AAgydF4y2Ba 天文学的发展gydF4y2Ba 1687 - 7977gydF4y2Ba 1687 - 7969gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2019/6582104gydF4y2Ba 6582104gydF4y2Ba 研究文章gydF4y2Ba 芝加哥商品交易所自动检测方法基于自适应背景学习技术gydF4y2Ba https://orcid.org/0000 - 0002 - 5630 - 9408gydF4y2Ba 羌族gydF4y2Ba 镇坪gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba https://orcid.org/0000 - 0003 - 2686 - 9153gydF4y2Ba 白gydF4y2Ba 相对gydF4y2Ba 2gydF4y2Ba https://orcid.org/0000 - 0002 - 8407 - 6170gydF4y2Ba 张gydF4y2Ba QinghuigydF4y2Ba 1gydF4y2Ba 林gydF4y2Ba 在香港gydF4y2Ba 1gydF4y2Ba 风扇gydF4y2Ba JunhuigydF4y2Ba 1gydF4y2Ba 大数据和智能工程的大学gydF4y2Ba 西南林业大学gydF4y2Ba 昆明650224gydF4y2Ba 中国gydF4y2Ba swfc.edu.cngydF4y2Ba 2gydF4y2Ba 太阳活动的中科院重点实验室gydF4y2Ba 国家天文台gydF4y2Ba 中国科学院gydF4y2Ba 北京100012年gydF4y2Ba 中国gydF4y2Ba cas.cngydF4y2Ba 2019年gydF4y2Ba 7gydF4y2Ba 11gydF4y2Ba 2019年gydF4y2Ba 2019年gydF4y2Ba 14gydF4y2Ba 03gydF4y2Ba 2019年gydF4y2Ba 22gydF4y2Ba 08年gydF4y2Ba 2019年gydF4y2Ba 08年gydF4y2Ba 10gydF4y2Ba 2019年gydF4y2Ba 7gydF4y2Ba 11gydF4y2Ba 2019年gydF4y2Ba 2019年gydF4y2Ba 版权©2019镇坪羌族et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

在本文中,我们描述一种技术,它使用一种自适应背景学习方法来检测芝加哥商品交易所(日冕物质抛射)自动从SOHO / LASCO C2图像序列。方法包括几个模块:自适应背景模块,候选人CME区域检测模块,和芝加哥商品交易所检测模块。该方法的核心是基于自适应背景学习,cme是假定为一个前景运动物体向外观察running-difference时间序列。使用静态和动态特性模型日冕观测场景可以更准确地描述复杂的背景。此外,该方法可以检测电晕的细微变化序列而有效地过滤噪音。我们应用这个方法一个月连续日冕图像,结果与CDAW相比,仙人掌,种子和CORIMP目录和发现了一个很好的检出率的自动方法。它检测到大约73%的CME CDAW CME中列出的目录,这是由人类视觉标识检查。目前,派生参数位置角,角宽度、线速度,cme的最低速度和最大速度。如果需要其他参数也可以很容易地添加。gydF4y2Ba

 中国国家自然科学基金gydF4y2Ba 11603016gydF4y2Ba 11873062gydF4y2Ba 西南林业大学gydF4y2Ba 111827年gydF4y2Ba 中国科学院gydF4y2Ba KLSA201909gydF4y2Ba 1。介绍gydF4y2Ba

日冕物质抛射(CME)是一个重要的释放从日冕等离子体和相应的磁场。它经常跟着太阳耀斑和日珥喷发时通常是礼物。等离子体释放到太阳风,可以观察到在日冕仪图像gydF4y2Ba 1gydF4y2Ba- - - - - -gydF4y2Ba 3gydF4y2Ba]。CME是最精力充沛的和重要的太阳活动和是一个重要的驱动程序在近地空间天气的环境和整个日球层。指向和弹射时到达地球作为一个行星CME (ICME) ICME可引起磁暴,可能会扰乱地球的磁气圈,破坏卫星可能诱发地面电流,增加对宇航员的辐射风险(gydF4y2Ba 4gydF4y2Ba]。因此,CME检测是一个活跃的研究领域。gydF4y2Ba

