本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及紫外極光圖像分割方法，可用于目標(biāo)識別與跟蹤。

背景技術(shù)：

極光是來自磁層的高能粒子沉降到高層大氣并與中性成分碰撞激發(fā)的一種大氣發(fā)光現(xiàn)象，它主要出現(xiàn)在以地磁極為中心的環(huán)帶狀區(qū)域內(nèi)，該區(qū)域又叫極光卵。極光卵的赤道向邊界和極向邊界是重要的地球物理參數(shù)，其與太陽風(fēng)、地磁活動有著密切的關(guān)系。而且極光卵的邊界隨著地磁活動而變化，對其研究有助于進(jìn)一步了解日地耦合過程，認(rèn)知空間氣候變化規(guī)律。因此，有效確定極光卵邊界是非常重要的。

多年來，研究者們也提出了很多紫外極光圖像分割方法，如1998年germany等人提出的脈沖耦合神經(jīng)網(wǎng)絡(luò)法pcnn；2003年hung等人提出的基于直方圖的k均值算法hkm；2004年li等人提出的自適應(yīng)最小誤差閾值轉(zhuǎn)換法amet；這三種方法由于只用圖像的亮度信息對紫外極光圖像進(jìn)行分割，因此，在紫外極光圖像對比度較高的情況下可以得到較好的分割結(jié)果，但是眾所周知，大部分紫外極光圖像的對比度都較低，所以這兩種方法在大多數(shù)情況下都不能獲得完整的極光卵。為了克服上述方法的缺陷，2009年cao等人提出的基于隨機(jī)霍夫變換的線性最小二乘法llsrht，該方法在紫外極光圖像對比度較低的情況下也可以獲得完整的極光卵，但該方法獲得的極光卵的邊界過于平滑，與實(shí)際情況不符。于是，yang等人于2015年提出了亮度自適應(yīng)和形狀初始化的極光卵分割方法，該方法在最優(yōu)參數(shù)下可以獲得相對準(zhǔn)確的分割結(jié)果，但是尋找最優(yōu)參數(shù)不僅耗時(shí)耗力，而且非常困難。此外上述方法均只考慮了紫外極光圖像的靜態(tài)特征，而紫外極光圖像的極光卵是粒子運(yùn)動形成的，因此只考慮靜態(tài)特征得到的分割結(jié)果會丟失運(yùn)動的部分，以此造成分割結(jié)果不準(zhǔn)確。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對上述現(xiàn)有技術(shù)的不足，提出一種融合靜態(tài)信息與動態(tài)信息的視頻序列分割方法，以實(shí)現(xiàn)紫外極光序列的精確分割。

本發(fā)明的技術(shù)思路是：利用紫外極光圖像的靜態(tài)特征在空域上對紫外極光圖像進(jìn)行分割，得到紫外極光圖像的空域分割結(jié)果；利用紫外極光圖像的動態(tài)特征在時(shí)域上對紫外極光圖像進(jìn)行分割，得到紫外極光圖像的時(shí)域分割結(jié)果；將紫外極光圖像的空域分割結(jié)果和時(shí)域分割結(jié)果進(jìn)行融合，得到最終的分割結(jié)果。其實(shí)現(xiàn)步驟包括如下：

(1)從polar衛(wèi)星攜帶的紫外成像儀所拍攝的紫外極光圖像中，選取形態(tài)相似且時(shí)間上連續(xù)的紫外極光圖像構(gòu)成10個(gè)紫外極光序列，每個(gè)紫外極光序列包含20張紫外極光圖像；

(2)在空域上對10個(gè)紫外極光序列進(jìn)行分割：

(2a)從每一個(gè)紫外極光序列中都隨機(jī)選出10張紫外極光圖像，得到100張紫外極光圖像，手動標(biāo)注出這100張紫外極光圖像的極光卵邊界，作為標(biāo)準(zhǔn)結(jié)果，并用這100張紫外極光圖像及其對應(yīng)的標(biāo)準(zhǔn)結(jié)果共同構(gòu)成訓(xùn)練樣本集，用10個(gè)紫外極光序列中剩下的100張紫外極光圖像構(gòu)成測試樣本集；

