基于动态纹理模型表征的极光视频分类方法
【技术领域】
[0001] 本发明属于图像处理技术领域，涉及四种形态极光视频的计算机分类方法，可用 于极光视频的特征提取和计算机图像识别。
【背景技术】
[0002] 极光是太阳风通过日侧极隙区注入到地球磁层时，沉降粒子沿磁力线与地球高层 大气相互作用而产生的绚丽光辉。极光是极区空间天气物理过程的观测窗口，直观地反映 了太阳风与地磁层的耦合过程，蕴含着大量日地空间的电磁活动信息，有着深刻的研宄意 义。
[0003] 中国北极黄河站的全天空成像系统（All-skyCamera)同时对极光的三个典 型谱段427. 8nm，557. 7nm和630.Onm进行连续观测，产生数以万计的极光图像，数据量 巨大。WangQ等人在文章"Spatialtexturebasedautomaticclassificationof daysideaurorainall-skyimages.JournalofAtmosphericandSolar-Terrestrial Physics，2010, 72(5) : 498-508. "中将极光按形态分为弧状、辐射状、帷幔状和热点状四类， 并得出了四种极光类型的统计分布规律。Pedersen等人发表的文章"PedersenTR，Gerken EA.Creationofvisibleartificialopticalemissionintheaurorabyhigh-power radiowaves.Nature，2005, 433 (7025) : 498-500"，胡泽俊等人发表文章"HuZJ，Yang H，HuangD，etal.Synopticdistributionofdaysideaurora:Multiple-wavelength all-skyobservationatYellowRiverStationinNy-Alesund,Svalbard.J.Atmos. Sol. -Terr.Phys.，2009, 71 (89) : 794-804" 以及文章"LorentzenDA，MoenJ，Oksavik K，etal.Insitumeasurementofanewlycreatedpolarcappatch.J.Geophys. Res.，2010, 115(A12). "，提供了大量的研宄材料，证明不同形态的极光对应着不同的磁层 边界层动力学过程。如何准确高效地对极光视频进行分类，既是揭示其磁层源区动力学过 程的一个关键，也是其发生机制研宄的重要环节，然而极光形态和动态变化复杂，无疑为极 地科研工作者带来了巨大的困难.
[0004] 计算机图像识别和分析技术的发展为海量极光数据分类研宄提供了可 能。2004 年，Syrjiisuo等人在文章"SyrjasuoM，PartamiesN.Numericimage featuresfordetectionofaurora[J] ?GeoscienceandRemoteSensing Letters,IEEE, 2012, 9(2) : 176-179. "中将计算机视觉的方法引入极光图像自动分类系 统中，该方法从分割后的极光区域中提取Fourier算子作为特征，通过最近邻方法实现 极光图像的自动分类，由于受到分割算法的影响，该方法仅对形状特征明显的弧状极光 图像分类效果良好；Wang等人于2007年在文章"WangQian,LiangJimin,HuZejun,Hu HaiHong，ZhaoHeng，HuHongQiao,GaoXinbo,YangHuigen.Spatialtexturebased automaticclassificationofdaysideaurorainall-skyimages.Journalof AtmosphericandSolar-TerrestrialPhysics，2010, 72 (5): 498 - 508. " 中使用主成分 分析法PCA对极光图像的灰度特征进行提取，提出了一种基于表象的极光分类方法，在冕 状极光分类研究方向取得了一定进展；2008年，Gao等人发表文章"L.Gao,X.B.Gao,and J.M.Liang.Daysidecoronaautoradetectionbasedonsampleselectionand adaBoostalgorithm.J.ImageGraph，2010, 15 (1) : 116-121. "，提出基于Gabor变换的 极光图像分类方法，采用了局部Gabor滤波器提取图像特征，在确保计算精度的情况下降 低了特征冗余信息，取得了较好的分类效果；2009年，Fu等人在文章"FuRu，JieLiand X.B.Gao. .Automaticauroraimagesclassificationalgorithmbasedonseparated texture.Proc.Int.Conf.RoboticsandBiomimetics, 2009:1331-1335. " 中将形态学成 分分析（MCA)与极光图像处理相结合，从经过MCA分离后所得到的极光纹理子图中提取 特征，用于弧冕两类极光图像的分类，提高了弧冕极光分类的正确率。后续的相关研宄 还有：Han等人在文章"BingHan,XiaojingZhao,DachengTao,etal.Daysideaurora classificationviaBIFs-basedsparserepresentationusingmanifoldlearning. InternationalJournalofComputerMathematics.Publishedonline:12Nov2013. " 中 又提出基于BIFs特征和C均值分类的极光分类法；Yang等人在文章"YangXi，LiJie，Han Bing,GaoXinbo.Wavelethierarchicalmodelforauroraimagesclassification. JournalofXidianUniversity, 2013, 40 (2): 18-24."中提出多层小波变换来表示极光图 像特征，取得了较高的分类准确率；2013年，Han等人在文章"HanB，YangC，GaoXB.Aurora imageclassificationbasedonLDAcombiningwithsaliencyinformation.Ruanjian XueBao/JournalofSoftware, 2013, 24(11) :2758-2766?"中引入隐含狄利克雷分布模型 LDA，并结合图像显著性信息，又进一步提高了极光图像的分类准确率.
