基于机器学习的全天空极光图像分类与割方法研究
发布时间：2020-06-19 01:17
【摘要】：极光是一种出现在地球南北两极高纬度地区绚丽多彩的发光现象,是极区日地物理过程(特别是磁层-电离层相互作用)的最集中的表现形式。通过对极光的长期观测和研究,有助于人们分析极光的发生机制和理解极光快速复杂的演变过程,对研究地球磁场变化和日地空间电磁活动有着非常重要的意义。我国每年通过光学成像仪采集的全天空极光图像数以百万,仅用人眼去观察海量极光图像的方式显得尤为繁重。因此,如何对这些海量的极光图像进行高效、准确地分类和分割是极光研究领域的重要课题。本文针对极光图像的特点分别提出了一种极光图像自动分类方法和一种弱监督极光图像自动分割策略。在极光图像自动分类方法研究中,本文将空间转换网络(Spatial Transformer Networks,STN)与卷积神经网络(Convolutionalneuralnetwork,CNN)结合,为了使网络模型在训练过程中可以自适应对极光图像进行空间变换;采用Large-margin softmax(L-softmax)损失函数对分类模型监督优化,使得同属于一类极光类型之间的类内距离越来越小,不属于同一类极光类型之间的类间距离越来越大。本文利用2003-2009年北极黄河站越冬观测的10184幅全天空极光图像进行了分类实验,通过特征可视化分析和准确率比较,实验结果显示,本文提出的方法表征能力更强,分类准确率更高。在弱监督极光图像自动分割策略研究中,本文将全卷积神经网络作为基础网络架构,通过传统机器学习种子区域生长算法(Seeded Region Growing,SRG)生成数据标签,极大解决了深度学习图像分割网络人工标注数据难的压力。首先利用简单单弧状极光图像训练一个初始分割模型Model1,然后基于该模型,结合热点状和复杂多弧状极光图像获得一个增强的分割模型Mode12,最后对分割结果做进一步优化。本文利用2003-2007年北极黄河站越冬观测的2715幅全天空极光图像进行了分割实验,并和最新论文结果及人工标签进行了定性和定量比较,其中分割结果与人工标签的“交并比”高达60%,证明了本文训练策略的有效性。
【学位授予单位】：陕西师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP181;P353.6
【图文】：
逦陕西师范大学硕士学位论文逦逡逑站极光全天空光学成像系统［２］，其中北极黄河站的光学成像系统可以对４２７．８ｎｍ、逡逑５５７．７ｎｍ和６３０．０ｎｍ三个波段的极光同步进行全天空观测，如图ｌ－ｌ（ａ）所示，该观逡逑测系统为我国极光研究学者提供了丰富可靠的极光图像数据，极大促进了我国对逡逑极光的研究进程。２００９年底我国又用四台极光ＣＣＤ成像仪对南极中山站安装的极逡逑光全天空成像仪（Ａｌｌ－ｓｋｙ邋ｉｍａｇｅｒ，邋ＡＳＩ）进行了升级改造，可以同时观测１８０°，４７°，逡逑１９°和８°等多波段、多视野范围内的极光结构，如图ｌ－ｌ（ｂ）所示（图中黄色圆圈分逡逑别表示右边相邻极光图像的视野范围在当前图像中的位置），这一升级改造也标志逡逑着我国在极光观测领域的研究中己取得了长足的进步。另外，我国的黄河站和中山逡逑站因地处同一条磁力线两端附近，具有非常好的共轭条件，这使得我国在极光共轭逡逑观测及相关研究方面具有得天独厚的优势。本文对全天空极光图像的分类和分割逡逑研究是来自测逦的。逡逑
