專利名稱：全天空極光圖像占空比參數(shù)的提取方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及特征提取和圖像分割，可用于復(fù)雜形態(tài)的極 光區(qū)域從天空背景區(qū)域的分割。
背景技術(shù)：
空間科學(xué)的研究重點在于了解近地球周圍環(huán)境的物理過程的語義，這些過程由太 陽風(fēng)等離子體、地球磁場和地球大氣層相互之間的復(fù)雜作用所引起。極光就是由太陽風(fēng)引 起的變化而帶來的能量所產(chǎn)生的主要現(xiàn)象之一，因此極光所引起的空間和時間上的變化在 很大程度上反映了太陽風(fēng)與地球磁場的變化，對極光的觀察成為了研究地球科學(xué)的重要基 礎(chǔ)。早期主要通過一些物理屬性，例如太陽風(fēng)速度、電子密度等對極光進行研究，實際上，除 了以上物理特征，極光在亮度、結(jié)構(gòu)等方面的變化也是極光研究的一個重要方面。隨著數(shù)字全天空攝像儀的出現(xiàn)，全天空極光圖像為極光現(xiàn)象的研究提供了新的研 究途徑。其中極光區(qū)域在全天空極光圖像所占面積的比例，即占空比成為極光研究的重要 參數(shù)。占空比參數(shù)在時間軸上的變化蘊含了極光變化的豐富信息，為了獲得極光的占空比 參數(shù)，首先要將極光區(qū)域從整個全天空圖像中分割出來。為了準(zhǔn)確的分割出極光區(qū)域，要對 極光的形態(tài)進行深入的分析，對不同形態(tài)的極光區(qū)域采用不同的分割方法。極光的形態(tài)與極光所屬類型密切相關(guān)，中國極地中心的科學(xué)家以日側(cè)冕狀極光為 研究重點，將極光分為四類多弧狀極光、熱點冕狀極光、輻射冕狀極光和帷幔冕狀極光。以 上四類極光主要呈現(xiàn)出以下三種形態(tài)·光斑狀該類極光只包含光帶或光斑，不含或幾乎不含光線，通常是弧狀和熱點 冕狀極光；·光線狀該類極光只包含光線，幾乎沒有光斑出現(xiàn)，通常以帷幔冕和輻射冕狀極 光為主；·混合形態(tài)該類極光不僅包含光斑還包含光線，多弧狀極光、熱點冕狀極光、帷幔 冕狀和輻射冕狀極光都有這種情況出現(xiàn)，在極光圖像中比較普遍。近年來圖像分割領(lǐng)域非?；钴S，有很多方法被提出并在相應(yīng)的領(lǐng)域獲得了良好的 分割效果，但在極光圖像的分割應(yīng)用上卻很少，這是因為極光在天空背景上是透明的、邊緣 模糊、形狀不規(guī)則，而且變化速度快且變化形式多樣，因此對極光的描述非常困難。在 1999 年，Syrjasuo 等人在文獻 “Μ. T. Syrjasuo, Τ. I. Pulkkinen. Determining theSkeletons of the Auroras. International Conference on Image Analysis and Processing, Venice, Italy pp. 1063-1066，1999. ”中為了勾畫極光的骨架，在預(yù)處理階段 使用Fuzzy logic的方法對具有明顯形狀的極光區(qū)域進行了分割，他們通過對極光邊緣的 提取從而將極光區(qū)域與背景天空區(qū)域分割開，這項技術(shù)要求極光區(qū)域要有明顯的邊緣，對 于具有明顯光斑和光帶的極光圖像，該方法的效果較好，但對于邊緣模糊的光斑尤其是沒 有明顯邊緣的極光光線部分，分割效果并不好。在 2004 年，Syrjasuo 等人在文獻“Μ. T. Syrjasuo, E. F. Donovan and L. L. Cogger.Content-based retrieval of auroral images—thousands of irregular shapes. InternationalConference on Visualization, Imaging, and Image Processing, Marbella，Spain，pp. 224-228,2004. ” 以及 2005 年在文獻“Μ· Τ· Syrjasuo，and Ε. F. Donovan. Using relevance feedbackin retrieving auroral images. International Conference on Computational Intelligence, CalgaryAlberta, Canada, pp. 420-425, 2005. ”中使用Isolable-contour map對一種亮度很高的特殊弧狀極光即南北走向弧狀極 光進行分割，并提取分割結(jié)果的邊緣特征該類極光的檢索。