紫外极光图像极光卵边界定位与建模

紫外极光图像极光卵边界定位与建模作者姓名刘慧导师姓名、职称高新波教授一级学科控制科学与工程二级学科模式识别与智能系统申请学位类别工学硕士提交学位论文日期2014年11月 学校代码10710701学号1202121202分类TN82号TP75密级公开西安电子科技大学硕士学位论文紫外极光图像极光卵边界定位与建模作者姓名：刘慧一级学科：控制科学与工程二级学科：模式识别与智能系统学位类别：工学硕士指导教师姓名、职称：高新波教授提交日期：2014年11月 AuroralOvalBoundaryLocalizationandModelinginUVIImagesAthesissubmittedtoXIDIANUNIVERSITYinpartialfulfillmentoftherequirementsforthedegreeofMasterinControlScienceandEngineeringByLiuHuiSupervisor:Prof.GaoXinboNovember2014 西安电子科技大学学位论文独创性（或创新性）声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。学位论文若有不实之处，本人承担一切法律责任。本人签名：日期：西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属于西安电子科技大学。学校有权保留送交论文的复印件，允许查阅、借阅论文；学校可以公布论文的全部或部分内容，允许采用影印、缩印或其它复制手段保存论文。同时本人保证，获得学位后结合学位论文研究成果撰写的文章，署名单位为西安电子科技大学。保密的学位论文在年解密后适用本授权书。本人签名：导师签名：日期：日期： 摘要摘要极光是高纬地区上空的一种自然发光现象，是由太阳风与磁层带电粒子碰撞所产生的。极光主要出现在以地磁极为中心的环带状区域内，该区域又称为极光卵。在紫外图像中能明显地观察到极光卵，极光卵边界位置与太阳风-磁层能量耦合过程有着密切的联系，对极光卵边界进行分割和建模有助于我们理解行星际磁场与地磁场的活动规律，为空间天气预报提供依据。本文分别对紫外极光图像中极光卵边界的定位与建模以及极光图像检索进行了系统的研究。1.在极光卵边界定位方面，本文提出了基于形状信息反馈和最大相似性区域合并准则的极光卵分割算法。首先用K均值聚类的方法得到初始目标标记与背景标记，使用最大相似性区域合并算法得到初始分割区域。然后用直接最小二乘椭圆拟合的方法将初始分割区域拟合为一个椭圆作为新的目标标记，再次使用最大相似性区域合并准则得到最终的分割结果。实验结果表明，本文所提方法具有较低的虚警率和较小的极向边界均方根误差。2.在极光卵边界建模方面，本文提出了基于深度学习的极光卵边界建模方法。本文以NASA网站上的OMNI数据库中的地磁物理参量作为模型输入，以极光卵极向边界与赤道向边界在24个磁地方时处的地磁纬度作为模型输出。通过两层RBM网络学习物理参量的特征，然后用RBF网络来模拟得到的特征对极光卵位置的响应函数。实验结果表明，本文所提方法可以有效进行极光卵边界位置的建模与预测。另外，本文通过实验给出了一些物理参数对极光卵边界位置影响机制方面的规律。3.在极光图像检索方面，本文提出了基于环形分区的感知哈希极光图像检索算法并实现了极光图像检索系统。本文根据MLT-MLAT坐标系下紫外极光图像中的极光卵分布特点，将图像进行环形分区，根据各个区域的像素灰度均值进行哈希编码，编码信息更能反映极光图像的特点，实验结果表明本文方法能有效找到与待检索图像相关的图像。在此基础上开发的极光图像检索系统不仅能提供与查询图像相关的图像信息，还能给出与检出图像对应的物理参数的信息。我们利用该系统进行典型事例分析，有效验证了极光卵边界建模实验得到的物理参数对极光卵边界位置影响方式方面的结论。关键词：极光卵分割，极光卵边界建模，深度学习，感知哈希论文类型：应用基础研究类I 西安电子科技大学硕士学位论文II ABSTRACTABSTRACTAuroraisanaturallightphenomenonthatusuallyappearsintheskyofthehighlatituderegions,whichiscausedbythecollisionofsolarwindandmagnetosphericparticles.ThelightringregionabovethenorthandsouthpolesoftheEarthiscalledtheauroraloval,whichcanbeclearlyobservedintheUVIimageandiscloselyrelatedtothecouplingprocessesoftheSun-Earthsystem.AuroralovalsegmentationandboundarymodelingcanbetterreflectthelawoftheinteractionofsolarwindandtheEarth’smagneticfield.Furthermore,itgivesanewwaytostudyspaceweatherforecasting.Thethesiscarriedonthreeparts:auroralovalboundarysegmentation,auroralovalboundarymodelingandauroralimageretrieval.1.Onthestudyofauroralovalsegmentation,weproposeanautomaticmaximalsimilaritybasedregionmerging(MSRM)methodwithafeedbackbasedonshapeinformation.Firstly,K-meansmethodisemployedtomarkauroralovalpointsandbackgroundpoints,thusguidingtheprocessofMSRMtoobtaintheinitialsegmentationresult.Thenthedirectleast-squareellipsefittingmethodisusedtofitanellipseontheinitialboundaryandpointsinthefittedellipsearesetasadjustedmarkersofauroraloval.Finally,theMSRMmechanismisusedagaintogetthefinalsegmentationresult.Experimentalresultsshowthattheproposedalgorithmobtainsalowfalsealarmandasmallrootmeansquareerrorofthepolewardauroralboundaries.2.Onthestudyofauroralovalboundarymodeling,deeplearningmethodisusedinthispaper.Themodeluses32geomagneticphysicalparameters,obtainedfromtheOMNIdatabaseonNASAwebsite,asinputs.TheoutputsofthenetareMLATsofequatorwardandpolewardauroralboundariesat24MLTs.RBMnetworkisusedtogetthefeaturesofgeomagneticparameters,whileRBFnetworkisusedtosimulatethemappingfunctionwhichthesefeaturesaffectthelocationoftheauroraloval.Theexperimentresultsshowthatourmethodcanmodelandforecasttheboundaryofauroraovalefficiently.Inaddition,somelawsofhowthephysicalparametersaffecttheauroralovalboundarylocationarediscoveredthroughexperiments.3.Intheaspectofauroralimageretrieval,thispaperpresentsanannularregionbasedIII 西安电子科技大学硕士学位论文perceptualhashingmethodandimplementsanauroralimageretrievalsystem.AccordingtothedistributioncharacteristicsofultravioletauroralimageunderMLT-MLATcoordinatesystem,wepartitiontheimageintoannularregionsandgivehashcodebasedonthemeanofpixelgraylevelofeachregion,whichcanbetterreflectthefeaturesofauroralimages.Experimentalresultsshowthatourmethodcaneffectivelyfindimagesrelatedtothequeryimage.Theauroralimageretrievalsystemisdevelopedonthebasisofthismethod,whichcannotonlyprovidestheimagesrelatedtothequeryimage,butalsogivesthecorrespondingphysicalparameterswiththedetectedimages.Weusethesystemfortypicalcaseanalyses.Theresultseffectivelyverifytheconclusionsabouthowphysicalparametersinfluenceauroralovalobtainedbyauroralovalboundarymodelingexperiments.Keywords:auroralovalsegmentation,auroralovalboundarymodeling,deeplearning,perceptualhashingTypeofDissertation:AppliedBasicResearchIV 插图索引插图索引图3.1本文极光卵分割算法步骤示意图...................................................................14图3.2本文方法与对比方法得到的分割结果示意图...............................................15图3.3本文方法与对比方法的查全率.......................................................................16图3.4本文方法与对比方法的虚警率.......................................................................16图3.5本文方法与对比方法的极向边界均方根误差...............................................17图4.1受限玻尔兹曼机模型结构...............................................................................19图4.2径向基网络结构...............................................................................................20图4.3极光卵分割结果转换到MLT-MLAT坐标系下示意图.................................21图4.4极光卵赤道向、极向边界点坐标提取示意图...............................................22图4.5极光卵边界位置模型网络结构.......................................................................22图4.6紫外极光图像...................................................................................................24图4.7RBM网络隐藏层节点个数调整实验模型预测结果....................................25图4.8RBM网络隐藏层节点个数调整实验误差分布直方图................................26图4.9RBM网络隐藏层节点个数调整实验模型在测试集上的平均绝对误差....26图4.10RBF网络训练误差调整实验模型预测结果..................................................27图4.11RBF网络训练误差调整实验误差分布直方图..............................................27图4.12RBF网络训练误差调整实验模型在测试集上的平均绝对误差..................28图4.13不同月份数据一致性实验模型预测结果.......................................................29图4.14不同月份数据一致性实验模型在测试集上的平均绝对误差.......................29图4.15调整输入参数实验模型预测结果...................................................................30图4.16调整输入参数实验误差分布直方图...............................................................31图4.17调整输入参数实验模型在测试集上的平均绝对误差...................................31图4.18与BP网络的对比实验模型预测结果............................................................32图4.19极光卵四个区域分布图...................................................................................32图4.20数据库中不同AE范围内的图片数目............................................................33图4.21极光卵位置随AE变化的统计分布图............................................................33图4.22数据库中不同Bz范围内的图片数目.............................................................34图4.23极光卵位置随Bz变化的统计分布图.............................................................34图4.24AE与Bz对极光卵位置的影响实验模型预测结果......................................35图4.25AE与Bz对极光卵位置的影响实验中模型预测得到的极光卵四个不同区域上的极向边界点平均绝对误差.......................................................................35图4.26AE与Bz对极光卵位置的影响实验中模型预测得到的极光卵四个不同区域上的赤道向边界点平均绝对误差...................................................................36图5.1基于环形分区的感知哈希数字摘要生成算法流程图...................................39V 