CN106570506B - 一种基于尺度变换模型的太阳活动识别方法 - Google Patents
一种基于尺度变换模型的太阳活动识别方法 Download PDFInfo
- Publication number
- CN106570506B CN106570506B CN201610945367.XA CN201610945367A CN106570506B CN 106570506 B CN106570506 B CN 106570506B CN 201610945367 A CN201610945367 A CN 201610945367A CN 106570506 B CN106570506 B CN 106570506B
- Authority
- CN
- China
- Prior art keywords
- solar activity
- image
- area
- solar
- threshold
- 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
Links
- 230000000694 effects Effects 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000009466 transformation Effects 0.000 title claims abstract description 46
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
- G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于尺度变换模型的太阳活动识别方法,属于天文技术和图像处理技术领域。本发明的步骤一、信息采集与坐标系建立:利用Hough变换检测太阳圆心与半径;获取FITS数据集的采像时间,并从太阳物理学事件知识库中采集对应时间的太阳活动的位置信息;建立直角坐标系,对太阳活动的位置坐标进行比例变换;步骤二、太阳活动区域分割与识别:定义网格结构,并划分图像;利用梯度阈值法分割太阳活动的有效区域;利用最小外接矩形和8方向freeman链码标注出太阳活动区域。本发明实现了多种太阳活动的及时追踪和定位,并准确的识别出太阳活动的有效区域,也为精简CBIR系统的数据集提供了一种可行办法。
Description
技术领域
本发明涉及一种基于尺度变换模型的太阳活动识别方法,属于天文技术和图像处理技术领域。
背景技术
基于内容的图像检索技术产生于上世纪90年代,它的出现是为了解决大规模数字图像检索的难题。随后,一大批研究性的或商用的基于内容的图像检索系统(CBIR)应运而生。区别于原有系统中对图像进行人工标注的做法,基于内容的检索技术自动提取每幅图像的视觉内容特征作为其索引,如色彩、纹理、形状等。而针对大规模太阳活动的CBIR系统也已出现,如SDO的CBIR系统(SDO Content-Based Image Retrieval System),云南天文台的CBIR系统(Yunnan Observatory of Chinese Academy of Sciences CBIR System)。
虽然现有的面向天文大数据的CBIR系统能够满足在海量天文图像库中检索目标图像的基本需求,但是依然面临检索耗时、准确率低的问题。出现以上问题的原因如下:1、原始采集的太阳图像尺寸大,对应所提取的特征点明显增多,造成耗时增加;2、太阳图像中呈现出混淆难辨的太阳现象,所提取的特征没有针对性,造成匹配结果的不理想。
最近几年,针对单一太阳活动现象的自动识别成为非常流行的研究课题。Zharkova等人利用神经网络、Bayes推理和形状关系自动识别包括太阳黑子、耀斑和日冕物质抛射。Zharkova和Schetinn训练了个神经网络来识别太阳图像的暗条。Bernasconi提出了一种自动的暗条检测方法,这种方法超越了典型的暗条检测,它确定暗条的脊和方向角,发现暗条的磁手性。Delouille利用小波分析和CLARA聚类算法来分割太阳的马赛克。Irbah等人也利用小波变换去除图像的瑕疵和噪音而不降低图像的分辨率来抽取特征。Bojar和Nieniewski对太阳图像的离散傅里叶变换的光谱建模并且讨论了各种度量的优劣。Christe等人提出了一种算法自动地识别耀斑,这种算法在噪音和背景有亮线影响的情况下效果很好。对于日冕物质抛射的识别,Savcheva等人提出了一种基于数据立方体的算法,并利用小波变换分析来识别日震。针对全日面太阳活动现象的自动识别还没有展开深入的研究。
