天文信息自動處理及目標檢測的研究.pdf

1、宇宙的形成、發(fā)展和演化是人類永恒的研究課題。宇宙包含了所有的空間、時間、物質和能量。對于宇宙的研究水平，標志著一個國家在科技發(fā)展中的位置，對自然科學的眾多學科有著特殊的重要意義，也是當代科學技術，特別是尖端空間技術發(fā)展的巨大推動力。
　　 天文學研究的途徑在光學波段主要有兩種：天體光譜和天文圖像。前者是一維數據，后者是二維數據，二者之間聯(lián)系密切。光譜分析可以定性或定量地測定天體的化學組成，通過直接或間接的方法確定天體的光度、表面

2、溫度、直徑、質量、視向速度及自轉。因此，光譜分析在天文學中占有重要的地位。對天文圖像的分析是另一種研究宇宙天體的途徑。利用天文圖像可以對天體目標的形態(tài)結構信息，包括天體的年齡、狀態(tài)、演變趨勢等進行研究，為天文目標觀測與研究提供重要的技術支持。
　　 國家大科學項目LAMOST(Large Sky Area Multi-Object Fiber SpectroscopicTelescope)于1997年正式立項，2009年6月通過

3、國家驗收，并逐步投入運行。它具有4米口徑，可以觀測到20.5星等的暗弱天體。在5度視場上可以放置4000根光纖，最多可以同時獲得4000個天體的光譜，成為世界上光譜獲取率最高的望遠鏡。LAMOST的觀測目標是宇宙中星系與恒星。隨著LAMOST的運行，在每個觀測夜晚都能夠采集萬余條光譜，得到的光譜數據量是數十億字節(jié)。因此，在光譜數據的自動識別和分析方面，急需研究海量天體光譜的自動識別與分析方法，包括天體光譜的自動識別、分類以及物理參數自動

4、測量等。
　　 山東大學威海天文臺WOSDU(Weihai Observatory of Shandong University)用于搜尋太陽系小行星和超新星巡天。每天會產生大量的天文圖像數據。以小行星搜索為例，每天都會拍攝大量的天文圖像，圖像尺寸為2048×2048×16bit，數據量為8M。要發(fā)現新的小行星，首先要在圖像中快速檢測各個星體，然后根據圖像坐標換算成天球坐標，再在星表中進行比對。若發(fā)現星表里不存在，則將其作為候選

5、體繼續(xù)追蹤觀測，并計算出相應軌道，以便確認是否是新的小行星。由于天文圖像數量很大，這一流程涉及到大量的處理工作，而天體目標檢測就是一個重要的步驟。圖像識別中，準確度和速度成為主要的指標。如何快速有效地識別圖像中的天體便成為我們研究的一個課題。由此可見，海量天文圖像的快速及有效的處理，向計算機信息技術提出了迫切的需求，同時，天文數據所具有的海量性和開放性也為計算機信息技術展開了一個重要的研究和應用領域。對這些海量數據及時有效的處理，需要借

6、助于圖像處理、數據挖掘、信號處理等多項現代信息處理技術。
　　 本課題利用數據挖掘、圖像處理、人工智能、信號處理等先進的信息技術，在國家自然基金項目的支持下，以LAMOST與WOSDU的天文數據為研究和應用背景，針對天文數據的預處理、天文圖像的目標檢測、高維天體光譜數據的自動分類、稀少天體的數據挖掘等若干關鍵問題展開研究，設計和驗證了一系列有效的算法，并開發(fā)出可供LAMOST使用的天體光譜自動識別與分析系統(tǒng)。本研究屬于天文和信息

7、交叉學科的研究，是將最新的計算機信息技術在天文領域的一項具體的應用，以期在天文研究中取得新的科學成果。因此，本課題的研究具有非常好的理論和應用價值。
　　 本課題研究的內容包括四個方面：(1)天文數據預處理及發(fā)射線識別；(2)圖像的目標檢測；(3)天文光譜的自動分類；(4)稀少天體的數據挖掘。
　　 針對上述關鍵問題，開展了如下的研究和創(chuàng)新工作：
　　 首先是天文光譜去噪的研究。通過望遠鏡觀測到的一維光譜數據在探

8、測階段因噪聲而受到影響，導致信噪比降低，因而去噪工作非常重要。作為信號估計的一個組成部分，去噪問題一直在信號處理領域被廣泛研究。信號降噪的目的是從被加性噪聲污染的信號中還原原始信號。在過去的二十多年中，許多研究集中在使用小波變換去除噪聲。已經提出了許多基于正交小波的閾值規(guī)則。然而，正如Coifman和Donoho指出的，基于正交小波的去噪算法在不連續(xù)信號的鄰域中會表現出偽吉布斯現象。因此他們提出了一種平移不變的降噪模式來減少這種影響。另

