基于融合特征和时空连续性判定规则的CME检测方法

摘要

本发明提供了一种基于融合特征和时空连续性判定规则的CME检测方法，该方法结合CME事件连续两帧之间的时空连续性，根据图像的灰度统计特征和纹理特征利用基于ELM的分类器对日冕观测图像进行识别，检测图像中是否存在CME。本发明的有益效果是：本发明建立了多特征融合CME检测模型，避免了根据单一特征检测CME的误差，同时也避免了日冕观测图像中的噪声部分和CME发生区域发生混淆造成的误判，检测准确度高，检测效率高。

说明书

技术领域

本发明涉及一种基于融合特征和时空连续性判定规则的CME检测方法。

背景技术

近年来，国外已有多套自动识别预警系统，国内研究起步相对较晚。在国内，曾昭宪提出了基于频谱突变分析的日冕物质抛射识别方法。田红梅等利用AdaBoost算法学习CME差分图像中与暗化现象有关的统计特征并据此提取和检测日冕暗化现象的发生。在国际上，Robbrecht等主要是通过霍夫变换对图像进行处理并进一步计算出CME的特征参数如位置角度、展开角度、速度等。O.Olmedo通过处理单幅LASCO差分图像进行CME的检测并进一步对检测到的CME进行跟踪。N.Goussies引入区域竞争机制对图像进行处理进行CME事件的检测并对其进行跟踪，Byrne结合LASCO的图像和对应的气象图进行CME的检测。此外，利用光流场算法可以检测出形状和强度相对稳定发展的CME事件。

中国发明专利申请公开说明书CN201310391553.X中提出了一种智能化日冕物质抛射事件观测方法，利用差分图像检测CME的发生并报警。专利书CN201410443408.6中提出利用灰度统计特征及AdaBoost人工智能的方法可以成功的检测出具有高亮信息特征的CME事件，此方法通过集成多个根据灰度统计特性的弱分类器的分类结果提升检测结果。专利说明书CN201510312081.3中提出融合灰度特征、纹理特征和HOG特征设计弱分类器，用决策树的方法集成弱分类器的方法可以检测出具备纹理信息的高亮特征的CME事件。公开号CN104597523A的公开说明书中提出了一种根据CME日冕观测图像的纹理特征检测其伴随现象的方法。该方法通过提取一段时间的图像的纹理特征及其标定其标签的方法进行学习，再根据学习到的特征进行CME伴随现象的检测。

发明内容

为解决以上技术上的不足，本发明提供了一种检测速度快，检测准确度高的基于融合特征和时空连续性判定规则的CME检测方法。

本发明是通过以下措施实现的：

本发明提出的一种基于融合特征和时空连续性判定规则的CME检测方法，包括以下步骤：

步骤1，选取一定时间段内包含各种CME的图像序列，并对图像序列中的图像进行人工标定其是否有CME的发生，在标定的有CME的发生的CME图像中提取CME区域，并切割成CME切割块样本；在标定的无CME的发生的CME图像中找出无CME区域及有噪声的区域，并切割成非CME切割块样本；组合CME切割块样本和非CME切割块样本做为训练样本集；

步骤2，利用机器学习方法学习不同种类的CME的多种特征并将其融合，建立分类器去检测图像中是否有CME现象的发生，然后从样本集中提取融合特征；

步骤3，根据步骤2提取的融合特征，训练步骤1中得到的训练样本集，从而得到可以区分CME区域和非CME区域的检测模型；

步骤4，以滑窗形式扫描单幅图片，扫描过程中，用步骤3得到的检测模型检测滑窗所覆盖的区域是否为候选CME区域，然后结合CME的时空连续性，进一步确定候选区域是噪声区域还是CME区域，根据确定出的CME区域，拟合所有发生的CME现象的切割块，即可得出CME的轮廓。

在步骤1中在标定的有CME的发生的图像中提取CME区域时，CME区域包括具有高亮特性的CME以及非高亮特性的CME、具有丰富纹理特征的和不具有纹理特征的CME。

在步骤2中利用机器学习方法学习不同种类的CME的多种特征并将其融合，其中包括包含区域多变性、强度各异性、纹理复杂性的多种CME。

步骤3中，利用ELM学习算法训练步骤1中得到的训练样本集，ELM学习算法判别切割块中是否有CME，其初始化输入数据为获取的切割块的灰度特征和纹理特征，其输出结果为是否具有CME。

本发明的有益效果是：本发明建立了多特征融合CME检测模型，避免了根据单一特征检测CME的误差，同时也避免了日冕观测图像中的噪声部分和CME发生区域发生混淆造成的误判，检测准确度高，检测效率高。

