《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 測(cè)試測(cè)量 > 設(shè)計(jì)應(yīng)用 > 大偏差下手繪太陽(yáng)黑子圖像的歸一化
大偏差下手繪太陽(yáng)黑子圖像的歸一化
2016年微型機(jī)與應(yīng)用第17期
徐高貴,鄭勝
三峽大學(xué) 理學(xué)院,湖北 宜昌 443002
摘要: 為解決手繪太陽(yáng)黑子圖像的不一致性給黑子信息自動(dòng)測(cè)量帶來(lái)的困難,研究了一種大偏差下手繪太陽(yáng)黑子圖像歸一化的方法;利用Hough變換檢測(cè)圓初步確定圖像圓圈的位置,再基于最小二乘擬合圓準(zhǔn)確定位圓圈的位置,從而實(shí)現(xiàn)圖像大小的歸一化;對(duì)大小歸一化后的圖像特定區(qū)域進(jìn)行Hough變換直線檢測(cè)以及CNN(卷積神經(jīng)網(wǎng)絡(luò))字符識(shí)別,確定圖像的偏轉(zhuǎn)角度,從而完成整個(gè)圖像的歸一化。實(shí)驗(yàn)結(jié)果表明,該方法具有較好的準(zhǔn)確性、魯棒性和穩(wěn)定性。
Abstract:
Key words :

  徐高貴,鄭勝

  (三峽大學(xué) 理學(xué)院,湖北 宜昌 443002)

       摘要:為解決手繪太陽(yáng)黑子圖像的不一致性給黑子信息自動(dòng)測(cè)量帶來(lái)的困難,研究了一種大偏差下手繪太陽(yáng)黑子圖像歸一化的方法;利用Hough變換檢測(cè)圓初步確定圖像圓圈的位置,再基于最小二乘擬合圓準(zhǔn)確定位圓圈的位置,從而實(shí)現(xiàn)圖像大小的歸一化;對(duì)大小歸一化后的圖像特定區(qū)域進(jìn)行Hough變換直線檢測(cè)以及CNN(卷積神經(jīng)網(wǎng)絡(luò))字符識(shí)別,確定圖像的偏轉(zhuǎn)角度,從而完成整個(gè)圖像的歸一化。實(shí)驗(yàn)結(jié)果表明,該方法具有較好的準(zhǔn)確性、魯棒性和穩(wěn)定性。

  關(guān)鍵詞:太陽(yáng)黑子;歸一化;最小二乘擬合;Hough變換;CNN字符識(shí)別

0引言

  各種太陽(yáng)活動(dòng)現(xiàn)象中,最為醒目也最容易觀測(cè)的現(xiàn)象是太陽(yáng)黑子[1]。1610年,國(guó)外開(kāi)始用望遠(yuǎn)鏡斷斷續(xù)續(xù)地對(duì)黑子進(jìn)行觀測(cè),自1818年開(kāi)始才有比較常規(guī)的每日黑子觀測(cè),從而有了比較可靠的黑子數(shù)據(jù)。黑子數(shù)的多寡與日面太陽(yáng)活動(dòng)現(xiàn)象聯(lián)系很緊密,黑子群和黑子數(shù)目增多時(shí),日面上其他各種活動(dòng)現(xiàn)象(如光斑、譜斑、日珥、暗條以及耀斑等)也增強(qiáng)[2]。

  正是了解到對(duì)太陽(yáng)黑子活動(dòng)觀測(cè)具有重要意義,因此我國(guó)各個(gè)天文臺(tái)很早便開(kāi)始對(duì)太陽(yáng)黑子活動(dòng)進(jìn)行觀測(cè)。在電子技術(shù)并不發(fā)達(dá)的過(guò)去,太陽(yáng)黑子活動(dòng)的記錄都是以紙張為存儲(chǔ)介質(zhì)(圖1),導(dǎo)致目前存在大量的紙質(zhì)太陽(yáng)黑子記錄。由于紙質(zhì)的易碎性、信息不便于檢索,阻礙了天文臺(tái)之間進(jìn)行數(shù)據(jù)的整合和共享,因此需要將紙質(zhì)圖像轉(zhuǎn)換為數(shù)字信息存儲(chǔ),以便于分析與查看。

  在數(shù)字化過(guò)程中,需要測(cè)量黑子群與圓心的距離、黑子群與圓心的連線所對(duì)應(yīng)圓周上的角度等,而且黑子記錄紙張都是同一個(gè)模板印刷出來(lái)的,在理想情況下每張黑子記錄紙張圓圈的大小與方位應(yīng)該是一致的,如圖1所示。但是各個(gè)天文臺(tái)掃描儀器分辨率的不同、紙張放在掃描儀上位置的不同以及其他因素的影響,導(dǎo)致掃描得到的黑子記錄圖像在位置上存在差異,它的大小、方位等均不一致。例如:中心沒(méi)對(duì)齊、圖像大小不同、紙張擺放位置存在旋轉(zhuǎn)偏差等,如圖2所示。