本发明为了解决上述问题而提出了太阳活动识别方法,以期自动识别出一张给定的全日面太阳图像中所包含的所有太阳活动。首先,该方法基于太阳动力学天文台的实时观测数据,以太阳物理学事件知识库的太阳活动种类鉴别结果为参考,实现了多种类太阳活动的及时追踪和定位,并利用图像分割技术准确的识别出太阳活动的有效区域,为建立CBIR系统提供了精简有效的数据集。
发明内容
本发明提供了一种基于尺度变换模型的太阳活动识别方法,以用于实现多种太阳活动的及时追踪和定位,并准确的识别出太阳活动的有效区域,也为精简CBIR系统的数据集提供了一种可行办法。
本发明的技术方案是:一种基于尺度变换模型的太阳活动识别方法,步骤一、信息采集与坐标系建立:利用Hough变换检测太阳圆心与半径,根据圆心和半径,将图像超出半径的区域设置为背景,实现去除边缘亮圈的目的;从太阳物理学事件知识库HEK中获取太阳活动的采像时间、太阳活动对应采像时间的位置和面积信息;建立直角坐标系,对太阳活动的位置坐标进行比例变换;步骤二、太阳活动区域分割与识别:定义网格结构,并划分图像;利用梯度阈值法分割太阳活动区域;利用最小外接矩形和8方向freeman链码标注出太阳活动区域。
所述基于尺度变换模型的太阳活动识别方法的具体步骤如下:
步骤(1.1):利用Hough变换检测太阳圆心与半径:利用圆斜率特性的改进Hough变换方法,用于检测太阳圆心和半径以及去除边缘亮圈,其基本思想是将图像的空间域变换到参数空间,用大多数边界点满足的参数形式来描述图像中的区域边界,通过设置累加器进行累加,求得峰值对应的点就是太阳圆点;
步骤(1.2):采集信息:从太阳物理学事件知识库HEK中获取太阳活动的采像时间、太阳活动对应采像时间的位置和面积信息;
步骤(1.3):尺度变换:建立对应采像时间的全日面图像的尺度变换模型,将太阳活动对应采像时间的位置和面积信息进行比例变换;
步骤(2.1):网格结构划分:根据太阳图像半径大小划分网格结构的大小,网格的大小是坐标系的单位刻度,即网格的宽度作为水平方向的刻度单位,网格的高度作为垂直方向的刻度单位;
步骤(2.2):图像分割:梯度阈值法分割图像,基于网格结构,针对太阳活动的不同物理特征,求取梯度阈值,采用梯度阈值对图像进行太阳活动区域分割;
步骤(2.3):太阳活动区域识别:采用最小外接矩形MBR和freeman链码标注出分割后的太阳活动区域,将该太阳活动区域的边缘特征存储为元数据。
所述步骤(1.1)利用圆斜率特性的改进Hough变换方法的具体步骤为:
首先,圆周上存在四个点P(xmin,yl),P(xu,ymax),P(xmax,yr),P(xd,ymin)分别对应圆的左端,上端,右端,下端的极值点,P(x,y)是圆上任意一点,根据圆的几何特性:圆的内接直角三角形的斜边过圆心,构造四种圆内接直角三角形:
情况(a)为{P|xmin<x<xd,yl<y<ymax},情况(b)为{P|xmin<x<xu,ymin<y<yl},
情况(c)为{P|xu<x<xmax,ymin<y<yr},情况(d)为{P|xd<x<xmax,yr<y<ymax};
然后,利用SOBEL算子从原始图像中检测出边缘信息,并转化边界为单一像素的边缘图,然后将图像二值化,即设定边缘像素值为1,其他像素值为0,将边缘像素坐标存入数组V(x,y),设置四个累加器数组C(x,y),初始值为0,按照以上四种情况,逐个判断V(x,y)中P的所属情况,并计算中点坐标(xO,yO),并将对应情况的累加器数组C(x,y)加1,累加器数组C中的最大值所对应的坐标即为圆心(p,q),将圆心坐标(p,q)和V(x,y)带入圆方程,利用Hough变换对参数R进行统计,当R的统计值大于80%,即V(x,y)中80%的点落在圆周上,R即为圆的半径;
最后,根据圆心和半径,将图像超出半径的区域设置为背景,实现去除边缘亮圈的目的。
所述步骤(1.3)尺度变换的具体步骤为:设原始采集信息中太阳活动的发生位置为(xpre,ypre),覆盖面积为Area_pre,覆盖面的高度为h,图像中太阳半径为Rpre,设尺度变换后,太阳活动的新位置为(xnew,ynew),覆盖面积为Area_pre,覆盖面的高度为H,图像中太阳半径为Rnew,建立尺度变换模型,得到太阳活动新的位置信息与面积信息变换关系如下:
