CN108009471A - 一种基于遗传算法和模拟退火算法的太阳黑子识别的方法 - Google Patents
一种基于遗传算法和模拟退火算法的太阳黑子识别的方法 Download PDFInfo
- Publication number
- CN108009471A CN108009471A CN201711005547.0A CN201711005547A CN108009471A CN 108009471 A CN108009471 A CN 108009471A CN 201711005547 A CN201711005547 A CN 201711005547A CN 108009471 A CN108009471 A CN 108009471A
- Authority
- CN
- China
- Prior art keywords
- full
- sunspot
- image
- population
- time face
- 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.)
- Pending
Links
- 206010064127 Solar lentigo Diseases 0.000 title claims abstract description 67
- 238000002922 simulated annealing Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000002068 genetic effect Effects 0.000 title claims abstract description 35
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 230000009467 reduction Effects 0.000 claims abstract description 16
- 230000007797 corrosion Effects 0.000 claims abstract description 12
- 238000005260 corrosion Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000009499 grossing Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000005530 etching Methods 0.000 claims abstract description 5
- 238000000137 annealing Methods 0.000 claims description 18
- 240000007509 Phytolacca dioica Species 0.000 claims description 13
- 210000000349 chromosome Anatomy 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 6
- 230000003628 erosive effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000001816 cooling Methods 0.000 claims description 4
- 230000010339 dilation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims 1
- 238000005316 response function Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 5
- 239000002245 particle Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000014616 translation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Genetics & Genomics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及基于遗传算法和模拟退火算法的太阳黑子识别的方法，属天文技术和图像处理领域。本发明首先对图像预处理，对全日面图像先做膨胀和腐蚀操作，用全日面图像减去经膨胀和腐蚀的背景图，获得背景均匀的全日面图像，对背景均匀的全日面图像进行均值平滑滤波进行降噪；其次使用遗传算法进化两组阈值；然后对两组阈值分别使用模拟退火算法，得到新种群并判断是否满足退出条件，满足则找出种群中的最佳熵的两个阈值对图像进行分割，对分割结果进行去除小面积块处理，最后标记显示分割后的图像。本发明能较精确地对全日面图像的太阳黑子进行了识别。