[0005] 然而，上述这些已有的极光图像分析多是基于单幅图像和静态特征，关于极光 序列的自动分类的相关工作仍然还比较少。相关的进展主要有：Yang等人于2013年在 文章"YangQiuju.AuroralEventsDetectionandAnalysisBasedonASIandUVI Images[D].Xi'an:Xidianuniversity, 2013. "中提出基于隐马尔科夫模型的极光序列 分类理论，但是该方法本质仍是基于单幅图像特征；另外，Han在文章"HanB,LiaoQ,Gao XB.Spatial-Temporalpolewardvolumelocalbinarypatternsforaurorasequences eventdetection.RuanJianXueBao/JournalofSoftware, 2014, 25(9) :2172_2179?"中 构造了空时极向LBP表征算子提取极光序列的STP-LBP特征，用于检测极光视频中的极向 运动现象。但是，该算法只针对极向弧状极光视频的特征，并不具备普适性。由于目前没有 对于四类形态极光视频的普适性建模和提取视频动态特征的方法，计算机无法直接对四类 极光视频进行自动分类，只能进行单帧操作，或者单一性地对某一类极光视频进行分析，分 类准确率和分类效率都比较低。
【发明内容】
[0006] 本发明的目的在于针对上述已有技术的不足，提出一种基于动态纹理模型的极光 视频分类方法，以利用极光视频帧之间的重复相关性，从极光视频帧之间的动态变化特性 入手，对四类形态极光视频进行普适性建模，提取动态纹理特征，实现四类极光视频的计算 机自动分类。
[0007] 为实现上述目的本发明的技术方案包括如下步骤：
[0008] (1)从已标记类别的极光视频数据库中任取N个视频组成训练集 {yi，y2,...，yk，...，yiJ，yk是第k个训练集样本，k= 1，2,...，N，将剩余极光视频组成测试 集，从测试集中取一个样本作为测试极光视频ytest;
[0009] (2)提取极光视频的动态纹理特征； _〇] (2a)将测试极光视频ytest表示为y(t)，y(t)GRm，m=IiX12,Ii为当前视频帧 像素矩阵的行数，12为当前视频帧像素矩阵的列数，t= 1，. . .，t，t是视频总帧数；
[0011] (2b)用观测到的极光视频帧y(t)减去所有帧的均值i，得到视频矩阵Y:
[0012]
[0013] (2c)对视频矩阵Y进行SVD分解，即Y=USVT，其中，UGRmXn为左基矩阵；SGRnXn 为奇异值矩阵；VeRnxT为右基矩阵；
[0014] (2d)用左基矩阵U表示极光视频的观测矩阵C，即C=U，并求极光视频的动态纹 理特征矩阵X=SVT，这里XGRnXT，提取动态纹理特征矩阵X的每一列作为动态纹理特征 帧x(t)，即X=[x(1)，x(2)，? ? ?，x(t)，? ? ?，x(t)];
[0015] (3)用得到的动态纹理特征矩阵X，计算第t个动态纹理特征帧x(t)到第t+1个 动态纹理_征巾电以t.+l)的狀杰蛘软钼陈A.
[0016]
[0017]式中Xu...，"!=[x(l)，x(2)，...，x(t)，...，x(T-l)];X2，...，t= [X(2)，x(3)，...，x(t)，...，x(T)] 表示求矩阵的F范数；
[0018] (4)求测试极光视频ytes，j训练集样本y k的马丁距离：
[0019] (4a)用计算测试极光视频ytest的观测矩阵C和状态转移矩阵A的方法，计算训练 集{yi，y2,. . .，yk，. . .，yN}中训练集样本yk的观测矩阵Ck和状态转移矩阵Ak，得到观测矩阵 集 ％，A2,. . .，Ak，. . .，AN}和状态转移矩阵集IA，C2,. . .，Ck，. . .，CN}，其中k= 1，2,. . .，N;
[0020] (4b)根据观测矩阵以及状态转移矩阵，计算测试极光视频ytest到训练集样本yk的 马丁距离d2 (ytest,yk)，k=1，2,? ? ?，N;
[0021] (5)根据极光视频间的马丁距离，对测试极光视频ytest进行最近距离分类：
[0022] 将步骤3中得到的N个马丁距离d2 (ytest，yk)按从小到大的顺序排列，取出最小的 马丁距离对应的极光序列ymin，并将与该极光序列ymin形态相似的测试极光视频ytest分 为与极光序列ymin同一类，完成对测试极光视频ytest的自动分类。
[0023] 本发明具有如下优点：
[0024] 本发明利用SVD分解提取极光视频的动态纹理特征，充分利用了极光视频帧之间 的重复相关性，找到了四类极光视频的动态特性，克服了现有技术从单帧特征入手，造成模 型泛化能力不足，计算效率不高的缺点，使得该方法能够对四类形态极光视频进行普适性 建模，实现四类极光视频的计算机自动分类。
【附图说明】
[0025] 图1是本发明的实施例流程图；
[0026]图2是用本发明对弧状极光视频观测矩阵的可视化结果图；
[0027] 图3是用本发明对辐射状极光视频观测矩阵的可视化结果图；
[0028] 图4是用本发明对热点状极光视频观测矩阵的可视化结果图；
[0029] 图5是用本发明对帷幔状极光视频观测矩阵的可视化结果图。
【具体实施方式】
[0030] 以下结合附图对本发明的内容和效果进行进一步描述。
[0031] 一 ?技术原理
[0032] 本发明利用极光视频帧之间的重复相关性，从极光视频帧之间的动态变化特性入 手，对四类形态极光视频进行普适性建模并提取特征，实现对极光视频的分类。
[0033] 其建模过程是：用n维动态纹理特征序列