一种全天空极光图像分类方法及系统技术方案

本发明专利技术公开了一种全天空极光图像分类方法及系统，所述方法包括：对待分类的全天空极光图像进行预处理；将预处理后的全天空极光图像输入预先训练好的分类器，输出分类结果，所述分类结果为弧状、帷慢冕状、辐射冕状或热点状；所述分类器和编码器以及解码器组成一个整体的模型进行联合训练。本发明专利技术的方法能够在数据量庞大且只有少量标签的情况下完成极光图像的训练和分类，并得到了较高的准确率；本发明专利技术的方法实现了在只有少量标签情况下进行全天空极光图像分类的学习，使用了基于变分自编码器的半监督生成模型，能够以较高的准确率进行全天空极光图像的分类。行全天空极光图像的分类。行全天空极光图像的分类。

【技术实现步骤摘要】
一种全天空极光图像分类方法及系统


[0001]本专利技术涉及计算机视觉领域，具体涉及一种全天空极光图像分类方法及系统。

技术介绍

[0002]耀斑、日冕物质抛射等太阳活动会产生大量高能带电粒子流，对地球磁场的影响重大，不仅会让通信卫星、空间飞行器、无线电信号失灵，严重时其强大电流甚至会使地面电力传输线受到严重干扰。南北极区是日地空间的关键区域，地磁场在极区近乎垂直地进出并向外一直延伸到磁层和行星际空间，使极区成为地球开向太空的窗口，太阳风能量和粒子进入地球空间的入口，还是太阳风-磁层-电离层耦合最直接的区域。
[0003]因此，极区对太阳活动的响应更为直接和剧烈，对空间天气事件也有着最灵敏的响应和显著的反馈。极光是唯一肉眼可见的反映极区特征的地球物理现象，是极区日地物理过程(特别是磁层-电离层相互作用)的最具代表性的表现形式，对其形态和演变的系统观测可以获得磁层和日地空间电磁活动的大量信息。
[0004]然而通过人工方法来处理如此之多的数据效率极低，很大程度上限制了数据的处理速度和量。随着计算机科学的发展，模式识别等技术成为了处理极光大数据的重要手段。近年来，深度学习的方法应用广泛，有研究者将深度学习的方法应用到极光形态的自动分类当中，但是大部分的研究都是有监督的学习，但由于数据量庞大，实际情况并不能满足有监督学习的需求。

