一定的困难。亮点在演化过程中运动速度快,生命周期短,时而发生合并或分裂现象,再加上周围米粒的运动,准确跟踪亮点也存在一定的困难。而这些图像的处理结果会直接影响到物理特征的提取,因此如何准确地识别和跟踪亮点,以及提取其特征,对亮点的物理机制以及太阳磁场活动的深入研究有非常重要的科学意义。
在单幅图像上识别亮点的方法主要有阈值法、区域生长法和形态学等几种。在时间轴上对亮点进行跟踪目前主要有最近邻方法、局部相关跟踪(Local CorrelationTracking,LCT)等方法。虽然,目前的识别算法结合了亮点的物理特征,并综合运用了图像处理的各种技术,因此在单幅图上的识别取得了比较好的结果,可识别到90%以上的亮点。但是,由于每幅图的识别是彼此独立的,当处理一组由N幅图像构成的序列图像时,跟踪的正确率仅为90%的N次方(比如,N=10的情况下,正确率为34%),这样会使得大部分的亮点被漏检。这将表现为亮点的演化过程不连续,即出现过多的短周期现象,甚至是大量的单帧亮点。这将严重影响后续的特征提取结果,尤其是对亮点生命期内的物理特征的研究。
本发明正是为了解决这些问题而提出的一种基于三维时空立方体的亮点“边识别边跟踪”方法,该方法改变了“先识别后跟踪”的方法,综合考虑亮点在单幅图像上的光学强度和形态特性以及在序列图像中的时间演化特性,将识别和跟踪融为一体,同步进行。
发明内容
本发明提供了一种用于识别和跟踪天文图像中太阳光球亮点的方法,在太阳光球序列图像构成的三维时空立方体中边识别边跟踪光球亮点,从三维时空的角度综合考虑亮点在单幅图像上的光学强度和形态特性以及在序列图像中的时间演化特性,准确地识别和跟踪序列图像中的亮点,解决了先识别后跟踪的方法导致亮点演化不连续的问题。
本发明一种用于识别和跟踪天文图像中太阳光球亮点的方法是这样实现的:首先,对序列图像进行对齐、归一化、降噪滤波;接着,采用拉普拉斯滤波和形态学膨胀方法设定阈值来提取种子点;然后根据亮点的光学强度和形态等物理特性以及时间演化特性设定识别和跟踪的条件和参数,在一个由二维平面坐标(x,y)、时间t所组成的三维时空立方体(x,y,t)中对种子点通过三维的递归遍历实现亮点的边识别边跟踪;最后,结合亮点的物理特征筛选出最后的亮点。
所述用于识别和跟踪天文图像中太阳光球亮点的方法的具体步骤如下:
步骤1:图像预处理:采用局部相关方法对齐序列图像,然后进行归一化,并使用均值平滑滤波对每一幅图像进行降噪,得到降低噪声后的序列图像;
步骤2:种子点提取:首先,对降低噪声后的每一幅图像采用拉普拉斯滤波对图像进行梯度增强;然后,计算拉普拉斯滤波后的图像的均值μ和标准差σ;根据μ和σ确定阈值来提取种子点;最后,运用形态学膨胀方法计算亮点边缘像素位于暗径的比例,根据光球亮点位于米粒暗径这一物理特性提取出相应的像素点作为种子点;
步骤3:识别和跟踪的条件及参数设定:从三维时空的角度综合考虑亮点的光学强度和形态等物理特性以及时间演化特性,在x和y轴上采用对称、时间t轴不对称的方式设定识别和跟踪的条件及参数;
步骤4:亮点的边识别边跟踪:根据上述提取的种子点和设定的条件及参数,在序列图像构成的三维时空立方体中进行亮点的边识别边跟踪,其中,三维时空坐标系(x,y,t)中x和y是二维平面坐标,t是序列图像的时间坐标;边识别边跟踪具体的实现方法是递归遍历每个种子点三个维度上的相邻像素点,将满足设定条件及参数的像素点标记为新的种子点,不断地重复以上操作,直至整个立方体中再也没有满足条件的像素点可被标记,所有被标记的种子点构成了候选亮点;
步骤5:亮点的筛选确认:计算每个候选亮点在其生命期中每一幅图像上的面积和其边缘位于暗径的比例,根据亮点的面积演化特性和边缘位于暗径的比例的演化特性筛选出最后的亮点。
进一步优选的,所述步骤2中的阈值采用μ+3*σ。
进一步优选的,所述步骤2中的种子点筛选为满足边缘像素位于暗径的比例大于70%的像素点。
本发明的有益效果是:
1、综合考虑亮点在单幅图像上的光学强度和形态特性以及在序列图像中的时间演化特性,将识别和跟踪融为一体,同步进行;
2、在太阳光球序列图像构成的三维时空立方体中边识别边跟踪光球亮点,从三维时空的角度综合考虑亮点在单幅图像上的光学强度和形态特性以及在序列图像中的时间演化特性,准确地识别和跟踪序列图像中的亮点。
附图说明
