基于表象和纹理的全天空极光图像分类

摘要

极光图像分类是一很有挑战性很强的课题，极光分类方法往往与一定的观测手段与观测数据有关。在所有观测手段中，光学成像因为能够对极光的空间运动特性进行连续观测而被广泛应用。光学成像系统每年得到的观测数据成百万的增长，传统的极光分类方法难以有效处理这些数据，而模式识别正成为极光图像分类研究的新的手段。 使用模式识别技术用于极光分类研究，还处于起步阶段，有很多问题急需解决，如极光应该分多少类，如何去描述每一类极光以及如何描述每一类极光的背后物理机制等等。 本文针对极光分类的最新成果，使用模式识别中方法用于验证和检验当前极光分类的合理性。使用基于表象的特征和基于纹理特征用于极光分类。基于表象使用三个典型算法：PCA，PCA+LDA，贝叶斯类内类外差异分类器，基于纹理主要使用两个算法：灰度氛围矩阵和LBP。通过实验，发现基于表象特征的算法推广能力差，基于纹理算法中，LBP算法识别率最高。本文最后使用MFC和VXL实现极光图像处理系统。

目录

文摘

英文文摘

声明

第一章绪论

1.1概述

1.2极光图像分类

1.3本文的主要工作

1.4本文的内容安排

第二章极光图像预处理

2.1极光原始数据

2.2极光图像预处理

2.2.1几何校正

2.2.2基于直方图的图像处理技术

2.3小结

第三章基于表象特征的极光图像分类算法

3.1使用PCA提取图像的特征

3.1.1极光识别流程

3.1.2特征向量的选取

3.1.3分类器的选取

3.2使用PCA+LDA提取极光图像特征

3.2.1线性判决分析

3.2.2 PCA+LDA极光图像分类试验

3.3贝叶斯类间类外差异分类器

3.3.1贝叶斯类间类外差异分类器

3.3.2分类实验

3.3.3基于表象特征的实验结果

3.4小结

第四章基于纹理的极光图像分类算法

4.1基于灰度共生矩阵的极光图像分类算法

4.1.1灰度共生矩阵

4.1.2灰度氛围矩阵

4.1.3 BGLAM极光分类

4.1.4 BGLAM极光分类试验

4.2使用LBP提取纹理特征

4.2.1 LBP原理

4.2.2 LBP极光图像分类试验

4.3小结

第五章极光图像处理系统

5.1系统设计

5.2系统实现和编程要点

5.3小结

第六章总结与展望

致谢

参考文献

研究成果