9、外，就均方根誤差和信噪比而言，相對于非冗余的信號表示，冗余的信號表示顯示了相當好的優(yōu)越性。因此，這種平移不變的冗余轉變是非常適合于光譜信號的降噪的。Kingsbury提出的雙樹復小波變換是冗余而且近似于平移不變的。本文提出一種基于雙樹復小波變換(DTCWT)的光譜降噪算法，該算法處理的光譜具有更高的信噪比和光譜質量。針對天文光譜的預處理，本文研究了基于雙樹復小波變換的自適應降噪方法。該方法利用最大后驗估計理論來對復小波系數進行自適應收縮

10、，在保護譜線等重要信息的前提下，抑制噪聲和偽吉布斯現象，提高去噪算法運行效率，為光譜的后續(xù)處理提供了有效的工具。此外，我們還進行了具有發(fā)射線恒星的自動檢測研究。恒星光譜一般具有明顯的吸收線或者吸收帶特征，而具有發(fā)射線的恒星光譜對應著特殊類型的恒星，如激變變星、Herbig Ae/Be等。對這些光譜的后續(xù)研究有著重要的意義。本文提出了一種能夠自動識別發(fā)射線恒星光譜的方法。該方法首先對光譜進行連續(xù)譜歸一化，然后通過比較譜線對應的流量及其鄰域

11、流量的均值和標準差，來判斷是否存在發(fā)射線。對SDSS DR8大樣本數據的實驗表明，該方法能夠完整、準確地識別發(fā)射線恒星。而且，由于該方法不涉及復雜的變換和運算，因而識別速度非常快，可用于諸如LAMOST、SDSS這樣大型光譜巡天項目中發(fā)現發(fā)射線恒星光譜。
　　 其次，是天體目標的檢測。在天文研究中，通過天體觀測而得到的CCD圖像(Charge Coupled Device，電荷耦合器件)通常以FITS文件(Flexible Im

12、ageTransport System)格式存儲。每幅圖像都很大，可以達到8M或更大。此外，通過連續(xù)觀測而得到的這類圖像的數量又是非常大的，因此如何對這些圖像進行實時的處理是非常重要的，也是具有挑戰(zhàn)性的。而天體的檢測又是天文圖像處理的一個重要步驟。本文設計并實現了基于空域的天文圖像目標檢測方法。利用遞歸方式，設計并實現了掃描加速器。實驗表明，該算法大大提高了目標檢測速度，實現了對目標的快速準確的檢測并可獲得目標的多個參數，同時建立了天球

13、三維模型，可以根據指定天區(qū)，對滿足一定條件的恒星從星表數據庫中進行檢索，然后在三維天球坐標系中形象地顯示其分布，實現了星表查詢結果的三維可視化。
　　 再次，對于高維光譜數據分類研究。隨機森林是一種高效、穩(wěn)定的算法，和其他算法相比在效率和準確率上具有一定的優(yōu)勢。隨機森林中計算效率和準確率，受樹的個數和隨機屬性的個數影響。在保證訓練時間和準確率的情況下，選擇適當的閾值，可以使訓練時間最短準確率最高。合適的樹的個數閾值會在保證準確率

14、的基礎上，使訓練時間最短；而合適的隨機屬性的個數會使得訓練的時間最短。而閾值是和數據相關的，閾值選取的好壞直接影響效率和準確率。本文提出了利用遺傳算法優(yōu)化隨機森林分類參數的模式。利用該模式可以快速地確定隨機森林進行光譜分類時所需的關鍵參數，從而改變了傳統(tǒng)單純憑經驗設定隨機森林分類參數的方式，提高了分類算法的自動化和智能化程度，提高了分類準確率，減少了分類器訓練時間。
　　 最后，針對激變變星的搜尋，提出了利用PCA降維與BP人工

15、神經網絡相結合的稀少天體的數據挖掘方法。利用PCA降維，大大減少了高維光譜數據的維度空間，然后利用BP人工神經網絡進行篩選，提高了激變變星搜尋的準確率，減少了模型訓練時間。實驗證明，該方法對于發(fā)現特殊天體是行之有效的。該方法不僅對激變變星適用，對于其它類別的特殊天體也是適用的。該方法可極大地減少人工處理的工作強度和時間。由于速度快，基本可滿足LAMOST光譜數據的準實時處理。如果具備并行數據處理環(huán)境，還可以使數據的輸入、降維、挖掘等操作