图1是本发明识别和跟踪天文图像中太阳光球亮点的方法的总体流程图;
图2是本发明中日出/太阳光学望远镜在G波段观测到的100张高分辨图像序列中的第一张图;
图3是本发明中对图2经预处理后做拉普拉斯滤波后的图;
图4是本发明中候选种子点在图2上标记的结果图;
图5是本发明中在三维时空立方体中选取的种子点图和第一张图像上的种子点标记图;
图6是本发明中在三维时空立方体中边识别边跟踪的候选亮点图和第一张图像上的亮点标记图;
图7是本发明中在三维时空立方体中通过筛选最终得到的亮点图和第一张图像上的筛选后亮点标记图。
具体实施方式
实施例1:如图1-7所示,一种用于识别和跟踪天文图像中太阳光球亮点的方法,首先,对序列图像进行对齐、归一化、降噪滤波;接着,采用拉普拉斯滤波和形态学膨胀方法设定阈值来提取种子点;然后根据亮点的光学强度和形态等物理特性以及时间演化特性设定识别和跟踪的条件和参数,在一个由二维平面坐标(x,y)、时间t所组成的三维时空立方体(x,y,t)中对种子点通过三维的递归遍历实现亮点的边识别边跟踪;最后,结合亮点的物理特征筛选出最后的亮点。
所述用于识别和跟踪天文图像中太阳光球亮点的方法的具体步骤如下:
步骤1:图像预处理:采用局部相关方法对齐序列图像,然后进行归一化,并使用均值平滑滤波对每一幅图像进行降噪,得到降低噪声后的序列图像;
步骤2:种子点提取:首先,对降低噪声后的每一幅图像采用拉普拉斯滤波对图像进行梯度增强;然后,计算拉普拉斯滤波后的图像的均值μ和标准差σ;根据μ和σ确定阈值来提取种子点;最后,运用形态学膨胀方法计算亮点边缘像素位于暗径的比例,根据光球亮点位于米粒暗径这一物理特性提取出相应的像素点作为种子点;
步骤3:识别和跟踪的条件及参数设定:从三维时空的角度综合考虑亮点的光学强度和形态等物理特性以及时间演化特性,在x和y轴上采用对称、时间t轴不对称的方式设定识别和跟踪的条件及参数;
步骤4:亮点的边识别边跟踪:根据上述提取的种子点和设定的条件及参数,在序列图像构成的三维时空立方体中进行亮点的边识别边跟踪,其中,三维时空坐标系(x,y,t)中x和y是二维平面坐标,t是序列图像的时间坐标;边识别边跟踪具体的实现方法是递归遍历每个种子点三个维度上的相邻像素点,将满足设定条件及参数的像素点标记为新的种子点,不断地重复以上操作,直至整个立方体中再也没有满足条件的像素点可被标记,所有被标记的种子点构成了候选亮点;
步骤5:亮点的筛选确认:计算每个候选亮点在其生命期中每一幅图像上的面积和其边缘位于暗径的比例,根据亮点的面积演化特性和边缘位于暗径的比例的演化特性筛选出最后的亮点。
进一步优选的,所述步骤2中的阈值采用μ+3*σ。
进一步优选的,所述步骤2中的种子点筛选为满足边缘像素位于暗径的比例大于70%的像素点。
实施例2:如图1-7所示,一种用于识别和跟踪天文图像中太阳光球亮点的方法,首先,对序列图像进行对齐、归一化、降噪滤波;接着,采用拉普拉斯滤波和形态学膨胀方法设定阈值来提取种子点;然后根据亮点的光学强度和形态等物理特性以及时间演化特性设定识别和跟踪的条件和参数,在一个由二维平面坐标(x,y)、时间t所组成的三维时空立方体(x,y,t)中对种子点通过三维的递归遍历实现亮点的边识别边跟踪;最后,结合亮点的物理特征筛选出最后的亮点。
所述用于识别和跟踪天文图像中太阳光球亮点的方法的具体步骤如下:
步骤1:图像预处理:首先采用局部相关方法对齐序列图像(本例中该序列图像来源于日出/太阳光学望远镜在G波段观测到的高分辨图像,共有100幅图,图2为序列图像中的第一幅图像),以消除原始图像中的抖动和错位;然后,为了解决由于不同望远镜上观测的图像格式不同而导致图像的值范围差异较大的问题,采用如下公式对序列图像作归一化处理:
Image=(Im-min(Im))/(max(Im)-min(Im)),
其中,Im是当前需要归一化的图像,Image是归一化后的图像。通过归一化后使图像的灰度值范围在0到1之间,其中0表示黑色,1表示白色;最后采用均值平滑滤波归一化后的图像进行降噪。均值平滑滤波通过一个大小为M*M的模板,将模板中所有的值均设定为1/(M*M),对目标像素点通过卷积求其周围的M*M个邻近像素的平均值来替代目标像素的值的方法。公式如下所示:
其中,f为目标像素,g为目标像素f均值平滑滤波后的值。本发明中采用M=3。