Isolable-contour map方法要 求被檢測區(qū)域要有明確的形狀，因此該方法適合有明顯形狀的且亮度較高的極光區(qū)域，對 于亮度較低、前景與背景沒有明顯區(qū)域差別的光斑以及很難描述形狀的光線區(qū)域，該方法 無法獲得理想的分割結(jié)果。綜上，已有的極光圖像分割方法主要存在以下兩個問題l)Fuzzy logic和Isolable-contour map適用于圖像中明顯光斑區(qū)域的分割，對 于邊緣模糊或沒有明顯形狀的光斑區(qū)域，由于無法提取其邊緣或形狀特征，無法實現(xiàn)精確 分割，導(dǎo)致光斑部分占空比參數(shù)不準(zhǔn)確，從而使整個極光區(qū)域占空比參數(shù)的產(chǎn)生誤差。2)現(xiàn)有的極光分割技術(shù)只考慮了亮度較高的光斑或光帶的分割，而多數(shù)極光是光 斑和光線的混合體，甚至有些極光的光線區(qū)域在整個極光區(qū)域中占很大比例，現(xiàn)有技術(shù)無 法實現(xiàn)光線區(qū)域的分割，從而導(dǎo)致極光光線區(qū)域分割的缺失，造成分割結(jié)果的不準(zhǔn)確，進而 導(dǎo)致占空比參數(shù)的不準(zhǔn)確。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述現(xiàn)有方法的不足，提出一種基于極光不同形態(tài)的全天 空極光圖像占空比參數(shù)的提取方法，以提高極光區(qū)域分割的準(zhǔn)確率，減少占空比參數(shù)的誤差。實現(xiàn)本發(fā)明的技術(shù)思路是首先采用改進的Otsu方法對光斑區(qū)域進行分割，得到 光斑區(qū)域分割結(jié)果，然后對圖像的光線區(qū)域進行分割，接著將上面兩部分的分割結(jié)果進行 組合形成極光整體區(qū)域的分割結(jié)果，最后計算極光區(qū)域在整個天空區(qū)域的比例得到極光占 空比參數(shù)，具體實現(xiàn)步驟如下(1)對數(shù)據(jù)庫中所有全天空極光圖像進行預(yù)處理將每一幅原始大小為512X512 的全天空極光圖像用半徑為220的圓形區(qū)域進行掩模，去掉周圍干擾燈光、山脈噪聲，掩模 成大小為440X440的掩模圖像，所有掩模圖像構(gòu)成掩模圖像集、；(2)輸入一幅掩模圖像IM，使用改進的Otsu方法對極光光斑區(qū)域進行分割，得到 光斑區(qū)域分割結(jié)果Rp ；(3)從掩模圖像集、中選擇100幅不含極光或幾乎不含極光的掩模圖像構(gòu)建紋理 閾值訓(xùn)練集&，使用自適應(yīng)局部二值模式ALBP特征向量提取算法，提取紋理閾值訓(xùn)練集& 中每一幅圖像的ALBP特征向量，構(gòu)成ALBP特征向量集A= {、}，其中α i表示紋理閾值 訓(xùn)練集&中第i幅掩模圖像的ALBP特征向量；(4)對紋理閾值訓(xùn)練集&的ALBP特征向量集A進行訓(xùn)練，得到參考向量R和紋理 分割閾值Z ；(5)將掩模圖像Im分割成大小為16X 16的圖像塊，構(gòu)成圖像塊集X = IxiJ，提取每一塊的ALBP特征向量，構(gòu)成ALBP特征向量集B = { β。」}，其中Xi, j表示掩模圖像Im中 第i行第j列的圖像塊，β 表示圖像塊Xy的ALBP特征向量；(6)計算ALBP特征向量β㈩與參考向量R的相似度Si,:
權(quán)利要求