Description
技术领域
本发明涉及一种基于遗传算法和模拟退火算法的太阳黑子识别的方法，属天文技术和图像处理领域。
背景技术
太阳黑子是最基本和最明显的太阳磁场活动之一。太阳黑子活动活跃时会对地球的磁场产生很大影响，比如出现磁暴现象使指南针不能正确地指示方向；飞机、轮船和人造卫星的无线电通讯会受到严重阻碍。所以急需能够精确、高效的识别全日面上的太阳黑子的方法，该方法是研究和解决太阳黑子对地球磁场和空间天气影响的基础和前提。
识别太阳黑子就是指将太阳黑子从全日面图像中分割出来，这样就离不开阈值的设置。阈值的设置方法一般分为手动和自动两种方法。在早期阶段，手动设置阈值对不同的背景和目标的图像需要设置不同的阈值，而对相同的背景和目标在不同的光照和噪声干扰时也需要设置不同的阈值。因此每一张图像都需要一个不同的阈值进行分割，手动设置阈值对图像分割会很麻烦。最大间方差分割法能自动确定阈值，要求灰度图像直方图呈现明显的峰谷特性，否则图像分割方法失效，在太阳黑子的半影和米粒结果的灰度值很接近的情况下，最大间方差分割法也不能将黑子的本影和半影很好的分割出来。因此，传统的太阳黑子识别方法在处理全日面图像上太阳黑子本影和半影的识别时存在明显缺陷。
本发明正是为了解决这些问题提出了一种基于遗传算法和模拟退火算法的太阳黑子识别的方法。
发明内容
本发明提供了一种基于遗传算法和模拟退火算法的太阳黑子本影和半影的自动识别的方法，将遗传算法和模拟退火算法应用于全日面图像的基于最佳熵适应度函数的自适应双阈值的选取上，用于解决传统的识别太阳黑子的方法中人工手动设定阈值和自动设置单阈值的问题。
本发明的技术方案是：一种基于遗传算法和模拟退火算法的太阳黑子识别的方法，首先对图像预处理，对全日面图像先做膨胀和腐蚀操作，用全日面图像减去经膨胀和腐蚀的背景图，获得背景均匀的全日面图像，对背景均匀的全日面图像进行均值平滑滤波进行降噪；其次使用遗传算法进化两组阈值种群，初始化种群和退火参数之后，计算出每个种群的最佳熵即适应度，随机的选择出两个种群进行编码，并使用遗传算子对编码进行组合交叉和变异，对变异的结果进行解码；然后对两组阈值种群分别使用模拟退火算法，计算新旧个体的适应度之差，若适应度之差大于0，则接受新的个体，否则根据模拟退火算法接受一个比当前解还要差的新解，退温降火，得到新种群并判断是否满足退出条件，满足则找出种群中的最佳熵的两个阈值对图像进行分割，对分割结果进行去除小面积块处理，最后标记显示分割后的图像。
所述方法的具体步骤如下：
步骤1：图像预处理：首先对全日面图像进行临边昏暗的处理，对日面图像先做膨胀运算再做腐蚀运算，得到一个没有太阳黑子的全日面背景图；然后用全日面图像减去经膨胀和腐蚀的背景图，获得消除了临边昏暗的背景均匀的全日面图像，最后对背景均匀的全日面图像进行均值平滑滤波进行降噪，得到降低噪声后的全日面图像；
步骤2：使用遗传算法进化两组阈值种群：首先计算降噪后全日面灰度图像的直方图信息，求出图像中每个像素值所占的比例，然后初始化退火参数和初始化种群作为阈值种群，并使每组阈值种群中的两个阈值按升序的顺序排序；接着用直方图的最佳熵方法计算每个种群的适应度，随机选择两个种群，取出这两个种群的个体的两对染色体分别用8位的二进制进行编码，其中每个染色体代表一个阈值，采用随机设置交叉点的方法进行交叉，再用基本位变异算子进行变异；最后对变异的结果解码得到0～255之间的数；
步骤3：模拟退火优化第一组阈值：计算出第一个新个体的适应度并求出新旧个体的适应度之差，若适应度之差大于0，则接受新的个体，否则根据模拟退火算法以一定的概率P接受一个比当前解还要差的新解；
步骤4：模拟退火优化第二组阈值：计算出第二个新个体的适应度并求出新旧个体的适应度之差，若适应度之差大于0，则接受新的个体，否则根据模拟退火算法接受一个比当前解还要差的新解；
步骤5：得到全局最优解：通过步骤3和步骤4接受新解，得到一个新的种群，计算新种群的适应度，判断该种群是否达到退出条件，如果达到退出条件执行步骤6，否则退火降温，循环步骤2～5得到两个阈值最优解；
