【摘要】：隨著日冕觀測技術(shù)的不斷成熟,觀測圖像中日冕物質(zhì)拋射(Coronal Mass Ejection, CME)的準(zhǔn)確探測與提取具有非常重要的意義。CME爆發(fā)可以看為一種動態(tài)背景下的運(yùn)動目標(biāo)檢測,而背景建模是其關(guān)鍵。傳統(tǒng)的中值與均值背景法只能提取穩(wěn)定的背景,而幀間差分法提取的前景準(zhǔn)確率比較低。本文采用自適應(yīng)混合高斯背景差分法對日冕物質(zhì)拋射進(jìn)行提取。根據(jù)改進(jìn)的自適應(yīng)混合高斯算法,在較為穩(wěn)定的日心極坐標(biāo)下,建立日冕序列圖像的動態(tài)背景,并用原始圖像減去動態(tài)背景的結(jié)果做為前景,從而探測CME。本工作采用歐洲航天局的SOHO衛(wèi)星搭載的“大視角分光日冕儀”觀測的2組日冕序列圖像做為實驗對象,具體工作內(nèi)容包括如下幾個方面：(1)預(yù)處理方法的研究：包括對日冕序列圖像的降噪、圖像的標(biāo)準(zhǔn)化、將圖像從笛卡爾坐標(biāo)轉(zhuǎn)換到極坐標(biāo)等。(2)對傳統(tǒng)混合高斯背景模型的改進(jìn)：與傳統(tǒng)的混合高斯模型相比,我們對其初始化方法進(jìn)行改進(jìn),用最大期望算法對權(quán)值等參數(shù)進(jìn)行優(yōu)化,并且通過對方差和均值的分析,用自適應(yīng)學(xué)習(xí)率對序列圖像中的每一個像素動態(tài)更新。經(jīng)過改進(jìn)的自適應(yīng)混合高斯背景模型能夠準(zhǔn)確的探測運(yùn)動目標(biāo)CME。通過對CME的聯(lián)通性分析、孔洞填充以及用大津法閾值對二值圖像進(jìn)行分割,最后提取CME。(3)實驗的對比和討論：為了驗證算法的準(zhǔn)確性與有效性,以標(biāo)準(zhǔn)的人工探測目錄列表為基準(zhǔn),用基于幀間差分的兩種經(jīng)典CME探測算法(CACTus和SEEDS)和我們的自適應(yīng)混合高斯背景模型差分法對比。我們認(rèn)為采用自適應(yīng)混合高斯背景差分法探測CME是有一定優(yōu)勢的。它不僅能探測到標(biāo)準(zhǔn)目錄列出的全部CME,還能識別CDAW探測不到的強(qiáng)度弱和張角小的運(yùn)動物質(zhì)(如冕流等),且探測數(shù)量多于CACTus和SEEDS探測算法。與對運(yùn)動目標(biāo)的手動探測方式相比,自動探測方法對CME的探測更為快速、準(zhǔn)確,而自適應(yīng)混合高斯背景差分法與其他的自動探測算法相比,其探測率較高、能有效的實現(xiàn)運(yùn)動目標(biāo)的檢測。但這種方法也有一定的誤檢,會將一些冕流作為CME檢出。
[Abstract]:With the development of coronal observation technology, it is very important to detect and extract coronal mass ejection (Coronal Mass Ejection, CME) accurately from observed images. CME burst can be regarded as a kind of moving target detection under dynamic background. Background modeling is the key. The traditional median and mean background method can only extract stable background, but the foreground accuracy of inter-frame difference method is low. In this paper, the adaptive mixed Gao Si background difference method is used to extract coronal mass ejections. According to the improved adaptive hybrid Gao Si algorithm, under the stable heliocentric polar coordinates, the dynamic background of the coronal sequence image is established, and the result of subtracting the dynamic background from the original image is used as the foreground to detect the CME.. In this work, two sets of coronal sequence images from the SOHO satellite of the European Space Agency (ESA) were used as experimental objects. The specific work includes the following aspects: (1) the research of preprocessing methods: including the de-noising of coronal sequence images and the standardization of images. The image is transformed from Cartesian coordinates to polar coordinates, etc. (2) the improvement of the traditional mixed Gao Si background model: compared with the traditional mixed Gao Si model, we improve its initialization method. The maximum expectation algorithm is used to optimize the weights and other parameters, and the adaptive learning rate is used to dynamically update every pixel in the sequence image through the analysis of the difference and the mean value. The improved adaptive hybrid Gao Si background model can accurately detect the moving target CME.. By analyzing the connectivity of CME, filling holes and segmenting binary images with the threshold of large-scale method, finally, comparing and discussing the experiment of extracting CME. (3): in order to verify the accuracy and validity of the algorithm, Two classical CME detection algorithms (CACTus and SEEDS) based on inter-frame difference are compared with our adaptive hybrid Gao Si background model difference method based on the standard manual probe catalog list. We think that the adaptive hybrid Gao Si background difference method has some advantages in detecting CME. It can not only detect all the CME, listed in the standard catalog, but also recognize the weak intensity and small angle of motion (such as coronal stream) that CDAW cannot detect, and the number of detection is more than that of CACTus and SEEDS detection algorithms. Compared with the manual detection of moving targets, the automatic detection method for CME detection is faster and more accurate, while the adaptive mixed Gao Si background difference method has a higher detection rate than other automatic detection algorithms. Can effectively achieve the detection of moving objects. But this method also has a certain error detection, some coronal stream will be detected as CME.
【學(xué)位授予單位】：昆明理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：P182.62;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 董小舒;陳崗;卞志國;;一種改進(jìn)的基于混合高斯模型的運(yùn)動目標(biāo)檢測方法[J];應(yīng)用光學(xué);2012年05期