（Ｒｅｓｉｄｕａｌ邋Ｃｏｎｎｅｃｔｉｏｎ）进行了融合，进一步提高了整个网络模型的训练速度。２０１５逡逑年，何恺明等人［２５］提出了邋ＲｅｓＮｅｔ网络架构，该网络设计了一种残差连接，其主要逡逑是利用恒等映射思想，将原始需要学习的函数Ｈ（ｘ）转换成Ｆ0ｃ；）邋＋邋；ｃ，如图２－１所逡逑示，该残差连接不仅解决了因网络深度而导致的网络性能退化问题，极大解决了深逡逑层网络难于训练的问题。更重要的是，它有效地解决了网络模型在反向传播的过程逡逑中，会因网络层数太深，导致比较靠前的网络层参数梯度值很小，甚至消失的问题。逡逑最近几年，ＤｅｎｓｅＮｅｔｐ６』、ＲｅｓＮｅＸｔ［２７］等网络模型也基于ＲｅｓＮｅｔ残差网络的思想进逡逑行了优化改进和创新，并在一些公开数据集上取得了更好的图像分类结果。逡逑权重层逦＼逡逑７（ｘ）逦［ｒｅ＼ｕ逦Ｊ邋ｘ逡逑￣￣１邋ｊ恒等式逡逑Ｊ－（ｘ）邋＋邋ｘ逡逑｜ｒｅｌｕ逡逑图２－１邋ＲｅｓＮｅｔ残差网络模块逡逑Ｆｉｇ．邋２－１邋ＲｅｓＮｅｔ邋Ｒｅｓｉｄｕａｌ邋ｎｅｔｗｏｒｋ邋ｍｏｄｕｌｅ逡逑不难发现，以上研[偩腔冢粒欤澹危澹敉缂芄菇懈慕呕模酥猓义涎绣痴呙且渤⑹宰磐ü恍┏９娴母慕椒ɡ刺岣咄缤枷穹掷嘧既仿省＠
本文编号：2720100
【学位授予单位】：陕西师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP181;P353.6
【图文】：
逦陕西师范大学硕士学位论文逦逡逑站极光全天空光学成像系统［２］，其中北极黄河站的光学成像系统可以对４２７．８ｎｍ、逡逑５５７．７ｎｍ和６３０．０ｎｍ三个波段的极光同步进行全天空观测，如图ｌ－ｌ（ａ）所示，该观逡逑测系统为我国极光研究学者提供了丰富可靠的极光图像数据，极大促进了我国对逡逑极光的研究进程。２００９年底我国又用四台极光ＣＣＤ成像仪对南极中山站安装的极逡逑光全天空成像仪（Ａｌｌ－ｓｋｙ邋ｉｍａｇｅｒ，邋ＡＳＩ）进行了升级改造，可以同时观测１８０°，４７°，逡逑１９°和８°等多波段、多视野范围内的极光结构，如图ｌ－ｌ（ｂ）所示（图中黄色圆圈分逡逑别表示右边相邻极光图像的视野范围在当前图像中的位置），这一升级改造也标志逡逑着我国在极光观测领域的研究中己取得了长足的进步。另外，我国的黄河站和中山逡逑站因地处同一条磁力线两端附近，具有非常好的共轭条件，这使得我国在极光共轭逡逑观测及相关研究方面具有得天独厚的优势。本文对全天空极光图像的分类和分割逡逑研究是来自测逦的。逡逑
（Ｒｅｓｉｄｕａｌ邋Ｃｏｎｎｅｃｔｉｏｎ）进行了融合，进一步提高了整个网络模型的训练速度。２０１５逡逑年，何恺明等人［２５］提出了邋ＲｅｓＮｅｔ网络架构，该网络设计了一种残差连接，其主要逡逑是利用恒等映射思想，将原始需要学习的函数Ｈ（ｘ）转换成Ｆ0ｃ；）邋＋邋；ｃ，如图２－１所逡逑示，该残差连接不仅解决了因网络深度而导致的网络性能退化问题，极大解决了深逡逑层网络难于训练的问题。更重要的是，它有效地解决了网络模型在反向传播的过程逡逑中，会因网络层数太深，导致比较靠前的网络层参数梯度值很小，甚至消失的问题。逡逑最近几年，ＤｅｎｓｅＮｅｔｐ６』、ＲｅｓＮｅＸｔ［２７］等网络模型也基于ＲｅｓＮｅｔ残差网络的思想进逡逑行了优化改进和创新，并在一些公开数据集上取得了更好的图像分类结果。逡逑权重层逦＼逡逑７（ｘ）逦［ｒｅ＼ｕ逦Ｊ邋ｘ逡逑￣￣１邋ｊ恒等式逡逑Ｊ－（ｘ）邋＋邋ｘ逡逑｜ｒｅｌｕ逡逑图２－１邋ＲｅｓＮｅｔ残差网络模块逡逑Ｆｉｇ．邋２－１邋ＲｅｓＮｅｔ邋Ｒｅｓｉｄｕａｌ邋ｎｅｔｗｏｒｋ邋ｍｏｄｕｌｅ逡逑不难发现，以上研[偩腔冢粒欤澹危澹敉缂芄菇懈慕呕模酥猓义涎绣痴呙且渤⑹宰磐ü恍┏９娴母慕椒ɡ刺岣咄缤枷穹掷嘧既仿省＠
本文编号：2720100
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2720100.html
