一种全天相机云图的自动处理方法

使用全天相机拍摄云图是现在天文界广泛使用的监测天空云量的方法。云量的估算结果对望远镜观测有重要的影响,目前对云量的估算完全由人工处理,费时、费力而且准确度不够高,判别过程也完全依赖个人的经验。为此,提出一种针对全天相机云图的云量自动计算方法。首先针对多云和少云云图分别使用时间分割法和差分法去除云图中月亮影响区域;然后对去除月亮影响区域后的多云云图进行二值化处理,将云与背景进行分割,并使用基于灰度值的聚类算法对少云云图的云的厚薄进行量化分类;最后计算总云量,并依据30 m口径望远镜(Thirty Meters Telescope,TMT)判读全天相机云图的方法对云图进行自动分类。实验结果表明,该方法可提高云图判读效率,在有效解放人工的同时,也达到了平均值为76. 67%的识别准确率。     

基于卷积神经网络的全天空地基云图分类研究

全天相机拍摄的全天空地基云图能够实时反映当地的云量信息,而云量是天文选址首先考虑的因素之一。因此,对全天空地基云图根据图像质量、应用背景等因素进行自动化分类,实现鲁棒性高、适应性强的自动化分类算法,为天文选址提供重要帮助。基于雪龙号全天相机数据对卷积神经网络模型进行训练,并使用丽江观测站全天相机数据进行测试,取得了较好的应用效果,实现了可迁移性高的全天空地基云图自动化分类方法。     

丽江天文观测站全天相机介绍

全天相机作为一个对天文观测台站全天云量信息进行监视的工具,对天文观测的正常进行发挥着重要的作用,目前世界上主要天文台均配备有全天相机,为了满足对全天云量信息进行实时监视的需求,丽江天文观测站正式安装架设了一套全天相机系统。从硬件安装架设、软件调试到实际测试等方面,详细介绍了全天相机系统的设计方案以及遇到的问题,讨论了对问题的解决措施,重点介绍了根据天光亮度数值调整相机曝光时间的方法,这也是主要创新与特色之处。     

深圳市天文台全天云图监测系统的设计与实现

全天云图监测对天文观测至关重要,目前大多数天文台站安装了实时云图监测相机,但共同的难题是如何在光线变化较大的情况下进行正确曝光。为解决这一问题,深圳市天文台自行开发了一套拍摄控制系统,根据相机可用的拍摄参数,计算得到曝光值索引曲线,采用0.3作为曝光值误差,在亮度变化较大的各种环境下进行正确曝光拍摄全天云图,并采用最大类间方差自适应阈值算法,对云进行有效识别。经多次测试,系统在亮度变化较大较快的环境下能拍摄到正确曝光的云图,为天文观测计划提供了极大的便利。     

基于虚拟天文馆对全天相机姿态的精确测量

全天相机已广泛应用在气象、天文等领域,在监测云量、夜天光、流星时,需要准确掌握相机的姿态参数,特别是在安装和运维中造成的偏差。旨在开发一套基于虚拟天文馆的像场测量方法,通过比较参考恒星的虚拟坐标及其像点的实测坐标,高精度地测量相机的姿态参数。使用中国科学院云南天文台安置于四川无名山观测站的全天相机,分析了2016年至2017年获得的4组全天图像,采集了容量分别约为10、50、200的恒星样本,通过Stellarium虚拟天文馆获得了恒星的地平坐标,对全天相机像场的天顶位置、测者子午线方向等基本参数进行了精确的测量。主要结果为:(1)开发了一种基于虚拟天文馆计算恒星地平坐标功能的测量方法,使姿态测量建立在容量较大的参考恒星上,该方法准确度高,对设备配置的依赖性低,具有较强的可移植性;(2)采用网格法对图像天顶的定位达到了亚像素的精度,有望满足高精度定位监测的需要;(3)全天相机姿态精度的首要指标是光轴的竖直性,光轴偏离天顶对投影的轴对称造成不可忽略的影响;(4)维护作业对圆形像场几何参数的改变甚微,但可能改变指向和旋转角,并需要重新测量;(5)生成了符合制图惯例的可视化产品,为监测数据的深入分析奠定了基础。     

基于支持向量机的云图自动识别和提取方法

在时域天文研究中,中小口径光学望远镜的自动巡天是获取观测数据的重要来源.受台站观测条件影响,图像中会有云的干扰,给测光和暗弱目标的自动提取带来很大的困难.为此有必要对天文图像中的云进行识别和提取,建立云的指标图,为后续的信息提取提供参考.为了实现这一目标,建立了天文图像筛选系统,该系统将图像灰度不一致度与纹理差异作为图像的多维特征指标,并与支持向量机(Support Vector Machine,SVM)相结合,对有云的数据进行筛选.在筛选的基础上,利用直方图变换和特征提取,进一步提取了云的指标图.实验结果表明:纹理识别结合SVM对天文图像进行实时筛选,分类准确率大于98%.利用直方图变换和特征提取可以初步提取云的指标图,给测光和暗弱目标的提取提供参考.     