西安电子科技大学硕士学位论文图5.2两种环形分区示意图.......................................................................................40图5.3本文方法与对比方法示例一查询结果...........................................................40图5.4本文方法与对比方法示例二查询结果...........................................................41图5.5本文方法与对比方法示例三查询结果...........................................................41图5.6本文方法与对比方法查准率...........................................................................42图5.7本文方法与对比方法查全率...........................................................................43图5.8本文方法与对比方法查全查准率曲线...........................................................43图5.9基于环形分区的感知哈希极光图像检索平台流程图...................................44图5.10基于环形分区的感知哈希极光图像检索平台界面.......................................44图5.11基于环形分区的感知哈希极光图像检索平台检索事例一...........................45图5.12基于环形分区的感知哈希极光图像检索平台检索事例二...........................45VI 表格索引表格索引表4.1OMNI数据库中的地磁物理参数...................................................................24表4.2节点个数调整实验中误差小于3个地磁纬度的点所占比例统计表...........26表4.3训练误差调整实验中误差小于3个地磁纬度的点所占比例统计表...........28表4.4调整输入参数实验中误差小于3个地磁纬度的点所占比例统计表...........31表4.5与BP网络的对比实验中模型在测试集上的平均绝对误差........................32VII 西安电子科技大学硕士学位论文VIII 符号对照表符号对照表符号符号名称HR区域R的灰度直方图ρ(R,Q)区域R和区域Q的相似性度量SO区域O的相邻区域的集合RBM网络参数PH()感知哈希函数Bj图像j的二进制编码IX 西安电子科技大学硕士学位论文X 缩略语对照表缩略语对照表缩略语英文全称中文对照NASANationalAeronauticsandSpaceAdministration美国国家航空航天局OMNIOperatingMissionsasaNodeontheInternet操作任务互联网节点RBMRestrictBoltzmannMachine受限玻尔兹曼机RBFRadialBasisFunction径向基函数MLTMagneticLatitude地磁纬度MLATMagneticLocalTime磁地方时UVIUltravioletImager紫外成像仪MSRMMaximalSimilarityBasedRegionMerging基于最大相似度的区域合并LBHLyman-Birge-Hopfield莱曼-伯奇-霍普菲尔德LBHsShorterPortionsoftheLBHBand莱曼-伯奇-霍普菲尔德短波段LBHlLongerPortionsoftheLBHBand莱曼-伯奇-霍普菲尔德长波段HKMHistogram-basedK-means基于直方图的k均值聚类AMETAdaptiveMini-mumErrorThresholding自适应最小阈值LLSLinearLeastSquares线性最小二乘RHTRandomizedHoughTransfor随机霍夫曼变换POPoleward极向EQEquatorward赤道向MAEMeanAbsoluteError平均绝对误差PHAPerceptualHashing感知哈希ARPHAAnnularRegionBasedPerceptualHashing基于环形分区的感知哈希XI 西安电子科技大学硕士学位论文XII 目录目录摘要....................................................................................................................................IABSTRACT...................................................................................................................III插图索引..........................................................................................................................V表格索引.......................................................................................................................VII符号对照表.....................................................................................................................IX缩略语对照表.................................................................................................................XI目录..............................................................................................................................XIII第一章绪论.....................................................................................................................11.1研究背景与意义....................................................................................................11.1.1研究背景.........................................................................................................11.1.2研究意义.........................................................................................................21.2国内外研究现状....................................................................................................21.2.1紫外极光图像极光卵分割研究现状.............................................................21.2.2紫外极光图像极光卵边界建模研究现状.....................................................31.3论文的研究成果与章节安排................................................................................3第二章相关算法介绍.....................................................................................................72.1紫外极光图像极光卵分割....................................................................................72.1.1HKM算法......................................................................................................72.1.2AMET算法....................................................................................................72.1.3LLSRHT算法.............................................................................................82.2极光卵边界建模....................................................................................................82.2.1单变量回归模型.............................................................................................82.2.2多变量回归模型.............................................................................................92.3小结........................................................................................................................9第三章紫外极光图像极光卵分割..............................................................................113.1理论基础..............................................................................................................113.1.1最大相似性区域合并...................................................................................113.1.2直接最小二乘椭圆拟合...............................................................................113.1.3算法流程.......................................................................................................123.2实验结果与分析..................................................................................................143.2.1主观评价结果与分析...................................................................................143.2.2客观评价结果与分析...................................................................................153.3小结......................................................................................................................17第四章基于深度学习的极光卵边界位置建模..........................................................194.1理论基础..............................................................................................................19XIII 