技术实现思路

[0005]本专利技术的目的在于解决现有技术存在的数据量庞大且标签缺失的问题，使用了基于变分自编码器的半监督学习模型，能够保证在少量带标签数据的情况下也可以得到较高的训练结果。在完成模型的设计和训练后，实现了全天空极光图像分类，为极光相关的科研工作者提供了一个学习和使用的平台。
[0006]为实现上述目的，本专利技术提供了一种全天空极光图像分类方法，所述方法包括：
[0007]对待分类的全天空极光图像进行预处理；
[0008]将预处理后的全天空极光图像输入预先训练好的分类器，输出分类结果，所述分类结果为弧状、帷慢冕状、辐射冕状或热点状；所述分类器和编码器以及解码器组成一个整体的模型进行联合训练。
[0009]作为上述方法的一种改进，所述对待分类的全天空极光图像进行预处理，具体包括：
[0010]通过减去暗电流，对全天空极光图像进行亮度积累；
[0011]将全天空极光图像由16位灰度图像变为8位；
[0012]对图像进行旋转，旋转后的极光图像磁正北方向朝上；
[0013]通过去边缘噪声和剪裁，使全天空极光图像大小为440*440；
[0014]将440*440的全天空极光图像下采样为66*66。
[0015]作为上述方法的一种改进，所述编码器包括依次连接的输入层、第一卷积层、第二卷积层、第三卷积层、展平层、第一全连接层、第二全连接层、第三全连接层和输出层；各卷积层层间激活函数为ReLu，并在层间加上规范层；各全连接层层间激活函数也为ReLu，并在层间加上规范层和dropout层；所述编码器的编码过程为：
[0016]输入层输入的是66*66*1的三维数组，首先经过第一卷积层Convolution，64个带有same padding的3*3的过滤器，以1为步长，输出第一层的特征映射为66*66*64的三维数组；接着经过第二卷积层Convolution，64个带有same padding的3*3的过滤器，以1为步长，输出第二层的特征映射为66*66*64的三维数组；然后经过第三卷积层Convolution，64个带有same padding的3*3的过滤器，以2为步长，输出第三层的特征映射为33*33*64的三维数组；接下来通过展平层将33*33*64的三维数组展开成一个69696个单元的一维数组，再经过第一全连接层将69696个单元的一维数组降为512个单元的一维数组，再分别经过第二全连接层和第三全连接层将512个单元的一位数组降为128个单元的一维数组，分别对应着隐变量z的后验分布的均值和标准差，作为编码器输出层的输出。
[0017]作为上述方法的一种改进，所述分类器包括依次连接的输入层、第一卷积层、第二卷积层、第一最大池化层、第三卷积层、第四卷积层、第一最大池化层、展平层、第一全连接层、第二全连接层和输出层，各卷积层间激活函数为Relu，输出层激活函数为softmax，所述分类器的处理过程为：
[0018]输入层输入的是66*66*1的三维数组，首先经过第一卷积层Convolution，32个带有same padding的3*3的过滤器，以1为步长，输出第一层的特征映射为66*66*32的三维数组；接着经过第二卷积层Convolution，32个带有valid padding的3*3的过滤器，以1为步长，输出第二层的特征映射为64*64*32的三维数组；然后经过池化尺寸为2的第一最大池化层，输出32*32*32的三维数组；再经过第三卷积层Convolution，64个带有same padding的3*3的过滤器，以1为步长，输出第三层的特征映射为32*32*64的三维数组；再经过第四卷积层Convolution，64个带有valid padding的3*3的过滤器，以1为步长，输出第四层的特征映射为30*30*64的三维数组；然后经过池化尺寸为2的第二最大池化层，输出15*15*64的三维数组；接下来经过展平层将15*15*64的三维数组展开成一个14400个单元的一维数组，再经过第一全连接层将14400个单元的一维数组降为512个单元的一维数组，再经过第二全连接层，结合输出层的softmax激活函数，将512个单元的一位数组降为4个单元的一维数组，也就是标签的one-hot编码，这是分类器的输出层的输出。
[0019]作为上述方法的一种改进，所述解码器包括联结层、全连接层，Reshape层、第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层和输出层；其中第一反卷积层、第二反卷积层和第三反卷积层的激活函数均为Relu，第四反卷积层的激活函数为sigmoid；所述解码器的解码过程为：
[0020]编码器输出128个单元的一维隐变量数组；对于有标签的数据，对于有标签的数据，标签Labels为已知的标签；对于无标签的数据，标签Labels为分类器输出的标签；联结层concatenate将一维标签数组与一维隐变量数组联结起来，再经过一个全连接层将该一维数组的单元个数扩张到69696个，再经过一个Reshape层将一维的数组重塑成三维的33*33*64的数组；该数组经过第一反卷积层Transposed Convolution，64个带有same padding的3*3的过滤器，以1为步长，输出第一层的特征映射为33*33*64的三维数组；再经过第二反
卷积层Transposed Convolution，64个带有same padding的3*3的过滤器，以1为步长，输出第二层的特征映射为33*33*64的三维数组；再经过第三反卷积层Transposed Convolution本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种全天空极光图像分类方法，所述方法包括：对待分类的全天空极光图像进行预处理；将预处理后的全天空极光图像输入预先训练好的分类器，输出分类结果，所述分类结果为弧状、帷慢冕状、辐射冕状或热点状；所述分类器和编码器以及解码器组成一个整体的模型进行联合训练。2.根据权利要求1所述的全天空极光图像分类方法，其特征在于，所述对待分类的全天空极光图像进行预处理，具体包括：通过减去暗电流，对全天空极光图像进行亮度积累；将全天空极光图像由16位灰度图像变为8位；对图像进行旋转，旋转后的极光图像磁正北方向朝上；通过去边缘噪声和剪裁，使全天空极光图像大小为440*440；将440*440的全天空极光图像下采样为66*66。3.根据权利要求1所述的全天空极光图像分类方法，其特征在于，所述编码器包括依次连接的输入层、第一卷积层、第二卷积层、第三卷积层、展平层、第一全连接层、第二全连接层、第三全连接层和输出层；各卷积层层间激活函数为ReLu，并在层间加上规范层；各全连接层层间激活函数也为ReLu，并在层间加上规范层和dropout层；所述编码器的编码过程为：输入层输入的是66*66*1的三维数组，首先经过第一卷积层Convolution，64个带有same padding的3*3的过滤器，以1为步长，输出第一层的特征映射为66*66*64的三维数组；接着经过第二卷积层Convolution，64个带有same padding的3*3的过滤器，以1为步长，输出第二层的特征映射为66*66*64的三维数组；然后经过第三卷积层Convolution，64个带有same padding的3*3的过滤器，以2为步长，输出第三层的特征映射为33*33*64的三维数组；接下来通过展平层将33*33*64的三维数组展开成一个69696个单元的一维数组，再经过第一全连接层将69696个单元的一维数组降为512个单元的一维数组，再分别经过第二全连接层和第三全连接层将512个单元的一位数组降为128个单元的一维数组，分别对应着隐变量z的后验分布的均值和标准差，作为编码器输出层的输出。4.根据权利要求3所述的全天空极光图像分类方法，其特征在于，所述分类器包括依次连接的输入层、第一卷积层、第二卷积层、第一最大池化层、第三卷积层、第四卷积层、第一最大池化层、展平层、第一全连接层、第二全连接层和输出层，各卷积层间激活函数为Relu，输出层激活函数为softmax，所述分类器的处理过程为：输入层输入的是66*66*1的三维数组，首先经过第一卷积层Convolution，32个带有same padding的3*3的过滤器，以1为步长，输出第一层的特征映射为66*66*32的三维数组；接着经过第二卷积层Convolution，32个带有valid padding的3*3的过滤器，以1为步长，输出第二层的特征映射为64*64*32的三维数组；然后经过池化尺寸为2的第一最大池化层，输出32*32*32的三维数组；再经过第三卷积层Convolution，64个带有same padding的3*3的过滤器，以1为步长，输出第三层的特征映射为32*32*64的三维数组；再经过第四卷积层Convolution，64个带有valid padding的3*3的过滤器，以1为步长，输出第四层的特征映射为30*30*64的三维数组；然后经过池化尺寸为2的第二最大池化层，输出15*15*64的三维数组；接下来经过展平层将15*...

【专利技术属性】
技术研发人员：蒋家楠，李云龙，邹自明，佟继周，
申请(专利权)人：中国科学院国家空间科学中心，
类型：发明
国别省市：