步骤6：识别太阳黑子：首先使用上述步骤产生的两个阈值最优解对图像进行分割，大的阈值用作太阳黑子半影的区域分割，而小的阈值用作太阳黑子本影的区域分割，然后除去图像中的小面积部分，求出太阳黑子面积所占全日面图像的比例，当该比例小于0.15时标记显示分割后的图像，否则不进行标记，以防止全日面图像上几乎没有太阳黑子时该适应度函数得到两个阈值无法得到正确的太阳黑子半影和本影分割结果。
所述步骤1中，用一个大小为t1的结构元素对日面图像先做膨胀运算再做腐蚀运算，结构元素t1是半径为45～60的圆；使用一个大小为t2的结构元素对背景均匀的全日面图像进行均值平滑滤波进行降噪；结构元素t2是边长为10～12的矩阵。
所述步骤2中，初始化退火参数：温度T0＝10000，终止条件Tf＝0.0001，温度变化率a＝0.99；产生t3组随机数初始化种群作为阈值种群，其中种群的大小t3＝16～24。
所述步骤6中，除去图像中的小面积部分具体的为：除去面积小于t4的小面积部分，t4的范围是20～35。
本发明的有益效果是：
本方法结合遗传算法优胜劣汰的原则和模拟退火的算法利于找到全局最优解的优势，从种群中选择出适应度最佳的两个阈值，从而有效地在全日面图像中识别太阳黑子的本影和半影；
采用结合遗传算法和模拟退火算法的方法对全日面图像进行太阳黑子识别，较精确地对全日面图像的太阳黑子进行了识别，解决了传统的太阳黑子识别方法在进行全日面图像太阳黑子识别时手动选择阈值和自动设置单阈值的问题。
附图说明
图1是本发明基于遗传算法和模拟退火算法太阳黑子识别的方法的总体流程图；
图2是本发明中采用2015年1月30日采集到的全日面图像；
图3是本发明中采用2015年5月28日采集到的全日面图像；
图4是本发明中对图2经过图像预处理之后的一组图像；
图5是本发明中对图4经遗传算法和模拟退火算法自动选择出阈值的太阳黑子识别结果图；
图6是本发明中对图3经过图像预处理之后的一组图像；
图7是本发明中对图6经遗传算法和模拟退火算法自动选择出阈值的太阳黑子识别结果图。
具体实施方式
实施例1：如图1-7所示，一种基于遗传算法和模拟退火算法的太阳黑子识别的方法，首先对图像预处理，对全日面图像先做膨胀和腐蚀操作，得到一个没有太阳黑子的全日面背景图，用全日面图像减去经膨胀和腐蚀的背景图，获得背景均匀的全日面图像，对背景均匀的全日面图像进行均值平滑滤波进行降噪；其次使用遗传算法进化两组阈值种群，初始化种群和退火参数之后，按照升序的顺序对每个种群的两个阈值调整顺序，计算出每个种群的最佳熵即适应度，随机的选择出两个种群，对这两个种群的个体的两对染色体分别用8位二进制进行编码，并使用遗传算子对编码进行组合交叉和变异，对变异的结果进行解码；然后对两组阈值种群分别使用模拟退火算法，计算新旧个体的适应度之差，若适应度之差大于0，则接受新的个体，否则根据模拟退火算法接受一个比当前解还要差的新解，退温降火，得到新种群并判断是否满足退出条件，满足则找出种群中的最佳熵的两个阈值对图像进行分割，对分割结果进行去除小面积块处理，当太阳黑子比例小于一定的阈值时标记显示分割后的图像。
所述方法的具体步骤如下：
步骤1：图像预处理：首先对全日面图像进行临边昏暗的处理，用一个大小为t1的结构元素对日面图像先做膨胀运算再做腐蚀运算，得到一个没有太阳黑子的全日面背景图；然后用全日面图像减去经膨胀和腐蚀的背景图(如图1所示，其中低帽变换是原图减去闭运算(先腐蚀后膨胀))，获得消除了临边昏暗的背景均匀的全日面图像，最后使用一个大小为t2的结构元素对背景均匀的全日面图像进行均值平滑滤波进行降噪，得到降低噪声后的全日面图像；结构元素t1是半径为45～60的圆；结构元素t2是边长为10～12的矩阵；
步骤2：使用遗传算法进化两组阈值种群：首先计算降噪后全日面灰度图像的直方图信息，求出图像中每个像素值所占的比例，然后初始化退火参数和产生t3组随机数初始化种群作为阈值种群，并使每组阈值种群中的两个阈值按升序的顺序排序；接着用直方图的最佳熵方法计算每个种群的适应度，随机选择两个种群，取出这两个种群的个体的两对染色体分别用8位的二进制进行编码，其中每个染色体代表一个阈值，采用随机设置交叉点的方法进行交叉，再用基本位变异算子进行变异；最后对变异的结果解码得到0～255之间的数；所述步骤2中，初始化退火参数：温度T0＝10000，终止条件Tf＝0.0001，温度变化率a＝0.99；其中种群的大小t3＝16～24；