1. 一種全天空極光圖像占空比參數(shù)的提取方法，包括如下步驟(1)對數(shù)據(jù)庫中所有全天空極光圖像進行預(yù)處理將每一幅原始大小為512X512的全 天空極光圖像用半徑為220的圓形區(qū)域進行掩模，去掉周圍干擾燈光、山脈噪聲，掩模成大 小為440X440的掩模圖像，所有掩模圖像構(gòu)成掩模圖像集、；(2)輸入一幅掩模圖像IM，使用改進的Otsu方法對極光光斑區(qū)域進行分割，得到光斑 區(qū)域分割結(jié)果&；(3)從掩模圖像集、中選擇100幅不含極光或幾乎不含極光的掩模圖像構(gòu)建紋理閾值 訓(xùn)練集&，使用自適應(yīng)局部二值模式ALBP特征向量提取算法，提取紋理閾值訓(xùn)練集&中每 一幅圖像的ALBP特征向量，構(gòu)成ALBP特征向量集A= {、}，其中α i表示紋理閾值訓(xùn)練 集&中第i幅掩模圖像的ALBP特征向量；(4)對紋理閾值訓(xùn)練集&的ALBP特征向量集A進行訓(xùn)練，得到參考向量R和紋理分割 閾值Z ；(5)將掩模圖像Im分割成大小為16X 16的圖像塊，構(gòu)成圖像塊集X = Ixi,」}，提取每 一塊的ALBP特征向量，構(gòu)成ALBP特征向量集B = { β “」}，其中Xi,」表示掩模圖像Im中第 i行第j列的圖像塊，β i,」表示圖像塊Xi,」的ALBP特征向量；(6)計算ALBP特征向量與參考向量R的相似度Si,j:
2.根據(jù)權(quán)利要求1所述的全天空極光圖像占空比參數(shù)的提取方法，其中步驟(2)所述 的使用改進的Otsu方法對極光光斑區(qū)域進行分割，按如下步驟進行(2a)只保留掩模圖像Im中圓形區(qū)域Rm，計算該圓形區(qū)域內(nèi)像素總數(shù)
3.根據(jù)權(quán)利1所述的全天空極光圖像占空比參數(shù)的提取方法，其中步驟(3)所述的使 用自適應(yīng)局部二值模式ALBP特征向量提取算法，提取紋理閾值訓(xùn)練集&中每一幅圖像的 ALBP特征向量，按如下步驟進行(3a)構(gòu)建主要概率模式集P:首先，從掩模圖像集、中選擇100幅含有大量光線區(qū)域的掩模圖像構(gòu)成特征訓(xùn)練集&，對特征訓(xùn)練集&中每一幅掩模圖像提取旋轉(zhuǎn)不變LBP特征；其次，將特征訓(xùn)練集&中所有掩模圖像的旋轉(zhuǎn)不變LBP特征向量取均值，得到平均旋 轉(zhuǎn)不變LBP特征向量V;最后，按照模式發(fā)生概率從大到小的順序，對平均旋轉(zhuǎn)不變LBP特征向量V進行排序得 到排序后的平均旋轉(zhuǎn)不變LBP特征向量V'，選擇該向量V'中前C個模式，這C個模式的 概率值之和Sum滿足大于或等于90 %，用這C個模式組成主要概率模式集P ；(3b)對于輸入的掩模圖像I，提取I的旋轉(zhuǎn)不變LBP特征向量ι·Μ，根據(jù)主要概率模式集 P，保留Α中與其對應(yīng)的C個模式及其概率值，即為掩模圖像I的ALBP特征向量。
4.根據(jù)權(quán)利1所述的全天空極光圖像占空比參數(shù)的提取方法，其中步驟⑷所述的對 紋理閾值訓(xùn)練集&的ALBP特征向量集A進行訓(xùn)練，按如下步驟進行(4a)提取紋理閾值訓(xùn)練集&中每幅掩模圖像的ALBP特征α ,,并對該訓(xùn)練集&中掩 模圖像的ALBP特征求平均值，得到參考向量R
全文摘要
本發(fā)明公開了一種全天空極光圖像占空比參數(shù)的提取方法，主要解決現(xiàn)有技術(shù)只能對具有明顯形狀和邊界的光斑進行分割導(dǎo)致占空比參數(shù)誤差較大的缺陷。其特定是根據(jù)極光在天空所呈現(xiàn)的不同形態(tài)采用相應(yīng)分割方法，即首先對全天空極光圖像進行預(yù)處理；然后確定光斑區(qū)域最優(yōu)分割閾值，對光斑區(qū)域進行分割；接著根據(jù)光線區(qū)域與背景天空區(qū)域紋理結(jié)構(gòu)的差異，對光線區(qū)域進行分割；最后根據(jù)光斑和光線區(qū)域的分割結(jié)果，計算占空比參數(shù)。本發(fā)明通過灰度特征確定光斑分割閾值，對無明顯形狀或邊界的光斑也能精確分割，并根據(jù)紋理特征實現(xiàn)光線區(qū)域的成功分割，有效降低了占空比參數(shù)的誤差，可用于復(fù)雜形態(tài)的極光區(qū)域從天空背景區(qū)域的分割。
文檔編號G06K9/80GK102129576SQ20111004707
公開日2011年7月20日 申請日期2011年2月28日 優(yōu)先權(quán)日2011年2月28日
發(fā)明者付蓉, 李潔, 楊曦, 王斌, 王秀美, 王穎, 田春娜, 簡擁軍, 鄧成, 高新波 申請人:西安電子科技大學(xué)