基于深度学习海量太阳观测图像的搜索方法技术

本发明专利技术公开了一种基于深度学习海量太阳观测图像的搜索方法

【技术实现步骤摘要】
基于深度学习海量太阳观测图像的搜索方法、系统和装置


[0001]本专利技术涉及天文大数据与计算机视觉
，特别涉及一种基于深度学习海量太阳观测图像的搜索方法
、
系统和装置
。

技术介绍

[0002]太阳，作为我们太阳系的中心星体，自古以来就吸引着人们的好奇心
。
太阳的研究不仅有助于我们更好地理解宇宙的起源和演化，还对地球的气候和通信系统产生着直接影响
。
然而，太阳是一个极其复杂而动态的天体，其表面和活动经常发生变化，因此需要大量的观测和研究来解析其谜团
。
随着科学技术的飞速发展，天文学家们能够使用各种高级仪器和卫星来观测太阳
。
这些观测工具产生了海量的太阳图像数据，包括白光
、
紫外线
、X
射线等各种波段的图像
。
这些图像记录了太阳黑子
、
日冕贴片
、
耀斑等太阳特征的细节，以及太阳活动的不断变化
。
然而，处理和分析这些大规模的太阳图像数据是一项巨大的挑战
。
[0003]传统的方法涉及手动检索和分析，但随着数据量的不断增加，这种方法已经变得不再实际
。
需要探索新的方法来有效地管理和利用这些宝贵的太阳观测数据
。
[0004]目前经过调研全世界范围内，大多数天文机构和观测项目维护着包括太阳观测图像在内的天文图像数据库，例如，
NANS
的太阳物理数据中心
(Solar Data Analysis Center
，
SDAC)
和欧洲太阳物理数据存储库
(European Solar Physics Archive
，
ESPA)
都提供了丰富的太阳观测图像数据资源
。
另外，太阳观测图像还通过太阳观测卫星和望远镜进行拍摄，例如
NANS
的太阳动力观测台
(Solar Dynamics Observatory
，
SDO)
和欧空局的太阳和日地观测卫星
(Solar and Heliospheric Observatory
，
SOHO)
也维护了大量的太阳观测图像
。
然而，太阳领域的数据检索以及数据发布方式都是以关键字检索的形式
。
目前太阳图像检索及管理领域存在的一些问题为：
[0005]1、
数据量巨大难以管理
。
太阳观测产生了大量的图像数据，这些数据需要有效地收集
、
存储和管理
。
管理大规模数据存储和备份，确保数据的安全性和可用性，是一个复杂的任务
。
[0006]2、
自动特征提取的挑战
。
阳观测图像中的特征复杂多样，有些是微小的细节，而有些是较大的结构
。
自动识别和提取这些特征是一个复杂的问题，尤其是在不同波段的图像中
。
[0007]3、
计算资源需求
。
深度学习模型需要大量的计算资源来训练和推断
。
处理大规模图像数据集需要强大的计算基础设施，这对于一些研究机构和实验室可能是一个挑战
。
[0008]4、
用户界面和用户体验
。
用户界面的设计和用户体验是一个重要的考虑因素
。
搜索引擎无法提供直观的方式来进行图像检索
。
[0009]因此，如何提供一种更好地管理和利用太阳图像数据的基于深度学习海量太阳观测图像的搜索方法
、
系统和装置是本领域技术人员亟待解决的技术问题
。