(2b)在訓(xùn)練樣本集和測試樣本集中的每一幅紫外極光圖像上用眼動儀得到注視點(diǎn)，并將注視點(diǎn)連成閉合曲線；

(2c)沿著步驟(2b)中得到的曲線對訓(xùn)練樣本集中的每一幅紫外極光圖像滑動取塊，得到訓(xùn)練塊，記下每一個(gè)塊的位置，并根據(jù)這些塊的位置在每一幅紫外極光圖像對應(yīng)的標(biāo)準(zhǔn)結(jié)果上也取相同尺寸的塊，作為標(biāo)準(zhǔn)塊，將這些訓(xùn)練塊和對應(yīng)的標(biāo)準(zhǔn)塊構(gòu)成塊字典；

(2d)沿著步驟(2b)中得到的曲線對測試樣本集中的每一幅紫外極光圖像滑動取塊，得到測試塊，記下每一個(gè)塊的位置；

(2e)從步驟(2c)得到的塊字典中找到與步驟(2d)中每一個(gè)測試塊最相似的訓(xùn)練塊，并將這個(gè)訓(xùn)練塊對應(yīng)的標(biāo)準(zhǔn)塊放到該測試塊所在紫外極光圖像上的相應(yīng)位置；

(2f)重復(fù)步驟(2e)，直到步驟(2d)中所有測試塊所在的紫外極光圖像的相應(yīng)位置都放上標(biāo)準(zhǔn)塊，即得到紫外極光序列的空域分割結(jié)果；

(3)在時(shí)域上對10個(gè)紫外極光序列進(jìn)行分割：

(3a)以紫外極光序列的每一幀紫外極光圖像作為輸入，用k-means算法按灰度值將輸入圖像聚成三類，并用不同顏色標(biāo)注，得到輸入圖像的初始標(biāo)記圖像；

(3b)用格子玻爾茲曼模型lbm求得紫外極光序列相鄰幀之間的粒子運(yùn)動場，并將運(yùn)動場用彩色圖像顯示出來；

(3c)以(3b)中得到的粒子運(yùn)動場圖像作為輸入，用分水嶺算法將輸入圖像分割成許多區(qū)域；

(3d)根據(jù)(3a)中得到的初始標(biāo)記圖像應(yīng)用區(qū)域合并算法對(3c)中的區(qū)域進(jìn)行合并，得到紫外極光序列的時(shí)域分割結(jié)果；

(4)將步驟(2)得到的空域分割結(jié)果和步驟(3)得到的時(shí)域分割結(jié)果融合，即求兩種結(jié)果的并集，得到紫外極光序列的最終分割結(jié)果。

本發(fā)明具有如下優(yōu)點(diǎn)：

1.本發(fā)明由于不使用紫外極光圖像的亮度信息，從而對對比度較低的紫外極光圖像也可以得到較好的分割結(jié)果；

2.本發(fā)明由于同時(shí)考慮了紫外極光圖像的靜態(tài)信息和動態(tài)信息，因此克服了以往紫外極光圖像分割方法只利用紫外極光圖像的靜態(tài)信息而導(dǎo)致分割結(jié)果不準(zhǔn)確的問題；

