基于動(dòng)態(tài)紋理模型的極光影像分類(lèi)算法研究.pdf

1、極光形態(tài)與行星際磁場(chǎng)及太陽(yáng)風(fēng)等空間物理過(guò)程密切相關(guān)，通過(guò)研究極光形態(tài)可以獲得大量地球磁層和太陽(yáng)風(fēng)活動(dòng)的信息。由于不同的極光形態(tài)對(duì)應(yīng)不同的物理發(fā)生機(jī)制，因此極光影像數(shù)據(jù)的分類(lèi)是極光科學(xué)研究中的一個(gè)關(guān)鍵問(wèn)題。隨著海量極光影像的產(chǎn)生，如何借助計(jì)算機(jī)實(shí)現(xiàn)對(duì)極光圖像序列的自動(dòng)分類(lèi)識(shí)別成為研究熱點(diǎn)?；诖?，本論文對(duì)極光影像分類(lèi)算法展開(kāi)詳細(xì)的分析與研究。
　　針對(duì)極光圖像的特征提取和分類(lèi)，本文提出了基于顯著圖優(yōu)選訓(xùn)練樣本的卷積自動(dòng)編碼網(wǎng)絡(luò)（S-

2、CAE）。算法先對(duì)圖像進(jìn)行顯著性分析，根據(jù)其顯著圖提取訓(xùn)練樣本并對(duì)自動(dòng)編碼器（AE）網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用得到的特征作為卷積濾波器構(gòu)建卷積網(wǎng)絡(luò)，提取極光圖像深度特征，最后將提取到的特征訓(xùn)練softmax分類(lèi)器實(shí)現(xiàn)分類(lèi)。該方法避免了訓(xùn)練大型神經(jīng)網(wǎng)絡(luò)耗時(shí)耗力、對(duì)計(jì)算硬件要求高等問(wèn)題。實(shí)驗(yàn)結(jié)果表明該模型對(duì)于單幀極光圖像具有較好的特征提取能力，能夠獲得較好的分類(lèi)結(jié)果。
　　極光序列對(duì)極光影像的分析更具實(shí)際意義，因此本文提出一種基于動(dòng)態(tài)紋理模型的

3、極光序列分類(lèi)算法，并利用奇異值分解對(duì)模型參數(shù)進(jìn)行求解，最后利用模型參數(shù)的馬丁距離來(lái)衡量圖像序列的差異性，實(shí)現(xiàn)極光序列的自動(dòng)分類(lèi)識(shí)別。為了進(jìn)一步提高模型緊湊度和計(jì)算效率，將張量分解引入模型求解，提高了分類(lèi)準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明動(dòng)態(tài)紋理模型能夠有效地描述極光序列的動(dòng)態(tài)特征，從而獲取較高的分類(lèi)準(zhǔn)確率。
　　極光是一個(gè)連續(xù)發(fā)生的過(guò)程，單純考慮其靜態(tài)特性和動(dòng)態(tài)特性都是不全面的。因此，本文進(jìn)一步對(duì)極光動(dòng)態(tài)紋理模型進(jìn)行改進(jìn)，用單幀圖像特征代替原始