技术实现思路

[0010]本专利技术针对上述研究现状和存在的问题，提供了一种基于深度学习海量太阳观测图像的搜索方法
、
系统和装置
。
[0011]本专利技术提供的一种基于深度学习海量太阳观测图像的搜索方法，包括如下步骤：
[0012]S1
：采集不同观测设备获取的太阳观测图像；
[0013]S2
：对所述太阳观测图像进行预处理和清洗，得到预处理后的太阳观测图像；
[0014]S3
：利用预训练的
VGG16
模型和
ResNet50
模型分别对所述预处理后的太阳观测图像提取多尺度特征，将提取的多尺度特征表示转换为特征嵌入；
[0015]S4
：构建搜索引擎，所述搜索引擎接收上传的太阳图像，利用预训练的
VGG16
模型和
/
或
ResNet50
模型对所述太阳图像提取特征，使用特征嵌入对所述太阳图像提取的特征进行图像相似性计算，确定相似度满足要求的太阳观测图像
。
[0016]优选的，所述太阳观测图像包括不同波段的太阳图像和不同太阳特征的太阳图像
。
[0017]优选的，所述
S1
还包括：
[0018]建立分布式存储系统，用于存储采集的所述太阳观测图像；
[0019]建立数据备份策略，定期创建数据备份，用于在满足设定条件时进行数据恢复
。
[0020]优选的，所述
S2
中的预处理包括如下中的一种或多种：
[0021]调整大小：调整所述太阳观测图像的大小；
[0022]裁剪：裁剪所述太阳观测图像以去除不相关的区域或改变其纵横比；
[0023]直方图均衡化：调整像素的亮度分布
。
[0024]优选的，所述
S2
中的清洗包括：
[0025]去噪：包括去除电子噪声
、
背景噪声；
[0026]校正：包括去除镜头畸变
、
减少辐射校正；
[0027]图像增强：包括边缘增强
、
对比度增强；
[0028]通道转换：包括将不同波段的彩色图像转换为单通道灰度图像或多通道图像；
[0029]数据质量控制：包括检查图像的完整性
、
查找缺失的数据
、
处理损坏的图像；
[0030]检测和处理异常值：异常值包括光斑或阴影
。
[0031]优选的，所述
S4
还包括：使用特征嵌入构建特征数据库索引结构，载入特征数据库，利用特征数据库索引结构索引特征嵌入对所述太阳图像提取的特征进行图像相似性计算
。
[0032]优选的，还包括构建用户交互界面的步骤：
[0033]在交互界面设置搜索框和显示控件；所述搜索框用于接收搜索条件，包括上传的太阳图像或关键字；所述显示控件用于显示所述相似度满足要求的太阳观测图像
。
[0034]优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习海量太阳观测图像的搜索方法，其特征在于：包括如下步骤：
S1
：采集不同观测设备获取的太阳观测图像；
S2
：对所述太阳观测图像进行预处理和清洗，得到预处理后的太阳观测图像；
S3
：利用预训练的
VGG16
模型和
ResNet50
模型分别对所述预处理后的太阳观测图像提取多尺度特征，将提取的多尺度特征表示转换为特征嵌入；
S4
：构建搜索引擎，所述搜索引擎接收上传的太阳图像，利用预训练的
VGG16
模型和
/
或
ResNet50
模型对所述太阳图像提取特征，使用特征嵌入对所述太阳图像提取的特征进行图像相似性计算，确定相似度满足要求的太阳观测图像
。2.
根据权利要求1所述的一种基于深度学习海量太阳观测图像的搜索方法，其特征在于，所述太阳观测图像包括不同波段的太阳图像和不同太阳特征的太阳图像
。3.
根据权利要求1所述的一种基于深度学习海量太阳观测图像的搜索方法，其特征在于，所述
S1
还包括：建立分布式存储系统，用于存储采集的所述太阳观测图像；建立数据备份策略，定期创建数据备份，用于在满足设定条件时进行数据恢复
。4.
根据权利要求1所述的一种基于深度学习海量太阳观测图像的搜索方法，其特征在于，所述
S2
中的预处理包括如下中的一种或多种：调整大小：调整所述太阳观测图像的大小；裁剪：裁剪所述太阳观测图像以去除不相关的区域或改变其纵横比；直方图均衡化：调整像素的亮度分布
。5.
根据权利要求1所述的一种基于深度学习海量太阳观测图像的搜索方法，其特征在于，所述
S2
中的清洗包括：去噪：包括去除电子噪声
、
背景噪声；校正：包括去除镜头畸变
、
减少辐射校正；图像增强：包括边缘增强
、
对比度增强；通道转换：包括将不同波段的彩色图像转换为单通道灰度图像或多通道图像；数据质量控制：包括检查图像的完整性
、
查找缺失的数据
、<...

【专利技术属性】
技术研发人员：刘应波，吴仕超，杨磊，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：