3.本發(fā)明由于不需要人工調(diào)節(jié)參數(shù)，因此，適合大數(shù)據(jù)的分割。

附圖說明

圖1是本發(fā)明的實(shí)現(xiàn)流程圖；

圖2是用本發(fā)明與現(xiàn)有方法對紫外極光圖像進(jìn)行分割的對比結(jié)果圖。

具體實(shí)施方式

以下結(jié)合附圖對本發(fā)明的內(nèi)容和效果進(jìn)行進(jìn)一步描述。

參照圖1，本發(fā)明的具體實(shí)現(xiàn)步驟如下：

步驟1:構(gòu)建極光序列數(shù)據(jù)庫。

polar衛(wèi)星在離地面約840公里的軌道運(yùn)行，它的軌道通過地球的南北兩極，通過polar衛(wèi)星上攜帶的紫外成像儀隨著polar衛(wèi)星的運(yùn)轉(zhuǎn)拍攝出不同時(shí)刻的海量的紫外極光圖像，本實(shí)例從紫外成像儀所拍攝的紫外極光圖像中，選取形態(tài)相似且時(shí)間上連續(xù)的紫外極光圖像構(gòu)成10個(gè)極光序列，每個(gè)極光序列包含20張圖像。

步驟2：在空域上對步驟(1)中的極光序列進(jìn)行分割。

(2a)從10個(gè)極光序列的每一個(gè)極光序列中都隨機(jī)選出10張圖像，手動標(biāo)注出這100張紫外極光圖像的極光卵邊界，作為標(biāo)準(zhǔn)結(jié)果，并用這100張紫外極光圖像及其對應(yīng)的標(biāo)準(zhǔn)結(jié)果共同構(gòu)成訓(xùn)練樣本集，用10個(gè)紫外極光序列中剩下的100張紫外極光圖像構(gòu)成測試樣本集；

(2b)將紫外極光圖像呈現(xiàn)在眼動儀顯示屏的屏幕上，選擇對紫外極光圖像較為熟悉的人作為被試者，并讓該被試者看屏幕上紫外極光圖像的極光卵，眼動儀會捕捉到被試者在紫外極光圖像上的注視點(diǎn)，將得到的注視點(diǎn)連成閉合曲線：

(2c)沿著步驟(2b)中得到的曲線按設(shè)定步長對訓(xùn)練樣本集中的每一幅紫外極光圖像滑動取塊，得到訓(xùn)練塊，記下每一個(gè)塊的位置，并根據(jù)這些塊的位置在每一幅紫外極光圖像對應(yīng)的標(biāo)準(zhǔn)結(jié)果上也取相同尺寸的塊，作為標(biāo)準(zhǔn)塊，將這些訓(xùn)練塊和對應(yīng)的標(biāo)準(zhǔn)塊構(gòu)成塊字典，其中，本實(shí)例所用滑動步長為10個(gè)像素；

(2d)沿著步驟(2b)中得到的曲線對測試樣本集中的每一幅紫外極光圖像滑動取塊，得到測試塊，記下每一個(gè)塊的位置；

(2e)從步驟(2c)得到的塊字典中找到與步驟(2d)中每一個(gè)測試塊最相似的訓(xùn)練塊，并將這個(gè)訓(xùn)練塊對應(yīng)的標(biāo)準(zhǔn)塊放到該測試塊所在紫外極光圖像上的相應(yīng)位置：

(2e1)提取任意一個(gè)測試塊的局部二值模式特征h1、局部定向模式特征h2、加速魯棒特征h3及卷積神經(jīng)網(wǎng)絡(luò)特征h4，得到測試塊的列向量：h＝{h1，h2，h3，h4}^t，其中t表示轉(zhuǎn)置，本實(shí)例采用lenet-5網(wǎng)絡(luò)的最后一層池化結(jié)果作為卷積神經(jīng)網(wǎng)絡(luò)特征h4；

(2e2)提取塊字典中第j個(gè)訓(xùn)練塊的局部二值模式特征wj1、局部定向模式特征wj2、加速魯棒特征wj3及卷積神經(jīng)網(wǎng)絡(luò)特征wj4，得到塊字典中第j個(gè)訓(xùn)練塊的列向量：wj＝{wj1，wj2，wj3，wj4}^t，其中，j＝1,2,...，q，q為塊字典中訓(xùn)練塊的總個(gè)數(shù)；