所述步骤(2.1)网格结构划分的过程为:设[M,N]为太阳图像的行和列(单位像素),[m,n]表示网格划分为m行,n列,网格大小为(M×N)/(m×n),求:
其中,INT函数判断数字是否为整形,分别表示M、N开二次方根的结果为整数,floor(M)、floor(N)分别表示不超过M、N的整数,SQRT[floor(M)]、SQRT[floor(N)]分别表示不超过M、N的可被开二次方的整数。
所述步骤(2.2)梯度阈值法分割图像的过程:经过步骤(1.3)后得到变换后的太阳活动位置,设置太阳活动对应采像时间的位置的灰度值作为初始阈值T0,对每个网格单元进行分割,利用网格单元的最小外接矩形MBR修正阈值,如果太阳活动区域的最小外接矩形不存在,设定新的阈值T1,T1<T0;如果太阳活动区域的最小外接矩形存在,假设最小外界矩形面积与图像面积的比值是α,若α>area_threshold,其中area_threshold取经验阈值,设定新的阈值T2,T2>T1,若α≤area_threshold,设定新的阈值T3,T1<T3<T2;
其中area_threshold能根据每种太阳活动的物理特征定义阈值梯度。例如太阳活动区中包含多种太阳活动,如太阳黑子,暗条等,因此area_threshold经验值较大,而太阳黑子和暗条area_threshold经验值较小,然后,统计Block(pixel_row,pixel_col,index)(它的作用是用来保存网格单元的数据),若Block(pixel_row,pixel_col,index)≥threshold_number,保留目标区域(灰度置为255),若Block(pixel_row,pixel_col,index)<threshold_number,删除背景区域(将背景区域灰度置为0);然后,统计所有连通的网格单元的密度density,若density<density_threshold,删除背景区域(背景区域灰度置为0)。
所述步骤(2.3)中太阳活动区域识别的过程为:利用最小外接矩形MBR和freeman链码提取分割后的太阳活动区域的几何特征,MBR信息存储在POINT(x1,y1,x2,y2,x3,y3,x4,y4,x1,y1)中,而链码信息采用POLYGON(x1,y1,ω1,x2,y2,ω2,...,xn,yn,ωn)压缩存储,其中(x,y,ω)表示网格首像素的坐标及方向。
本发明的有益效果是:
1、利用尺度变换模型,将太阳活动的信息应用于多尺度的太阳图像识别。
2、将方形网格结构作为最小处理单位,使对图像的处理过程加快;针对不同区域的网格选取不同的阈值,提高处理精度;有效的防止图像噪声的干扰。
3、将太阳活动的目标区域和背景区域分离,并存储目标区域,有效的减小了数据集的大小。
4、实现了对多种类型的太阳活动精确定位和有效识别。
附图说明
图1是本发明方法流程图;
图2是一张由太阳动力学天文台(SDO)的大气成像组件(AIA)所提供的原始太阳图像;
图3是尺度变换的几何模型;
图4是太阳活动分割和识别结果;
图5是本发明实施例1中步骤S11中构造的四种圆内接直角三角形。
具体实施方式
实施例1:如图1-5所示,一种基于尺度变换模型的太阳活动识别方法,步骤一、信息采集与坐标系建立:利用Hough变换检测太阳圆心与半径,根据圆心和半径,将图像超出半径的区域设置为背景,实现去除边缘亮圈的目的;从太阳物理学事件知识库HEK中获取太阳活动的采像时间、太阳活动对应采像时间的位置和面积信息;建立直角坐标系,对太阳活动的位置坐标进行比例变换;步骤二、太阳活动区域分割与识别:定义网格结构,并划分图像;利用梯度阈值法分割太阳活动区域;利用最小外接矩形和8方向freeman链码标注出太阳活动区域。
所述基于尺度变换模型的太阳活动识别方法包含如下步骤S1~S2:S1、尺度变换模型;S2、区域分割与识别;
步骤S1包含如下步骤S11~S13:
S11:利用Hough变换检测太阳圆心与半径;
首先,圆周上存在四个点P(xmin,yl),P(xu,ymax),P(xmax,yr),P(xd,ymin)分别对应圆的左端,上端,右端,下端的极值点,除这四个极值坐标点外,对于圆周上的任意一点,过点P存在一条垂直方向的线段LA与一条水平方向的线段LB,LA、LB与圆的交点分别是A、B,是过点P的内接直角三角形,根据圆的几何特性:圆的内接直角三角形的斜边过圆心,因此,PB线段的中点就是圆心点。限定P的移动范围,我们构造四种圆内接直角三角形,如图5所示:
情况(a)为{P|xmin<x<xd,yl<y<ymax},情况(b)为{P|xmin<x<xu,ymin<y<yl},