芝加哥商品交易所首次观察到之际,1859年9月1日首次发现太阳耀斑,已经被广泛的研究,因为它是首次报道gydF4y2Ba 5gydF4y2Ba超过四十年前。随着空间观测日冕的持续进展,一系列与冠状成像卫星观测能力如OSO-7, P78-1,太空实验室,多发性骨髓瘤,SOHO启动;特别是在过去的24年,日冕物质抛射已发现经常通过目视检查每个图像的大角度光谱日冕仪(LASCO)在SOHO (gydF4y2Ba 6gydF4y2Ba]。进一步了解芝加哥商品交易所,特别是三维属性,可以观察到来观察太阳-地球连接日冕和日球调查(西奇)gydF4y2Ba 7gydF4y2Ba),西奇飞上美国宇航局最近推出了太阳能地面天文台(立体声)的关系。gydF4y2Ba

相比之下这大量的观测太阳风暴,cme是重要任务的识别和分类,提供基本的知识进行进一步的科学研究。有两个主要类别的方法用于检测太阳风暴。一类是人工检测方法,LASCO仪器日冕仪。目前,存在一个手册目录数据分析车间协调数据中心(CDAW)目录gydF4y2Ba 8gydF4y2Ba目录所观察到的太阳风暴。这个目录是由观察者通过编制LASCO日冕仪的序列图像。但这个人性化的过程是乏味的和被观察者的偏见。促进cme的检测,另一个类别是自动检测方法,检测和特征cme日冕仪图像。gydF4y2Ba

计算机辅助CME跟踪软件包是第一个2004年引入自动检测方法(gydF4y2Ba 9gydF4y2Ba]。它利用霍夫变换来识别太阳风暴。2005年,Boursier等人提出了一个方法叫瞬态事件的自动识别和马赛库存从天气地图(阿耳特弥斯)gydF4y2Ba 10gydF4y2Ba];它利用LASCO C2天气地图和基于自适应滤波和分割检测太阳风暴。在[gydF4y2Ba 11gydF4y2Ba),Olmedo等人提出了太阳喷发事件检测系统(种子),利用图像分割技术检测太阳风暴。在[gydF4y2Ba 12gydF4y2Ba),年轻和加拉格尔描述和演示了一个多尺度边缘检测技术,解决了CME检测和跟踪,这可以作为一个自动化的CME检测系统的一部分。2009年,Goussies等人开发了一个算法基于水平集和区域竞争CME纹理特征的方法,并通过使用纹理信息在该地区竞争运动方程演化曲线,为此,分割的前缘的个人执行框架(gydF4y2Ba 13gydF4y2Ba]。同年,伯恩等人采用了一种多尺度分解技术提取图像结构的加工和使用椭圆参数的提取运动学(高度、速度和加速度)和形态(宽度和取向)变化检测太阳风暴(gydF4y2Ba 14gydF4y2Ba]。在[gydF4y2Ba 15gydF4y2Ba),加拉格尔等人开发了一个图像处理技术来定义cme的演化结构和使用监督分割算法,分离出感兴趣的特定区域根据其相似性判断模型自动跟踪太阳风暴。2012年,Zhao-Xian et al。gydF4y2Ba 16gydF4y2Ba)提出了一个方法来检测cme通过分析频谱在日冕仪的突然改变。2014年,Bemporad et al。gydF4y2Ba 17gydF4y2Ba]介绍了机载CME太阳能Orbiter-METIS日冕仪检测算法。运行的算法是基于连续图像之间的差异显著变化,提供芝加哥商品交易所首次检测时间。2017年,张等。gydF4y2Ba 18gydF4y2Ba)提出了一个疑似CME区域检测算法通过使用极端学习机(ELM)方法考虑灰度和纹理的特征。2018年,基于强度阈值之后,连续的阈值的区域差异图像空间rebinned改善信噪比,帕特尔et al。gydF4y2Ba 19gydF4y2Ba)提出了CME可见发射谱线的检测算法对ADITYA-L1日冕仪。最近,机器学习已经用于太阳物理学。Dhuri et al。gydF4y2Ba 20.gydF4y2Ba)利用机器学习分类的ARs的矢量磁场观测。黄等。gydF4y2Ba 21gydF4y2Ba)深入学习方法应用于耀斑预测。最近,王et al。gydF4y2Ba 22gydF4y2BaCME)甚至提出了一个自动工具检测和跟踪与机器学习技术。gydF4y2Ba

