基于深度学习二维主成分分析网络的极光图像检测方法技术

本发明专利技术公开了一种基于深度学习二维主成分分析的极光图像检测方法，主要解决现有技术对极光图像信息提取不充分的问题。其实现步骤为：(1)利用二维主成分分析法提取一阶特征向量并产生一阶滤波器矩阵，得到一阶全局特征；(2)对一阶全局特征提取其二阶特征向量，同时产生二阶滤波器矩阵，得到二阶全局特征；(3)对二阶全局特征进行分块直方图统计，提取出分块直方图特征；(4)用支持向量机分类器对分块直方图特征进行分类，得到分类结果。本发明专利技术实现了对现有三类极光图像的计算机自动检测，且具有分类准确率高的优点，可用于极光图像的特征提取和计算机图像检测。

【技术实现步骤摘要】

本专利技术属于图像处理
，涉及极光图像检测方法，可用于极光图像特征提 取、极光图像分类。
技术介绍
极光是来自磁层的高能粒子沉降到高层大气并与中性成分碰撞激发的一种大气 发光现象，是太阳风-磁层-电离层耦合造成的地球高炜活动的重要表现形式之一。所以 人们通过极光形态及其演化的系统观测可以获得磁层和日地空间电磁活动的大量信息，有 助于深入研究太阳活动对地球的影响方式与程度，对了解空间天气过程的变化规律具有重 要意义。极光图像作为自然界的一个重要形式，它的分布和发生揭示了地磁活动和磁层中 的脉动现象。极光图像的分类研究目前已达到一个水平，难以突破，现在我们需要寻找一种 能有效表示极光图像特征的方法。极光图像本身的纹理特征，应该进行充分的提取以更好 的表征极光图像特征。 极光图像作为自然界的一个重要形式，对它们的形态特征和发生机理相 对而言已经比较清楚。Wang Q等人在文章 "Spatial texture based automatic classification of dayside aurora in all-sky images.Journal of Atmospheric and Solar-Terrestrial Physics，2010, 72 (5) : 498-508. " 中通过研究静态图像得出了 四种极光类型的统计分布规律，并初步验证了 Hu等人在文章 "Synoptic distribution of dayside aurora:MuItipIe-wavelength all-sky observation at Yellow River Station in Ny- Alesund, Svalbard. Journal of Atmospheric and Solar-Terrestrial Physics, 2009, 71 (8) :794-804. "中根据活动区域将日侧极光分为四类的合理性，还从形态 学方向给出了这四种分类的解释。Han等人在文章 "Aurora images classification via features salient coding. Journal of xidian university, 2013, 40 (6)，180-186.'，中提 出的基于特征显著性编码的极光图像分类方法将极光图像分为四类。Yang Xi等人在文章 "Wavelet hierarchical model for aurora images classification. Journal of xidian university, 2013, 40(2) : 18-24. "中提出的一种分层小波模型下的极光图像分类算法，利 用支持向量机分类器把极光图像分成弧状和三种冕状类型。Han等人在文章 "Aurora image classification based on LDA combining with saliency information. Ruan Jian Xue Bao/Journal of Software, 2013, 24(11) :2758-2766. "中采用基于融合显著信息的潜在主 题极光图像分类方法进行极光图像分类。然而，现有对于极光图像的研究多是进行弧状和 非弧状的二分类研究，在极光图像三分类研究中仍未取得较好的效果，原因在于其未对极 光图像的特征进行充分提取，从而影响了极光图像的准确分类。
技术实现思路
本专利技术的目的在于针对上述已有技术的不足，提出一种基于深度学习二维主成分 分析网络的极光图像检测方法，提高对极光图像分类的准确率。 本专利技术的技术方案是：利用深度学习能更充分提取极光图像特征的优势，对极光 图像进行检测，其实现步骤包括如下： (1)提取一阶全局特征U : la)利用二维主成分分析法提取极光图像的Ll 一阶特征向量 q:,，d = 1,2,···, L1 ； lb)对应每个一阶特征向量生成一个一阶滤波器矩阵和=嘛_^); Ic)将第i张极光图像M1与第d个一阶滤波器矩阵和进行卷积，生成一阶单独特 征图儒 Id)依次将N张极光图像与第d个一阶滤波器矩阵；Tc/进行卷积，生成一阶局部特 征图像_中，MldS极光图像与第d个一阶滤波器矩阵卷 积后生成的一阶局部特征图像； Ie)对所有的一阶滤波器矩阵均进行Ic)和Id)操作，生成对应的一阶局部特征图 像，将L1个一阶局部特征图像组合为一阶全局特 (2)提取二阶全局特征R : 2a)取一阶全局特征U中的第d个一阶局部特征图像Mld，利用二维主成分分析法 提取其1^ 2个二阶特征向量qf，A_ = i. 2,…,Z_ p 2b)对应每个二阶特征向量生成一个二阶滤波器矩阵％2 ;： 2c)将第i张一阶单独特征图像与第k个二阶滤波器矩阵M2进行卷积，生成 二阶单独特征图il 2d)依次将N个一阶单独特征图像与第k个二阶滤波器矩阵》f :进行卷积，生成二 阶局部特征图I 2e)将第k个二阶滤波器矩阵》f与一阶局部特征图像Mld中的每 个一阶单独特征图像均进行2c)和2d)操作，生成对应的二阶整合特征图像 2f)将所有的二阶滤波器矩阵与一阶全局特征U均进行2a)_2e)操作， 生成对应的二阶整合特征图像，将L 2个二阶整合特征图像组合为二阶全局特征 (3)提取二阶全局特征R的分块直方图特征f ; (4)对分块直方图特征f进行分类，从h个极光图像中检测出弧状极光图像Ill、辐 射冕状极光图像h 2和帷幔冕状极光图像h 3三类。 本专利技术具有如下优点： 本专利技术由于采用了深度学习的思想，将二维主成分分析法经过多层卷积拓扑结构 连接，对极光图像的特征进行多层提取，并使极光图像的位置信息得到充分利用，克服了现 有技术对极光图像特征只进行单层提取的缺点，从而提高了分类准确率，实现了三类极光 图像的计算机自动分类。【附图说明】 图1是本专利技术的实现流程图。【具体实施方式】 以下结合附图对本专利技术的内容和效果进行进一步描述。 步骤1 :提取极光图像的一阶全局特征U。 本实例所针对的研究对象为极光图像，其是由我国北极黄河站的全天空摄像仪在 黄河站拍摄到的极光图像。提取该极光图像的一阶全局特征的步骤如下： la)提取极光图像的Ll一阶特征向量#，"= 1,2.···.L1 : 提取极光图像一阶特征向量可采用多种现有方法进行，例如二维主成分分析法、 主成分分析法等方法，本实例采用二维主成分分析法提取极光图像的1^个一阶特征向量 4^步骤如下： Ial)输入N张极光图像后，提取N张极光图像的一阶平均矩阵 la2)分别计算单幅极光图像的一阶局部均值矩阵X =Mi-爲； la3)将N个一阶局部均值矩阵爲组合成一阶全局均值矩阵…,1]; la4)对一阶全局均值矩阵X和其转置矩阵Xt做乘积生成一阶乘积矩阵P = XX τ; la5)计算一阶乘积矩阵P的特征向量，并取前1^个特征向量作为一阶特征向量 ￡?:=1,:2,'，*5Lj;」 Ib)对应每个一阶特征向量$生成一个一阶滤波器矩阵= ??//(qi,): Ic)将第i张极光图像M1与第d个一阶滤波器矩阵时进行卷积，生成一阶单独特 征图I Id)本文档来自技高网...