情况(c)为{P|xu<x<xmax,ymin<y<yr},情况(d)为{P|xd<x<xmax,yr<y<ymax}。
然后,Hough变换的具体步骤如下:
第一步 利用SOBEL算子从原始图像中检测出边缘信息,并转化边界为单一像素的边缘图,然后将图像二值化(即设定边缘像素值为1,其他像素值为0),将边缘像素坐标存入数组V(x,y)。
第二步 设置四个累加器数组C(x,y)(初始值为0),按照以上四种情况,逐个判断V(x,y)中P的所属情况,并计算中点坐标(xO,yO),并将对应情况的累加器数组C(x,y)加1。累加器数组C中的最大值所对应的坐标即为圆心(p,q)。
第三步 将圆心坐标(p,q)和V(x,y)带入圆方程,利用Hough变换对参数R进行统计,当R的统计值大于80%(即V(x,y)中80%的点落在圆周上),R即为圆的半径。
第四步 根据圆心和半径,将图像超出半径的区域设置为背景,实现去除边缘亮圈的目的。
S12:采集信息,获取FITS数据集的采像时间,并从太阳物理学事件知识库中采集对应采像时间的太阳活动的位置信息。
S13:对原始的全日面图像进行标准化处理后,图像的大小尺度发生变化,除太阳活动的发生时间T不变外,太阳活动的发生位置,覆盖面积会随图像尺度大小的变化而变化。设原始采集信息中太阳活动的发生位置为(xpre,ypre),覆盖面积为Area_pre,覆盖面的高度为h,图像中太阳半径为Rpre,设尺度变换后,太阳活动的新位置为(xnew,ynew),覆盖面积为Area_pre,覆盖面的高度为H,图像中太阳半径为Rnew。
变换过程如下:
如图3(a),假设太阳活动的发生位置位于太阳边缘点,那么存在以下关系:
如图3(b),假设太阳活动为阴影部分,其面积S的计算如下:
由公式(2)推导太阳活动的覆盖面积:
由尺度变化后的新图,建立用于图像分割的直角坐标系(图像的首个像素点作为坐标系原点),坐标系变化后,对太阳活动的位置坐标(x,y)作再次调整:
步骤S2包含如下步骤S21~S23:
S21:网格结构划分,根据太阳图像半径大小划分网格结构的大小,网格的大小是坐标系的单位刻度,即网格的宽度(像素)作为水平方向的刻度单位,网格的高度作为垂直方向的刻度单位。具体过程,设[M,N]为太阳图像的行和列(单位像素),[m,n]表示网格划分为m行,n列,网格大小为(M×N)/(m×n),求:
其中,INT函数判断数字是否为整形,分别表示M、N开二次方根的结果为整数,floor(M)、floor(N)分别表示不超过M、N的整数,SQRT[floor(M)]、SQRT[floor(N)]分别表示不超过M、N的可被开二次方的整数。
S22:采用梯度阈值分割法,结合太阳活动的物理特性,在满足判定条件的情况下,分配不同的阈值。根据公式(5)新坐标系中太阳活动位置坐标,将该点的灰度值作为初始阈值,对图像的网格单元进行初步分割,利用网格单元的最小外接矩形(MBR)修正阈值。
经过Hough变换(S11)、尺度变换(S13)等处理过程后,根据太阳活动的位置信息,将新的图像分区域进行网格划分,根据以下三种判定条件对太阳活动进行梯度阈值分割。
判定条件1:若初次分割后的识别区域不存在最小外接矩形,设定新阈值T1(T1<T0)。
判定条件2:若初次分割后的识别区域存在最小外接矩形,并且Area_new与Area(MBR)面积的比值大于经验阈值threshold_area,设定新阈值T2(T2>T1)。判定条件3:若初次分割后的识别区域存在最小外接矩形,并且Area_new与Area(MBR)面积的比值小于经验阈值threshold_area,设定新阈值T3(T1<T3<T2)。
然后,统计Block(pixel_row,pixel_col,index)(它的作用是用来保存网格单元的数据),若Block(pixel_row,pixel_col,index)≥threshold_number,保留目标区域(灰度置为255),若Block(pixel_row,pixel_col,index)<threshold_number,删除背景区域(将背景区域灰度置为0);然后,统计所有连通的网格单元的密度density,若density<density_threshold,删除背景区域(背景区域灰度置为0)。
根据三种判定条件,设置梯度阈值(T1<T0<T3<T2)。对于每种太阳活动,以上三种判定条件可灵活调整,以及分配不同的梯度阈值。本发明中,threshold_number取经验阈值0.15,threshold_density取经验阈值0.5,
