基于支持向量机的天文图像筛选与研究

摘要

时域天文学是一个目前非常活跃的研究领域，其主要研究对象包括超新星、变星及系外星系等光度连续变化的目标源和太阳系内的近地天体等快速移动目标。在时域天文研究中，中小口径光学望远镜的自动巡天是获取观测数据的重要来源，在观测时，望远镜根据观测策略自动观测并连续曝光，以获得时间上密集采样的大量天体图像。受此观测模式影响，获取的大量数据会受到外界环境、望远镜和CCD等机制影响而产生一些存在缺陷的图像。这些缺陷数据会随着有效数据一并传输，大大浪费存储和网络资源，同时影响后期的数据处理和科学研究。为此，在获取数据的同时，自动识别和筛选存在缺陷的数据对于数据传输和自动处理非常重要。 CCD是图像噪声的一个重要来源，为了更好的研究图像噪声特性，模拟了CCD/CMOS传感器的成像过程，执行了从光子到电子、从电子到模拟电压、从模拟电压到数字电压的过程，构建了高精度的光电传感器模型，并模拟了图像像差，还从几个常见的影响天文图像质量的因素出发，模拟了三种天文图像噪声：点状缺陷噪声、类条状缺陷噪声和云噪声等。 根据几种主要影响图像数据的外界因素，本文提出了使用支持向量机融合如下四种图像评价指标：灰度不一致度、点状缺陷系数、类条状缺系数、云噪声等，以实现对不同质量天文图像的筛选，并根据对于瞬变源等目标观测数据处理速度需求，使用GPU技术实现了天文图像快速筛选的要求，在筛选出存在缺陷的图像数据后，对存在云噪声的数据，进行了云的指标图提取。 实验结果表明：该系统对天文图像的分类准确率可达97%以上，对1024?1024大小的图像可达3.8s/幅的筛选速度，满足快速筛选的需求，利用直方图变换和特征提取可以初步提取云的指标图，给测光和暗弱目标提取提供参考。

目录

第一个书签之前

基于支持向量机的天文图像筛选与研究

摘 要

ABSTRACT

第一章 绪论

1.1 课题背景及意义

1.2 国内外研究现状

1.2.1 云的识别与提取

1.2.2 SVM在天文方面的应用

1.3 本文主要研究的内容及章节安排

第二章 光学成像链路中的噪声及模拟

2.1 成像系统噪声原理及模拟

2.1.1 从光子到电子的转化

2.1.2 从电子到模拟电压的转化

2.1.3 从模拟电压到数字电压的转化

2.2 图像像差的模拟

2.2.2 泽尼克多项式

2.3 天文图像的蒙特卡罗模拟

2.3.1 点状缺陷噪声模拟

2.3.2 类条状缺陷噪声模拟

2.3.3 云等复杂背景的模拟

2.4 本章小结

第三章 基于支持向量机的噪声分类系统

3.1 支持向量机

3.1.1 理论知识

3.1.2 LIBSVM

3.2 天文图像特征提取

3.2.1 数据规范化

3.2.2 灰度不一致度

3.2.3 点状缺陷

3.2.4 类条状缺陷

3.2.5 云噪声

3.3 SVM分类器的构建过程

3.4 GPU加速算法的原理与实现

3.4.1 GPU技术

3.4.2 GPU加速过程

3.4.3 加速比测试

3.5 本章小结

本章介绍SVM的基本原理，以及LIBSVM的使用方法，对天文图像从灰度不一致度、点状缺陷、类条状缺陷

第四章 分类器分类性能测试

4.1 模拟数据分类

4.2 真实数据分类

4.3 图像分类器长时间工作稳定性

4.4 当噪声特性变化时图像分类器分类性能

4.5 结果分析

4.6 本章小结

第五章 云的提取

5.1云的分类

5.2 云的提取

5.3本章小结

第六章 总结与展望

6.1 论文的研究成果

6.2 未来工作展望

参考文献

致谢

攻读硕士学位期间发表的学术论文和申请的专利