基于张量动态纹理模型的极光视频分类方法技术

本发明专利技术公开了一种基于张量动态纹理模型的极光视频分类方法，主要解决现有技术无法直接对极光视频进行分类，只能进行单帧操作，分类准确率和分类效率较低的问题。其实现步骤是：(1)获取训练极光视频和测试极光视频；(2)提取训练极光视频和测试极光视频的混合观测矩阵；(3)对训练极光视频和测试极光视频的混合观测矩阵进行优化；(4)用训练极光视频的最优混合观测矩阵训练支持向量机，得到SVM分类器；(5)用SVM分类器对测试极光视频进行分类。本发明专利技术能实现对现有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】
一种基于张量动态纹理模型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)提取测试极光视频ytest的混合观测矩阵C'：2a)将测试极光视频ytest表示为y'(t)，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)组成视频张量Y'：Y′=[y′(1),y′(2),...y′(t),...,y′(τ)],Y′∈RI1×I2×τ;]]>2c)令i＝1,2,3，将极光视频张量Y'按第i维展开，得到展开矩阵Y'(i)，即Y'(3)∈Rτ×g，其中e＝I2×τ，f＝I1×τ，g＝I1×I2；2d)对展开矩阵Y'(i)进行SVD分解，将其分为三个矩阵，即Y'(i)＝U(i)S(i)V(i)H，其中U(i)∈R为左基矩阵，S(i)为奇异值矩阵，V(i)为右基矩阵；当i＝1时，左基矩阵为行观测矩阵，对应的奇异值矩阵为S(1)∈Rr1×r1,]]>右基矩阵为V(1)∈Rr1×e;]]>当i＝2时，左基矩阵为列观测矩阵，对应的奇异值矩阵为S(2)∈Rr2×r2,]]>右基矩阵为V(2)∈Rr2×f;]]>当i＝3时，左基矩阵为张量动态纹理特征矩阵，对应的奇异值矩阵为右基矩阵为提取张量动态纹理特征矩阵U(3)的每一列作为张量动态纹理特征帧u(t)，即U(3)＝[u(1),u(2),...,u(t),...,u(τ)]；2f)将行观测矩阵U(1)和列观测矩阵U(2)按列组合成混合观测矩阵C'，即C'＝[U(1),U(2)]；3)对测试极光视频ytest的混合观测矩阵C'进行优化：3a)用极光视频张量Y'，行观测矩阵U(1)，列观测矩阵U(2)，张量动态纹理特征矩阵U(3)，计算视频张量Y'的核张量Ne，即Ne＝Y'×1U(1)×2U(2)×3U(3),其中，r1,r2,r3分别表示核张量Ne在长，宽，高3个方向上尺寸,×1表示张量的1‑mode乘积运算，×2表示张量的2‑mode乘积运算，×3表示张量的3‑mode乘积运算；3b)令核张量Ne在长，宽，高3个方向上尺寸r1,r2,r3均等于等核张量尺寸r，即r1＝r2＝r3＝r；3c)求当等核张量尺寸r＝2,6,10,14,20,24时，对应的6个合成视频帧yr(τ+1)，即y2(τ+1)，y6(τ+1)，y10(τ+1)，y14(τ+1)；3d)把得到的6个合成视频帧y2(τ+1)，y6(τ+1)，y10(τ+1)，y14(τ+1)，y20(τ+1)，y24(τ+1)均显示为图像，并与原视频帧y(τ)进行人工比对，选取与原视频帧y(τ)相似度最高的合成视频帧yr(τ+1)对应的最小r值，作为最优等核张量尺寸r'；3e)用最优等核张量尺寸r'替换步骤2)中核张量在长，宽，高3个方向上尺寸r1,r2,r3，求取测试极光视频ytest的最优混合观测矩阵C”；4)对SVM支持向量机进行训练，得到训练好的SVM分类器：4a)用上述计算测试极光视频ytest最优混合观测矩阵C”的方法，计算训练集{y1,y2,...,yk,...,yN}中训练集样本yk的最优混合观测矩阵C”k，得到训练集{y1,y2,...,yk,...,yN}对应的最优混合观测矩阵集{C”1,C”2,...,C”k,...,C”N},k＝1,2,...,N；4b)将每一个训练集样本yk的最优混合观测矩阵C”k拉成一个列向量，并将这些列向量连同从训练集样本yk中对应的类别信息一起输入到SVM支持向量机，对SVM支持向量机的拟合参数进行训练，得到训练好的SVM分类器；5)对测试极光视频ytest进行分类；将测试极光视频ytest的最优混合观测矩阵C”输入到训练好的SVM分类器中，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，王平，仇文亮，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