【技术保护点】
一种基于深度学习二维主成分分析网络的极光图像检测方法，包括如下步骤：（1）提取一阶全局特征U：1a）利用二维主成分分析法提取极光图像的L1个一阶特征向量d＝1,2,…,L1；1b）对应每个一阶特征向量生成一个一阶滤波器矩阵1c）将第i张极光图像Mi与第d个一阶滤波器矩阵Wd1进行卷积，生成一阶单独特征图像Mi1d=Mi*Wd1,]]>i＝1,2,…,N；1d）依次将N张极光图像与第d个一阶滤波器矩阵Wd1进行卷积，生成一阶局部特征图像其中，M1d为极光图像与第d个一阶滤波器矩阵卷积后生成的一阶局部特征图像；1e）对所有的一阶滤波器矩阵均进行1c）和1d）操作，生成对应的一阶局部特征图像，将L1个一阶局部特征图像组合为一阶全局特征（2）提取二阶全局特征R：2a）取一阶全局特征U中的第d个一阶局部特征图像M1d，提取其L2个二阶特征向量k＝1,2,…,L2；2b）对应每个二阶特征向量生成一个二阶滤波器矩阵2c）将第i张一阶单独特征图像与第k个二阶滤波器矩阵Wk2进行卷积，生成二阶单独特征图像i＝1,2,…,N；2d）依次将N个一阶单独特征图像与第k个二阶滤波器矩阵Wk2进行卷积，生成二阶局部特征图像M2dk={M12dk,M22dk,...,Mi2dk,...,MN2dk};]]>2e）将第k个二阶滤波器矩阵Wk2与一阶局部特征图像M1d中的每个一阶单独特征图像均进行2c）和2d）操作，生成对应的二阶整合特征图像2f）将所有的二阶滤波器矩阵与一阶全局特征U均进行2a）‑2e）操作，生成对应的二阶整合特征图像，将L2个二阶整合特征图像组合为二阶全局特征R={M21,M22,...,M2k,...,M2L2};]]>（3）提取二阶全局特征R的分块直方图特征f；（4）对分块直方图特征f进行分类，从h个极光图像中检测出弧状极光图像h1、辐射冕状极光图像h2和帷幔冕状极光图像h3三类。...

【技术特征摘要】

【专利技术属性】
技术研发人员：韩冰，贾中华，高新波，李洁，宋亚婷，王平，王秀美，王颖，
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