上面提到的这些CME自动检测方法,主要是基于三种策略:(i)增强日冕仪图片和描述运动学和形态学特征(边缘、亮度、形状等)的处理图像,然后使用这些特性来确定CME的发生;(2)建立CME进化模型根据历史CME的动态演化特征,使用相同的特征提取方法提取加工的动态演化特征序列,然后比较提取的特征模型来确定CME的发生;和(3)应用检测CME监督机器学习中分类问题。gydF4y2Ba

日冕仪数据可以视为三/四维数据集和两个/三个空间和一个时间维度。自动检测方法的关键是如何区分CME地区和其他地区的形象。这些方法没有充分利用时间维度信息。充分利用时域信息,我们可以使用视频处理技术CME检测。事实上,我们可以考虑一个日冕仪作为视频和图像序列作为cme异常事件的视频。CME的检测过程可以使用视频监控技术,包括变化检测、背景模型,前景检测和对象跟踪。进一步说,考虑到日冕仪图像序列本身是一个动态的场景,和芝加哥商品交易所也是一个动态的过程,所以芝加哥商品交易所检测方法必须适应现场的变化。受这些思想的启发,在本文中,我们试图发现cme基于自适应背景学习技术。下面描述的方法包括三个主要模块:gydF4y2Ba

自适应背景模块:该模块主要是实现维护日冕仪图像序列的背景模型gydF4y2Ba

候选人CME区域检测模块:此模块是用来检测前景区域的日冕仪图像gydF4y2Ba

CME检测模块:此模块是基于候选区域识别CME事件gydF4y2Ba

剩下的纸是组织如下。节gydF4y2Ba 2gydF4y2Ba关于自适应背景,我们首先给出规范模块。然后在节gydF4y2Ba 3gydF4y2Ba,我们将制定背景和前景的分类问题,提出一个候选人CME区域检测的方法。部分gydF4y2Ba 4gydF4y2Ba描述了一种算法基于候选人CME的CME检测区域检测模块。实验结果和验证LASCO C2数据提出了部分gydF4y2Ba 5gydF4y2Ba。本文的结论部分gydF4y2Ba 6gydF4y2Ba。gydF4y2Ba

 2。自适应背景模块gydF4y2Ba

在日冕仪图像序列背景环境总是变化;例如,小移动物体如恒星和宇宙射线可以使背景变化。所以,必须更加健壮和自适应背景表示模型,和后台模块必须不断更新来表示场景的变化。解决强混沌背景中的干扰,提出了几种方法,以适应各种各样的背景情况。其中,混合高斯模型的(MoG) [gydF4y2Ba 23gydF4y2Ba)被认为是一种很有前途的方法。视频监控,由于高帧速率,MoG可以取得好成绩在逐渐变化的场景,但对于CME检测、干扰变化明显,所以需要更好的方法来动态场景模型。李等人提出了一个统计建模(gydF4y2Ba 24gydF4y2Ba)使用两个连续帧的同现的颜色特征模型的动态场景。通过使用这种统计建模,该方法可以表示非静态的背景对象,因此它具有良好的鲁棒性动态背景存在的周期性干扰。统计建模非常适合CME检测通常与其他形式的太阳活动有关。我们应用这种方法模型的背景,即采用颜色特征描述的静态背景和同现颜色特征来描述移动背景,然后用分类的贝叶斯决策规则的背景和前景。gydF4y2Ba

