基于空时极向LBP的极光序列事件检测

提出了一种用于检测全天空图像(ASI)序列中的弧状极光事件检测方法.针对弧状极光序列的运动趋势,在现有VLBP的基础上提出了基于空时极向LBP(ST-PVLBP)的极光序列事件检测算法,并用ST-PVLBP对极光序列进行表征.该算法结合序列帧间连续性信息和单帧空间位置信息,在保持高分类精度的同时降低了特征维数.在中国北极黄河站的ASI图像数据上的分类实验结果显示,所提出的方法可以有效检测全天空极光图像序列中的地磁南北向运动的弧状极光序列事件.

基于图像帧间信息和FS-KFDA的极光序列图像检测算法

为了解决数据量巨大的极光序列图像难于用人工划分的方法来进行变化监测的问题,提出了一种基于极光序列图像特征和帧间信息的感兴趣极光变化区域(ROI)自动检测算法,用计算机进行辅助分类。首先提取样本图像特征,再利用离散小波变化算法对帧间信息进行特征分析,引入特征标度核Fisher分析算法(FS-KD-FA),结合K-均值聚类选择训练样本,构建分类器实现了变化检测。对北极黄河站采集到的实测极光图像数据进行极光区域划分检测,实验结果表明了算法的有效性。

基于环形局部方向模式的弧状极光序列检测

弧状极光作为日侧极光的一个重要形态,它的分布和发生揭示了地磁活动和磁层中的脉动现象。对弧状极光发生起始时刻的判定能有效帮助人们研究弧状极光发生的物理机制。针对弧状极光序列的特征,提出了基于环形局部方向模式(ring local directional pattern,RLDP)的特征表示新方法,再利用自动调节谱聚类(self-tuning spectral clustering,STSC)算法得到极光序列的发生和结束时刻。将检测结果和人工标记的图像序列进行对比,基于环形局部方向模式的特征表示方法得到了较高的查全率和查准率。

基于深度学习的极光序列自动分类方法

提出一种基于深度学习的极光序列分类方法,有效结合卷积神经网络(CNN)特征丰富的空间域信息和长短时记忆(LSTM)网络捕捉序列信息的优势,并利用极光的属性对CNN添加反馈约束调节使特征更契合极光图像。在中国北极黄河站的全天空成像仪(ASI)极光图像数据库上进行有监督的极光序列分类研究和无监督的极光事件检测,实验结果表明本文方法能有效用于极光序列的表征,为海量极光序列的自动分类提供了可能性。

基于张量动态纹理模型的极光视频分类

极光事件的形态与行星际磁场及太阳风等空间物理过程密切相关,通过研究极光形态可以得到大量地球磁层和太阳风活动的信息.随着海量极光的产生,如何借助计算机对极光图像序列进行自动分类成为热点.目前极光分类研究大多是基于单幅图像的特征分析,极光视频的建模和分析仍然有待深入研究.因此提出一种基于极光视频动态纹理建模的极光视频事件识别方法.首先对四类极光视频进性普适性动态纹理建模,然后利用矩阵SVD分解对动态纹理模型求解,最后用模型参数间的马丁距离衡量极光序间的差异性,采用最小距离分类器和SVM分类器实现四类典型形态的极光序列的自动分类识别.为进一步提高模型紧凑度,引入张量分解,建立张量动态纹理模型.不同于动态纹理模型只关注序列帧间的重复相关性,张量动态纹理模型同时分析序列帧间的重复相关性和图像帧内各个部分间的重复相关性,从时间和空间维度上同时进行分解,减少模型冗余的同时提高了分类准确率.在中国北极黄河站的ASI图像数据库上进行了算法验证,实验结果表明本文提出模型具有较高的分类准确率,同时该模型能充分表征极光序列帧间的重复相关性和动态变化特性.