圖像 001.png

圖像 002.png

  但是,太陽(yáng)黑子記錄紙張模板的一致性說(shuō)明在原始記錄中測(cè)量標(biāo)尺是一致的。針對(duì)這些問(wèn)題,本文提出了一種大偏差下手繪太陽(yáng)黑子圖像的歸一化方法,主要利用模板的一致性提取每幅圖像的特征,從而得到圖像與模板間的位置關(guān)系,進(jìn)而實(shí)現(xiàn)圖像的歸一化處理。

1圖像預(yù)處理

  圖像的結(jié)構(gòu)中都包含一個(gè)太陽(yáng)投影圓邊界,對(duì)圖像進(jìn)行Hough變換檢測(cè)圓圈,但Hough變換存在著參數(shù)空間內(nèi)存需求大、計(jì)算復(fù)雜和難以找到局部最大值的缺陷,而且隨著圖像規(guī)模的擴(kuò)大該缺陷將更明顯[34]。而黑子圖像的規(guī)模在6 000×5 000左右,傳統(tǒng)的Hough變換檢測(cè)圓近乎不可能。

  針對(duì)這一問(wèn)題,先對(duì)原始圖像進(jìn)行降采樣,縮小25倍后,根據(jù)Hough變換檢測(cè)的半徑r以及圓心o(x0,y0)放大25倍直接放大原圖(圖3(a)),可見(jiàn)直接應(yīng)用Hough變換的結(jié)果與真實(shí)結(jié)果間存在很大的偏差,而且該方法不穩(wěn)定,魯棒性很差[5],不能通過(guò)檢測(cè)的圓圈進(jìn)行大小歸一化。不過(guò)可以通過(guò)檢測(cè)的圓圈初步確定圓的位置,原始圖像行x、列y滿足式(1) 時(shí)即為噪聲。

  QQ圖片20161007212730.png

  通過(guò)式(1)得到去噪后的圖像,結(jié)果如圖3(b)所示。

圖像 003.png

 2大小歸一化

  將去噪后的圖像進(jìn)行二值化就可以得到圖上包含圓在內(nèi)的所有點(diǎn)的坐標(biāo)位置信息x,y。設(shè)圖像中圓的方程如式(2)所示:

  QQ圖片20161007212735.png

  變形可得:

   QQ圖片20161007212739.png

  令a=-2A,b=-2B,c=A2+B2-R2,可得圓曲線方程的另一種形式:

  QQ圖片20161007212743.png

  將上式寫(xiě)成向量的形式如下:

  QQ圖片20161007212747.png

  聯(lián)立式(2)~式(5),可得A、B、R,即擬合圓的圓心與半徑。

  使用最小二乘擬合定位圓的結(jié)果如圖4(b)所示。

圖像 004.png

  從圖4看出,最小二乘擬合定位圓具有更高的精度,運(yùn)行速度在2 s以內(nèi)。圖像中的圓精確定位后,可將每張圖像按照?qǐng)A的圓心、半徑進(jìn)行平移和縮放處理,從而實(shí)現(xiàn)圖像大小的歸一化。在本次試驗(yàn)中,設(shè)定標(biāo)準(zhǔn)半徑為2 081像素點(diǎn),隨機(jī)選取280張圖像,進(jìn)行歸一化處理后,再次檢測(cè)圖像中的圓,得到圓半徑在標(biāo)準(zhǔn)半徑1個(gè)像素誤差范圍內(nèi)的概率高達(dá)99.6%。

3方位歸一化

  Hough變換是圖像處理的一種特征提取技術(shù),它本質(zhì)上是從二維空間到參數(shù)空間的一種映射,對(duì)于直線變換,這種映射表現(xiàn)為從二維空間上的某點(diǎn)到參數(shù)空間上某條曲線的對(duì)應(yīng)關(guān)系[6-7]。

  一條直線在直角坐標(biāo)系下可以用y=kx+b表示,霍夫變換的主要思想是將該方程的參數(shù)和變量交換,即用x、y作為已知量,ρ、θ作為變量坐標(biāo),轉(zhuǎn)換公式為:

   QQ圖片20161007212750.png

  其中ρ為l到原點(diǎn)的距離,θ為ρ與x軸的夾角。

  將θ角在-900~900的范圍里劃分為很多區(qū)域,對(duì)所有像素點(diǎn)(x,y)在所有θ角的時(shí)候,求出ρ,進(jìn)而累加ρ值出現(xiàn)的次數(shù),高于某個(gè)閾值的ρ就是一條直線。

  針對(duì)大小歸一化后的太陽(yáng)黑子掃描圖像,東南西北4個(gè)刻度線與圓心的距離是固定的,不會(huì)隨圖像的旋轉(zhuǎn)發(fā)生變化,而且東西刻度線與南北刻度線相互垂直,將圓分為4等份。在直線檢測(cè)中,只需取過(guò)圓心的水平線兩側(cè)固定位置區(qū)域進(jìn)行直線檢測(cè)。并且在邊旋轉(zhuǎn)邊檢測(cè)的過(guò)程中,旋轉(zhuǎn)角度取值為0≤theta<90°。

  在直線檢測(cè)的固定區(qū)域左、右部分內(nèi)均能檢測(cè)到直線,則表示圖像初步的方位歸一化已完成,此時(shí)圖像將處于如圖5所示的4種狀態(tài)。每張掃描圖像均存在“E”、“S”、“W”、“N”標(biāo)記,通過(guò)卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neutral Network,CNN)[810]識(shí)別直線檢測(cè)的固定區(qū)域右半部分內(nèi)的字符,參照表1所示的對(duì)應(yīng)規(guī)則對(duì)圖像進(jìn)行相應(yīng)操作,即可實(shí)現(xiàn)大偏差下手繪太陽(yáng)黑子圖像的歸一化。

圖像 005.png

圖像 007.png

4實(shí)驗(yàn)結(jié)果分析

  應(yīng)用本文提出的算法對(duì)待歸一化圖像進(jìn)行歸一化處理,結(jié)果如圖6所示。

  從圖6可看出,該方法對(duì)圖像的抗干擾性強(qiáng),具有很好的普適性,對(duì)圖像的偏轉(zhuǎn)角度不敏感,歸一化精度高,適用于解決大偏差下手繪太陽(yáng)黑子圖像的歸一化問(wèn)題。

圖像 006.png

5結(jié)論

  本文主要介紹了大偏差下手繪太陽(yáng)黑子圖像的歸一化算法研究,該算法合理利用了手繪太陽(yáng)黑子圖像所具有的特點(diǎn),實(shí)現(xiàn)了大偏差下圖像的歸一化,具有一定創(chuàng)新性。Hough變換是圖像中圓檢測(cè)較為成熟的方法,然而,Hough變換算法復(fù)雜度高,運(yùn)行效率低下,對(duì)于高分辨率的手繪太陽(yáng)黑子圖來(lái)說(shuō)完全不適用。本文聯(lián)合使用Hough變換和最小二乘對(duì)圖像中圓進(jìn)行精確擬合,具有速度快、效率高、檢測(cè)結(jié)果精確等優(yōu)點(diǎn)。采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)字符識(shí)別對(duì)圖像進(jìn)行方位歸一化,使得圖像的特征完全由圖像的內(nèi)容來(lái)決定,容易計(jì)算且識(shí)別正確率高。實(shí)驗(yàn)結(jié)果表明,該算法有著較高的準(zhǔn)確率,能夠成功地對(duì)手繪太陽(yáng)黑子圖像進(jìn)行大小歸一化和方位歸一化處理,對(duì)手繪太陽(yáng)黑子圖像中信息的提取具有重要應(yīng)用價(jià)值。

  參考文獻(xiàn)

 ?。?] 李可軍,蘇同衛(wèi),梁紅飛. 現(xiàn)代黑子觀測(cè)的太陽(yáng)黑子活動(dòng)周的周期性[J]. 科學(xué)通報(bào), 2004,49(24): 25112516.

 ?。?] CASAS R, VAQUERO J M. The sunspot catalogues of carrington, peters and de la rue: quality control and machinereadable versions[J]. Solar Physics, 2014, 289(1): 7990.

  [3] 張顯全,蘇勤,蔣聯(lián)源,等.一種快速的隨機(jī)Hough變換圓檢測(cè)算法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2008, 44(22): 6264.

 ?。?] 趙京東. 用兩步Hough變換檢測(cè)圓[J]. 計(jì)算機(jī)應(yīng)用, 2008, 28(7): 17611763.

  [5] XU L, OJA E. A new curve detection method: Randomized Hough Transform (RHT) [J]. Pattern Recognition Letters, 1990, 11(5): 331338.

 ?。?] 朱芳芳,顧宏斌,劉瑾.一種改進(jìn)的Hough變換直線檢測(cè)算法[J]. 計(jì)算機(jī)技術(shù)與發(fā)展, 2009, 19(5): 1922.

 ?。?] HUN J J, SANG H K. Fast line segment grouping method for finding globally more favorable line segments [J]. Pattern Recognition, 2002, 35(10): 22352247.

 ?。?] 孫志軍,薛磊,許陽(yáng)明,等. 深度學(xué)習(xí)研究綜述[J].計(jì)算機(jī)應(yīng)用研究, 2012, 29(8): 28062810.

 ?。?] DONG Y, LI D. Deep learning and its applications to signal and information processing [J]. IEEE Signal Processing Magazine, 2011,28(1): 145149.

  [10] BO C, GUNGOR P, GUILLERMO S, et al. Deep learning with hierarchical convolutional factor analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013,35(8): 1887 1901.


此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。