步骤3：模拟退火优化第一组阈值：计算出第一个新个体的适应度并求出新旧个体的适应度之差，若适应度之差大于0，则接受新的个体，否则根据模拟退火算法以一定的概率P接受一个比当前解还要差的新解；
步骤4：模拟退火优化第二组阈值：计算出第二个新个体的适应度并求出新旧个体的适应度之差，若适应度之差大于0，则接受新的个体，否则根据模拟退火算法接受一个比当前解还要差的新解；
步骤5：得到全局最优解：通过步骤3和步骤4接受新解，得到一个新的种群，计算新种群的适应度，判断该种群是否达到退出条件，如果达到退出条件执行步骤6，否则退火降温，循环步骤2～5得到两个阈值最优解；
步骤6：识别太阳黑子：首先使用上述步骤产生的两个阈值最优解对图像进行分割，大的阈值用作太阳黑子半影的区域分割，而小的阈值用作太阳黑子本影的区域分割，然后除去图像中面积小于t4的小面积部分，其中，t4的范围是20～35，求出太阳黑子面积所占全日面图像的比例，当该比例小于0.15时标记显示分割后的图像，否则不进行标记，以防止全日面图像上几乎没有太阳黑子时该适应度函数得到两个阈值无法得到正确的太阳黑子半影和本影分割结果。
实施例2：如图1-7所示，一种基于遗传算法和模拟退火算法的太阳黑子识别的方法，首先对图像预处理，对全日面图像先做膨胀和腐蚀操作，得到一个没有太阳黑子的全日面背景图，用全日面图像减去经膨胀和腐蚀的背景图，获得背景均匀的全日面图像，对背景均匀的全日面图像进行均值平滑滤波进行降噪；其次使用遗传算法进化两组阈值种群，初始化种群和退火参数之后，按照升序的顺序对每个种群的两个阈值调整顺序，计算出每个种群的最佳熵即适应度，对这两个种群的个体的两对染色体分别用8位二进制进行编码，并使用遗传算子对编码进行组合交叉和变异，对变异的结果进行解码；然后对两组阈值种群分别使用模拟退火算法，计算新旧个体的适应度之差，若适应度之差大于0，则接受新的个体，否则根据模拟退火算法接受一个比当前解还要差的新解，退温降火，得到新种群并判断是否满足退出条件，满足则找出种群中的最佳熵的两个阈值对图像进行分割，对分割结果进行去除小面积块处理，当太阳黑子比例小于一定的阈值时标记显示分割后的图像。
所述方法的具体步骤如下：
步骤1：图像预处理：首先对全日面图像进行临边昏暗的处理，用一个半径为50的结构元素对日面图像先做膨胀运算再做腐蚀运算，得到一个没有太阳黑子的全日面背景图；然后用全日面图像减去经膨胀和腐蚀的背景图(如图1所示，其中低帽变换是原图减去闭运算(先腐蚀后膨胀))，获得消除了临边昏暗的背景均匀的全日面图像，最后使用一个大小为11*11的矩阵作为结构元素t2对背景均匀的全日面图像进行均值平滑滤波进行降噪，得到降低噪声后的全日面图像；图2、图3为采集到的全日面图像；图4、图6分别为图2、图3图像预处理结束之后的全日面图像；
膨胀的定义如下所示：
其中，y表示目标图像，B(y)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y，用B(y)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。
腐蚀的定义如下所示：
其中，x表示目标图像，B(x)表示结构元素，X表示腐蚀后的结果，用B(x)对E进行腐蚀的结果就是把结构元素B完全包括在E中时B的原点位置的集合。
均值滤波是典型的线性滤波算法，它是指在图像上，对待处理的像素给定一个模板，该模板包括了其周围的邻近像素，将模板中的全体像素的均值来替代原来的像素值。
步骤2：使用遗传算法进化两组阈值种群：首先计算降噪后全日面灰度图像的直方图信息，求出图像中每个像素值所占的比例，然后初始化退火参数和产生t3＝20组随机数初始化种群作为阈值种群，并使每组阈值种群中的两个阈值按升序的顺序排序；接着用直方图的最佳熵方法计算每个种群的适应度，随机选择两个种群，取出这两个种群的个体的两对染色体分别用8位的二进制进行编码，其中每个染色体代表一个阈值，采用随机设置交叉点的方法进行交叉，再用基本位变异算子进行变异；最后对变异的结果解码得到0～255之间的数；所述步骤2中，初始化退火参数：温度T0＝10000，终止条件Tf＝0.0001，温度变化率a＝0.99；
采用下列公式对每个种群求熵：
其中Pi为i这个像素在图像中所占的比例，S1，S2是种群中两个阈值且S1＜S2，H(S1，S2)该种群的熵。当熵取得最大值时被称为最佳熵。
即