姚安天文观测站的夜间红外云量特征分析

云对天文观测具有重要影响,云量是衡量天文台址质量的重要指标.位于姚安天文观测站的红外云量仪,用于获取实时的全天高空间分辨率云图.结合空间碎片的实际观测,严格按照天文夜对累积1yr(2015-08-01—2016-07-31)的夜间云量数据进行统计和分析.姚安站的年平均夜间云量为4.42成,年天文可用夜为236个,其中测光夜98个,半测光夜44个,光谱夜94个.云量具有明显的两季特征:5月至10月间为雨季,云量显著增多,其中7月份观测条件最差;11月至次年4月为旱季,云量较少,每月的天文可用夜均在23个以上,其中1月份的测光夜最多,3月份的天文可用夜最多.结合云层对天文观测的威胁程度,统计不同云量的总时间和每月的云量分布情况,评估观测站的气象条件,为合理安排观测计划提供参考.     

全天相机云图去噪算法的研究

全天相机云图在天文观测领域具有重要价值,但云图所含噪声会造成不良影响。先后分析了星光噪声、月光噪声、日光噪声、雷电噪声、反光噪声和特殊噪声等对云图的影响,并总结出不同类型噪声的分布、区域大小等特点,最后结合与云层的相对位置关系提出了边界阈值法、时间轴法、反比例线性变换等8种图像处理去噪算法,并形成一个完整的去噪系统。通过实验对不同的算法加以比较,得出不同噪声情况下的最佳去噪方案。实验结果表明,该系统可以有效去除常见噪声,基本保持云层和天空的信息完整性,可简单便捷地实现云图去噪。     

基于能量集中度的广角望远镜自动调焦快速清晰度评价算法

地基广角相机阵由36个广角相机拼接组成,主要观测目标为光学瞬变源,具有超大视场、高时间采样率、实时数据处理的技术特点。实时自动调焦对于系统自动化观测与提高科学产出至关重要。自动调焦的核心目标为提高图像的能量集中度,目前常用评价指标如星像50%能量半径、点扩散函数的半高全宽均存在计算量过大的问题。基于地基广角相机阵调焦过程中星像中心区域能量变化大、星像总流量及分布范围基本不变这一点,提出了通过统计中心区域流量占星像总流量百分比的快速清晰度评价算法,并对两个流量孔径展开详细研究。进一步对算法中流量计算方法进行简化,细化了背景取值、选星标准、选星数目等对算法有影响的参数,最终确立了一套适用于地基广角相机阵系统实时自动调焦的清晰度评价算法。算法结果准确,单图运算时间在0.1 s左右,满足系统快速自动调焦的需求。     

基于Stacking集成学习的恒星/星系分类研究

机器学习在当今诸多领域已经取得了巨大的成功,但是机器学习的预测效果往往依赖于具体问题.集成学习通过综合多个基分类器来预测结果,因此,其适应各种场景的能力较强,分类准确率较高.基于斯隆数字巡天(Sloan Digital Sky Survey,SDSS)计划恒星/星系中最暗源星等集分类正确率低的问题,提出一种基于Stacking集成学习的恒星/星系分类算法.从SDSS-DR7(SDSS Data Release 7)中获取完整的测光数据集,并根据星等值划分为亮源星等集、暗源星等集和最暗源星等集.仅针对分类较为复杂且困难的最暗源星等集展开分类研究.首先,对最暗源星等集使用10折嵌套交叉验证,然后使用支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、XGBoost(eXtreme Gradient Boosting)等算法建立基分类器模型;使用梯度提升树(Gradient Boosting Decision Tree,GBDT)作为元分类器模型.最后,使用基于星系的分类正确率等指标,与功能树(Function Tree,FT)、SVM、RF、GBDT、XGBoost、堆叠降噪自编码(Stacked Denoising AutoEncoders,SDAE)、深度置信网络(Deep Belief Network,DBN)、深度感知决策树(Deep Perception Decision Tree,DPDT)等模型进行分类结果对比分析.实验结果表明,Stacking集成学习模型在最暗源星等集分类中要比FT算法的星系分类正确率提高了将近10%.同其他传统的机器学习算法、较强的提升算法、深度学习算法相比,Stacking集成学习模型也有较大的提升.     

