多核学习算法及其在高光谱图像分类中的应用研究进展

多核学习算法在高光谱图像分类领域占据着十分重要的地位。与灰度图像、全色图像和多光谱图像等相比,高光谱图像因具有很强的分类识别能力等多方面优势而被广泛应用。为进一步提高高光谱图像的分类精度,促进多核学习算法在高光谱图像分类中的应用,本文对多核学习算法及其在高光谱图像分类中的应用进行了总结。首先在回顾核方法的基础上阐述了多核学习框架,其次对多核学习核函数组合方法进行综述,随后根据求解多核学习组合系数方法的不同将多核学习分为两类：固定规则的多核学习算法和基于优化的多核学习算法,并对两类多核学习算法在高光谱图像分类中的应用进行综述,总结各类算法在高光谱图像分类的应用进展。同时,为了便于研究者对多核学习算法及其在高光谱图像分类问题中的应用研究,本文对常用核函数和高光谱图像数据集进行了整理归纳。最后,讨论了多核学习算法在高光谱图像分类研究方面的不足,并对未来研究方向进行了展望,以期为该领域的研究和应用提供参考。     

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。     

基于自分类和颜色空间变换的遥感图像色彩校正方法

提出了一种基于遥感自动分类和lab 颜色空间变换的色彩校正方法, 并用此方法对不同时间的ETM遥感图像进行了多景色彩校正后的拼接实验。实验结果显示, 相对于重叠区域校正、直方图匹配等常规方法, 该方法能够很好地校正不同获取时间所导致的景间颜色、亮度差异, 提高遥感图像后续分类、变化检测的准确性以及多景遥感图像的拼接效果。