交叉采用随机设置交叉点的方法：首先随机的生成一个0～1之间的数，与交叉概率进行比较，如果随机数大于交叉概率，则不进行交叉；如果随机数小于交叉概率，则随机的生成一个0～7之间的整数作为染色体交叉点位置，再互相交换配对染色体之间的部分基因。
变异采用基本位变异算子：对个体的每一个基因座随机生成一个0～1的随机数，若随机数大于变异概率，则复制该基因；若随机数小于变异概率，则需要进行变异操作原有基因值为0，经变异操作基因值变为1，反之，若原有基因值为1，经变异操作基因值变为0。
步骤3：模拟退火优化第一组阈值：计算出第一个新个体的适应度并求出新旧个体的适应度之差，若适应度之差大于0，则接受新的个体，否则根据模拟退火算法以一定的概率P接受一个比当前解还要差的新解；
模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随升温变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolils准则，粒子在温度T时趋于平衡的概率为exp(ΔE/kT)，其中E为温度T时的内能，ΔE为改变量，k为Boltzmann常数。Metropolils准则表示为：
该公式表明：温度越高，出现一次能量差为ΔE的降温的概率就越大；温度越低，则出现降温的概率就越小。又由于ΔE总是小于0(因为退火的过程是温度逐渐下降的过程)，因此ΔE/kT<0，所以P(ΔE)的函数取值范围是(0,1)。随着温度T的降低，P(ΔE)会逐渐降低。
步骤4：模拟退火优化第二组阈值：计算出第二个新个体的适应度并求出新旧个体的适应度之差，若适应度之差大于0，则接受新的个体，否则根据模拟退火算法接受一个比当前解还要差的新解；
步骤5：得到全局最优解：通过步骤3和步骤4接受新解，得到一个新的种群，计算新种群的适应度，判断该种群是否达到退出条件，如果达到退出条件执行步骤6，否则退火降温，循环步骤2～5得到两个阈值最优解；
步骤6：识别太阳黑子：首先使用上述步骤产生的两个阈值最优解对图像进行分割，大的阈值用作太阳黑子半影的区域分割，而小的阈值用作太阳黑子本影的区域分割，然后除去图像中面积小于t4＝20的小面积部分，求出太阳黑子面积所占全日面图像的比例，当该比例小于0.15时标记显示分割后的图像，否则不进行标记，以防止全日面图像上几乎没有太阳黑子时该适应度函数得到两个阈值无法得到正确的太阳黑子半影和本影分割结果。如图5、图7所示，用白色标记区域是太阳黑子本影，用黑色标记区域是太阳黑子半影。
实施例3：如图1-7所示，一种基于遗传算法和模拟退火算法的太阳黑子识别的方法，本实施例与实施例2相同，其中：
所述步骤1中，结构元素t1是半径为45的圆；结构元素t2是边长为10的矩阵。
所述步骤2中，其中种群的大小t3＝16。
所述步骤6中，t4的范围是30。
实施例4：如图1-7所示，一种基于遗传算法和模拟退火算法的太阳黑子识别的方法，本实施例与实施例2相同，其中：
所述步骤1中，结构元素t1是半径为60的圆；结构元素t2是边长为12的矩阵。
所述步骤2中，其中种群的大小t3＝24。
所述步骤6中，t4的范围是35。
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)
1.一种基于遗传算法和模拟退火算法的太阳黑子识别的方法，其特征在于：首先对图像预处理，对全日面图像先做膨胀和腐蚀操作，用全日面图像减去经膨胀和腐蚀的背景图，获得背景均匀的全日面图像，对背景均匀的全日面图像进行均值平滑滤波进行降噪；其次使用遗传算法进化两组阈值种群，初始化种群和退火参数之后，计算出每个种群的最佳熵即适应度，随机的选择出两个种群进行编码，并使用遗传算子对编码进行组合交叉和变异，对变异的结果进行解码；然后对两组阈值种群分别使用模拟退火算法，计算新旧个体的适应度之差，若适应度之差大于0，则接受新的个体，否则根据模拟退火算法接受一个比当前解还要差的新解，退温降火，得到新种群并判断是否满足退出条件，满足则找出种群中的最佳熵的两个阈值对图像进行分割，对分割结果进行去除小面积块处理，最后标记显示分割后的图像。
2.根据权利要求1所述的基于遗传算法和模拟退火算法的太阳黑子识别的方法，其特征在于：所述方法的具体步骤如下：
步骤1：图像预处理：首先对全日面图像进行临边昏暗的处理，对日面图像先做膨胀运算再做腐蚀运算，得到一个没有太阳黑子的全日面背景图；然后用全日面图像减去经膨胀和腐蚀的背景图，获得消除了临边昏暗的背景均匀的全日面图像，最后对背景均匀的全日面图像进行均值平滑滤波进行降噪，得到降低噪声后的全日面图像；