全天相机在多设备巡天中的应用

天文观测站夜天空星像星等信息和天区分布信息可用于指导多设备巡天观测.建立全天相机监测系统(Monitoring all-sky system)对本地天区夜天空实时监测,获取的监测图像需要有效的方法进行处理以提取全天图像星像信息.由于全天图像视场大和高阶扭曲的影响,采用天顶等距投影与多项式函数组合的方法计算图像的底片常数.天文定位的均方根残差约为0.15个像素.通过对图像中亮星部分测光得到的星等差,改正大气消光误差.最后使用HEALPix (Hierarchical Equal Area isoLatitude Pixelation)方法实现天区划分和每个天区可观测极限星等值的存储.     

CMOS相机采集的激光测距图像处理方法研究

将CMOS相机应用于云南天文台53 cm双筒望远镜激光测距系统,使得空间目标测距回波率以及测距成功率得到大幅提升。在分析CMOS相机采集的数字图像信息的基础上,提出了优化的图像处理和激光光尖提取算法,有效实现了激光光尖的识别和目标质心坐标的提取。首先采用中值滤波和均值滤波对图像进行去噪声处理,然后使用最大类间方差法(Otsu)计算阈值对图像进行二值化以及选用Roberts算子进行边缘提取,最后采用最小二乘法进行直线拟合求解光尖坐标并计算其位置偏差。结果对进一步研究CMOS相机在53 cm双筒望远镜激光测距系统中的应用有重要意义。     

基于机器学习的日冕仪图像分类方法研究

日冕物质抛射(Coronal Mass Ejection, CME)的检测是建立CME事件库和实现对CME在行星际传播的预报的重要前提. 通过Visual Geometry Group (VGG) 16卷积神经网络方法对日冕仪图像进行自动分类. 基于大角度光谱日冕仪(Large Angle and Spectrometric Coronagraph Experiment, LASCO) C2的白光日冕仪图像, 根据是否观测到CME对图像进行标记. 将标记分类的数据集用于VGG模型的训练, 该模型在测试集分类的准确率达到92.5%. 根据检测得到的标签结果, 结合时空连续性规则, 消除了误判区域, 有效分类出CME图像序列. 与Coordinated Data Analysis Workshops (CDAW)人工事件库比较, 分类出的CME图像序列能够较完整地包含CME事件, 且对弱CME结构有较高的检测灵敏度. 未来先进天基太阳天文台(Advanced Space-based Solar Observatory, ASO-S)卫星的莱曼阿尔法太阳望远镜将搭载有白光日冕仪(Solar Corona Imager, SCI), 使用此分类方法将该仪器产生的日冕图像按有无CME分类. 含CME标签的图像将推送给中国的各空间天气预报中心, 对CME进行预警.     

基于数据仓库的星系光谱分类

大天区面积多目标光纤光谱天文望远镜(LAMOST)将被建成,会产生大量的星系光谱数据。根据天文数据的积累过程,我们设计基于数据仓库的星系光谱分类系统。文章首先介绍了星系光谱的特征,数据仓库的特点,在此基础上描述了建立基于数据仓库的星系光谱自动分类系统的步骤,并给出对该系统进行测试的结果。     

基于卷积神经网络的快速射电暴候选体分类

针对目前从海量的快速射电暴(Fast Radio Burst, FRB)候选体中人工筛选FRB事件难以为继的现状,提出了一种基于卷积神经网络(Convolutional Neural Networks, CNN)的FRB候选体分类方法.首先,通过真实的观测数据和仿真FRB组成训练和测试样本集.其次,建立了二输入的深度卷积神经网络模型,并对其进行训练、测试和优化,获取FRB候选体分类器.最后,利用来自脉冲星的单脉冲数据对该分类器的有效性和性能进行了验证.实验结果表明,该方法可以快速从大量候选体中准确识别出单脉冲事件,极大地提高了FRB候选体的处理速率和效率.     