西安电子科技大学硕士学位论文4.1.1受限玻尔兹曼机...........................................................................................194.1.2径向基函数神经网络...................................................................................204.2极光卵边界位置模型..........................................................................................214.2.1图像分割.......................................................................................................214.2.2坐标转换.......................................................................................................214.2.3边界提取.......................................................................................................214.2.4模型构建.......................................................................................................224.3实验结果与分析..................................................................................................234.3.1数据库构建...................................................................................................234.3.2实验结果与分析...........................................................................................244.4小结......................................................................................................................36第五章基于环形分区的感知哈希极光图像检索......................................................375.1基于环形分区的感知哈希极光图像检索算法..................................................375.1.1感知哈希概述...............................................................................................375.1.2基于环形分区的感知哈希数字摘要生成算法...........................................385.1.3感知哈希查询算法.......................................................................................395.2实验结果与分析..................................................................................................395.2.1主观评价结果与分析...................................................................................405.2.2客观评价结果与分析...................................................................................425.3基于环形分区的感知哈希极光图像检索平台..................................................435.3.1系统设计.......................................................................................................435.3.2平台界面.......................................................................................................445.3.3事例分析.......................................................................................................445.4小结......................................................................................................................45第六章结论和展望.......................................................................................................476.1研究结论..............................................................................................................476.2研究展望..............................................................................................................48参考文献.........................................................................................................................49致谢.................................................................................................................................53作者简介.........................................................................................................................55XIV 第一章绪论第一章绪论极光是在太阳风与地球磁场的作用下，带电粒子沉降进入极区大气并与大气[1]中的分子原子碰撞激发产生的一种发光现象。它的发生与太阳风、地磁活动密切相关。因此，对极光的研究能够监测地球磁层与太阳风的相互作用过程，进而有效地预测空间气候的变化，减少灾害性空间天气所带来的损失。1.1研究背景与意义1.1.1研究背景极光是出现在地球高纬地区上空的一种美丽的自然现象，瑞典、挪威、芬兰、冰岛等国都是观测极光的好去处。地磁纬度高的地区更容易观测到极光现象。美国阿拉斯加的费尔班克斯一年之中更是有超过200天的极光现象，而佛罗里达州平均一年只能见到极光4次左右。我国的漠河也能见到美丽的极光现象，而在北[2]京看到极光的概率就要小的多。人们看到的极光的颜色多种多样，这是由于受激原子或分子的种类不同导致的，氧原子被激发后会发出多种颜色的光，最亮的是[3]红光和绿光，而氮分子受激后会发出红光、蓝光和紫光。作为世界上最漂亮的自然奇观之一，极光绚丽的外观与流动的形态激发了许多研究者探索的兴趣。法国科学家与哲学家PierreGassendi于1621年使用“极光”[4]这一术语，但GeorgeSiscoe认为这一名称最早由GalileoGalilei于1619年采用。耶鲁大学的EliasLoomis于1860年绘制了一张带有在多个观测位置上极光在一年中出现次数的地图，HermannFritz于1881年给出了一张更为准确的地图。之后，Vestine在1944年通过时间和纬度来简单的表示极光。早期的这些关于极光的研究都是基于地面观测的，而卫星观测的出现大大促进了极光研究的进展。对卫星观测数据的研究又分为两个分支，一个分支是研究卫星捕获的粒子沉降数据，以Hardy、Newell等人为代表，另一个分支是研究卫星拍摄的极光图片，Holzworth、[5]Craven等人做了许多这方面的研究。Polar卫星是一颗重要的极光观测卫星，它为研究者提供了大量的极光图片数据。Polar卫星发射于1996年2月24日，运行在高椭圆轨道，远地点高度为9个地球半径，近地点高度为1.8个地球半径。其轨道偏角为86度，运行周期约18小时。Polar卫星携带一个紫外成像仪，该成像仪包含四个窄带远紫外滤波器。130.44.0nm和135.66.0nm波段的滤波器用来检测分立的氧原子谱线，140-160nm（LBHs）波段和160-180nm（LBHl）波段的滤波器用来检测Lyman-Birge-Hopfield（LBH）区域氮分子的谱线。极光卵轮廓在LBHs、LBHl和[6]135.6nm波段的图像中可以明显看到，尤其是在LBHl波段的图像中更加清晰，1 西安电子科技大学硕士学位论文本文实验所使用的图像就是Polar卫星上的紫外成像仪拍摄的LBHl波段的图像。Polar卫星能从全局角度提供极光活动的图片，这是地面观测站所拍摄的全天空图像不能提供的。我国对紫外波段的极光形态进行探测研究起步较晚，但已引起空间物理学研[7]究者及相关部门的重视，相关的探测计划正在开展，其中包括“夸父计划”，又称为“空间风暴、极光和空间天气”探测计划。该计划预计发射三颗卫星，其中A星位于距地球150万公里的日地连线上，用来对太阳活动及其伴生现象进行监测。另外两颗卫星B1和B2运行在地球极轨大椭圆轨道上，用来对由太阳活动引起的地球近地空间环境的变化进行监测。夸父B卫星上将携带极紫外光谱成像仪和紫[8]外极光监测照相机等设备，以实现对北极光分布的连续观测。我们的研究工作也能为日后研究我国卫星拍摄的紫外极光图像提供一定的参考。1.1.2研究意义极光是由带电粒子沉降所产生的发光现象，是磁层活动的有效反映，对其进行研究有许多重要的意义。通过分析极光的光谱，可以反演出不同的粒子沉降类型和磁层源区中各边界层动力学过程。研究极向运动，有助于理解日侧磁层顶的重联过程对极区电离层的影响。研究极光形态的合理分类对研究各类极光现象与[9]磁层动力学过程之间的关系尤为重要。[10]极光卵是最大极光活动随地磁纬度和磁地方时的瞬时分布，对其研究也有着十分重要的意义。从极盖区域发出的磁场线与行星际磁场线相连，而极光卵又是极盖区域的近似边界，因而研究极光卵边界位置对研究日地系统能量耦合过程有重要的意义。许多极区上层大气现象是沿着极光卵的纬线圈出现的，并非沿着[11]地磁纬线圈，因而极光卵可以作为研究大量极区上层大气现象的天然坐标参照。极光卵边界位置与太阳风-磁层能量耦合过程有着密切的联系，对极光卵边界进行分割和建模有助于我们理解行星际磁场与地磁场的活动规律，为空间天气预报提供依据。紫外极光数据是一种重要的天文数据，反应了高能粒子在极区的沉降分布，对人类感知太阳风与地球磁层的相互作用具有重要意义。特别是面对磁暴、雷暴等突发性空间气候灾害时，天文学家、物理学家可以通过研究紫外极光数据对地球磁场进行监控和预测，进而对灾害性空间气候变化未雨绸缪，减少人类损失。1.2国内外研究现状1.2.1紫外极光图像极光卵分割研究现状极光卵的分割是极光卵边界建模的基础，高效的极光卵边界提取对于研究极光粒子沉降规律，进而理解太阳风-磁层能量耦合过程和空间气候变化规律起着十2 第一章绪论分重要的作用。目前，提取紫外极光图像极光卵区域的方法可分为无形状先验知识和有形状先验知识两类。前者考虑图像自身的灰度和像素间的空间关系信息，[1]不考虑形状先验知识。如Germany等人提出的PCNN方法利用相邻像素间的灰[12]度关系，采用神经网络对极光卵区域进行分割；Hung等人的HKM算法首先将图像的灰度直方图进行K均值聚类，然后设定灰度阈值，将高于灰度阈值的区域[13]作为极光卵区域；Li等人的AMET方法则利用了磁地方时信息将紫外极光图像进行分区，用最小误差阈值法对各个子区域进行分割。上面这些无形状知识的分割方法适用于目标和背景对比度大的情况，但是，在对比度低的情况下会出现误[14]分和漏分的问题。另外一种分割方法利用了极光卵的形状先验知识，如Cao等人提出的LLS-RHT方法，该方法首先用AMET方法对紫外极光图像进行分割，然后将分割结果拟合为两个椭圆作为极光卵的极向边界和赤道向边界，这种方法虽然能得到完整的极光卵，但是极向边界分割结果过于平滑，存在较大的误差。1.2.2紫外极光图像极光卵边界建模研究现状在早期的研究工作中人们将极光卵的位置表示为单变量的函数。1967年Feldstein提出基于原始数据的模型，将极光卵出现的可能性描绘成了Q指数的函[10][15]数。Starkov将极向、赤道向和弥散极光卵边界表示为AL指数的函数，Zhang和Paxton使用了Epstein方程来计算电子通量和平均能通量，并将极光卵位置表示[16][5]为Kp指数的函数，Carbary也将极光卵的边界位置用Kp指数来表示。Milan[17]的研究表明在磁暴期间极光卵半径随环电流增强而增加。Lukianova统计了极盖区域边界与行星际磁场的关系，指出极盖区域边界在正午-午夜方向受行星际磁场[18]z方向分量控制，在晨昏线方向受行星际磁场y方向分量影响。由于极光卵的边界位置不是一种地磁活动指数能决定的，因而上面这些将极光卵边界位置表示为单一一种地磁活动指数的函数的方法具有局限性，目前研究的趋势是将极光卵的位置和大小用多种地磁物理参数来表示。Yang利用多元回归的方法将极光卵的位[19]置表征为多种物理参数的函数，但多元回归的方法受回归方程假设的影响很大，二次多项式形式的回归方程并不能准确反映客观物理规律。本文采用深度学习的方法建立极光卵边界位置随多种地磁物理参数变化的模型。Yang的方法根据经验提取了9个物理参数来构建预测模型，具有一定的局限性。而本文所使用的深度学习方法不用预先选择输入参数，所有从OMNI数据库中得到的参数都可以作为模型输入，因而采用深度学习算法建立的极光卵边界位置模型更能反映太阳风与地磁场的相互作用规律，从而为空间天气预测奠定基础。1.3论文的研究成果与章节安排本文基于海洋公益性行业科研专项经费项目“极区海洋大气与空间环境业务化监测及其在气候变化预测中的应用”，运用了图像处理、机器学习和模式识别方3 西安电子科技大学硕士学位论文面的相关知识，分别对紫外极光图像极光卵边界定位与建模开展了研究。本文所采用的极光图像为Polar卫星携带的紫外成像仪所拍摄的1996年12月到1997年2月间的紫外极光图像，所采用的地磁物理参数来自美国航空航天局OMNI数据库。首先针对紫外极光图像对比度低的特点，提出了基于形状信息反馈和最大相似性区域合并准则的极光卵分割算法，虚警率低，极向边界均方根误差小。然后，为探索多种物理参量与极光卵边界位置的关系，本文提出了基于深度学习的极光卵边界建模方法，得到了一些初步的规律性的结论。最后，本文实现了极光图像检索系统，为验证极光卵边界建模实验得到的物理参量对极光卵边界位置影响的规律性结论提供了方便。本文工作的研究成果如下：(1)针对紫外极光图像对比度低的特点，本文提出了基于形状信息反馈和最大相似性区域合并准则的极光卵分割算法。首先用K均值聚类的方法得到初始目标标记与背景标记，使用最大相似性区域合并算法得到初始分割区域。然后用直接最小二乘椭圆拟合的方法将初始分割区域拟合为一个椭圆作为新的目标标记，再次使用最大相似性区域合并准则得到最终的分割结果。实验结果表明，本文所提方法具有较低的虚警率和较小的极向边界均方根误差。(2)为探索多种物理参量与极光卵边界位置的关系，本文提出了基于深度学习的极光卵边界位置建模方法。以NASA网站上的OMNI数据库中的地磁物理参量作为模型输入，以极光卵极向边界与赤道向边界在24个磁地方时处的地磁纬度作为模型输出。通过两层RBM网络学习物理参量的特征，然后用RBF网络来模拟得到的特征对极光卵位置的响应函数。实验结果表明，本文所提方法可以进行极光卵边界位置的建模与预测。(3)为高效寻找典型极光图像，验证地磁物理参量对极光卵边界位置的影响规律，本文提出了基于环形分区的感知哈希极光图像检索算法并实现了极光图像检索系统。