基于动态纹理模型表征的极光视频分类方法技术

本发明专利技术公开了基于动态纹理模型的极光视频分类方法。其技术方案是利用极光视频帧之间的重复相关性，从极光视频帧之间的动态变化特性入手，对四类形态极光视频进行普适性建模并提取特征，对极光视频进行分类。实现步骤是：(1)获取训练极光视频和测试极光视频；(2)提取测试极光视频的动态纹理特征；(3)提取测试极光视频的状态转移矩阵；(4)求测试极光视频到训练集样本的马丁距离；(5)根据极光视频间的马丁距离，对测试极光视频进行最近距离分类。本发明专利技术能实现对四类极光视频的计算机自动分类，且具有分类准确率高的优点。可用于极光视频的特征提取和计算机图像识别。

【技术实现步骤摘要】

本专利技术属于图像处理
，涉及四种形态极光视频的计算机分类方法，可用 于极光视频的特征提取和计算机图像识别。
技术介绍
极光是太阳风通过日侧极隙区注入到地球磁层时，沉降粒子沿磁力线与地球高层 大气相互作用而产生的绚丽光辉。极光是极区空间天气物理过程的观测窗口，直观地反映 了太阳风与地磁层的耦合过程，蕴含着大量日地空间的电磁活动信息，有着深刻的研宄意 义。 中国北极黄河站的全天空成像系统（All-skyCamera)同时对极光的三个典 型谱段427. 8nm，557. 7nm和630.Onm进行连续观测，产生数以万计的极光图像，数据量 巨大。WangQ等人在文章"Spatialtexturebasedautomaticclassificationof daysideaurorainall-skyimages.JournalofAtmosphericandSolar-Terrestrial Physics，2010, 72(5) : 498-508. "中将极光按形态分为弧状、辐射状、帷幔状和热点状四类， 并得出了四种极光类型的统计分布规律。Pedersen等人发表的文章"PedersenTR，Gerken EA.Creationofvisibleartificialopticalemissionintheaurorabyhigh-power radiowaves.Nature，2005, 433 (7025) : 498-500"，胡泽俊等人发表文章"HuZJ，Yang H，HuangD，etal.Synopticdistributionofdaysideaurora:Multiple-wavelength all-skyobservationatYellowRiverStationinNy-Alesund,Svalbard.J.Atmos. Sol. -Terr.Phys.，2009, 71 (89) : 794-804" 以及文章"LorentzenDA，MoenJ，Oksavik K，etal.Insitumeasurementofanewlycreatedpolarcappatch.J.Geophys. Res.，2010, 115(A12). "，提供了大量的研宄材料，证明不同形态的极光对应着不同的磁层 边界层动力学过程。如何准确高效地对极光视频进行分类，既是揭示其磁层源区动力学过 程的一个关键，也是其发生机制研宄的重要环节，然而极光形态和动态变化复杂，无疑为极 地科研工作者带来了巨大的困难. 计算机图像识别和分析技术的发展为海量极光数据分类研宄提供了可 能。2004 年，Syrjiisuo等人在文章"SyrjasuoM，PartamiesN.Numericimage featuresfordetectionofaurora ?GeoscienceandRemoteSensing Letters,IEEE, 2012, 9(2) : 176-179. "中将计算机视觉的方法引入极光图像自动分类系 统中，该方法从分割后的极光区域中提取Fourier算子作为特征，通过最近邻方法实现 极光图像的自动分类，由于受到分割算法的影响，该方法仅对形状特征明显的弧状极光 图像分类效果良好；Wang等人于2007年在文章"WangQian,LiangJimin,HuZejun,Hu HaiHong，ZhaoHeng，HuHongQiao,GaoXinbo,YangHuigen.Spatialtexturebased automaticclassificationofdaysideaurorainall-skyimages.Journalof AtmosphericandSolar-TerrestrialPhysics，2010, 72 (5): 498 - 508. " 中使用主成分 分析法PCA对极光图像的灰度特征进行提取，提出了一种基于表象的极光分类方法，在冕 状极光分类研究方向取得了一定进展；2008年，Gao等人发表文章"L.Gao,X.B.Gao,and J.M.Liang.Daysidecoronaautoradetectionbasedonsampleselectionand adaBoostalgorithm.J.ImageGraph，2010, 15 (1) : 116-121. "，提出基于Gabor变换的 极光图像分类方法，采用了局部Gabor滤波器提取图像特征，在确保计算精度的情况下降 低了特征冗余信息，取得了较好的分类效果；2009年，Fu等人在文章"FuRu，JieLiand X.B.Gao. .Automaticauroraimagesclassificationalgorithmbasedonseparated texture.Proc.Int.Conf.RoboticsandBiomimetics, 2009:1331-1335. " 中将形态学成 分分析（MCA)与极光图像处理相结合，从经过MCA分离后所得到的极光纹理子图中提取 特征，用于弧冕两类极光图像的分类，提高了弧冕极光分类的正确率。后续的相关研宄 还有：Han等人在文章"BingHan,XiaojingZhao,DachengTao,etal.Daysideaurora classificationviaBIFs-basedsparserepresentationusingmanifoldlearning. InternationalJournalofComputerMathematics.Publishedonline:12Nov2013. " 中 又提出基于BIFs特征和C均值分类的极光分类法；Yang等人在文章"YangXi，LiJie，Han Bing,GaoXinbo.Wavelethierarchicalmodelforauroraimagesclassification. JournalofXidianUniversity, 2013, 40 (2): 18-24."中提出多层小波变换来表示极光图 像特征，取得了较高的分类准确率；2013年，Han等人在文章"HanB，YangC，GaoXB.Aurora imageclassificationbasedonLDAcombiningwithsaliencyinformation.Ruanjian XueBao/JournalofSoftware, 2013, 24(11) :2758-2766?"中引入隐含狄利克雷分布模型 LDA，并结合图像显著性信息，又进一步提高了极光图像的分类准确率. 然而，上述这些已有的极光图像分析多是基于单幅图像和静态特征，关于极光 序列的自动分类的相关工作仍然还比较少。相关的进展主要有：Yang等人于2013年在 文章"YangQiuju.AuroralEventsDetectionandAnalysisBasedonASIandUVI Images.Xi'an:Xidianuniversity, 2013. "中提出基于隐马尔科夫模型的极光序列 分类理论，但是该方法本质仍是基于单幅图像特征；本文档来自技高网...