附图说明

图1中，(a)表示既有亮度信息又有纹理信息的CME图像；(b)表示CME比较弱，亮度并不高的图像；(c)表示CME区域面积很小的图像；(d)表示噪声和CME很相似的图像；(e-h)找出图像中的最亮块和纹理最丰富的块用矩形框标出的图像。

图2表示按照尺寸为50*50,15*30,5*5的三个滑窗户分别遍历极坐标下的日冕观测差分图像。

图3中a-f依次展示了单幅CME图像选取CME样本块的过程。

具体实施方式

下面结合附图对本发明做进一步详细的描述：

本发明的基于融合特征和时空连续性判定规则的CME检测方法，是结合CME事件连续两帧之间的时空连续性，根据图像的灰度统计特征和纹理特征利用基于ELM的分类器对日冕观测图像进行识别，检测图像中是否存在CME。并把检测结果提供给空间天气预测部门做为参考数据。

一、建立多特征融合CME检测模型

以滑窗形式扫描整幅图片，扫描过程中，用CME检测模型检测滑窗内是否存在CME现象。以往的研究所采取的利用单一特征(纹理或灰度)去检测CME，但实际的CME图像特征具有多样性，另外，类似CME的噪声也使得使用单一特征进行CME的检测准确率不高。本发明利用CME图像的多种特征去建立检测模型。模型的设计包括以下几个方面：

1)样本集的选择；

选取一定时间段内包含各种CME的图像序列，并对图像序列中的图像进行人工标定其是否有CME的发生，对于标定后的CME图像提取其CME区域(包括具有高亮特性的CME以及非高亮特性的CME、具有丰富纹理特征的和不具有纹理特征的CME)并切割成块，对于标定后的无CME的图像找出其无CME区域及有噪声的区域切割成块，组合CME切割块样本和非CME切割块样本做为训练样本集。

2)融合特征的提取；

由于CME的多样性，其特征也呈现出多样性，每一个特征反映CME的一个方面，利用单一特征去判定CME只能检测出具有该特征的CME现象,对于具有多样性特征的CME现象很难取得较好的检测效果，本发明利用机器学习方法学习不同种类的CME(包含区域多变性、强度各异性、纹理复杂性的CME)的多种特征并交其融合建立分类器去检测图像中是否有CME现象的发生。

3)建立检测模型；

根据2)中提到的融合特征，利用ELM极限学习机的方式训练1)中的样本集得到可以区分CME和非CME区域的检测模型。极限学习机，是由黄广斌提出来的求解单隐层神经网络的算法，是一种新型的快速学习算法，在保证一定的学习精度下，ELM的学习算法收敛速度比较快，可以在随机初始化输入权重和偏置的情况下根据样本的分类结果得到相应的单隐以输出节点的输出权重。切割块中是否有CME的判别可以由ELM算法解决，其初始化输入数据为获取的切割块的灰度特征和纹理特征，其输出结果为是否具有CME。

4)时空约束下的的CME判定规则的建立；

日冕观测图像中的噪声部分和CME发生的区域具有一定的相似性，即具备高亮以及纹理丰富的特征，容易导致误判，结合CME现象本身的特性，也即CME的时空连续性制订CME连续性判定规则。

二、CME的检测与定量化描述；

以滑窗形式扫描单幅图片，扫描过程中，用已经建立好的CME切割块检测模型检测滑窗所覆盖的区域是否为候选CME区域。结合CME的时空连续性，进一步确定候选区域是噪声区域还是CME区域。根据检测出的CME区域，拟合所有发生的CME现象的切割块，即可得出CME的轮廓。

三、CME特征向量设计

从人类视觉的角度来讲，CME区域通常有一个亮的前沿、紧跟着一个暗腔和高核。因此利用计算机模仿人类视觉来检测CME也就是找出具有高亮特征和丰富纹理的候选区域进而判断其是否为CME区域。首先，对LASCO的日冕物质差分图像进行坐标转换：将图像从直角坐标的形式转成极坐标的形式。然后，利用中值滤波器对图像进行预处理以去除其细小的噪声。

