基于自适应背景学习的CME自动检测方法研究

CME is the basic content of the study of space weather and its detection is easily affected by various accompanying or related physical processes, ground based observations also affected by atmospheric scattering, jitter and equipment tracking error. All above reasons make the accurately and automatically detecting CME to be still a challenge. In response to this challenge, the main purpose of this project is researching the key issues of how to accurately and automatically detect CME from observed images of coronal sequence. The research content includes preprocessing about observed images, scene model establishing, extract the CME candidate regions, extracting morphological features and evolution features from CME candidate regions. The key issues to be resolved by this project are: base on multi-scale, non-rigid motion, a baffle plate and other characteristics of coronal images, completing registration and filtering process of images by mutual information and local filtering technology, according to the statistics of static and dynamic characteristics to complete adaptive description about the observation scene, through the conditions of Bayesian posterior probability, morphology, feature matching and machine learning methods for detecting the CME. This project will use image data from LASCO to establish CME catalogs and compare it to manual catalogs such as the CDAW catalogs and automated CACTus catalogs, the ultimate goal is to provide new method which can bring high accuracy CME detection; at the same time, the study of coronal image processing method will be applied to the image data of Yangbajing coronagraph observations which will be put into used recently.

CME是空间天气研究的基础内容之一，其检测易受各种伴随的或相关的物理过程影响，地基观测还受到大气散射、抖动和设备跟踪误差等影响，使得准确的CME自动检测依然是一个挑战。针对这一挑战，本课题旨在研究日冕观测序列图像中CME自动准确检测的关键问题。研究内容包括日冕图像预处理、观测场景建模、CME区域提取、CME形态学动力学特征提取。拟解决的关键问题包括：基于日冕图像具有多尺度、非刚体运动、有挡盘等特征，通过互信息、局部滤波等技术达到对日冕序列图像配准、滤噪；统计观测场景的静态、动态特征实现对观测场景的自适应描述；通过贝叶斯条件后验概率、形态学、特征匹配及机器学习方法实现CME检测。本课题将对LASCO等空间日冕仪观测的日冕图像序列为实验数据建立CME目录，并与CDAW等人工目录和CACTus等自动检测目录进行对比；同时将研究的日冕图像处理方法应用到我国近期投入使用的羊八井日冕仪观测的图像数据。

CME作为连接太阳和地球的重要纽带，成为了一个非常重要的研究课题。CME又经常与其他的太阳活动现象联系在一起，其发生原因及与相关活动的研究仍然处于探索阶段。本项目旨在专门研究日冕观测序列图像中CME自动检测的关键问题。研究内容包括日冕序列图像预处理、日冕图像增强、观测场景建模、CME区域提取、CME形态学动力学特征提取等。本研究在CME自动检测和日冕图像增强两方面取得了创新性的结果。（1）项目将智能视频监控技术应用到CME的自动识别检测中，将CME检测看成是一个动态视频序列中前景检测问题，针对观测得到的日冕图像序列实现了CME的自动检测。具体包括：基于主导方向模式改进ViBe的CME检测算法、基于鲁棒性主成分分析的CME检测算法和基于自适应背景学习的CME检测算法。基于主导方向模式改进ViBe的CME检测算法能更好地去除噪声、冕流等干扰，更准确实现强CME的自动检测。利用RPCA将日冕序列图像分解为低秩的背景部分和稀疏的前景部分实现了CME的检测。基于RPCA的CME检测算法虽然易受冕流的影响，但是其检测的CME形状较为完整，不容易出现孔洞，可以用于单独CME爆发事件的完整区域检测。基于自适应背景学习的CME检测算法充分考虑了日冕图像序列中的动态和静态两类特征，对每个日冕图像的像素亮度进行背景建模，可以有效地避免噪声、非静态目标引起的背景变化取得了最优的CME自动检测效果。（2）考虑日冕图像的本身的特征，提出了一种径向局部多尺度日冕图像增强方法。该方法充分考虑了日冕图像径向特征、多尺度特征和局部区域变化特征，利用局部拉普拉斯滤波在极坐标空间实现日冕图像的增强。基于以上两方面的研究内容我们开发了两套软件系统：基于背景模型的CME检测系统和日冕图像径向增强系统。这些研究成果都是一些基础的、通用性的日冕图像处理方法。经过三年的研究，我们已经有一套处理日冕图像数据的方法和思路。