(2e3)求h到wj的歐式距離：b＝||(h-wj)||2，當(dāng)b最小時(shí)，記下此時(shí)的wj，該wj所對應(yīng)的訓(xùn)練塊就是與該測試塊最相似的。

(2f)重復(fù)步驟(2e)，直到步驟(2d)中所有測試塊所在的紫外極光圖像的相應(yīng)位置都放上標(biāo)準(zhǔn)塊，即得到紫外極光序列的空域分割結(jié)果。

步驟3：在時(shí)域上對步驟(1)中的極光序列進(jìn)行分割。

(3a)以紫外極光序列的每一幀紫外極光圖像作為輸入，用k-means算法按灰度值將輸入圖像聚成三類，并用不同顏色標(biāo)注，得到輸入圖像的初始標(biāo)記圖像；

(3b)用格子玻爾茲曼模型lbm求得紫外極光序列相鄰幀之間的粒子運(yùn)動場，并將運(yùn)動場用彩色圖像顯示出來；

(3b1)將紫外極光序列相鄰兩幀圖像的每個(gè)像素看作流體粒子，計(jì)算粒子沿著lbm模型中典型的二維九方向元胞結(jié)構(gòu)的九個(gè)方向，即靜止0、第一個(gè)方向1、第二個(gè)方向2、...、第八個(gè)方向8移動的移動速度ed：

其中，d＝1,2,3,4時(shí)，d＝5,6,7,8時(shí)，

(3b2)根據(jù)步驟(3b1)得到的粒子移動速度計(jì)算驅(qū)動前一幀圖像的粒子向后一幀圖像流動的外力g：

其中，f為極光序列相鄰兩幀圖像的灰度差；

(3b3)構(gòu)建在外力g驅(qū)動下前一幀紫外極光圖像的粒子向后一幀紫外極光圖像流動的動態(tài)過程的lbm演化方程：

其中，為前一幀紫外極光圖像上粒子的位置，為t時(shí)刻前一幀紫外極光圖像上處沿方向d移動的粒子密度分布函數(shù)，為t時(shí)刻前一幀紫外極光圖像上處粒子平衡分布函數(shù)，δt和δs分別為時(shí)間步長和空間步長，ξ為松弛時(shí)間，即元胞內(nèi)粒子密度趨于平衡態(tài)時(shí)所用的時(shí)間；

(3b4)設(shè)置和的初始值為：

其中，為初始狀態(tài)時(shí)前一幀紫外極光圖像上處的粒子密度，m為可調(diào)參數(shù)，m∈[0,1]；

(3b5)通過迭代，求解(3b3)中的lbm演化方程，直至粒子平衡分布函數(shù)不在變化為止，得到前一幀紫外極光圖像的粒子向后一幀紫外極光圖像流動的粒子位移場

其中，表示的梯度，

(3c)以(3b)中得到的粒子運(yùn)動場圖像作為輸入，用分水嶺算法將輸入圖像分割成許多區(qū)域；

(3d)對于任意一對相鄰的區(qū)域r和q，將它們對應(yīng)到初始標(biāo)記圖像上，判斷兩者的標(biāo)記顏色是否相同：

若標(biāo)記顏色不相同，則不進(jìn)行區(qū)域合并，且尋找下一對相鄰的區(qū)域；

若標(biāo)記顏色相同，則按下列步驟合并r和q：

(3d1)分別計(jì)算r的灰度直方圖ar＝{ar¹,...ar^k,...,ar²⁵⁶}和q的灰度直方圖aq＝{aq¹,...aq^k,...,aq²⁵⁶}，其中ar^k表示區(qū)域r中灰度值為k的像素的個(gè)數(shù)，aq^k表示區(qū)域q中灰度值為k的像素的個(gè)數(shù)，k＝1,2,...,256；