(1)CME的特征分析

不同类型的CME承现出的表象特征也具有多样性。图1(a-d)展示了四幅不同类型CME的图像。为了找出CME的候选区域，也就是找出具有高亮特性和丰富纹理特征的区域。首先进行切割图像，把图像切割成尺寸为50*50的切割块。块的亮度在本文中用切割块内所有像素的平均灰度值来衡量。块的纹理用其熵值来衡量。算法找出图像中的最亮块和纹理最丰富的块分别用线型为虚线的矩形框和线型为实线的矩形框标出,见图1(e-h)。图1(a)中的CME既有亮度信息又有纹理信息，因此用纹理特征和亮度信息均可以检测出CME切割块。图1(b)的CME比较弱，其亮度并不高，因此用亮度特征不能定位，但是此区域具备纹理信息，因此找到的高熵切割块是CME切割块。图1(c)中CME区域面积很小，只占一小条，其所在的切割块不具备高熵特征，但其具备高亮特征，因此用亮度信息可以定位出CME区域。图1(d)图像中的CME和噪声和CME很相似，高熵区域和高亮区域都不是CME区域，从以上描述来看，单用亮度或纹理信息不能找出所有的CME区域。将两个特征融合起来去检测CME是可行的一种方案。

融合灰度和纹理信息的特征向量设计

用特征向量X来融合灰度和纹理信息。在X中，亮度和纹理特征均是向量X的分量。

a)亮度特征的选择。通常情况下，大部分的CME具有高亮特征。因此高于背景像素平均灰度值(记作m)的像素的个数可以做为参考特征用来检测CME。在本发明中，50个灰度统计特征设计为向量的50个分量，记作[g₁，g₂，…，g₅₀]。其中，g_i是切割块中像素值为m+i的像素的个数。其公式如公式(1)所示。

$\begin{array}{c}{g}_i=\underset{k=1}{\overset{h\times w}{\Sigma }}f\left(k\right)\\ f\left(k\right)=\left(\begin{array}{cc}1& p\left(k\right)=m+i\\ 0& else\end{array}\right)\end{array}---\left(1\right)$

b)纹理特征的选择。CME区域除了有高亮特征，还有纹理特征。切割图像块中4个方向(0°,45°,90°,135°)上的13个haralick纹理特征做为向量X的另外一部分分量，记作[t₁,t₂,…,t₅₂]。

因此，特征向量X可以设计为X＝[t₁,t₂,…,t₅₂,g₁,g₂,…g₅₀]^T。

基于ELM的CME检测算法

本节介绍如何利用特征向量用基于ELM的分类器来检测图像中是否有CME事件的发生。ELM算法是一种快速的单隐层神经网络训练算法。算法可以分解为三层：输入层、隐层和输出层,运用在CME的检测中，CME切割块的的特征向量设计为ELM的输入层，切割块中是否存在CME设计为ELM的输出层。CME的检测算法描述如下：

(1)样本选择过程。在此过程中，建立了一个样本集。

(2)利用(1)中所得的样本集训练基于ELM的分类器。

(3)用基于ELM的分类器来检测图像中是否含有CME。

(4)利用时空连续性的决策规则来进一步提高检测的正确率。

a)样本选择过程

在此过程中，选择越多类型的CME样本，则训练出来的分类器可以检测的CME越准确。在此过程中，建立了一个用来训练分类器的样本集。样本块的尺寸的选择也是很重要的一步,选择过程示例如下:按照尺寸为50*50,15*30,5*5的三个滑窗户分别遍历极坐标下的日冕观测差分图像(如图2)以找出其候选CME区域，也就是具有高亮特征的块和丰富纹理信息的块。找出的高亮特征的块用白色的矩形框标出，熵最高的块用黑色的矩形框标出。从图中可以看出，如果滑窗的尺寸过大，如50*50，则找出的高亮特征的块和熵最高的块均不是CME块，如果滑窗的尺寸过小，如5*5，则找出的候选CME块根本不是CME切割块。而在15*30的滑窗尺寸下，找出的两个候选块均为CME块。因此，滑窗的尺寸选定为15*30。

为了使分类器能检测出不同类型的CME。尽可能选择具备多样性的CME样本和非CME样本。选取2007年3月的图像资料，在其中取中具备各异性的CME和非CME切割块样本。首先，人工标定每一幅图像中是否具备CME，然后选取CME和非CME的切割样本块。(1)CME样本的选择。单幅CME图像选取CME样本块的过程如图3。首先,用大于15*30的尺寸H*W的滑窗去遍历发生CME的图像,找出候选CME的大尺寸的切割块，也即高亮的切割块(图3.b)和高熵(图3.d)的切割块,然后按照15*30的尺寸去切割H*W尺寸的两类候选CME块，两部分15*30的切割小块取并集，并去除掉其中不含CME的切割小块做为CME的切割块样本。所有的CME图像按照上述方法找出15*30的CME切割小块构成样本集。这部分样本表示为{SW₁,SW₂,…,SW_m}(2)无CME样本的选择。过程如下：从无CME的样本图像中任选20幅进行切割，切割尺寸为15*30。切割之后，从每幅图像的切割块中选出80个切割块组合起来做为无CME样本块的一部分。另外，人工挑选出含噪声的无CME图像并按照15*30的尺寸进行切割。人工挑选出含噪声的无CME的切割块做为样本的另一部分。这一部分样本表示为{SN₁,SN₂,…,SN_n}。有CME的切割块和无CME的切割块组合起来构成训练样本集，记为DS＝{SW₁,SW₂,…,SW_m,SN₁,SN₂,…,SN_n}。