【技术保护点】
一种基于动态纹理模型表征的极光视频分类方法，包括如下步骤：(1)从已标记类别的极光视频数据库中任取N个视频组成训练集{y1,y2,...,yk,...,yN}，yk是第k个训练集样本，k＝1,2,...,N，将剩余极光视频组成测试集，从测试集中取一个样本作为测试极光视频ytest；(2)提取极光视频的动态纹理特征；(2a)将测试极光视频ytest表示为y(t)，y(t)∈Rm，m＝I1×I2，I1为当前视频帧像素矩阵的行数，I2为当前视频帧像素矩阵的列数，t＝1,...,τ，τ是视频总帧数；(2b)用观测到的极光视频帧y(t)减去所有帧的均值得到视频矩阵Y：Y=[y(1)-y‾,y(2)-y‾,...,y(t)-y‾,...,y(τ)-y‾];]]>(2c)对视频矩阵Y进行SVD分解，即Y＝USVT，其中，U∈Rm×n为左基矩阵；S∈Rn×n为奇异值矩阵；V∈Rn×τ为右基矩阵；(2d)用左基矩阵U表示极光视频的观测矩阵C，即C＝U，并求极光视频的动态纹理特征矩阵X＝SVT，这里X∈Rn×τ，提取动态纹理特征矩阵X的每一列作为动态纹理特征帧x(t)，即X＝[x(1),x(2),...,x(t),...,x(τ)]；(3)用得到的动态纹理特征矩阵X，计算第t个动态纹理特征帧x(t)到第t+1个动态纹理特征帧x(t+1)的状态转移矩阵A，A=arg min||X2,...,τ-AX1,...,τ-1||F2=(X2,...,τX1,...,τ-1)(X1,...,τ-1X1,...,τ-1T)-1,]]>式中X1,...,τ‑1＝[x(1),x(2),...,x(t),...,x(τ‑1)]；X2,...,τ＝[x(2),x(3),...,x(t),...,x(τ)]；表示求矩阵的F范数；(4)求测试极光视频ytest到训练集样本yk的马丁距离：(4a)用计算测试极光视频ytest的观测矩阵C和状态转移矩阵A的方法，计算训练集{y1,y2,...,yk,...,yN}中训练集样本yk的观测矩阵Ck和状态转移矩阵Ak，得到观测矩阵集{A1,A2,...,Ak,...,AN}和状态转移矩阵集{C1,C2,...,Ck,...,CN},其中k＝1,2,...,N；(4b)根据观测矩阵以及状态转移矩阵，计算测试极光视频ytest到训练集样本yk的马丁距离d2(ytest,yk)，k＝1,2,...,N；(5)根据极光视频间的马丁距离，对测试极光视频ytest进行最近距离分类：将步骤3中得到的N个马丁距离d2(ytest,yk)按从小到大的顺序排列，取出最小的马丁距离对应的极光序列ymin，并将与该极光序列ymin形态相似的测试极光视频ytest分为与极光序列ymin同一类，完成对测试极光视频ytest的分类。...

【技术特征摘要】

【专利技术属性】
技术研发人员：韩冰，宋亚婷，高新波，李洁，贾中华，王平，王颖，王秀美，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61