我们根据MLT-MLAT坐标系下的紫外极光图像的分布特点，将图像进行环形分区，根据各个区域的像素灰度均值进行哈希编码，编码信息更能反映极光图像的特点。使用我们提出的编码方法能快速找到与检索图像相关的图像，可以帮助空间物理研究者提高研究的效率。另外，我们开发的极光图像检索系统还能提供与检出图像对应的物理参数的信息，为典型事件分析提供方便。本文的章节内容安排如下：第一章：首先阐述了紫外极光图像的研究背景与研究意义，然后分别介绍了4 第一章绪论紫外极光图像极光卵分割与极光卵边界位置建模的研究现状，最后给出了本文工作的研究成果概括和章节安排。第二章：介绍已有的基于像素的和基于形状先验的极光卵分割算法与基于单变量回归的和多变量回归的极光卵边界建模方法，并分析了这些算法的优缺点，为提出新的算法做铺垫。第三章：详细介绍基于形状信息反馈和最大相似性区域合并准则的极光卵分割算法的原理和步骤，给出主客观评价结果。第四章：介绍受限玻尔兹曼机与径向基网络的特点，进一步提出基于深度学习的极光卵边界建模方法，最后给出参数调整实验与物理规律探索实验。第五章：提出基于环形分区的感知哈希极光图像检索方法，给出主客观评价结果，最后展示极光图像检索系统并给出典型事例分析。第六章：总结了本文的研究成果，指出研究中存在的不足之处及后续研究工作的方向。5 西安电子科技大学硕士学位论文6 第二章相关算法介绍第二章相关算法介绍本章就紫外极光图像极光卵分割和建模方面已有的算法进行讨论，概括介绍了相关算法的步骤及其优缺点，为提出我们的算法进行铺垫。2.1紫外极光图像极光卵分割2.1.1HKM算法[12]HKM算法是由Hung和Germany在经典的K均值聚类方法的基础上提出来的。首先，求出图像像素亮度的直方图H，将亮度范围划分为K个连续的子范围，求出每个子范围内亮度的均值uj，将这些均值作为聚类中心。定义规则R：对所有22的jj,1...,Kjk，如果(iu)(iu)，就把直方图中亮度为i的那个格子划kj分到第k类中。当直方图中所有的格子被重新分类后，计算出新的聚类中心u，j1然后计算聚类中心的改变Euu。然后按照上述规则R对直方图进行聚类，jjjn不断迭代，直到在第n次迭代中，n1，E,j1...K，小于一个预置的阈值，j或者达到了预置的最大迭代次数。HKM算法对于一些对比度高的紫外极光图像来说分割效果较好，比如，将直方图聚成四类，选择均值最高的两类作为极光卵区域。但该方法对对比度低的紫外极光图像来说分割效果较差，因为这是一种基于像素亮度值的分割方法，对比度低的紫外极光图像极光卵区域内像素的亮度值和非极光卵区域内像素的亮度值有重叠，所以该方法不能得到理想的分割结果。2.1.2AMET算法[13]AMET算法是Li等人提出的，该算法考虑不同图像区域内的像素值。首先根据磁地方时将紫外极光图像分为不同的区域，每个区域跨越两个磁地方时，并且与它相邻的磁地方时有一个小时的重叠。AMET算法在每个区域内运用最小误差阈值分割算法。最小误差阈值分割算法假设每个区域内极光卵和背景区域的像素亮度呈正态分布并且能被该区域的直方图Hi近似表示。一个区域的误差阈值T通过最小化标准函数J(T)取得。JT()12[()logPT()TPT()log()]T1122（2-1）2[()log()PTPTPT()logPT()]1122T255其中，PT1()=Hi，PT2()=Hi，是正态分布的标准化，其中1与小于T的i0iT1曲线相关联，与大于T的曲线相关联。AMET算法应用于每个像素Pi的最终的2阈值为三个区域（Pi所在的区域S以及与S相邻的两个区域）阈值的平均值。7 西安电子科技大学硕士学位论文尽管AMET方法采用不同区域阈值的平均值的做法有效滤除了结构噪声，但AMET方法也是一种基于像素值的分割方法，它对于目标与背景对比度低的图像分割效果也不理想。2.1.3LLS-RHT算法[14]LLS-RHT算法是Cao等人提出的，它是一种基于极光卵椭圆形状先验的分割方法，主要分为以下四个步骤。首先，采用阈值分割的方法将图片分割为前景和背景两个部分，使用简单的全局阈值分割法就可以得到结果，这里采用鲁棒性更强的AMET方法得到初步的阈值分割结果。然后，寻找高度活跃的区域Dp，Dp由满足下列任意一个条件的像素组成：（1）像素是前景像素并且其八邻域区域也是前景像素；（2）像素有一个邻域像素满足条件（1）。在找到高度活跃的区域Dp后，对Dp做简单的形态学闭运算来消除细小的缺口。接下来，得到Dp的边界B，用随机霍夫曼变换的方法将B拟合为一个椭圆EB，并找到椭圆的中心O。最后以O为出发点做一圈发散的射线，得到B的极向边界点和赤道向边界点，将极向边界点和赤道向边界点分别拟合为椭圆EO和椭圆EI，这两个椭圆就是最终的极光卵边界。LLS-RHT算法在阈值分割的基础上加入了极光卵椭圆形状先验知识，在前景背景对比度低的图像中也能得到完整的极光卵边界，但实际的极光卵的极向边界是凹凸不平的，使用该方法得到的极光卵极向边界是一个椭圆，不符合实际情况。2.2极光卵边界建模2.2.1单变量回归模型物理研究人员通过数理统计的方法将极光卵边界拟合为单变量的函数，这些模型有基于Q指数的，基于AL指数的和基于Kp指数的。这里介绍两种边界模型，分别是基于AL指数的和基于基于Kp指数的极光卵边界模型。[15]Starkov于1994年给出了极向、赤道向和弥散极光边界随地磁活动变化的简单公式。地磁输入参数是AL指数，它描述极光活动期间出现的行星际磁场扰动。[20]AL指数可以由Kp指数给出，公式如下23AL=18-12.3Kp+27.2Kp-2Kp（2-2）其中，Kp的范围为0到9，0表示地磁活动十分平静，5或大于5表示处于磁暴状态。具体来说，Kp是全球范围3小时内磁力计显示地磁场水平分量最大扰动的平均值。极光卵边界可以表示为=A+Acos[15(t)]Acos[15(2t)]Acos[15(3t)]（2-3）m0m1m1m2m2m3m3m其中，A和i[0,...,3]分别是表示纬度的振幅和表示十进制数小时的相位。timim是地方时。m0,m1,m2分别对应极向、赤道向和弥散极光边界。方程的系数8 第二章相关算法介绍A和以三阶多项式的形式给出imim23Aorbblog|AL|blog|AL|blog|AL|（2-4）imim0m1m102m103m10[15]对于每一个A和i[0,...,3]都有一系列b值与之对应，其值详见Starkovimimim的文章。[5]Carbary于2005年提出了一种基于Kp指数的极光卵建模方法，这是一种根据Kp指数将几个月的紫外极光图像分开统计并构建模型的方法。首先将紫外极光图像转换到MLT-MLAT坐标系下，然后按8个Kp层级统计相应的图像，将各Kp层级上的图像中各个位置像素点灰度值分别相加并取平均，得到各个Kp层级的统计平均图像。提取各个Kp层级统计平均图像中每个磁地方时上的灰度分布曲线，该曲线形状类似于一个高斯函数叠加在一个多项式函数上，规定与峰值相差4-2-1Photonscms的两个点分别为极向边界点和赤道向边界点。最后将极向边界点与赤道向边界点的地磁纬度拟合为Kp指数的函数，其数学表达式如下：POPOPOB()KpCCKp（2-5）MLT01EQEQEQB()KpCCKp（2-6）MLT01其中，C0和C1是拟合系数，其上标PO代表极向边界，EQ代表赤道向边界。这些基于单变量回归的建模方法可以根据某一地磁活动指数近似计算出极光卵边界的地磁纬度，但由于极光卵边界位置是多种地磁物理参数共同影响的，这些基于单变量回归的方法难以较为准确的给出极光卵边界的位置。2.2.2多变量回归模型[19]用多种地磁参数来表征极光卵边界已成为目前研究的趋势，Yang提出了一种基于多元回归的极光卵边界位置模型。首先用包含空间信息的模糊c均值聚类方法来分割紫外极光图像，剔除分割结果不好的图像，提取极光卵在24个磁地方时处的极向边界点和赤道向边界点。选用行星际磁场x方向分量Bx、行星际磁场y方向分量By、行星际磁场z方向分量Bz、太阳风动压Pd、太阳风密度Np以及太阳风速度Vp六个物理参量来作为模型输入，选用二次多项式作为回归模型，该模型由二次项、常数项及交叉项组成。另外，为了获得更好的建模效果，Yang在原有的六参数模型的基础上，增加了极盖指数PC，地磁活动AE指数和KanLee（KL）电场，构建了一个由九个参数组成的多元回归模型，该模型也采用二次多项式的形式。该多变量回归模型虽然可以预测极光卵边界，但是由于地磁物理参数与极光卵边界位置的物理关系是不明确的，该方法采用简单的二次多项式的形式来构建模型有一定的局限性。2.3小结本章回顾了已有的一些算法，在紫外极光图像极光卵分割方面，概要介绍了9 西安电子科技大学硕士学位论文HKM算法、AMET算法及LLS-RHT算法，在极光卵边界建模方面，概括介绍了单变量回归模型及多元回归模型。另外，本章还分析了以上算法的优缺点，给出了这些算法存在局限性的原因，为提出我们的算法进行铺垫。10 第三章紫外极光图像极光卵分割第三章紫外极光图像极光卵分割由于紫外极光图像对比度低，现有的基于像素的分割方法很难得到完整的极光卵边界。基于形状信息的双椭圆拟合方法虽然能得到完整的极光卵边界，但得到的边界过于平滑，不够精确。针对这些算法的缺点，本文提出了一种基于形状信息反馈和最大相似性区域合并准则的极光卵分割算法。该算法能得到既完整又相对准确的极光卵边界，从而为分析极光卵边界位置与行星际磁场和地磁活动的相关性打下基础。3.1理论基础3.1.1最大相似性区域合并[21]最大相似性区域合并算法用标记来引导分割过程。首先将图片分割成许多区域，然后根据区域间的相似性将未标记区域与标记区域进行合并，最终得到分割结果。我们可以用边界、形状、纹理、颜色、大小等信息来描述一个区域。由于同一个物体不同区域的颜色直方图具有高度相似性，可以选择颜色直方图作为区域描述子。对于紫外极光图像，由于该图像没有颜色信息，我们用灰度直方图来描述图像区域。将区域R的灰度直方图记为HR，使用巴氏系数ρ(R,Q)来度量区域R和区域Q的相似性，256ii(,)RQHRHQ（3-1）i1ii其中，H与H分别是区域R和区域Q灰度直方图的第i个元素。相同物体上的RQ区域间的灰度直方图相似性高，上述相似性度量系数也就比较大。传统区域合并算法设置一个初始阈值，当相邻区域的相似性超过预设的阈值时将两个区域合并，阈值过大的话会无法把一个完整的目标分出来，阈值过小则会出现过度合并的问题，所以阈值的选择成为了一个难题。最大相似性区域合并算法有效解决了阈值选择的问题，其合并规则如下，假设区域Q与区域R相邻，Q的一系列邻域记作SS{}Q，显然，(,)QRmax(,QSQ)，Qiiq1,2,...,RSQ。如果iq1,2,...i就将区域R与区域Q合并。也就是说，当R与Q的相似性度量值是SQ中的所有元素与Q的相似性度量值中的最大值时，将区域R与区域Q合并。3.1.2直接最小二乘椭圆拟合大部分现有极光卵分割算法是基于像素亮度值的，这些方法在低对比度极光11 西安电子科技大学硕士学位论文卵图像上分割效果很差，因为它们不能得到完整的极光卵边界。所以我们考虑加入形状先验信息来引导分割过程。由于极光卵是椭圆形状的，我们用直接最小二乘法将用最大相似性区域合并算法得到的极光卵拟合为一个椭圆作为新的目标标记，然后再次使用最大相似性区域合并算法得到最终的分割结果。[22]直接最小二乘椭圆拟合算法是Fitzgibbon提出的，该算法用来估计椭圆方程（3-2）中的参数。22aXbXYcYdXeYf0（3-2）假设a[]abcdef，该算法用来求解a，算法的输入为待拟合的一些列坐标点(XYi,),1,2,...n，其中n是坐标点的个数，将输入参数按式（3-3）进行归一化。iin1()XXiixni1imax(XXii)min()(in1,2,...)（3-3）n1()YYiinyi1imax()min()YYii定义列向量如下Tx[,xx,...]x12n（3-4）Ty[,yy,...]y12n设计矩阵的形式如下D[xxxyyyxyJ,,,,,]（3-5）其中J是一个n×1的全1向量。则散布矩阵为TS=DD（3-6）约束矩阵为002000010000200000C（3-7）000000000000000000系统联立方程如下SaCa（3-8）TaCa1其中为拉格朗日乘子。我们通过求解（3-8）得到最终的椭圆方程。3.1.3算法流程12 第三章紫外极光图像极光卵分割本文提出的基于形状信息反馈和最大相似性区域合并准则的极光卵分割算法流程如图3.1所示。本算法首先采用最大相似性区域合并准则得到初步分割结果，然后对得到的极光卵边界进行椭圆拟合，将拟合出的椭圆作为目标标记，再次运用最大相似性区域合并准则得到最终的分割结果。该算法的具体步骤如下：（1）得到初始分割区域。首先用Sobel算子对输入图像Iinput进行处理，得到水平梯度图像Gx和竖直梯度图像Gy，从而得到包含输入图像边缘信息的图像G22GGG，（3-9）xy然后将图像G作为分水岭算法的输入，进而得到初始分割区域的集合F。（2）得到初始标记。根据UVI图像的特点，我们用K-means算法按灰度值将输入图像的像素点聚成三类，记作P=PPP,,。这三类像素点按聚类中心点的灰123度值从小到大的顺序依次代表无效成像区域，背景区域和极光卵区域。三个聚类中心的灰度值从小到大依次记为C1，C2和C3。我们将灰度值大小在C2附近的点和位于整幅图像边界上的点作为背景标记，将灰度值大小位于C3附近的点作为目标标记，也就是极光卵标记。（3）应用最大相似性区域合并算法得到初步分割结果。我们将初始分割区域集合F中包含背景标记的区域的集合，包含目标标记的区域的集合和未包含任何标记的区域的集合分别记作Mb，Mo和Mn。区域合并的过程分为两个阶段。在第一个阶段，用最大相似性区域合并准则将Mo和它的相邻区域进行合并。对每一个区域OM，其相邻区域的集合记作SAO{}。对每一个Ai，AM且oii1,2,...rioAM，我们将其相邻区域记作SS{}Ai。如果满足下面的规则ibAijj1,2,...,k(,)AOmax(,ASAi)，（3-10）iijjk1,2,...我们将区域Ai并入Mo。这一过程迭代执行直到没有新的合并区域被发现为止。集合Mo和Mn在每一次迭代中被更新。在第二个阶段，未标记区域的集合将和它周围的未标记区域进行合并。对每一个区域NM，其相邻区域的集合记作nSHN{}。对每一个Hi，HM且HM，我们将其相邻区域记作ii1,2,...,pioibSS{}Hi。如果满足下面的规则Hijj1,2,...,q(HN,)max(HS,Hi)，（3-11）iijjq1,2,...我们将区域Hi并入Mn。这一过程迭代执行直到没有新的合并区域被发现为止。集合Mn在每一次迭代中被更新。以上两个阶段的处理过程会交替重复执行，直到两个阶段都没有区域能进行合并为止，进而得到初始分割图像Iinitial。（4）得到调整后的标记。对于一些对比度很低的UVI图像，通过上面的步骤13 西安电子科技大学硕士学位论文得不到一个完整的极光卵边界，必须增加图像中对比度低的部分的极光卵上的目[23]标标记。由于极光卵从空间上看成环状结构，我们应用直接最小二乘椭圆拟合算法将初始分割图像中的极光卵边界拟合成一个椭圆，将该椭圆作为新的目标标记。（5）再次应用最大相似性区域合并算法得到最终的分割结果图像Ioutput。分水岭初始区域MSRM椭圆拟合MSRM输入：输出：初步分割结果调整后标记原始图像分割结果K均值聚类初始标记图3.1本文极光卵分割算法步骤示意图3.2实验结果与分析使用Polar卫星携带的紫外成像仪拍摄的紫外极光图像作为实验数据。图像大小为228*200，数量为30幅。首先进行人工分割，将分割结果作为groundtruth，从而来评价我们的算法。所有的实验在Window7系统上的MatlabR2010b环境下执行。处理器为2.93GHz的英特尔酷睿i3处理器，内存为2GB。[13]为验证我们算法的准确性与鲁棒性，我们将所提算法的实验结果与AMET，[12][14]HKM与LLS-RHT算法得到的结果进行了比较。我们首先人工标记了30幅紫外极光图像作为评价标准，然后将各算法得到的结果同评价标准进行比较，从而评价各个算法的性能。