S23:太阳活动区域识别,利用最小外接矩形(MBR)和freeman链码提取太阳活动区域的几何特征。MBR信息存储在POINT(x1,y1,x2,y2,x3,y3,x4,y4,x1,y1)中,而链码信息采用POLYGON(x1,y1,ω1,x2,y2,ω2,...,xn,yn,ωn)压缩存储,其中(x,y,ω)表示网格首像素的坐标及方向。图4显示的是利用边界识别方法标注出全日面太阳图像中的所有太阳活动区域。
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 (5)
1.一种基于尺度变换模型的太阳活动识别方法,其特征在于:步骤一、信息采集与坐标系建立:利用Hough变换检测太阳圆心与半径,根据圆心和半径,将图像超出半径的区域设置为背景,实现去除边缘亮圈的目的;从太阳物理学事件知识库HEK中获取太阳活动的采像时间、太阳活动对应采像时间的位置和面积信息;建立直角坐标系,对太阳活动的位置坐标进行比例变换;步骤二、太阳活动区域分割与识别:定义网格结构,并划分图像;利用梯度阈值法分割太阳活动区域;利用最小外接矩形和8方向freeman链码标注出太阳活动区域;
所述基于尺度变换模型的太阳活动识别方法的具体步骤如下:
步骤(1.1):利用Hough变换检测太阳圆心与半径:利用圆斜率特性的改进Hough变换方法,用于检测太阳圆心和半径以及去除边缘亮圈,其基本思想是将图像的空间域变换到参数空间,用大多数边界点满足的参数形式来描述图像中的区域边界,通过设置累加器进行累加,求得峰值对应的点就是太阳圆点;
步骤(1.2):采集信息:从太阳物理学事件知识库HEK中获取太阳活动的采像时间、太阳活动对应采像时间的位置和面积信息;
步骤(1.3):尺度变换:建立对应采像时间的全日面图像的尺度变换模型,将太阳活动对应采像时间的位置和面积信息进行比例变换;
步骤(2.1):网格结构划分:根据太阳图像半径大小划分网格结构的大小,网格的大小是坐标系的单位刻度,即网格的宽度作为水平方向的刻度单位,网格的高度作为垂直方向的刻度单位;
步骤(2.2):图像分割:梯度阈值法分割图像,基于网格结构,针对太阳活动的不同物理特征,求取梯度阈值,采用梯度阈值对图像进行太阳活动区域分割;
步骤(2.3):太阳活动区域识别:采用最小外接矩形MBR和freeman链码标注出分割后的太阳活动区域,将该太阳活动区域的边缘特征存储为元数据;
所述步骤(1.3)尺度变换的具体步骤为:设原始采集信息中太阳活动的发生位置为(xpre,ypre),覆盖面积为Area_pre,覆盖面的高度为h,图像中太阳半径为Rpre,设尺度变换后,太阳活动的新位置为(xnew,ynew),覆盖面积为Area_pre,覆盖面的高度为H,图像中太阳半径为Rnew,建立尺度变换模型,得到太阳活动新的位置信息与面积信息变换关系如下:
2.根据权利要求1所述的基于尺度变换模型的太阳活动识别方法,其特征在于:所述步骤(1.1)利用圆斜率特性的改进Hough变换方法的具体步骤为:
首先,圆周上存在四个点P(xmin,yl),P(xu,ymax),P(xmax,yr),P(xd,ymin)分别对应圆的左端,上端,右端,下端的极值点,P(x,y)是圆上任意一点,根据圆的几何特性:圆的内接直角三角形的斜边过圆心,构造四种圆内接直角三角形:
情况(a)为{P|xmin<x<xd,yl<y<ymax},情况(b)为{P|xmin<x<xu,ymin<y<yl},
情况(c)为{P|xu<x<xmax,ymin<y<yr},情况(d)为{P|xd<x<xmax,yr<y<ymax};
然后,利用SOBEL算子从原始图像中检测出边缘信息,并转化边界为单一像素的边缘图,然后将图像二值化,即设定边缘像素值为1,其他像素值为0,将边缘像素坐标存入数组V(x,y),设置四个累加器数组C(x,y),初始值为0,按照以上四种情况,逐个判断V(x,y)中P的所属情况,并计算中点坐标(xO,yO),并将对应情况的累加器数组C(x,y)加1,累加器数组C中的最大值所对应的坐标即为圆心(p,q),将圆心坐标(p,q)和V(x,y)带入圆方程,利用Hough变换对参数R进行统计,当R的统计值大于80%,即V(x,y)中80%的点落在圆周上,R即为圆的半径;
最后,根据圆心和半径,将图像超出半径的区域设置为背景,实现去除边缘亮圈的目的。