步骤2:种子点提取:首先,对降噪后的每一幅图像采用拉普拉斯滤波进行图像的梯度增强,其结果如图3所示。从图3中可以看出在原图中梯度较大的亮点区域通过拉普拉斯滤波后其强度明显高于周围的点。
拉普拉斯滤波是用拉普拉斯算子对图像进行卷积操作。其中,拉普拉斯算子是n维欧式空间的一个二阶微分算子,本实例采用如下的拉普拉斯算子对图像进行卷积:
接着,计算拉普拉斯滤波后的图像的均值μ和标准差σ。选取阈值为μ+3σ的像素点为初步提取的候选种子点,图4显示了本步骤提取出的候选种子点在图2上标记的结果,如图中白点所示位置;
最后,采用形态学膨胀方法对候选种子点进行膨胀,计算候选种子点边缘像素位于暗径的比例,如果候选种子点边缘像素位于暗径的比例大于0.7则认为该候选种子点的大部分边缘位于暗径中,因此将该候选种子点确定为种子点。如图5所示,(a)为由该序列图像构成的种子点的三维时空立方体,其中X轴和Y轴表示二维图像中的坐标位置,其单位为角秒(1角秒为725.3公里),Z轴表示序列图像的时间,其单位为分钟;(b)为(a)中第一帧图像的种子点在其二维原始图像上标记的结果,如图中白点所示位置。
形态学方法是一种针对集合的处理过程,其形态算子的实质是表达物体或形状的集合与结构元素间的相互作用,结构元素的形状就决定了这种运算所提取的信号的形状信息。形态学图像处理是在目标图像中移动一个结构元素,然后将结构元素与目标图像进行交、并等集合运算。
膨胀的定义如下所示:
其中,y表示目标图像,B(x)表示结构元素,Φ表示空集,Y表示膨胀后的结果,对集合E中的每一点x,用B(x)对E进行膨胀的结果就是把结构元素B平移后B与E的交集中非空的点构成的集合。
步骤3:识别和跟踪的条件及参数设定:从三维时空的角度综合考虑亮点的光学强度和形态等物理特性以及时间演化特性,在x和y轴上采用对称、时间t轴不对称的方式设定识别和跟踪的条件及参数;
具体的,考虑亮点在x和y轴上的光学强度和形态特性以及时间t轴上的演化特征后,设定如下条件及参数:目标像素点一定比种子点的强度低;目标像素点在拉普拉斯图像上的值大于0.05;目标像素点的强度在平均光球强度的0.7到1.9倍之间。如果目标像素点与种子点在同一帧图像上,则其与种子点的强度梯度小于平均光球强度的0.3倍,否则其与种子点的强度梯度阈值小于两幅图像的平均光球强度差的10倍。
步骤4:亮点的边识别边跟踪:根据上述提取的种子点和设定的条件及参数,在序列图像构成的三维时空立方体中进行亮点的边识别边跟踪,其中,三维时空坐标系(x,y,t)中x和y是二维平面坐标,t是序列图像的时间坐标;逐一遍历其三维空间中的26邻域,根据设定的条件和参数不断将满足条件的目标像素点标记为新的种子点,对新的种子点重复做以上的操作,直至再也没有满足条件的像素点。以上步骤依次在时间维度上进行前向和后向双向的递归处理。最后,所有这些被标记的种子点就构成了候选亮点。边识别边跟踪的结果如图6所示,(a)显示了在三维时空立方体中边识别边跟踪的候选亮点结果,其中X轴和Y轴表示二维图像的坐标,其单位为角秒,Z轴表示时间序列,其单位为分钟;(b)为(a)中第一帧图像的候选亮点的标记结果,如图中白点所示位置。
步骤5:亮点的筛选确认:计算每个候选亮点在其生命期中每一幅图像上的面积和其边缘位于暗径的比例,根据亮点的面积演化特性和边缘位于暗径的比例的演化特性筛选出最后的亮点。
计算每一个候选亮点在生命期内的每一帧中对应区域的面积及边缘像素位于暗径的比例,筛选出那些满足90%的生命期中面积都大于4个像元,在70%的生命期中边缘像素位于暗径的比例都大于0.7的亮点作为最终的亮点,图7(a)显示了在三维时空立方体中筛选后的亮点的结果,其中X轴和Y轴表示二维图像的坐标,其单位为角秒,Z轴表示时间序列,其单位为分钟,(b)为(a)中第一帧图像上筛选后的亮点的标记结果,如图中白点所示位置从而识别和跟踪出来了图像中的太阳光球亮点。在该三维时空立方体中,亮点的演化过程表现为一个圆柱状结构,这个圆柱状结构的粗细变化反应了亮点在生命期中的面积变化,圆柱状结构在时间轴上的扭曲情况则反应了其水平速度,而生命周期就是这个圆柱状结构在时间轴上的长度。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (3)