3.2.1主观评价结果与分析图3.2是本文提出的方法与现有的极光卵分割方法效果对比图，其中，(a)列为原始图像，(b)列为AMET算法得到的分割结果，(c)列为HKM算法得到的分割结果，(d)列为LLS-RHT算法得到的分割结果，(e)列为本文所提基于形状信息反馈和最大相似性区域合并准则的极光卵分割算法得到的结果，(f)列为人工标记的分割结果。从图3.2中可以看出基于像素的AMET方法和HKM方法可以用来分割极光卵区域和背景区域对比度高的紫外极光图像，当图像中极光卵区域和背景区域对比度较低时这两种方法无法得到完整的极光卵边界。双椭圆LLS-RHT方法虽然可以得到完整的极光卵边界，但该方法得到的极光卵边界过于光滑，与实际情况不14 第三章紫外极光图像极光卵分割符，尤其是极光卵的极向边界。本文提出的方法在图像中极光卵区域和背景区域对比度低的情况下也可以得到完整的极光卵边界并且得到的极光卵边界相对准确。(a)(b)(c)(d)(e)(f)图3.2本文方法与对比方法得到的分割结果示意图3.2.2客观评价结果与分析本文使用查全率、虚警率以及极光卵极向边界的均方根误差来评价分割结果的准确性。T和A分别是人工标记的极光卵区域和分割算法得到的极光卵区域。查[24]全率Pr和虚警率Pe的定义如下：NPTA（3-12）rNTNCA()TAPe（3-13）NA其中，N是区域T和A中公共像素点的个数。类似的，N是区域T中像素点的TAT个数，N是区域A中像素点的个数。在区域A中但不在区域T中的像素点的个数A记作N。记BT与BT分别为第i个人工标记极向边界点的横坐标与纵坐标，CA()TAixiyBA与BA分别为第i个分割得到的极向边界点的横坐标与纵坐标，n为评价所取ixiy极向边界点的个数，则极向边界的均方根误差如下：n122RMSE(BTixBAix)(BTiyBAiy)（3-14）ni1图3.3给出了四种方法的查全率，即四种方法的分割结果中与人工标记分割结果重合的面积占人工标记极光卵面积的比例。图3.4给出了虚警率，即四种方法的分割结果中不与人工标记的分割结果重合的面积占各个方法得到的极光卵面积的15 西安电子科技大学硕士学位论文比例。查全率越高越好，虚警率越低越好。从图3.3可以看出本文方法的查全率仅次于LLS-RHT方法，这是因为LLS-RHT分割出的区域过大，该区域与人工标记得到的极光卵区域有较大的重叠部分。但是在图3.4中，本文方法的平均虚警率是四种方法中最低的。HKM方法的虚警率也较低是因为HKM方法只能分割出极光卵中对比度高的那部分区域，故其总的分割面积很小，其分割出的区域基本都在人工标记的范围内。实验结果表明本文所提方法是一种有效的极光卵分割手段因为使用本文方法得到的结果有较高的查全率和较低的虚警率。10.90.80.70.60.5查全率0.40.30.2AMETHKM0.1LLS-RHT本文方法0051015202530图像编号图3.3本文方法与对比方法的查全率0.9AMET0.8HKMLLS-RHT0.7本文方法0.60.5虚警率0.40.30.20.10051015202530图像编号图3.4本文方法与对比方法的虚警率图3.5为四种方法极向边界的均方根误差。由于极向边界与极盖区域磁通量有16 第三章紫外极光图像极光卵分割关，其边界是研究日地耦合系统能量转换过程的重要参考因素，我们将极向边界均方根误差作为评价算法性能的一个指标。由图3.5可以看出，本文方法平均极向边界均方根误差最小。20AMETHKM18LLSRHT本文方法161412108极向边界均方根误差6420051015202530图像编号图3.5本文方法与对比方法的极向边界均方根误差3.3小结本章详细介绍了基于形状信息反馈和最大相似性区域合并准则的极光卵分割算法的步骤。首先用K均值聚类的方法得到初始目标标记与背景标记，使用最大相似性区域合并算法得到初始分割区域。然后用直接最小二乘椭圆拟合的方法将初始分割区域拟合为一个椭圆作为新的目标标记，从而增加了图像中对比度低的目标区域的信息。然后再次使用最大相似性区域合并准则得到最终的分割结果。实验结果表明，本文所提方法具有较低的虚警率且极光卵极向边界的均方根误差较小，很好的克服了已有基于像素灰度值的方法无法分割出完整极光卵区域的缺点和基于形状信息的方法无法得到准确的极光卵边界的缺点。本章分割算法得到的极光卵边界将在第四章作为极光卵边界模型的训练数据，是极光卵边界建模的基础。17 西安电子科技大学硕士学位论文18 第四章基于深度学习的极光卵边界位置建模第四章基于深度学习的极光卵边界位置建模极光卵的边界位置是受多种地磁物理因素共同影响的，传统的建模方法将极光卵边界位置表示为单一一种地磁活动指数的函数，具有很大的局限性，多元回归的方法能将极光卵的位置表征为多种物理参数的函数，但受回归方程假设的影响很大，二次多项式形式的回归方程并不能准确反映客观物理规律。为克服现有方法的不足，我们采用大量的地磁物理参数作为模型输入，利用深度学习方法学习数据集的本质特征，从而建立极光卵边界位置模型。4.1理论基础4.1.1受限玻尔兹曼机[25-26]RestrictBoltzmannMachine(RBM)网络是一种有效的特征提取手段，可以显著提高模型的泛化能力。通过多层RBM结构可以提取更加抽象的特征，因此，本文选择RBM模型来学习物理参量的本质特征。RBM网络由可视层v和隐藏层h构成，如图4.1所示。网络由一系列可视层节点和一系列隐藏层节点组成，每一层的节点之间没有连接，可视层与隐藏层的全概率分布pvh(,|)满足Boltzmann分布。通过phv(|)可以由输入可视层v得到隐藏层h，通过pvh(|)又可以由得到的隐藏层h求出可视层v，通过网络参数调整，使得可视层v与原来的可视层v尽可能一致，那么网络的隐藏层就是可视层的另[34]外一种表达形式，也就是说，隐藏层可以作为可视层输入数据的特征。隐藏层h可视层v图4.1受限玻尔兹曼机模型结构RBM系统的能量函数为nmnmEvh(,|)aviibhjjvWhiijj（4-1）i1j1i1j1式（4-1）中，Wab,,是RBM的参数，其中，W表示可视层单元i与隐藏ijijij层单元j之间的连接权值，a为可视层单元i的偏置，b为隐藏层单元j的偏置。ij可视层与隐藏层的联合概率分布为Evh,|epvh,|（4-2）Z()19 西安电子科技大学硕士学位论文Evh,|其中Ze为归一化因子。vh,可视层的边缘概率分布，也称似然函数为1Evh,|pv|e（4-3）Z()h学习RBM的任务是求出参数的值，可通过最大化RBM在训练集上的似然函数得到，即*argmax()argmaxLpv|（4-4）堆叠多个RBM网络组成的深度信念网络是一种深度学习网络，能提取更加抽[35-36]象的特征。4.1.2径向基函数神经网络[27]RadialBasisFunction(RBF)能够看成一个高维空间中的曲面逼近问题，通过学习可以在高维空间中找到一个曲面，该曲面能最佳拟合训练数据，然后用训练得到的曲面对新的数据进行处理。RBF将在低维空间中无法线性拟合的数据映射到一个高维空间，然后在高维空间中使用线性模型进行分类或回归。RBF网络具有很强的泛化能力，它能逼近任意非线性函数，从而找到系统内难以解析的规律。RBF网络由输入层、隐藏层和输出层三层构成，如图4.2所示。输入层只传递输入信号，隐藏层通过径向基函数实现从输入层到隐藏层之间的非线性变换，输出层将隐藏层各节点的输出进行线性组合，从而对输入信号做出响应。Φ(x,c1)y1Φ(x,c2)y2Φ(x,c3)...............ypΦ(x,ck)图4.2径向基网络结构隐藏层采用的径向基函数是一种局部分布的中心点径向对称衰减的非负线性函数。在径向基函数网络中有重要地位的径向基函数有以下三种：(1)多二次(Multiquadrics)函数：221/2(,)(xcxc)i1,2,...,k（4-5）ii20 第四章基于深度学习的极光卵边界位置建模(2)逆多二次(InverseMultiquadrics)函数：1(,)xci1,2,...,k（4-6）i221/2()xci(3)高斯(Gauss)函数：2xci(,)xcexp()i1,2,...,k（4-7）i2其中k为隐藏层节点个数，为隐藏层中心宽度。高斯函数在RBF网络中最为常用，实验中也选取高斯函数作为RBF网络的径向基函数。输出层可表示为：kyjijxc,ij1,2,...,p（4-8）i1其中p为输出节点个数，为第i个隐藏层节点到第j个输出层节点间的权值。ij4.2极光卵边界位置模型这一部分讨论极光卵边界位置模型的建立过程。首先，从紫外极光图像中分割出极光卵区域，然后对分割好的图像进行坐标转换并提取极光卵边界坐标点，最后通过RBM网络和RBF网络建立最终的极光卵边界位置模型，具体的步骤如下。4.2.1图像分割采用基于形状信息反馈和最大相似性区域合并准则的极光卵分割算法对紫外极光图像进行分割，具体方法参见本文第三章。4.2.2坐标转换由于卫星拍摄视角的不断变化，成像仪得到的紫外极光图像不在同一个参考坐标系下，需要根据Polar卫星数据中的磁地方时（MLT）与地磁纬度（MLAT）信息将分割结果图像转换到MLT-MLAT坐标系下进行研究。转换结果示例如图4.3所示。图4.3极光卵分割结果转换到MLT-MLAT坐标系下示意图4.2.3边界提取提取MLT-MLAT坐标系下极光卵赤道向、极向边界与24个磁地方时交点的地磁纬度坐标S，如图4.4所示，图中三角形点为极向边界，圆点为赤道向边MLAT21 西安电子科技大学硕士学位论文界。图4.4极光卵赤道向、极向边界点坐标提取示意图4.2.4模型构建极光卵边界位置模型结构如图4.5所示，网络由两层RBM网络和一层RBF网络构成，其中第二层RBM网络的输出作为RBF网络的输入。网络设计的目的是通过学习得到OMNI数据库中的地磁物理参数对24个磁地方时处的极光卵边界位置的影响。RBM网络用来学习这些地磁物理参数的特征，RBF网络用来模拟得到的特征对极光卵位置的影响函数。图4.5极光卵边界位置模型网络结构T模型的输入是从OMNI数据库中得到的物理参数，记为X=[,,...,xxx]，其12m中m是输入参数的个数。第一层RBM网络的参数为w,,ab，其中w表1ij11i1j1ij11示可视层单元i1与隐藏层单元j1之间的连接权值，ai1为可视层单元i1的偏置，bj1为隐藏层单元j的偏置。第一层RBM网络的隐藏层为第二层RBM网络的可视层，1第二层RBM网络的参数为w,,ab，其中，w表示可视层单元j与隐2jj12j1j2jj121藏层单元j之间的连接权值，a为可视层单元j的偏置，b为隐藏层单元j的偏2j11j22T置。第一层RBM网络的输出为Y=[y,y,...,y]，其中n为第一层RBM网络隐111121n22 第四章基于深度学习的极光卵边界位置建模层节点的个数，则my11j1xwi1ij11bj1j1,2,...,n（4-9）i11T第二层RBM网络的输出为Y=[y,y,...,y]，其中c为第二层RBM网络隐221222c层节点的个数，则ny22j2xwj1jj12bj2j1,2,...,c（4-10）j11[28]本文使用对比散度学习算法得到网络的参数。RBF网络的输入为第二层RBM网络的输出，RBF网络的输出为TY=[,yy,...,y]，则12dlydojo3Yc2,j3o1,2,...,（4-11）j31其中，d为输出节点的个数，为第j个隐藏层节点到第o个输出层节点间jo33的连接权值。l为径向基函数的个数，Yc,为第j个径向基函数，且2j332Yc2j3Yc2,j3exp(2)j31,2,...,l（4-12）j3其中，c为第j个径向基函数的中心，为径向基函数的中心宽度。j33j34.3实验结果与分析这一部分我们首先给出数据库的建立过程，然后通过几组实验来验证模型的有效性，最后给出一些与物理意义有关的结论。4.3.1数据库构建为训练模型并验证模型的有效性，需要构建一个包含物理参数信息和极光卵边界地磁纬度信息的数据库。本文采用的是1996年12月到1997年2月间的数据。其中极光卵边界信息由Polar卫星携带的紫外极光成像仪所拍摄的的紫外极光图像中提取，物理参数信息从美国航空航天局OMNI数据库中提取。本文所用到的32[29]个物理参数在表4.1中给出，各参数的定义和细节信息详见NASA网站。由于卫星拍摄视角的变化，所成图像中的极光卵分为完整和不完整两类，如图4.6所示。由于我们可以从包含完整极光卵的紫外极光图像中提取出24个磁地方时处的极光卵边界点的地磁纬度，我们选择这部分图像来进行实验。23 西安电子科技大学硕士学位论文(a)包含完整型极光卵的紫外极光图像(b)包含不完整型极光卵的紫外极光图像图4.6紫外极光图像由于OMNI数据库中数据的时间分辨率与紫外极光图像的时间分辨率不同，我们将相同时刻的地磁物理参数与紫外极光图像关联起来作为实验数据，最终得到4432组样本数据构成的数据集，数据集中的数据按时间顺序排列。表4.1OMNI数据库中的地磁物理参数1Bx(nT),GSE17Alfvenmachnumber2By(nT),GSE181AUIPMagnetosonicmachnumber3Bz(nT),GSE19Xs/c(Re),GSE4By(nT),GSM20Ys/c(Re),GSE5Bz(nT),GSM21Zs/c(Re),GSE6RMSSDBscalar(nT)22BowShockNose(Re)location,X,GSE7RMSSDfieldvector(nT)23BowShockNose(Re)location,Y,GSE8FlowSpeed(km/s),GSE24BowShockNose(Re)location,Z,GSE9VxVelocity(km/s),GSE25AE-1-minuteAE-index10VyVelocity(km/s),GSE26AL-1-minuteAL-index11VzVelocity(km/s),GSE27AU-1-minuteAU-index12Protondensity(n/cc)28SYM/D-1-minuteSYM/Dindex13Temperature(K)29SYM/H-1-minuteSYM/Hindex14Flowpressure(nPa)30ASY/D-1-minuteASY/Dindex15ElectricField(mV/m)31ASY/H-1-minuteASY/Hindex16Plasmabeta32PC-1-minutePolarCapindex4.3.2实验结果与分析我们设计了几组实验来验证模型的有效性并使用平均绝对误差（Meanabsoluteerror，MAE）来评价模型的预测结果。网络在测试集上MAE的定义如下：24k11ijijMAE()FMLATSMLAT（4-13）24ij11kijij其中，S是分割得到的第j个测试样本在第i个磁地方时处的地磁纬度，F为MLATMLAT模型学习得到的第j个测试样本在第i磁地方时处的地磁纬度值，k为测试样本总24 第四章基于深度学习的极光卵边界位置建模数。（1）RBM网络隐藏层节点个数调整实验RBM网络特征提取的有效性受隐藏层节点个数的影响，本组实验的目的在于寻找一个合适的隐藏层节点个数。本组实验随机选取数据集中的3500组数据作为训练集，剩下的932组数据作为测试集。输入为32个地磁物理参数，输出为24个磁地方时处极光卵极向边界和赤道向边界点的地磁纬度值。RBF网络的训练误差设置为4个地磁纬度。我们将RBM网络的隐藏层节点个数分别设置为64、92、128和160，每个实验运行100次，其中一次实验的结果分别如图4.7中的a、b、c、d所示。在图4.7中，圆形和方形分别代表分割得到的极向边界点和赤道向边界点，十字和叉号分别为我们的模型得到的极向边界点和赤道向边界点。图4.8为一次实验的误差分布直方图，从该图可以看出当RBM网络的隐层节点个数设置为64时，误差分布直方图成近似的正态分布且此时正态分布函数的宽度最小。表4.2给出了一次实验中误差在3个地磁纬度以内的边界点个数占所有边界点个数的比例，该比例在隐层节点个数设置为64时最高。