步骤2：使用遗传算法进化两组阈值种群：首先计算降噪后全日面灰度图像的直方图信息，求出图像中每个像素值所占的比例，然后初始化退火参数和初始化种群作为阈值种群，并使每组阈值种群中的两个阈值按升序的顺序排序；接着用直方图的最佳熵方法计算每个种群的适应度，随机选择两个种群，取出这两个种群的个体的两对染色体分别用8位的二进制进行编码，其中每个染色体代表一个阈值，采用随机设置交叉点的方法进行交叉，再用基本位变异算子进行变异；最后对变异的结果解码得到0～255之间的数；
步骤3：模拟退火优化第一组阈值：计算出第一个新个体的适应度并求出新旧个体的适应度之差，若适应度之差大于0，则接受新的个体，否则根据模拟退火算法以一定的概率P接受一个比当前解还要差的新解；
步骤4：模拟退火优化第二组阈值：计算出第二个新个体的适应度并求出新旧个体的适应度之差，若适应度之差大于0，则接受新的个体，否则根据模拟退火算法接受一个比当前解还要差的新解；
步骤5：得到全局最优解：通过步骤3和步骤4接受新解，得到一个新的种群，计算新种群的适应度，判断该种群是否达到退出条件，如果达到退出条件执行步骤6，否则退火降温，循环步骤2～5得到两个阈值最优解；
步骤6：识别太阳黑子：首先使用上述步骤产生的两个阈值最优解对图像进行分割，大的阈值用作太阳黑子半影的区域分割，而小的阈值用作太阳黑子本影的区域分割，然后除去图像中的小面积部分，求出太阳黑子面积所占全日面图像的比例，当该比例小于0.15时标记显示分割后的图像，否则不进行标记，以防止全日面图像上几乎没有太阳黑子时该适应度函数得到两个阈值无法得到正确的太阳黑子半影和本影分割结果。
3.根据权利要求2所述的基于遗传算法和模拟退火算法的太阳黑子识别的方法，其特征在于：所述步骤1中，用一个大小为t1的结构元素对日面图像先做膨胀运算再做腐蚀运算，结构元素t1是半径为45～60的圆；使用一个大小为t2的结构元素对背景均匀的全日面图像进行均值平滑滤波进行降噪；结构元素t2是边长为10～12的矩阵。
4.根据权利要求2所述的基于遗传算法和模拟退火算法的太阳黑子识别的方法，其特征在于：所述步骤2中，初始化退火参数：温度T0＝10000，终止条件Tf＝0.0001，温度变化率a＝0.99；产生t3组随机数初始化种群作为阈值种群，其中种群的大小t3＝16～24。
5.根据权利要求2所述的基于遗传算法和模拟退火算法的太阳黑子识别的方法，其特征在于：所述步骤6中，除去图像中的小面积部分具体的为：除去面积小于t4的小面积部分，t4的范围是20～35。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711005547.0A CN108009471A (zh) | 2017-10-25 | 2017-10-25 | 一种基于遗传算法和模拟退火算法的太阳黑子识别的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711005547.0A CN108009471A (zh) | 2017-10-25 | 2017-10-25 | 一种基于遗传算法和模拟退火算法的太阳黑子识别的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108009471A true CN108009471A (zh) | 2018-05-08 |
Family
ID=62051879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711005547.0A Pending CN108009471A (zh) | 2017-10-25 | 2017-10-25 | 一种基于遗传算法和模拟退火算法的太阳黑子识别的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108009471A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110851627A (zh) * | 2019-09-24 | 2020-02-28 | 昆明理工大学 | 一种用于描述全日面图像中太阳黑子群的方法 |
| CN113592148A (zh) * | 2021-07-01 | 2021-11-02 | 合肥工业大学 | 改进车辆与无人机配送路线的优化方法及系统 |