4.根据权利要求1所述的基于尺度变换模型的太阳活动识别方法,其特征在于:所述步骤(2.2)梯度阈值法分割图像的过程:经过步骤(1.3)后得到变换后的太阳活动位置,设置太阳活动对应采像时间的位置的灰度值作为初始阈值T0,对每个网格单元进行分割,利用网格单元的最小外接矩形MBR修正阈值,如果太阳活动区域的最小外接矩形不存在,设定新的阈值T1,T1<T0;如果太阳活动区域的最小外接矩形存在,假设最小外界矩形面积与图像面积的比值是α,若α>area_threshold,其中area_threshold取经验阈值,设定新的阈值T2,T2>T1,若α≤area_threshold,设定新的阈值T3,T1<T3<T2;
其中area_threshold能根据每种太阳活动的物理特征定义阈值梯度。
5.根据权利要求1所述的基于尺度变换模型的太阳活动识别方法,其特征在于:所述步骤(2.3)中太阳活动区域识别的过程为:利用最小外接矩形MBR和freeman链码提取分割后的太阳活动区域的几何特征,MBR信息存储在POINT(x1,y1,x2,y2,x3,y3,x4,y4,x1,y1)中,而链码信息采用POLYGON(x1,y1,ω1,x2,y2,ω2,...,xn,yn,ωn)压缩存储,其中(x,y,ω)表示网格首像素的坐标及方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610945367.XA CN106570506B (zh) | 2016-10-26 | 2016-10-26 | 一种基于尺度变换模型的太阳活动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610945367.XA CN106570506B (zh) | 2016-10-26 | 2016-10-26 | 一种基于尺度变换模型的太阳活动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106570506A CN106570506A (zh) | 2017-04-19 |
CN106570506B true CN106570506B (zh) | 2020-10-27 |
Family
ID=58536473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610945367.XA Active CN106570506B (zh) | 2016-10-26 | 2016-10-26 | 一种基于尺度变换模型的太阳活动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106570506B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647596B (zh) * | 2018-06-11 | 2022-04-22 | 百度在线网络技术(北京)有限公司 | 地图数据处理方法和装置 |
CN109753888A (zh) * | 2018-12-17 | 2019-05-14 | 昆明理工大学 | 一种用于识别天文图像中太阳暗条手性的方法 |
CN111127512B (zh) * | 2019-11-29 | 2022-06-07 | 昆明理工大学 | 一种用于检测和跟踪全日面图像中太阳活动区的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615990A (zh) * | 2015-02-10 | 2015-05-13 | 中国科学院国家天文台 | 一种基于怀柔全日面单色像的太阳黑子自动识别方法 |
CN104778469A (zh) * | 2015-03-04 | 2015-07-15 | 中国科学院国家天文台 | 一种太阳轮廓的自动提取方法 |
KR101581836B1 (ko) * | 2015-07-15 | 2016-01-07 | 대한민국(국립전파연구원 우주전파센터장) | Euv 디밍 현상 감지 장치 및 그 방법 |
CN105844613A (zh) * | 2016-03-14 | 2016-08-10 | 昆明理工大学 | 一种识别天文图像太阳黑子中半影纤维亮点的方法 |
-
2016