2 魏曉慧;李良福;錢鈞;;基于混合高斯模型的運(yùn)動目標(biāo)檢測方法研究[J];應(yīng)用光學(xué);2010年04期

3 姚會;蘇松志;王麗;李紹滋;;基于改進(jìn)的混合高斯模型的運(yùn)動目標(biāo)檢測方法[J];廈門大學(xué)學(xué)報(自然科學(xué)版);2008年04期

4 甘小勇;孫旭;;一種基于混合高斯模型的運(yùn)動陰影去除算法[J];桂林理工大學(xué)學(xué)報;2014年01期

5 賈河江;李一兵;候新彤;;混合高斯模型中基于背景補(bǔ)償?shù)年幱耙种芠J];四川兵工學(xué)報;2010年07期

6 李凌;李一平;;一種基于輪廓和混合高斯模型的運(yùn)動車輛視頻檢測方法[J];吉林師范大學(xué)學(xué)報(自然科學(xué)版);2013年04期

7 陳超;姜鑫;沙基昌;;基于混合高斯模型的指標(biāo)優(yōu)化方法[J];數(shù)學(xué)的實踐與認(rèn)識;2011年15期

8 賈俊濤;;基于混合高斯模型的紅外圖像自適應(yīng)校正算法[J];應(yīng)用光學(xué);2014年04期

9 史露;朱星宇;東方;;基于DM642的混合高斯模型運(yùn)動目標(biāo)檢測系統(tǒng)設(shè)計與實現(xiàn)[J];中國科技信息;2012年06期

10 劉遠(yuǎn)軍;楊勝;雷海龍;;一種改進(jìn)的運(yùn)動目標(biāo)檢測[J];邵陽學(xué)院學(xué)報(自然科學(xué)版);2010年01期

相關(guān)會議論文 前4條

1 劉昊;趙龍;;基于改進(jìn)混合高斯模型的運(yùn)動目標(biāo)檢測算法[A];2011年中國智能自動化學(xué)術(shù)會議論文集（第一分冊）[C];2011年

2 李瑩;顧宏斌;;運(yùn)動目標(biāo)檢測方法的比較[A];2008通信理論與技術(shù)新發(fā)展——第十三屆全國青年通信學(xué)術(shù)會議論文集（下）[C];2008年

3 曹志剛;李宇成;;運(yùn)動目標(biāo)的前景與背景實時分割[A];全國冶金自動化信息網(wǎng)2010年年會論文集[C];2010年

4 陳丹;張峗;曾虹;李二濤;;基于視頻的智能交通信息檢測算法的研究[A];浙江省電子學(xué)會2008年學(xué)術(shù)年會論文集[C];2008年

相關(guān)碩士學(xué)位論文 前10條

1 王麗;基于改進(jìn)混合高斯模型的運(yùn)動車輛檢測技術(shù)[D];華南理工大學(xué);2015年

2 張志華;融合空時顯著性的運(yùn)動目標(biāo)檢測研究[D];昆明理工大學(xué);2015年

3 黃海濤;復(fù)雜背景下運(yùn)動目標(biāo)檢測的算法研究與應(yīng)用[D];福建師范大學(xué);2015年

4 劉聽政;智能視頻監(jiān)控中運(yùn)動目標(biāo)檢測與跟蹤算法研究[D];中國礦業(yè)大學(xué);2015年

5 高秀秀;車輛的實時檢測與跟蹤技術(shù)的研究[D];電子科技大學(xué);2014年

6 黃玉;基于改進(jìn)混合高斯模型的前景檢測算法研究[D];長沙理工大學(xué);2014年

7 葉洪雨;基于混合高斯模型的腦—機(jī)接口系統(tǒng)腦電信號的分類研究[D];哈爾濱師范大學(xué);2015年

8 張燕杰;基于混合高斯模型的聚類分析[D];華中科技大學(xué);2014年

9 趙然;基于安卓的目標(biāo)檢測與跟蹤的研究[D];內(nèi)蒙古大學(xué);2016年

10 曾丹丹;基于混合高斯模型的日冕物質(zhì)拋射探測方法研究[D];昆明理工大學(xué);2016年

，

本文編號：2452252