Cassini ISS图像可测性分类的初步研究

Cassini的光学成像系统(Imaging Science Subsystem,ISS)拍摄了大量的土星及其卫星的图像,其中一部分可以用来做天体测量工作,但是需要人工挑拣出来,这是一项繁重的工作.研究目的是将这种工作自动化.为此,将卷积神经网络(Convolution Neural Network,CNN)与支持向量机(Support Vector Machine,SVM)结合起来,提出了一种ISS图像可测性分类系统.系统首先通过深度卷积网络提取ISS图像的特征描述子,然后使用SVM分类器根据图像的特征描述子对图像进行分类.对比了3种有代表性的深度卷积网络:CNN-F、CNN-M-128和Very Deep-19,实验结果表明:CNN-F卷积网络加SVM可以提供较好的分类结果,其分类准确率在97%以上.研究不仅可用于Cassini ISS图像的天体测量工作,也可以推广到其他空间探测项目的类似工作中.     

红外暗云G79.2+0.38的性质

对MSX红外暗云G79.2+0.38的11'×7'的区域范围进行了12CO(1-0)、13CO(1-0)和C18O(1-0)谱线的同时观测.观测到的两个C18O(1-0)谱线所界定的云核峰值分布分别对应MSX A波段的两块高消光区域.该区域的氢分子柱密度N(H2)-(5-12)×1022 cm-2,平均密度n-(3±1)×104cm-3.两块分子云核的13CO的线尺度分别是1.7和1.2 pc,而C18O的线尺度分别是1.2和0.6 pc,它们包含的质量为2×102-2×103M(?).分子云核的视向平均密度结构可用幂函数(?)(p)-p-0.34±0.02表征. 13CO和C18O的丰度和典型的光学暗云相比低了4至11倍,但是目前还没有证据表明13CO和C18O的相对丰度比X13/18随柱密度有显著变化.     

基于SVM的食双星光变曲线自动分类算法

提出一种基于机器学习的食双星光变曲线自动分类算法。首先对数据进行预处理,将食双星光变曲线数据归一化,并通过滤波/插值降低噪声;其次使用快速傅里叶变换提取频率信号作为特征向量;最后利用特征向量训练支持向量机获得自动分类模型。使用Python实现算法并抓取CALEB和GCVS数据验证,分析特征向量、支持向量机核函数与惩罚系数对分类正确率的影响,优化后所得分类模型正确率达到92.8%(训练集)和89.0%(测试集),最后使用所得分类模型对第3方数据进行分类,正确率为88.8%,结果证明提出的分类算法的有效性。     

基于光变曲线的空间碎片基本形状分类

将未编目的空间碎片正确分类是空间态势感知的重要组成部分. 基于光变曲线, 通过仿真和实测实验, 探讨了空间碎片基本类型的机器学习分类方法. 在数据集中的仿真光变来自形状或材料不同的4类碎片, 实测光变从Mini-Mega TORTORA (MMT)数据库中提取, 实验以深度神经网络作为分类模型, 并和其他机器学习方法进行了比较. 结果显示深度卷积网络优于其他算法, 在仿真实验中对不同材料的圆柱体都能准确识别, 对其余两类卫星的识别率在90%左右; 实测实验中对火箭体和失效卫星的2分类准确率超过99%, 然而在进一步的型号/平台分类中, 准确率有所降低.     

基于FPN-ViT的星系形态分类研究

随着人工智能技术的发展, 利用深度学习方法进行星系形态分类研究取得了较大进展, 但在分类精度、自动化及其星系的空间特征表示上仍然存在不足之处. Vision Transformer (ViT)模型目前在星系形态分类上具有较好的鲁棒性, 但是在处理多尺度图像时存在一定的局限性, 因此提出将特征金字塔(Feature Pyramid Networks, FPN)引入ViT模型(FPN-ViT)中进行星系形态的分类研究中. 结果表明: 基于FPN-ViT模型进行星系形态分类的平均准确率、精确率、召回率以及F1分数等各项评估指标均在95%以上, 与传统的ViT模型相比各项指标均有一定程度的提升. 同时, 在原始星系图像中加入不同程度的高斯噪声和椒盐噪声, 验证FPN-ViT模型对低信噪比数据也能获得较好的分类性能. 此外, 为了对模型进行综合评估, 采用t分布随机邻接嵌入(t-distributed Stohastic Neighbor Embedding, t-SNE)算法对分类结果进行了可视化分析, 能够更加直接地看出FPN-ViT模型对于星系形态分类的效果. 因此, 将FPN网络应用于ViT模型对星系形态的分类研究中是一种全新尝试, 对后续研究具有重要意义.