(3d2)根據(jù)(3d1)的結(jié)果計(jì)算r和q的相似度：；

(3d3)設(shè)置相似度閾值y，將(3d2)的結(jié)果x(r,q)與閾值y進(jìn)行比較，若x(r,q)大于y，則將r和q合并成一個(gè)區(qū)域，若x(r,q)小于等于y，則不合并區(qū)域r和q，且尋找下一對相鄰的區(qū)域，本實(shí)例中，相似度閾值y的值取100。

步驟4：將步驟(2)得到的空域分割結(jié)果和步驟(3)得到的時(shí)域分割結(jié)果融合，得到最終的分割結(jié)果。

由于空域分割結(jié)果和時(shí)域分割結(jié)果是與輸入圖像大小相同的兩個(gè)二值圖像，故可將這兩個(gè)二值圖像看作兩個(gè)矩陣，矩陣中的元素只有0和1兩個(gè)值；將兩個(gè)矩陣對應(yīng)元素相加，得到相加后的矩陣；將相加后的矩陣中大于0的元素?fù)Q成255，得到一個(gè)新的矩陣，將這個(gè)新矩陣用matlab顯示出來，就得到空域分割結(jié)果和時(shí)域分割結(jié)果融合后的結(jié)果。

本發(fā)明的效果通過以下仿真實(shí)驗(yàn)進(jìn)一步說明：

1、實(shí)驗(yàn)條件

硬件平臺：intelcorei3、2.93ghz、3.45gbram；

軟件平臺：windows7操作系統(tǒng)下的matlabr2011b；

實(shí)驗(yàn)數(shù)據(jù)：本發(fā)明所使用的紫外極光序列來自polar衛(wèi)星攜帶的紫外極光成像儀所拍攝的1996年12月的數(shù)據(jù)，其中每幀圖像大小均為228*200。

2、實(shí)驗(yàn)內(nèi)容與結(jié)果

仿真1：用本發(fā)明和現(xiàn)有5種紫外極光圖像分割方法對上述實(shí)驗(yàn)數(shù)據(jù)同時(shí)進(jìn)行分割處理，結(jié)果如圖2，其中：

圖2(a)為紫外極光圖像，

圖2(b)為現(xiàn)有基于直方圖的k均值算法hkm的分割結(jié)果，

圖2(c)為現(xiàn)有自適應(yīng)最小誤差閾值轉(zhuǎn)換法amet的分割結(jié)果，

圖2(d)為現(xiàn)有脈沖耦合神經(jīng)網(wǎng)絡(luò)法pcnn的分割結(jié)果，

圖2(e)為現(xiàn)有基于隨機(jī)霍夫變換的線性最小二乘法llsrht的分割結(jié)果，

圖2(f)為亮度自適應(yīng)和形狀初始化的水平集極光卵分割方法siials的分割結(jié)果，

圖2(g)為本發(fā)明的分割結(jié)果，

圖2(h)為手工標(biāo)定的標(biāo)準(zhǔn)結(jié)果，

從圖2可以看出，本發(fā)明得到的分割結(jié)果與標(biāo)準(zhǔn)結(jié)果最相似，說明本發(fā)明得到的分割結(jié)果最好。

為了更準(zhǔn)確的評價(jià)本發(fā)明，用分割結(jié)果的iou得分以及像素分類準(zhǔn)確率pca對本發(fā)明以及現(xiàn)有方法的結(jié)果做客觀評價(jià)，如表1所示。

表1

表1中，iou和pca的值越高，說明分割效果越好。iou和app的公式如下：

其中，gt是指標(biāo)準(zhǔn)結(jié)果，d是分割結(jié)果，n1是gt與d的交集中值為255的像素個(gè)數(shù)，n2是gt與d的交集中值為0的像素個(gè)數(shù)，n是紫外極光圖像中所有像素的個(gè)數(shù)。

從表1可見，本發(fā)明在紫外極光圖像的分割上有最高的iou和app，說明本發(fā)明在紫外極光圖像的分割上有最好的效果，分割準(zhǔn)確率大大提高。