1.一种用于识别和跟踪天文图像中太阳光球亮点的方法,其特征在于:首先,对序列图像进行对齐、归一化、降噪滤波;接着,采用拉普拉斯滤波和形态学膨胀方法设定阈值来提取种子点;然后根据亮点的光学强度和形态物理特性,以及根据时间演化特性设定识别和跟踪的条件和参数,在一个由二维平面坐标(x,y)、时间t所组成的三维时空立方体(x,y,t)中对种子点通过三维的递归遍历实现亮点的边识别边跟踪;最后,结合亮点的物理特征筛选出最后的亮点;
所述用于识别和跟踪天文图像中太阳光球亮点的方法的具体步骤如下:
步骤1:图像预处理:采用局部相关方法对齐序列图像,然后进行归一化,并使用均值平滑滤波对每一幅图像进行降噪,得到降低噪声后的序列图像;
步骤2:种子点提取:首先,对降低噪声后的每一幅图像采用拉普拉斯滤波对图像进行梯度增强;然后,计算拉普拉斯滤波后的图像的均值μ和标准差σ;根据μ和σ确定阈值来提取种子点;最后,运用形态学膨胀方法计算亮点边缘像素位于暗径的比例,根据光球亮点位于米粒暗径这一物理特性提取出相应的像素点作为种子点;
步骤3:识别和跟踪的条件及参数设定:从三维时空的角度综合考虑亮点的光学强度和形态物理特性以及时间演化特性,采用在x轴和y轴上对称、时间t轴不对称的方式设定识别和跟踪的条件及参数;
步骤4:亮点的边识别边跟踪:根据上述依据μ和σ确定阈值来提取的种子点和设定的条件及参数,在序列图像构成的三维时空立方体中进行亮点的边识别边跟踪,其中,三维时空坐标系(x,y,t)中x和y是二维平面坐标,t是序列图像的时间坐标;边识别边跟踪具体的实现方法是递归遍历每个种子点三个维度上的相邻像素点,将满足设定条件及参数的像素点标记为新的种子点,不断地重复递归遍历每个种子点三个维度上的相邻像素点,将满足设定条件及参数的像素点标记为新的种子点,直至整个立方体中再也没有满足条件的像素点被标记,所有被标记的种子点构成了候选亮点;
步骤5:亮点的筛选确认:计算每个候选亮点在其生命期中每一幅图像上的面积和其边缘位于暗径的比例,根据亮点的面积演化特性和边缘位于暗径的比例的演化特性筛选出最后的亮点。
2.根据权利要求1所述的用于识别和跟踪天文图像中太阳光球亮点的方法,其特征在于:所述步骤2中的阈值采用μ+3*σ。
3.根据权利要求1所述的用于识别和跟踪天文图像中太阳光球亮点的方法,其特征在于:所述步骤2中的种子点筛选为满足边缘像素位于暗径的比例大于70%的像素点。
CN201510814303.1A 2015-11-23 2015-11-23 一种用于识别和跟踪天文图像中太阳光球亮点的方法 Active CN105427312B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510814303.1A CN105427312B (zh) 2015-11-23 2015-11-23 一种用于识别和跟踪天文图像中太阳光球亮点的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510814303.1A CN105427312B (zh) 2015-11-23 2015-11-23 一种用于识别和跟踪天文图像中太阳光球亮点的方法