图4.9为平均绝对误差图，是100次实验的平均结果。当RBM隐层节点个数为64时网络在测试集上的平均绝对误差最小。Sample1Sample2Sample3abcd图4.7RBM网络隐藏层节点个数调整实验模型预测结果25 西安电子科技大学硕士学位论文150001500015000150001000010000100001000050005000500050000000-15-12-9-6-303691215-15-12-9-6-303691215-15-12-9-6-303691215-15-12-9-6-303691215150001500015000150001000010000100001000050005000500050000000-15-12-9-6-303691215-15-12-9-6-303691215-15-12-9-6-303691215-15-12-9-6-303691215abcd图4.8RBM网络隐藏层节点个数调整实验误差分布直方图表4.2RBM网络隐藏层节点个数调整实验中误差小于3个地磁纬度的点所占比例统计表abcd极向边界84.72%79.30%78.76%78.00%赤道向边界87.67%83.27%82.78%81.02%图4.9RBM网络隐藏层节点个数调整实验模型在测试集上的平均绝对误差由此可见，RBM隐层节点个数为64时预测效果最好，此时RBM网络学习得到的特征最能反映数据集的本质特征。（2）RBF网络训练误差调整实验RBF网络的训练误差会影响模型的预测结果，本组实验用来寻找RBF网络的最佳训练误差。实验随机选取数据集中的3500组数据作为训练集，剩下的932组数据作为测试集。网络输入为32个地磁物理参数，输出24个磁地方时处极光卵极向边界和赤道向边界点的地磁纬度值。RBM网络的隐藏层节点个数设置为64。我们分别设置RBF网络的训练误差为2、4、6、8个地磁纬度，每个实验运行100次。其中一次实验中这四种设置的网络的预测结果分别如图4.10中a、b、c、d所示。26 第四章基于深度学习的极光卵边界位置建模Sample1Sample2Sample3abcd图4.10RBF网络训练误差调整实验模型预测结果图4.11给出了一次实验的误差分布直方图，从该图中可以看出当RBF网络的训练误差设置为4个地磁纬度的时候，网络的误差分布近似瘦高的正态分布曲线。表4.3为一次实验中误差在3个地磁纬度以内的边界点个数占所有边界点个数的比例，在RBF网络训练误差设置为4个地磁纬度的时候该比例最高。图4.12为100次实验的平均绝对误差结果。在RBF网络训练误差为4个地磁纬度的时候模型的平均绝对误差最小。当RBF网络的训练误差设置为2个地磁纬度的时候模型的平均绝对误差最大，这可能是出现了过拟合现象。由于训练样本与测试样本的分布不完全一样，模型在训练样本上拟合的很好，但在测试样本上拟合的很差。150001500015000150001000010000100001000050005000500050000000-15-12-9-6-303691215-15-12-9-6-303691215-15-12-9-6-303691215-15-12-9-6-303691215150001500015000150001000010000100001000050005000500050000000-15-12-9-6-303691215-15-12-9-6-303691215-15-12-9-6-303691215-15-12-9-6-303691215abcd图4.11RBF网络训练误差调整实验误差分布直方图27 西安电子科技大学硕士学位论文表4.3RBF网络训练误差调整实验中误差小于3个地磁纬度的点所占比例统计表abcd极向边界79.20%84.72%81.60%80.97%赤道向边界82.63%87.67%84.08%83.15%图4.12RBF网络训练误差调整实验模型在测试集上的平均绝对误差综上所述，RBF网络的训练误差设置为4个地磁纬度的时候实验结果最好。（3）不同月份数据一致性实验不同时间段的数据可能具有不同的分布规律，我们设计这组实验来检验1996年12月、1997年1月与1997年2月的数据分布是否一致。实验中，RBM网络隐层节点个数为64。输入为32个地磁物理参数，输出为24个磁地方时处极光卵极向边界和赤道向边界点的地磁纬度值。RBF网络的训练误差设置为4个地磁纬度。我们使用不同月份的数据来检验数据的分布规律是否一致。实验结果如图4.13所示。其中a列为使用1996年12月数据得到的实验结果，其中训练数据为1500组，测试数据459组；b列为使用1997年1月数据得到的实验结果，其中训练数据为1400组，测试数据382组；c列为使用1997年2月数据得到的实验结果，其中训练数据为500组，测试数据191组；d列为使用1996年12月至1997年2月数据得到的实验结果，其中训练数据为3500组，测试数据932组。该组实验的平均绝对误差如图4.14所示，从图中可以看出，使用不同月份的实验数据得到的平均绝对误差有一定的差异。使用1997年2月数据得到的结果与使用另外两个月数据得到的结果有明显的不同，这是因为Polar卫星拍摄的紫外极光图像受日晖现象的影响很大，极光卵分割结果不是十分准确，从而导致了使用该月数据进行实验得到的平均绝对误差较大。我们的数据集是按时间顺序排列的，在3个月的数据集上训练网络时，采用前面的3500组样本进行训练，后932组样本进行测试，后932组样本多为1997年2月的数据，由于该月的数据与前面两个月的数据并不十分一致，从而导致用3个月数据集实验时网络在测试集上的平均28 第四章基于深度学习的极光卵边界位置建模绝对误差较大。由于不同月份的数据集存在一定差异，采用前一部分数据训练后一部分数据测试时平均绝对误差较大，而随机选取训练样本数据时平均绝对误差会明显减小。abcd图4.13不同月份数据一致性实验模型预测结果图4.14不同月份数据一致性实验模型在测试集上的平均绝对误差（4）调整输入参数实验增加输入参数可以提高模型的预测效果，本组实验用来验证这一假设。上面的三组实验都是采用当前时刻的物理参数作为输入参数的。本组实验将增加上一时刻的物理参数与上一时刻的极光卵位置信息作为输入参数来预测当前时刻的极29 西安电子科技大学硕士学位论文光卵位置。本组实验选取数据集中的前3500组数据作为训练集，剩下的数据作为测试集。输出为24个磁地方时处极光卵极向边界和赤道向边界点的地磁纬度值。RBF网络的训练误差设置为4个地磁纬度，RBM网络隐层节点个数设置为64。模型预测结果如图4.15所示，图中a列对应的输入参数为当前时刻的32个物理参数，b列对应的输入参数为当前时刻的32个地磁物理参数与前一时刻的32个地磁物理参数，c列对应的输入参数为当前时刻的32个地磁物理参数与前一时刻的极光卵位置信息，d列对应的输入参数为当前时刻的32个地磁物理参数与前一个时刻的32个地磁物理参数和极光卵位置信息。Sample1Sample2Sample3abcd图4.15调整输入参数实验模型预测结果图4.16是实验误差分布直方图，当输入参数为当前时刻的32个物理参量，前一时刻的32个物理参量和前一时刻24个磁地方时处的48个极光卵边界点地磁纬度时，误差分布直方图近似正态分布，且分布函数的宽度最小。表4.4给出了误差小于3个地磁纬度的点占所有边界点的比例，当输入参数为当前时刻32个地磁物理参数，前一时刻32个地磁物理参数与24个磁地方时处的48个极光卵边界点地磁纬度时，极光卵赤道向边界点误差小于3个地磁纬度的点所占比例为4个实验中最高的。当输入参数为当前时刻32个地磁物理参数，前一时刻24个磁地方时处的48个极光卵边界点地磁纬度时，极光卵极向边界点误差小于3个地磁纬度的点所占比例为4个实验中最高的。30 第四章基于深度学习的极光卵边界位置建模120001200012000120001000010000100001000080008000800080006000600060006000400040004000400020002000200020000000-15-12-9-6-303691215-15-12-9-6-303691215-15-12-9-6-303691215-15-12-9-6-303691215120001200012000120001000010000100001000080008000800080006000600060006000400040004000400020002000200020000000-15-12-9-6-303691215-15-12-9-6-303691215-15-12-9-6-303691215-15-12-9-6-303691215abcd图4.16调整输入参数实验误差分布直方图表4.4调整输入参数实验中误差小于3个地磁纬度的点所占比例统计表abcd极向边界74.81%75.73%81.52%80.97%赤道向边界75.93%77.06%81.14%82.57%图4.17是实验平均绝对误差结果，该结果表明，输入参数越多，平均绝对误差越小。图4.17调整输入参数实验模型在测试集上的平均绝对误差由本组实验结果可以看出，模型所使用的参数越多，预测效果越好。当前一时刻极光卵的地磁纬度信息加入到输入参数中时，模型在测试集上的平均绝对误差会明显减小。（5）与BP网络的对比实验这一部分我们将本文构建的深度学习网络模型与BP神经网络得到的预测结果进行了对比。两种网络的输入都是32个地磁物理参数，输出都是24个磁地方时处极光卵极向边界与赤道向边界的地磁纬度。在我们的模型中，RBM隐层节点个数为64，RBF网络的训练误差设置为4个地磁纬度。BP网络有两个隐藏层，每个隐层节点的个数为64。两种网络都是随机选取数据库中的3500个样本进行训练，剩下的样本进行测试。网络预测结果如图4.18所示，左边一列为BP网络对应的结果，右边一列为我们设计的网络对应的结果。31 西安电子科技大学硕士学位论文BpnetworkOurnetwork图4.18与BP网络的对比实验模型预测结果表4.5给出了两种方法在测试集上的平均绝对误差，我们的方法的平均绝对误差要小于BP神经网络。表4.5与BP网络的对比实验中模型在测试集上的平均绝对误差BP网络本文方法极向边界2.211.82赤道向边界2.201.68（6）对应物理参数调整实验空间物理研究者普遍认为极光卵的位置受到地磁活动指数AE和行星际磁场z方向分量Bz的影响，本实验通过调整这两个参数来寻找它们与极光卵边界位置关系的规律。首先我们根据极光卵发生区域将极光卵划分为晨侧、日侧、昏侧、夜侧四个部分，由图4.19所示，3MLT-9MLT为晨侧，9MLT-15MLT为日侧，15MLT-21MLT为昏侧，21MLT-3MLT为夜侧。15日侧9昏侧晨侧21夜侧3图4.19极光卵四个区域分布图32 第四章基于深度学习的极光卵边界位置建模实验一极光卵分布位置统计实验本实验从统计的角度探索地磁活动指数AE和行星际磁场z方向分量Bz对极光卵分布位置的影响。首先，求出4432幅完整极光卵图像对应的AE指数的最大值和最小值，将最大值和最小值之间的AE数值平均分为8等份，这8个范围记作S1-S8，然后分别统计AE值位于这8个范围内的完整极光卵图像分割后转换到MLT-MLAT坐标系下的图像，各AE范围内的图片数目如图4.20所示。将每个范围内的图像对应位置上各个像素点灰度值相加后取平均，得到极光卵位置随AE变化的统计分布图，如图4.21所示。同理，统计出8个Bz范围内的图像数目如图4.22所示，得到极光卵位置随Bz变化的统计分布图，如图4.23所示。图4.20数据库中不同AE范围内的图片数目S1S2S3S4S5S6S7S8图4.21极光卵位置随AE变化的统计分布图33 西安电子科技大学硕士学位论文图4.22数据库中不同Bz范围内的图片数目S1S2S3S4S5S6S7S8图4.23极光卵位置随Bz变化的统计分布图由图4.21可以看出，AE指数越大，极光卵宽度越宽，尤其是夜侧极光卵区域，极盖区域面积也有所增加，由此可见，AE指数增大时极光活动增强。由图4.23可以看出，Bz越小，极盖区域面积越大。目前空间物理研究者公认的结论是Bz为负时极盖区域面积增加，本实验得出的结论与该结论基本一致。实验二AE与Bz对极光卵位置的影响实验本组实验通过改变输入参数，利用前面的极光卵边界位置模型来探索AE指数和行星际磁场z方向分量Bz对极光卵边界位置的影响。实验随机选取数据集中的3500组数据作为训练集，剩下的数据作为测试集。输出为24个磁地方时处极光卵极向边界和赤道向边界点的地磁纬度值，RBF网络的训练误差设置为4个地磁纬度，RBM网络隐层节点个数为64。图4.24为模型34 第四章基于深度学习的极光卵边界位置建模预测结果，其中a列的输入为32个地磁物理参数，b列的输入为除AE外的31个地磁物理参数，c列输入为除Bz外的31个地磁物理参数，d列的输入为除AE和Bz外的30个地磁物理参数。图4.25为模型在极光卵四个不同区域上的极向边界点的平均绝对误差，图4.26为模型在极光卵四个不同区域上的赤道向边界点的平均绝对误差。Sample1Sample2Sample3abcd图4.24AE与Bz对极光卵位置的影响实验模型预测结果图4.25AE与Bz对极光卵位置的影响实验中模型预测得到的极光卵四个不同区域上的极向边界点平均绝对误差35 西安电子科技大学硕士学位论文图4.26AE与Bz对极光卵位置的影响实验中模型预测得到的极光卵四个不同区域上的赤道向边界点平均绝对误差由图4.25可以看出，去掉AE指数后，极光卵日侧极向边界预测平均绝对误差明显增大，去掉行星际磁场z方向分量Bz后，极光卵日侧极向边界预测平均绝对误差明显增大，昏侧极向边界和整个极向边界的预测平均绝对误差都略微增大。由此可见，AE和Bz都对日侧极向边界有较大影响，Bz对昏侧极向边界也有一定的影响。另外，去掉AE后，夜侧极向边界和昏侧极向边界的平均绝对误差都有所减少，AE对夜侧和昏侧极向边界的确定有一定的阻碍作用。由图4.26可以看出，去掉AE后，极光卵夜侧、日侧和整体赤道向边界预测平均绝对误差都有所增大，去掉Bz后，极光卵日侧和整体边界预测平均绝对误差增大。由此可见，AE和Bz都对日侧赤道向边界有较大影响，AE对夜侧赤道向边界也有一定的影响。另外，去掉AE后，昏侧赤道向边界的平均绝对误差有所减少，去掉Bz后，夜侧赤道向边界平均绝对误差减少，AE不利于昏侧赤道向边界的确定，Bz不利于夜侧赤道向边界的确定。4.4小结本章从现有极光卵边界位置建模方法使用物理参数数量不足及回归方程假设过于简单的缺点出发，采用大量的地磁物理参数作为模型输入，利用深度学习方法学习数据集的本质特征，从而建立极光卵边界位置模型。该模型以OMNI数据库中的地磁物理参数作为输入，以极光卵极向边界与赤道向边界在24个磁地方时处的地磁纬度作为输出。通过两层RBM网络学习物理参量的特征，然后用RBF网络来模拟得到的特征对极光卵位置的响应函数。实验结果表明，本文所提方法可以进行极光卵边界位置的建模与预测。另外，本章通过实验还给出了一些物理参数对极光卵边界影响机制的结论。36 第五章基于环形分区的感知哈希极光图像检索第五章基于环形分区的感知哈希极光图像检索论文第三章、第四章已完成了课题关于极光卵边界定位与建模的工作，第四章还给出了一些物理参数对极光卵边界影响机制的结论。为验证这些结论，我们需要进一步分析极光卵图片，找到具有相似形态特征的极光卵图像及其对应时刻的物理参数进行分析，因而需要研究极光图像检索方法。另外，空间物理研究者对极光的研究多数是基于事件分析的，他们要从海量的极光图片中通过肉眼找到相关的图片进行具体的研究，找到一个图片后还要寻找类似的图片进行佐证，因而亟需一种快速的自动的图像检索算法，找到与待搜索图片相似的图片以便于空间物理研究者进行研究。鉴于以上两方面的需求，本章提出了基于环形分区的感知哈希极光图像检索方法。