- 2016-10-26 CN CN201610945367.XA patent/CN106570506B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615990A (zh) * | 2015-02-10 | 2015-05-13 | 中国科学院国家天文台 | 一种基于怀柔全日面单色像的太阳黑子自动识别方法 |
CN104778469A (zh) * | 2015-03-04 | 2015-07-15 | 中国科学院国家天文台 | 一种太阳轮廓的自动提取方法 |
KR101581836B1 (ko) * | 2015-07-15 | 2016-01-07 | 대한민국(국립전파연구원 우주전파센터장) | Euv 디밍 현상 감지 장치 및 그 방법 |
CN105844613A (zh) * | 2016-03-14 | 2016-08-10 | 昆明理工大学 | 一种识别天文图像太阳黑子中半影纤维亮点的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106570506A (zh) | 2017-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097536B (zh) | 基于深度学习和霍夫变换的六边形螺栓松动检测方法 | |
CN107563413B (zh) | 无人机航拍影像农田块对象精准提取方法 | |
CN106650640B (zh) | 一种基于激光雷达点云局部结构特征的负障碍物检测方法 | |
CN107066933B (zh) | 一种道路标牌识别方法及系统 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN111797712B (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
CN112766184B (zh) | 基于多层级特征选择卷积神经网络的遥感目标检测方法 | |
CN101799921B (zh) | 一种光学遥感图像云检测方法 | |
CN108765488B (zh) | 一种基于阴影的高分辨率遥感影像建筑物高度估测方法 | |
CN108830844B (zh) | 一种基于多时相高分辨率遥感影像的设施蔬菜提取方法 | |
Gueguen et al. | Toward a generalizable image representation for large-scale change detection: Application to generic damage analysis | |
CN106909902A (zh) | 一种基于改进的层次化显著模型的遥感目标检测方法 | |
CN106570506B (zh) | 一种基于尺度变换模型的太阳活动识别方法 | |
CN111383244B (zh) | 一种目标检测跟踪方法 | |
CN109426793A (zh) | 一种图像行为识别方法、设备及计算机可读存储介质 | |
Gleason et al. | A Fusion Approach for Tree Crown Delineation from Lidar Data. | |
CN114972370A (zh) | 一种用于神经网络推理的遥感图像自适应分割方法 | |
CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
CN104050674A (zh) | 一种显著性区域检测方法及装置 | |
CN110569745B (zh) | 一种遥感图像建筑区检测方法 | |
CN107256399B (zh) | 一种基于Gamma分布超像素方法和基于超像素TMF的SAR图像海岸线检测方法 | |
CN115205678A (zh) | 一种sar图像建筑物快速提取方法 | |
CN111932574B (zh) | 基于多层次语义特征的建筑立面点云提取系统及方法 | |
Yu et al. | Automatic object segmentation from large scale 3d urban point clouds through manifold embedded mode seeking | |
CN112016441A (zh) | 基于Radon变换多特征融合的Sentinel-1图像海岸带养殖池提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |