基于空时显著性的日冕物质抛射检测

日冕物质抛射(Coronal Mass Ejection, CME)是一种剧烈的太阳爆发现象, 它会对行星际空间造成严重扰动, 进而影响人类生产、生活. 基于CME的时空显著性, 将显著性检测方法引入到CME检测中, 利用结构化矩阵分解SOHO (Solar and Heliospheric Observatory)的大角度光谱日冕仪(Large Angle and Spectrometric Coronagraph Experiment, LASCO) C2的日冕图像对应的特征矩阵, 从中恢复出稀疏部分获得显著前景. 然后考虑CME运动时产生的时间显著性, 从而去除非CME结构(如冕流), 得到最终检测结果. 实验表明, 以人工目录协调数据分析中心(Coordinated Data Analysis Workshop, CDAW)检测结果为基准时, 所提方法不仅在检测CME数量上比计算机辅助跟踪软件包(Computer Aided CME Tracking Software package, CACTus)和太阳爆发事件检测系统(Solar Eruptive Event Detection System, SEEDS)有优势, 还在CME中心角度和张角宽度等特征物理参数测量上比CACTus和SEEDS更接近CDAW目录参考值.     

基于改进VNet太阳暗条检测方法

太阳暗条作为太阳大气磁场的示踪,对研究太阳磁场有极其重要的意义。针对现有的暗条检测方法存在检测精度不高,弱小暗条错检、漏检等问题,提出一种基于改进VNet网络的太阳暗条检测方法。首先,使用大熊湖天文台Hα全日面图像并结合磁图制作了太阳暗条数据集;其次,在VNet网络下采样部分采用Inception模块融合不同尺度特征图的特征,同时加入注意力机制增强特征图中暗条部分的语义信息;最后在上采样部分引入深度监督模块,更多地保留太阳暗条的细节特征。为验证算法性能,采用191幅Hα全日面图像数据集,其中包含暗条共3372条。算法在测试数据集上平均准确率达到0.9883,F1值达到0.8385。实验结果证明,该方法可以有效识别Hα全日面图中的暗条。     

基于盲退卷积的AIA图像增强方法

太阳图像中存在各种不同尺度、亮度和结构的物理活动现象,由于太阳日冕高动态活动和传感器设备等因素的影响,太阳图像成像质量不佳。根据太阳动力学天文台(Solar Dynamic Observatory,SDO)的大气成像仪(Atmospheric Imaging Assenbly,AIA)拍摄不同波段数据结构的动态范围大、噪声大、结构相对模糊等特点,提出一种基于盲退卷积的图像增强方法。首先对图像进行去噪和降低动态范围的处理,基于图像功率谱的分布假设,从原图中估计点扩散函数(Point Spread Function,PSF)的功率谱;然后使用相位提取算法恢复点扩散函数的相位,再退卷积得出较高质量的目标图像;最后通过轮廓切片分析、功率谱分析以及点扩散函数分析对增强结果进行定量和定性评价。实验结果表明,相比现有的图像增强方法,该方法在有效增强太阳日冕图像细节结构的同时,能够复原原图中因模糊无法识别的结构。     

基于独立成分分析的射频干扰信号消除方法

射电天文已成为人类研究宇宙的重要途径。但随着人类生产、生活的发展,射频干扰信号对射电天文观测的影响越来越严重,观测数据的好坏关系到科学成果的质量甚至结论的真伪。目前广泛采用基于阈值判断射频干扰,对干扰信号直接舍弃部分观测数据的方法。此类方法存在阈值确定困难、观测带宽和时间被缩减等问题。针对脉冲星观测射电信号中,各干扰信号及射电信号统计独立以及呈现出的非高斯性,利用独立成分分析对混合信号进行分解,并根据观测信号中脉冲星信号和干扰信号的分布特点识别脉冲星信号,实现干扰信号消除。使用该方法对云南天文台40 m射电望远镜接收到的脉冲星观测信号进行独立成分分析,分解出独立的射频干扰信号和脉冲星信号,消除射频干扰信号。独立成分分析法在干扰信号消除、射电信号保留及信噪比方面均取得良好效果。     

基于Faster R-CNN的日冕物质抛射检测方法

日冕物质抛射(Coronal Mass Ejection,CME)是一种强烈的太阳爆发现象,对空间天气和人类生活有巨大的影响,因此,日冕物质抛射检测对预报日冕物质抛射、保障人类的生产生活安全具有重要意义。现有的日冕物质抛射检测多采用人为定义特征和界定阈值等方法。由于人为定义特征不能准确表征日冕物质抛射且具有普适性的阈值难于选择,现有的方法对日冕物质抛射的检测效果有待提高。提出一种基于Faster R-CNN(Faster Region-based Convolutional Neural Networks)的日冕物质抛射检测算法。该方法首先结合CDAW(Coordinated Data Analysis Workshop Data Center),SEEDS(Solar Eruptive Even Detection System)和CACTus(Computer Aoded CME Tracking software package)3个著名的日冕物质抛射目录信息,人工标注了包含9113幅日冕图像的数据集,然后根据日冕物质抛射的图像特征较自然图像少、目标尺寸与自然图像有差异等特点,在特征提取和锚点选择方面对Faster R-CNN进行改进。以2007年6月的日冕物质抛射标注数据为测试集,本文算法检出了全部22个强日冕物质抛射事件和151个弱日冕物质抛射事件中的138个,对日冕物质抛射事件的中心角和角宽度等特征参数的检测误差分别在5°和10°以内。     

基于Demons配准的NVST太阳高分辨图像横向速度场测量

太阳高分辨图像中横向速度场的测量已经广泛应用于太阳光球、色球表面特征的动力学分析中,但依然存在测量精度不够的问题。详细介绍了Demons方法,并将其应用于1 m新真空太阳望远镜的高分辨观测资料处理中。首先选取不同观测时间间隔和代表光、色球不同波段的3个数据集作为测试样本,在测量到速度场后,通过与前一时刻图像进行非刚性配准并比较结构相似度评价速度场的测量精度。结果表明,Demons方法在小尺度运动的精细测定方面,明显优于传统的基于傅里叶变换的局部相关跟踪法和微分仿射速度估计方法。并且采用光球和色球图像的亚像素和超像素模拟位移实验表明,这一方法的逐点测量精度可以达到0.1像素量级。     

基于快速鲁棒性主成分分析的日冕喷流自动检测方法

使用快速鲁棒性主成分分析(Fast Robust Principal Component Analysis,Fast RPCA)方法对日冕序列图像中的日冕喷流活动进行检测。检测的基本思路是利用快速鲁棒性主成分分析方法中低秩和稀疏分解的思想与日冕序列图像中有着变化尺度稍小且占比较大的随机变化背景成分、变化尺度较大且占比较小的日冕喷流的特点相结合,实现随机复杂多变的动态背景和稀疏运动目标之间的分离,从而检出作为前景变化的日冕喷流。采用太阳动力学天文台(Solar Dynamics Observatory,SDO)卫星的大气成像仪(Atmospheric Imaging Assembly,AIA)两组不同时间段、不同波段、不同观测位置的日冕序列图像作为研究对象。研究内容主要包括日冕序列图像的预处理、日冕喷流检测、快速鲁棒性主成分分析方法与帧间差分法的检测结果对比分析。实验结果表明,与帧间差分法相比,快速鲁棒性主成分分析方法能够检出强度较弱的日冕喷流,且提高了日冕喷流检测的准确度。