| CN117689677A (zh) * | 2024-02-01 | 2024-03-12 | 山东大学日照研究院 | 一种砂轮磨损状态识别方法、系统、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101739680A (zh) * | 2009-12-10 | 2010-06-16 | 西北工业大学 | 基于人工内分泌免疫系统的医学体数据分割方法 |
| CN102129561A (zh) * | 2011-03-10 | 2011-07-20 | 电子科技大学 | 一种基于人工免疫遗传和形态学的指纹图像分割方法 |
| 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 |
| WO2016023429A1 (en) * | 2014-08-12 | 2016-02-18 | Byd Company Limited | Image sensor and method and apparatus for removing sunspot of the same |
| CN105551025A (zh) * | 2015-12-08 | 2016-05-04 | 昆明理工大学 | 一种识别天文图像中太阳米粒的方法 |
| 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 |
-
2017
- 2017-10-25 CN CN201711005547.0A patent/CN108009471A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101739680A (zh) * | 2009-12-10 | 2010-06-16 | 西北工业大学 | 基于人工内分泌免疫系统的医学体数据分割方法 |
| CN102129561A (zh) * | 2011-03-10 | 2011-07-20 | 电子科技大学 | 一种基于人工免疫遗传和形态学的指纹图像分割方法 |
| WO2016023429A1 (en) * | 2014-08-12 | 2016-02-18 | Byd Company Limited | Image sensor and method and apparatus for removing sunspot of the same |
| 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 |
| CN105551025A (zh) * | 2015-12-08 | 2016-05-04 | 昆明理工大学 | 一种识别天文图像中太阳米粒的方法 |
| 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 |
Non-Patent Citations (8)
| Title |
|---|
| J.J. CURTO ET AL.: "Automatic Sunspots Detection on Full-Disk Solar Images using Mathematical Morphology", 《SOLAR PHYSICS》 * |
| SARAB F. MAJED ET AL.: "Automated Detection of Sunspots and Sunspot Groups in Full-Disk Solar Images", 《TECHNOLOGICAL DEVELOPMENTS IN NETWORKING, EDUCATION AND AUTOMATION》 * |
| 刘紫燕 等: "基于遗传模拟退火算法的 Otsu 图像分割研究", 《电视技术》 * |
| 王毅 等: "基于改进遗传算法的最佳熵多阈值三维医学图像分割算法", 《西北工业大学学报》 * |
| 许良凤 等: "基于模拟退火并行遗传算法的Otsu双阈值医学图像分割", 《工程图学学报》 * |
| 谭定英 等: "一种改进遗传退火算法的图像分割方法", 《计算机与现代化》 * |
| 郭金基 等: "基于遗传退火方法的灰度图像阈值选择算法", 《计算机仿真》 * |