紫外极光图像具有高噪声、低对比度的特点，并且研究紫外极光图像主要是研究图像中的极光卵，而极光卵通常分布在转换到MLT-MLAT坐标系下的图像中的60MLAT-80MLAT的范围内，根据上述特点我们提出了一种基于环形分区的感知哈希极光图像检索算法。5.1基于环形分区的感知哈希极光图像检索算法5.1.1感知哈希概述当今时代是一个信息技术迅猛发展的时代，各种终端设备每天都会产生大量的多媒体数据，有世界各国卫星携带的监测设备传回的用于科研生产的大量数据，有世界各地的人们用手机摄像机拍摄的用于生活娱乐的大量图片，还有互联网上网民们搜集整理创造的用于传播共享的各种影像资料。如何快速从海量的多媒体数据中检索到人们需要的信息就成为了一个非常值得研究的问题，科研工作者也[37][38][39]提出了不少解决方案，如谱哈希、稀疏谱哈希、位置敏感哈希和图像感知哈希方法。[30]图像感知哈希是一种将多媒体数据映射为数字摘要的方法。其主要思想是根据多媒体数据的内容将其映射成一个哈希值，内容非常相似的数据映射为相同的哈希值，内容差别较大的数据映射为不同的哈希值，感知哈希具有很强的区分性，因而也被称为数字指纹。另外，感知哈希在多媒体内容不变的情况下，提取的数字摘要具有稳定性，因而又被成为鲁棒哈希。感知哈希函数PH()的定义如下：hPHm()（5-1）m其中，m是媒体对象，h是数字摘要。m假设M是多媒体数据集合，mnM,，PH()为感知哈希函数，D()是数学距37 西安电子科技大学硕士学位论文离度量函数，Disp()是感知哈希距离度量函数。为匹配阈值，T为感知阈值。p若DPHmPHn((),())，则m与n不匹配；若DistPHmPHn((),())T，则m与pn的内容不相同。P()为事件发生的概率，O()是内容保持操作函数，即通过重kp采样、均衡化、加噪等操作使信号质量发生一定的改变，但多媒体感知内容在一定程度上保持不变。O()是恶意篡改操作函数，即通过叠加、替换、剪切等操作mt使多媒体内容发生明显改变。结合上面给出的变量和符号的定义，感知哈希函数[31-32]应的性质可以描述如下：（1）摘要性感知哈希函数所产生的数字摘要要远远小于原始多媒体数据的大小。（2）鲁棒性多媒体数据经内容保持操作后，虽然数据发生改变，但经哈希函数操作后仍然映射为同一个数字摘要。即mm,Mm,OmPBA();(|)1（5-2）kp其中，A{(,mm):DistPHmPHm((),())TDmm,(,)0}，即m经内容保持操作p后虽然发生了改变，但m与m在感知内容上具有一致性；B{(PHmPHm(),()):DPHmPHm((),())}，即m与m的感知哈希值相同。（3）单向性通过感知哈希函数可以方便的计算出多媒体数据的感知哈希值，而试图通过感知哈希值求出原始的多媒体数据则几乎是不可能的。单向性是感知哈希算法安全性的重要保证。（4）抗碰撞性感知哈希函数能将具有不同内容的多媒体数据映射为不同的哈希值，即mnM,;DispPHmPHn((),())TPA()0（5-3）p其中，A{(,):(mnDPHmPHn(),())}，该式可理解为感知内容不同而感知哈希值相同的事件发生的概率近似为0，且P(A)越接近0，感知哈希函数的抗碰撞性越好。使用感知哈希的方法进行图像检索主要是根据图像数字摘要间的汉明距离来判断图像的相似度。用感知哈希函数求出待检索图像的数字摘要，与图像数据库中各图像的数字摘要进行比较，数据库中数字摘要与待检索图像数字摘要间的汉明距离小于某个值的那些图像是与待检索图像相似的图像，这些图像会被检索出来。5.1.2基于环形分区的感知哈希数字摘要生成算法极光在MLT-MLAT坐标系下呈环状分布，并且通常出现在60MLAT-80MLAT范围内，本文根据极光的这一特点对图像进行环形分区处理，进而生成MLT-MLAT38 第五章基于环形分区的感知哈希极光图像检索坐标系下的紫外极光图像数字摘要，该数字摘要的生成过程如图5.1所示。求各区域均值0011...0100环形分区比较编码求整体均值图5.1基于环形分区的感知哈希数字摘要生成算法流程图（1）对图像进行环形分区。MLT-MLAT坐标系下的极光图像呈环状分布，集中在60MLAT-80MLAT范围内，该范围外的区域不包含有效信息。为高效的提取图像的有效信息，我们不采用传统的矩形分区方法，对图像进行特殊的环形分区，如图5.1所示。将各个分区记为Ri(1,2,...,)n，其中n为所分区域的个数。i（2）求各个区域中像素的灰度均值。记m为各个区域像素灰度的均值。in1（3）求整体均值，即各个区域像素灰度均值的平均值，记为M，则Mmi。ni1（4）将各个区域的均值与整体均值进行比较，若区域均值大于整体均值，则该区域对应的编码为1，若区域均值小于整体均值，则该区域对应的编码为0。图1(mM)i像j的二进制编码记为B{,,...}bbb，其中b。jn12i0(mM)i5.1.3感知哈希查询算法本文通过图像数字摘要间的汉明距离进行图像查询，具体的算法步骤如下：（1）计算MLT-MLAT图像数据库中所有图像的哈希值。（2）计算待查找图像的哈希值。（3）哈希值对比，求待查找图像哈希值与数据库中图像哈希值的汉明距离，当汉明距离小于某个阈值的时候，认为待查找图像与数据库中对应的图像匹配。5.2实验结果与分析[33]这一部分给出我们的方法与Krawetz的感知哈希方法的对比实验结果。实验在4432幅MLT-MLAT图像数据库中随机选择了100幅图像作为测试数据，然后使用本文提出的方法与Krawetz的方法进行搜索。我们给出了三组实验结果，一组是使用我们的方法对24个区域进行编码的情况，一组是使用我们的方法对48个区域的进行编码的情况，这两种分区方法所分成的区域如图5.2所示，另外一组实39 西安电子科技大学硕士学位论文验结果是Krawetz感知哈希方法得到的结果。我们将从主观与客观两个方面对实验结果进行评价。图5.2两种环形分区示意图5.2.1主观评价结果与分析这一部分给出三个查询示例对应的查询结果。其中最左侧一列图片为查询图像，右侧的五列图片为查询结果图像。每组查询示例查询结果图像的前两行为用我们的方法在24位编码的情况下查询排名前十的结果，中间两行为用我们的方法在48位编码的情况下查询排名前十的结果，最后两行为用Krawetz的方法查询后排名前十的结果。从这几组实验结果来看，我们的方法得到的查询结果与原图更为相似，并且使用48位哈希码进行查询比使用24位哈希码进行查询的结果更加准确。AR-PHA（24位）AR-PHA（48位）PHA图5.3本文方法与对比方法示例一查询结果40 第五章基于环形分区的感知哈希极光图像检索AR-PHA（24位）AR-PHA（48位）PHA图5.4本文方法与对比方法示例二查询结果AR-PHA（24位）AR-PHA（48位）PHA图5.5本文方法与对比方法示例三查询结果41 西安电子科技大学硕士学位论文5.2.2客观评价结果与分析查全率与查准率是图像检索领域的基本评价指标。其中，查准率是检出图像中与查询图像相关的图像占所有检出图像的比例，它能够反映检索系统的信噪比。查全率是检出图像中与查询图像相关的图像占数据库中与查询图像相关的图像的[40]比例，它能反映系统的成功率。记查全率为P，查准率为R，则它们可表示为TP（5-4）TNTR（5-5）TF其中，T为检出图像与查询图像相关的图像的数量，N为检出图像与查询图像不相关的图像的数量，F表示数据库中除检出的与查询图像相关的图像外剩余的与查询图像相关的图像的数量。由于紫外极光图像没有标准的分类数据库，且紫外极光图像的类别并不明显，我们对于每一幅测试图像，采用4432幅图像与检索图像的欧式距离最相近的50幅图像作为数据库中与检索图像相关的图像。这里的欧式距离我们取两幅图像对应像素点灰度差值的平方和。我们认为欧式距离相近的图像是相似的，这虽然并不完全准确，但可以在一定程度上反映图像的相似性，因而通过欧式距离得到的相似图像可以作为一个大致的评价标准库。为验证本文提出的感知哈希图像检索算法的性能，本实验改变查询时所采用的汉明距离的阈值来统计检索的查全率与查准率，并给出了Krawetz感知哈希方法与基于环形分区感知哈希方法在编码位数为24位和48位时的实验结果。0.7AR-PHA(48位)0.6AR-PHA(24位)0.5PHA0.4查准率0.30.20.1005101520汉明距离阈值图5.6本文方法与对比方法查准率由图5.6可以看出，查准率随汉明距离阈值的增加而降低，我们的方法查准率要高于Krawetz的方法，并且我们的方法在48位编码时对应的查准率要高于24位编码时对应的查准率。由图5.7可以看出，查全率随汉明距离阈值的增加而升高，42 第五章基于环形分区的感知哈希极光图像检索我们的方法在24位编码的情况下对应的查全率要高于Krawetz的方法，但由于查全率与查准率很难兼顾，我们的方法在48位编码的情况下查全率比较低。由图5.8可以看出，我们的方法的查全查准率曲线要优于Krawetz的方法。从这几组实验结果可以看出，对极光图像采用环形分区后进行哈希编码能提高检索算法的性能。我们可以根据不同的需要选择不同的哈希编码长度和汉明距离阈值来进行检索。10.80.6查全率0.4AR-PHA(48位)0.2AR-PHA(24位)PHA005101520汉明距离阈值图5.7本文方法与对比方法查全率0.2AR-PHA(48位)AR-PHA(24位)0.15PHA0.1查准率0.05000.20.40.60.81查全率图5.8本文方法与对比方法查全查准率曲线5.3基于环形分区的感知哈希极光图像检索平台5.3.1系统设计该系统设计的目的是方便我们寻找MLT-MLAT坐标系下具有相似极光卵形状的紫外极光图像，同时便于我们分析该极光卵形状对应的物理参数特点，从而验证一些物理结论。另外，该系统也能为空间物理研究者分析典型示例提供方便。当研究人员输入一幅图像时，系统使用本文提出的基于环形分区的感知哈希图像检索算法在数据库中查询与该输入图像相关的图像，并展示最相关的四幅图像，43 西安电子科技大学硕士学位论文此外，系统还会根据找到的相关图像的拍摄时间定位到物理参数数据库中的相应的时间点，获取该时刻的Bx、By、Bz、AE、PC参数的值并显示出来，从而方便研究人员进行分析。系统工作的流程如图5.9所示。时间定位参数关联启动程序输入图像计算哈希值哈希查询显示结果图5.9基于环形分区的感知哈希极光图像检索平台流程图5.3.2平台界面系统平台界面如图5.10所示，平台左侧显示待检索图像，右侧显示图像检索结果、图像拍摄时间以及物理参量Bx、By、Bz、AE、PC的值。在使用该平台时我们首先单击选择图片按钮，选择需要检索的图像，然后单击开始检索按钮，系统会根据数据库中的图像跟查询图像哈希码之间的汉明距离进行排序，将与查询图像哈希码汉明距离最小的四幅图像显示在界面右侧，并根据检索到的图像的拍摄时间查找物理参数库中对应时刻的Bx、By、Bz、AE、PC值并显示出来。如需检索新的图片单击选择图片按钮，继续之前的操作，如需退出单击退出按钮。图5.10基于环形分区的感知哈希极光图像检索平台界面5.3.3事例分析这部分给出了两个检索事例，分别如图5.11与5.12所示，从这两个检索事例来看，事例一图像中极光卵宽度较窄，极光活动较为平静，检索到的图像对应的Bz、AE和PC的值也较小。事例二极光图像中极光卵宽度宽，极光活动剧烈，检索到的图像对应的Bz、AE和PC的值较大。这与第四章得到的AE指数越大，极光卵宽度越宽，尤其是夜侧极光卵区域以及Bz越小，极盖区域面积越大的结论一致。由此可见，我们提出的基于环形分区的感知哈希极光图像检索方法是可行的，44 第五章基于环形分区的感知哈希极光图像检索并且基于该方法的极光图像检索平台也能方便我们对典型事例进行检索分析，有助于物理规律的验证。图5.11基于环形分区的感知哈希极光图像检索平台检索事例一图5.12基于环形分区的感知哈希极光图像检索平台检索事例二5.4小结为进一步研究地磁物理参数对极光卵边界位置的影响方式，需要对相似的图像及其对应的物理参数进行分析，本章提出了基于环形分区的感知哈希极光图像检索算法来查找相似的图像。本章利用极光卵通常分布在MLT-MLAT图像中的60MLAT-80MLAT范围内的特点，对MLT-MLAT坐标系下的极光图像进行环形分区，利用各个区域内像素灰度平均值与整体灰度平均值的关系进行哈希编码，从而检索出相似的极光图片，另外，极光图像检索系统还可以根据检索到图像的时间信息对应相应时刻的物理参数，从而方便物理规律的探索研究。45 西安电子科技大学硕士学位论文46 第六章结论和展望第六章结论和展望6.1研究结论作为一种美丽的自然现象，极光不仅具有很高的观赏价值，也具有很高的科研价值。在紫外极光图像中能明显地观察到极光卵，极光卵的边界位置与太阳风-磁层能量耦合过程有着密切的联系，对极光卵边界进行分割和建模有助于我们理解行星际磁场与地磁场的活动规律，为空间天气预报提供依据。对MLT-MLAT坐标系下的紫外极光图像进行检索，有助于人们发现具有相似形态特征的极光图像，结合这些图像对应时刻的物理参数信息，从而总结并验证一些物理方面的规律，促进空间物理学科的发展。本文采用Polar卫星携带的紫外成像仪所拍摄的1996年12月到1997年2月间的紫外极光图像和相应时间段的美国航空航天局OMNI数据库中的地磁物理参数来进行研究，在紫外极光图像极光卵分割、建模和图像检索三个方面取得了一些进展，现将本文工作总结如下：(1)针对紫外极光图像对比度低的特点，本文提出了基于形状信息反馈和最大相似性区域合并准则的极光卵分割算法。本文方法克服了已有基于像素灰度值的方法无法分割出完整极光卵区域的缺点和基于形状信息的方法无法得到准确的极光卵边界的缺点，能够分割出既完整又相对准确的极光卵边界。算法首先用K均值聚类的方法得到初始目标标记与背景标记，使用最大相似性区域合并算法得到初始分割区域。然后用直接最小二乘椭圆拟合的方法将初始分割区域拟合为一个椭圆作为新的目标标记，从而增加了图像中对比度低的目标区域的信息。再次使用最大相似性区域合并准则得到最终的分割结果。实验结果表明，本文所提方法具有较低的虚警率且极光卵极向边界的均方根误差较小。(2)为探索多种物理参量与极光卵边界位置的关系，本文提出了基于深度学习的极光卵边界位置建模方法，并通过实验给出了一些地磁物理参数对极光卵边界位置影响方面的结论。本文方法克服了单变量回归边界建模方法考虑片面的缺点和多变量回归建模方法模型需根据经验人为选择回归变量且回归方程不能准确反映物理规律的缺点，使用深度学习的方法从NASA网站上的OMNI数据库中的地磁物理参量中自动学习特征，从而建立极光卵边界位置模型。模型以OMNI数据库中的地磁物理参数作为输入，以极光卵极向边界与赤道向边界在24个磁地方时处的地磁纬度作为输出。通过两层RBM网络学习物理参量的特征，然后用RBF网络来模拟得到的特征对极光卵位置的响应函数。实验结果表明，本文所提方法可以进行极光卵47 西安电子科技大学硕士学位论文边界位置的建模与预测。(3)为进一步研究地磁物理参数对极光卵边界位置的影响方式，需要对相似的极光图像及其对应的物理参数进行分析，本文提出了基于感知哈希的极光图像检索算法并实现了极光图像检索系统。进行空间物理方面的研究，需要寻找多幅相似的图像来总结其中的规律，以往的方法是通过肉眼观察从海量图片中寻找典型图片，极为不便。我们根据MLT-MLAT坐标系下的紫外极光图像的分布特点，采用特殊的分区方法来进行哈希编码，编码信息更能反映极光图像的特点。使用我们提出的编码方法能快速找到与待检索图像相关的图像，可以提高寻找物理规律的效率。另外，我们开发的极光图像检索系统还能提供与检出图像对应的物理参数的信息，为空间物理研究提供方便。6.2研究展望本文从紫外极光图像极光卵分割、建模和紫外极光图像检索三个方面进行探索与研究，通过实验取得了较好的效果，但仍然存在一些需要完善的地方，现对本文的不足之处做一个总结，希望能为今后的研究工作提供一些参考。(1)本文提出的分割算法根据未标记区域与已标记区域间的灰度直方图相似性来进行区域合并，算法复杂度较高，较为耗时，今后可利用一些硬件加速策略减少程序的运行时间。另外，由于使用了椭圆拟合的方法，本文方法适用于在成像区域内极光卵完整的情况，因而还需其他的手段对极光卵不完整的图像进行分割，以利用极光卵不完整的图像中的极光卵边界信息。