Publications (2)

Publication Number Publication Date
CN105427312A CN105427312A (zh) 2016-03-23
CN105427312B true CN105427312B (zh) 2019-01-04

Family

ID=55505492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510814303.1A Active CN105427312B (zh) 2015-11-23 2015-11-23 一种用于识别和跟踪天文图像中太阳光球亮点的方法

Country Status (1)

Country Link
CN (1) CN105427312B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056125A (zh) * 2016-05-25 2016-10-26 昆明理工大学 一种基于卡尔曼滤波的日冕物质抛射识别方法
CN106570890B (zh) * 2016-11-08 2019-07-05 昆明理工大学 一种提取太阳高分辨率序列图像中不同速度区间内动态信息的方法
CN113932783B (zh) * 2021-10-19 2022-08-19 中国科学院长春光学精密机械与物理研究所 一种太阳边缘检测仪器

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010267239A (ja) * 2009-04-13 2010-11-25 Mitsubishi Electric Corp 特徴抽出装置及び目標追尾装置及びコンピュータプログラム及び特徴抽出方法及び目標追尾方法
CN101916373A (zh) * 2010-08-11 2010-12-15 西安电子科技大学 基于小波检测和脊线跟踪的道路半自动提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010267239A (ja) * 2009-04-13 2010-11-25 Mitsubishi Electric Corp 特徴抽出装置及び目標追尾装置及びコンピュータプログラム及び特徴抽出方法及び目標追尾方法
CN101916373A (zh) * 2010-08-11 2010-12-15 西安电子科技大学 基于小波检测和脊线跟踪的道路半自动提取方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Automatic Tracking Algorithm of Solar G-Band Bright Points;Yunfei Yang et al.;《2013 6th International Conference on Intelligent Networks and Intelligent Systems》;20131101;第304-307页
Evolution of isolated G-band bright points: size, intensity and velocity;Yun-Fei Yang et al.;《Research in Astronomy and Astrophysics》;20140630;第14卷(第6期);第741-752页
太阳光球磁亮点的识别算法;刘艳霄 等;《天文研究与技术》;20140430;第11卷(第2期);第145-150页
黑子周围光球亮点的特征提取与比较;屈会雪 等;《天文学报》;20150930;第56卷(第5期);第454-458页

Also Published As

Publication number Publication date
CN105427312A (zh) 2016-03-23

Similar Documents

Publication Publication Date Title
CN105160310A (zh) 基于3d卷积神经网络的人体行为识别方法
CN111199556B (zh) 基于摄像头的室内行人检测和跟踪方法
CN105427312B (zh) 一种用于识别和跟踪天文图像中太阳光球亮点的方法
CN111126325A (zh) 一种基于视频的智能人员安防识别统计方法
CN102034247B (zh) 一种基于背景建模对双目视觉图像的运动捕捉方法
EP3001354A1 (en) Object detection method and device for online training
CN106778570B (zh) 一种行人实时检测与跟踪方法
CN105512618B (zh) 视频跟踪方法
CN110414464A (zh) 一种小尺度密集行人检测方法
CN105138983B (zh) 基于加权部件模型和选择性搜索分割的行人检测方法
CN101694720B (zh) 基于空间关联条件概率融合的多时相sar图像变化检测方法
CN106296744A (zh) 一种结合自适应模型和多阴影属性的运动目标检测方法
CN103985106B (zh) 用于对强噪声图像进行多帧融合的设备和方法
CN101930606A (zh) 一种图像边缘检测的景深扩展方法
CN108256567B (zh) 一种基于深度学习的目标识别方法及系统
CN110378924A (zh) 基于局部熵的水平集图像分割方法
CN113763424B (zh) 基于嵌入式平台的实时智能目标检测方法及系统
CN106709938A (zh) 基于改进tld的多目标追踪方法
CN111161321B (zh) 一种基于背景感知的相关滤波跟踪方法
CN103578121B (zh) 干扰运动环境下基于共享高斯模型的运动检测方法
Wang et al. An improved YOLOX approach for low-light and small object detection: PPE on tunnel construction sites
CN110378916A (zh) 一种基于多任务深度学习的tbm图像出渣分割方法
CN102682435A (zh) 基于空间相对高度信息的多聚焦图像边缘检测方法
US8792703B2 (en) Method for tracking cells
Thompson et al. Persistence mapping using EUV solar imager data

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant