徐高貴，鄭勝

　?。ㄈ龒{大學(xué) 理學(xué)院，湖北 宜昌 443002）

       摘要：為解決手繪太陽黑子圖像的不一致性給黑子信息自動測量帶來的困難，研究了一種大偏差下手繪太陽黑子圖像歸一化的方法；利用Hough變換檢測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；對大小歸一化后的圖像特定區(qū)域進(jìn)行Hough變換直線檢測以及CNN（卷積神經(jīng)網(wǎng)絡(luò)）字符識別，確定圖像的偏轉(zhuǎn)角度，從而完成整個圖像的歸一化。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：太陽黑子；歸一化；最小二乘擬合；Hough變換；CNN字符識別

0引言

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

　　正是了解到對太陽黑子活動觀測具有重要意義，因此我國各個天文臺很早便開始對太陽黑子活動進(jìn)行觀測。在電子技術(shù)并不發(fā)達(dá)的過去，太陽黑子活動的記錄都是以紙張為存儲介質(zhì)（圖1），導(dǎo)致目前存在大量的紙質(zhì)太陽黑子記錄。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，以便于分析與查看。

　　在數(shù)字化過程中，需要測量黑子群與圓心的距離、黑子群與圓心的連線所對應(yīng)圓周上的角度等，而且黑子記錄紙張都是同一個模板印刷出來的，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。但是各個天文臺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：中心沒對齊、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。

　　但是，太陽黑子記錄紙張模板的一致性說明在原始記錄中測量標(biāo)尺是一致的。針對這些問題，本文提出了一種大偏差下手繪太陽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)中都包含一個太陽投影圓邊界，對圖像進(jìn)行Hough變換檢測圓圈，但Hough變換存在著參數(shù)空間內(nèi)存需求大、計算復(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變換檢測圓近乎不可能。

　　針對這一問題，先對原始圖像進(jìn)行降采樣，縮小25倍后，根據(jù)Hough變換檢測的半徑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］，不能通過檢測的圓圈進(jìn)行大小歸一化。不過可以通過檢測的圓圈初步確定圓的位置，原始圖像行x、列y滿足式(1) 時即為噪聲。

　　通過式（1）得到去噪后的圖像，結(jié)果如圖3(b)所示。

　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：

　　變形可得：

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

　　將上式寫成向量的形式如下：

　　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。

　　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，可將每張圖像按照圓的圓心、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，再次檢測圖像中的圓，得到圓半徑在標(biāo)準(zhǔn)半徑1個像素誤差范圍內(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：

　　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，對所有像素點(diǎn)(x,y)在所有θ角的時候，求出ρ，進(jìn)而累加ρ值出現(xiàn)的次數(shù)，高于某個閾值的ρ就是一條直線。

　　針對大小歸一化后的太陽黑子掃描圖像，東南西北4個刻度線與圓心的距離是固定的，不會隨圖像的旋轉(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。在直線檢測中，只需取過圓心的水平線兩側(cè)固定位置區(qū)域進(jìn)行直線檢測。并且在邊旋轉(zhuǎn)邊檢測的過程中，旋轉(zhuǎn)角度取值為0≤theta<90°。

　　在直線檢測的固定區(qū)域左、右部分內(nèi)均能檢測到直線，則表示圖像初步的方位歸一化已完成，此時圖像將處于如圖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，通過卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neutral Network，CNN）［810］識別直線檢測的固定區(qū)域右半部分內(nèi)的字符，參照表1所示的對應(yīng)規(guī)則對圖像進(jìn)行相應(yīng)操作，即可實(shí)現(xiàn)大偏差下手繪太陽黑子圖像的歸一化。

4實(shí)驗(yàn)結(jié)果分析

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

　　從圖6可看出，該方法對圖像的抗干擾性強(qiáng)，具有很好的普適性，對圖像的偏轉(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黑子圖像的歸一化問題。

5結(jié)論

　　本文主要介紹了大偏差下手繪太陽黑子圖像的歸一化算法研究，該算法合理利用了手繪太陽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，對于高分辨率的手繪太陽黑子圖來說完全不適用。本文聯(lián)合使用Hough變換和最小二乘對圖像中圓進(jìn)行精確擬合，具有速度快、效率高、檢測結(jié)果精確等優(yōu)點(diǎn)。采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）字符識別對圖像進(jìn)行方位歸一化，使得圖像的特征完全由圖像的內(nèi)容來決定，容易計算且識別正確率高。實(shí)驗(yàn)結(jié)果表明，該算法有著較高的準(zhǔn)確率，能夠成功地對手繪太陽黑子圖像進(jìn)行大小歸一化和方位歸一化處理，對手繪太陽黑子圖像中信息的提取具有重要應(yīng)用價值。

　　參考文獻(xiàn)

　?。?］ 李可軍,蘇同衛(wèi),梁紅飛. 現(xiàn)代黑子觀測的太陽黑子活動周的周期性［J］. 科學(xué)通報, 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變換圓檢測算法［J］. 計算機(jī)工程與應(yīng)用, 2008, 44(22): 6264.

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

　?。?］ 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變換直線檢測算法［J］. 計算機(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,許陽明,等. 深度學(xué)習(xí)研究綜述［J］.計算機(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.

　?。?0］ 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.