b)基于ELM分类器的建立。

ELM算法包括三层:输入层、输出层和隐含层。假设L是隐含层中节点的个数，基于ELM的分类器算法的输入层和输出层设计如下：

输入层：样本集中样本的特征向量集X＝{X₁,X₂,…X_N}，其中X_i为第i个样本的特征向量。X_i可以表示为X_j＝[t_j1,t_j2,…,t_j52,g_j1,g_j2,g_j50]^T。

输出层：O＝{O₁,O₂,…O_N}。其中O是样本集DS中所有样本的分类标识集。如果DS_i是CME样本,则O_i=1，否则O_i=0。

隐节点的权重的计算过程如下：

i.随机生成向量W和偏置向量b。其中，W＝{W₁,W₂,…,W_L}，W_i＝[ω_i,1,ω_i,2,…ω_i,102]^T,W_i的维度为102。偏置向量b＝{b₁,b₂,…,b_L}。

ii.计算β。

单隐层神经网络可以表示为公式2，简写为向量的形式：公式3。

$\underset{i=1}{\overset{L}{\Sigma }}{\beta }_i.g(W_i.X_j+b_i)=t_j,j=1,...N---\left(2\right)$

Hβ＝T(3)

其中，g(x)是激活函数，是期望输出,t_i可以按公式(4)算出。

由公式(2-4)可以得出β的近似计算公式(5)。

$\hat{\beta }=H^{+}T---\left(5\right)$

其中，为β的近似值。H⁺是H的广义逆矩阵。

c)基于ELM的分类器检测CME的过程。

检测过程如下：用尺寸为15*30的滑窗按照步长s对图像进行遍历，遍历的过程中，计算滑窗内图像的特征向量，然后用b)得出的分类器对滑窗内图像进行CME的检测。如果遍历过程中只要存在滑窗内有CME产生，则整幅图像中有CME现象。

d)样本集的扩充

用基于ELM的分类器检测2007年3月份的图像，结果集中显示有错分的日冕观测图像。错分的原因有两个：其一为样本集中不存在类似错分图像的样本，其二是形如亮点和高线的噪声的影响。解决的方法为切割错分的样本,人工找出错分的切割块并把它们加入到训练样本集中。用扩充的样本集继续训练分类器并再测试同样的样本集发现检测的正确率有所提高。扩充样本及测试样本集的过程循环进行直至正确率不再提升。因为ELM的收敛速度快，通过扩充样本训练分类器的方法可行并可以提高检测的正确率。

结合基于时空连续性决策规则改进的算法

检测图像时，发现在CME检测出来的同时，噪声区域也被误判为CME区域。原因是噪声和CME在表象特征上极为相似。解决的方法为联系视频图像序列中CME的时空连续性去解决误判问题。方法如下：CME事件有一个从产生、发展至消亡的过程。表现在极坐标图像上，CME区域是从左向右延展的。CME起始阶段，CME区域一定在图像的最左边，而且在后续的图像帧中向右延展。可以得出，检测出的CME区域如果是孤立的区域，且不在挡板附近，并且追溯至前面的图像帧类似的位置或者其左方均无CME区域的话，则此孤立候选CME区域是噪声区域。根据此过程，设计基于时空连续性的决策规则如公式(6)所示：

在公式(6)中，R_i,j,t表示在t时刻的图像中中心为(i,j)的图像块的最终检测结果。如果图像块中有CME，则R_i,j,t为1，否则R_i,j,t为0。s为用滑窗遍历图像时的步长。O_i,j,t表示用决策规则之前t时刻分类器检测中心为(i,j)的图像块的分类结果，O_i,j,t为0如果图像块不是候选CME区域，否则O_i,j,t为1。通过利用基于时空连续性判定规则，可以解决大部分图像中噪声区域块的误判问题。

以上所述仅是本专利的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本专利技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本专利的保护范围。