(2)本文采用深度学习方法进行极光卵边界建模方面的尝试，取得了一定的效果，但模型的预测误差还有待减少。本文采用了三个月的完整极光卵数据作为实验数据库，数据量还不够大，可能导致预测误差较大，今后可以增加数据量进行进一步的实验。另外，本文采用的是OMNI数据库中的地磁物理参数作为输入参数，今后还可以使用更多的物理参数进行实验，从而发现更准确的物理规律。(3)本文给出的极光图像检索系统仅仅是一个雏形，设计还不够完善，只展示了最相似的四幅图像，并且只给出了一部分物理参数，系统搜索时固定采用48位哈希码的形式。今后可以在本文基础上进一步对系统进行扩展，展示更多的检索图像和物理参数，增加哈希码选择功能，使用不同的哈希码来进行图像的检索。48 参考文献参考文献[1]GermanyGA,RanganathH,ElsenR,etal.Analysisofauroralmorphology:SubstormprecursorandonsetonJanuary10,1997[J].GeophysicalResearchLetters,1998,25(15):3043-3046.[2]极光[EB].[2014-10-10].http://baike.baidu.com/subview/2049/8097656.htm?fr=aladdin.[3]RussellR.AuroralColorsandSpectra[EB].[2014-10-10].http://www.windows2universe.org/earth/Magnetosphere/tour/tour_earth_magnetosphere_09.html.[4]EatherRH.MajesticLights:TheAurorainScience,HistoryandtheArts[M].Washington,DC:AmerGeophysicalUnion,1980:51.[5]CarbaryJF.AKp-basedmodelofauroralboundaries[J].SpaceWeather,2005,3(10):S10001.[6]BrittnacherM,SpannJ,ParksG,etal.Auroralobservationsbythepolarultravioletimager(UVI)[J].AdvancesinSpaceResearch,1997,20(4):1037-1042.[7]付利平,王咏梅,王英鉴等.远紫外宽带极光成像仪初步研究[J].中国科学E辑:技术科学,2009,39(12):1905-1910.[8]夸父计划[EB].[2014-10-11].http://baike.baidu.com/view/371955.htm?fr=aladdin.[9]邢赞扬.日侧极向运动极光结构的观测特征及其产生机制研究[D].西安:西安电子科技大学,2013.[10]FeldstenYI,StarkovGV.Dynamicsofauroralbeltandpolargeomagneticdisturbances[J].PlanetaryandSpaceScience,1967,15(2):209-229.[11]AkasofuSI.Exploringthesecretoftheaurora[M].NewYork,USA:Springer,2007:47-52.[12]HungCC,GermanyG.K-meansanditerativeselectionalgorithmsinimagesegmentation.IEEESoutheastcon2003(Session1:SoftwareDevelopment).[13]LiX,RamachandranR,HeM,etal.Comparingdifferentthresholdingalgorithmsforsegmentingauroras[C]//InformationTechnology:CodingandComputing,2004.Proceedings.ITCC2004.InternationalConferenceon.NewYork:IEEE,2004,2:594-601.[14]CaoCG,NewmanTS,GermanyGA.Newshape-basedauroralovalsegmentationdrivenbyLLS-RHT[J].PatternRecognition,2009,42(5):607-618.[15]StarkovGV.Mathematicalmodeloftheauroralboundaries[J].GeomagnetismandAeronomy,1994,34:331-336.[16]ZhangY,PaxtonLJ.AnempiricalKp-dependentglobalauroralmodelbasedonTIMED/GUVIFUVdata[J].JournalofAtmosphericandSolar-TerrestrialPhysics,2008,70(8):1231-1242.[17]MilanSE,HutchinsonJ,BoakesPD,etal.Influencesontheradiusoftheauroraloval[C]//AnnalesGeophysicae.CopernicusGmbH,2009,27(7):2913-2924.49 西安电子科技大学硕士学位论文[18]LukianovaR,KozlovskyA.DynamicsofpolarboundaryoftheauroralovalderivedfromtheIMAGEsatellitedata[J].CosmicResearch,2013,51(1):46-53.[19]杨秋菊.基于全天空图像和紫外图像的极光事件检测与分析[D].西安:西安电子科技大学,2013.[20]StarkovGV.Statisticaldependencesbetweenthemagneticactivityindices[J].GeomagnetismandAeronomy,1994,34(1):101–103.[21]NingJF,ZhangL,ZhangD,WuCK.Interactiveimagesegmentationbymaximalsimilaritybasedregionmerging[J].PatternRecognition,2010,43(2):445-456.[22]FitzgibbonA.,PiluM.,FisherRB.Directleastsquarefittingofellipses[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,1999,21(5):476-480.[23]HonesEW,CravenJD,FrankLA,etal.Thehorse-collaraurora:Afrequentpatternoftheaurorainquiettimes[J].GeophysicalResearchLetters,1989,16(1),37-40.[24]WangY,HuBG.DerivationsofNormalizedMutualInformationinBinaryClassifications[C]//FuzzySystemsandKnowledgeDiscovery,2009.FSKD'09.SixthInternationalConferenceon.NewYork:IEEE,2009,1:155-163.[25]HintonGE,OsinderoS,TehYW.Afastlearningalgorithmfordeepbeliefnets[J].NeuralComputtation,2006,18(7):1527-1554.[26]DongY,LiD.DeepLearningandItsApplicationstoSignalandInformationProcessing[J].IEEESignalProcessingMagazine,2011,28:145-154.[27]Lukaszyk,S.Anewconceptofprobabilitymetricanditsapplicationsinapproximationofscattereddatasets[J].ComputationalMechanics,2004,33:299-304.[28]HintonGE.APracticalGuidetoTrainingproductsofexpertsbyminimizingcontrastivedivergence[J].NeuralComputation,2002,14(8):1771-1800.[29]KingJ,PapitashviliN.Oneminand5-minsolarwinddatasetsattheEarth'sbowshocknose[EB].[2014-10-10].http://omniweb.gsfc.nasa.gov/html/HROdocum.html.[30]ÖzerH,SankurB,MemonN,etal.Perceptualaudiohashingfunctions[J].EURSIPJournalonAdvancesinSignalProcessing,2005,12:1780-1739.[31]牛夏牧,焦玉华.感知哈希综述[J].电子学报,2008,36(7):1405-1411.[32]刘大龙.基于感知哈希的音乐声纹检[D].南京:南京邮电大学,2013.[33]KrawetzN[EB][2014-10-20].http://www.hackerfactor.com/blog/index.php?/archives/432-Looks-Like-It.html.[34]BengioY.LearningdeeparchitecturesforAI[J].FoundationsandTrendsinMachineLearning,2009,2(1):1-12.[35]BengioY,DelalleauO.Ontheexpressivepowerofdeeparchitectures[C]//Algorithmic50 参考文献LearningTheory.SpringerBerlinHeidelberg,2011:18-36.[36]BengioY,LecunY.ScalinglearningalgorithmstowardsAI[J].Large-ScaleKernelMachines,2007,1-34.[37]WeissY,TorralbaAB,FergusR.Spectralhashing[C]//Proceedingsofthe22ndAnnualConferenceonNeuralInformationProcessingSystem.NewYork:CurranAssociates,2009,2l:1753-1760.[38]ShaoJ,WuF,OuyangCF,etal.Sparsespectralhashing[J].PatternRecognitionLetters,2012,33(3):271-277.[39]DatarM,ImmorlicaN,IndykP,etal.Locality-sensitivehashingschemebasedonp-stabledistributions[C]//ProceedingsoftheTwentiethannualsymposiumonComputationalgeometry.NewYork:ACMPress,2004:253-262.[40]季秀云.基于内容的图像哈希检索算法研究[D].西安:西安电子科技大学,2014.51 西安电子科技大学硕士学位论文52 致谢致谢时光飞逝，岁月如梭，我的硕士求学阶段已进入了尾声。值此毕业论文完成之际，我要感谢所有给予我关怀和帮助的人。首先要感谢我的导师高新波老师能给我一个进入VIPSL团队的机会，让我可以在这个团队中学习、交流、研究、成长，感谢他为我们营造的良好的实验室条件。高老师治学严谨，高风亮节，他的人格魅力令我们折服。“太上有立德，其次有立功，其次有立言，此之谓不朽。”高老师无时无刻不践行着这句话，也深深的影响着我们。感谢他在做人、做事、做学问方面给我的点拨和帮助，让我可以迅速的成长。我还要感谢一直带着我做科研的韩冰老师，感谢她给了我许多锻炼的机会，让我各个方面的能力都有了一定的提升。感谢她在我做项目期间给予我的指导，让我的学术研究能够顺利进行；感谢她让我参与项目报奖与攥写基金的工作，让我在文字组织上有了很大的提高；感谢她带着我参加极地年会，让我有机会和专家进行交流；感谢她在学术交流会上给我们做的示范，让我在待人接物上有所提高；感谢她一点一滴的关心和帮助，让我能一步步的前进和成长。另外，我要感谢实验室的邓成老师、王颖老师、李洁老师、路文老师、王斌老师、王秀美老师、田春娜老师、宁贝佳老师、牛振兴老师、张建龙老师，感谢他们平时对我的启发和帮助。感谢实验室的杨曦师姐、仇文亮师兄、赵晓静师姐、杨辰师兄、高飞师兄、叶鑫晶师兄，感谢他们耐心的为我答疑解惑，帮我解决了许多问题，使我少走了很多弯路。感谢我的同窗王秀梅和廖谦同学，感谢他们在学习生活中给予我的帮助和支持。此外，我要感谢所有和我一级的同学们，他们是高宪军、彭羊平、洪传文、刘卫芳、任文君、吴晟杰、郑红、王敏、韩正汀、王东旭、郑昱、邓慧茹、许洁、陆阳、郝磊、王旭洋、彭春蕾。在这两年的学习生活中，他们一直陪伴着我，给我鼓励与支持，给我帮助和温暖。感谢他们在我科研上遇到困难时帮我分析问题，感谢他们在我方向不明时和我一起探讨，感谢他们在我程序没有调通时帮我查找bug，感谢他们在我无助难过时陪我聊天安慰我。还要感谢我的师妹王平和宋亚婷，感谢她们无私的帮我查找资料，细心的帮我修改论文。感谢张丽霞师妹、魏国威师弟和贾中华师妹，感谢她们对我科研工作的支持。我还要感谢养育我二十多年的父母，他们无私的付出和默默的支持温暖着我、鼓舞着我，支撑着我，使我有前进的动力。我会更加努力，不辜负他们的期望。最后，衷心感谢各位老师在百忙之中抽出宝贵的时间评审我的论文！53 西安电子科技大学硕士学位论文54 作者简介作者简介1.基本情况女，河南济源人，1988年12月出生，西安电子科技大学电子工程学院模式识别与智能系统专业2012级硕士研究生。2.教育背景2008.09～2012.06就读于河南大学物理与电子学院通信工程专业，获工学学士学位2012.08～西安电子科技大学电子工程学院模式识别与智能系统专业硕士研究生3.攻读硕士学位期间的研究成果3.1发表的学术论文[1]LiuH,GaoX,HanB,etal.AnAutomaticMSRMMethodwithaFeedbackBasedonShapeInformationforAuroralOvalSegmentation[C].2013InternationalConferenceonIntelligenceScienceandBigDataEngineering,Beijing,July31-August2,2013.LectureNotesinComputerScience,SpringerBerlinHeidelberg,2013:748-755.(EI:20140517246462).[2]王平，韩冰，高新波，刘慧．基于BP网络的极光卵位置预测[C]．第十四届中国多值逻辑与模糊逻辑学术会议，山东济南，2014年10月31日-11月2日．3.2发明专利和科研情况：[1]韩冰，高新波，杨曦，刘慧．交互式紫外极光分割算法评价软件．登记号,2013SR015395.[2]海洋公益性行业科研专项经费，极区海洋大气与空间环境业务化检测及其在气候变化预测中的应用，2010年1月1日-2013年12月31日，已结题，作者承担该项目子课题极区磁层-电离层耦合过程与气候变化的联系中极光卵边界定位与建模的工作.55