| 韩翠翠 等: "基于 NVST 观测的米粒识别和形态特征分析", 《科学通报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110851627A (zh) * | 2019-09-24 | 2020-02-28 | 昆明理工大学 | 一种用于描述全日面图像中太阳黑子群的方法 |
| CN113592148A (zh) * | 2021-07-01 | 2021-11-02 | 合肥工业大学 | 改进车辆与无人机配送路线的优化方法及系统 |
| CN113592148B (zh) * | 2021-07-01 | 2024-03-15 | 合肥工业大学 | 改进车辆与无人机配送路线的优化方法及系统 |
| CN117689677A (zh) * | 2024-02-01 | 2024-03-12 | 山东大学日照研究院 | 一种砂轮磨损状态识别方法、系统、设备及介质 |
| CN117689677B (zh) * | 2024-02-01 | 2024-04-16 | 山东大学日照研究院 | 一种砂轮磨损状态识别方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108009471A (zh) | 一种基于遗传算法和模拟退火算法的太阳黑子识别的方法 | |
| CN106997597B (zh) | 一种基于有监督显著性检测的目标跟踪方法 | |
| CN101493892B (zh) | 图像特征提取方法及装置 | |
| CN106529574B (zh) | 基于稀疏自动编码器和支持向量机的图像分类方法 | |
| CN109543640A (zh) | 一种基于图像转换的活体检测方法 | |
| CN109598726A (zh) | 一种基于slic的自适应图像目标区域分割方法 | |
| CN103559511A (zh) | 一种温室蔬菜叶部病害图像自动识别方法 | |
| CN104134221A (zh) | 一种基于自适应遗传算法和otsu算法的图像分割方法 | |
| CN108108736A (zh) | 一种太阳能光伏板光斑识别方法 | |
| CN108520282A (zh) | 一种基于Triple-GAN的分类方法 | |
| CN104463128A (zh) | 用于人脸识别的眼镜检测方法及系统 | |
| Katz et al. | Generating image filters for target recognition by genetic learning | |
| CN113468939A (zh) | 一种基于监督最小化深度学习模型的sar目标识别方法 | |
| CN110490907A (zh) | 基于多目标特征和改进相关滤波器的运动目标跟踪方法 | |
| CN104050680B (zh) | 基于迭代自组织和多智能体遗传聚类算法的图像分割方法 | |
| CN103945197A (zh) | 基于视频运动检测技术的电力设施防外破预警方案 | |
| Yang et al. | Automatic detection of sunspots on full-disk solar images using the simulated annealing genetic method | |
| CN108171241A (zh) | 基于IFCS/Otsu的IOFR火焰识别方法 | |
| CN116433690A (zh) | 一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法 | |
| CN111210454B (zh) | 基于并行鸽群算法的Otsu图像分割方法 | |
| CN105225252B (zh) | 云团运动预测方法 | |
| CN106022293B (zh) | 一种基于自适应共享小生境进化算法的行人再识别方法 | |
| CN111462157A (zh) | 一种基于遗传优化阈值法的红外图像分割方法 | |
| CN110188811A (zh) | 基于赋范梯度特征与卷积神经网络的水下目标检测方法 | |
| CN109447997A (zh) | 一种自适应文化算法的水下声纳图像目标分割方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180508 |
|
| RJ01 | Rejection of invention patent application after publication |