2.1。基于贝叶斯分类规则的制定gydF4y2Ba

的方法自动检测的基于自适应背景模块,日冕仪图像中的每个像素分为两类:背景像素和前景像素(候选人CME区域像素)。因此,使用贝叶斯规则,每个像素的特征向量分布概率满足以下方程:gydF4y2Ba (1)gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba =gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba bgydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba bgydF4y2Ba +gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba fgydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba fgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 显示的像素位置,gydF4y2Ba vgydF4y2Ba 是向量的统计特性,gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba bgydF4y2Ba 特征向量的概率吗gydF4y2Ba vgydF4y2Ba 被观察到的背景gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba bgydF4y2Ba 先验概率的像素gydF4y2Ba 年代gydF4y2Ba 属于背景,gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba 的先验概率特征向量gydF4y2Ba vgydF4y2Ba 被观察到的位置gydF4y2Ba 年代gydF4y2Ba 。同样的,gydF4y2Ba fgydF4y2Ba 表示前景(或候选人CME区域)。通过使用贝叶斯决策规则,像素可分为背景如果特征向量满足以下方程:gydF4y2Ba (2)gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba bgydF4y2Ba vgydF4y2Ba >gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba fgydF4y2Ba vgydF4y2Ba ,gydF4y2Ba 通过使用贝叶斯条件后验概率,gydF4y2Ba (3)gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba CgydF4y2Ba vgydF4y2Ba =gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba CgydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba CgydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba CgydF4y2Ba =gydF4y2Ba bgydF4y2Ba 或gydF4y2Ba fgydF4y2Ba ,gydF4y2Ba 和替换(gydF4y2Ba 1gydF4y2Ba)和(gydF4y2Ba 3gydF4y2Ba)(gydF4y2Ba 2gydF4y2Ba),就gydF4y2Ba (4)gydF4y2Ba 2gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba bgydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba bgydF4y2Ba >gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba ,gydF4y2Ba 也就是说,如果我们获得的先验概率gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba ,条件概率gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba bgydF4y2Ba 目前gydF4y2Ba tgydF4y2Ba 的像素gydF4y2Ba 年代gydF4y2Ba 的特征向量gydF4y2Ba vgydF4y2Ba 可分为背景或前景基于公式(gydF4y2Ba 4gydF4y2Ba)。gydF4y2Ba

 2.2。特征向量的描述gydF4y2Ba

在公式(gydF4y2Ba 4gydF4y2Ba),概率函数gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba 和gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba bgydF4y2Ba 都是相关的特征向量gydF4y2Ba vgydF4y2Ba 。日冕仪图像,最突出的特点是亮度特征,考虑动态扰动;我们必须增加特征向量来描述动态属性。在本文中,我们采用亮度特性和同现的背景亮度特性模型。gydF4y2Ba

冠状图像的亮度很高,如果计算和记录所有亮度特征向量的概率是不现实的。幸运的是,在同一位置的日冕仪图像亮度变化不是很大。对于每一个像素,它能够记录一个小的子空间特征向量为背景模型。主要功能的一个例子表示亮度和同现亮度LASCO C2伪彩色日冕仪图像2014年图所示gydF4y2Ba 1gydF4y2Ba。左边的图像(一个)显示选中的像素的位置,和正确的图像(b)和(c)形象的直方图统计数据最重要的颜色和同现的颜色。颜色特征的直方图显示,只有第一个三十颜色分布占68.38%的颜色特征空间,第一个三十同现分布占79.51%的同现颜色特征空间。gydF4y2Ba

学习的主要特征的一个例子LASCO C2伪彩色日冕仪图像在2014年。(a)所选择的像素的位置,(b)显著的颜色直方图和(c)重要的同现的颜色直方图。gydF4y2Ba

因此,如图gydF4y2Ba 1gydF4y2Ba,我们可以代表gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba 和gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba bgydF4y2Ba 通过选择少量的特征向量。在本文的实验中,颜色特征向量量化为128年水平并记录第一个25特征向量和同现的颜色特征向量量化为64年水平并记录第一个40特征向量。gydF4y2Ba

 2.3。背景模型和参数gydF4y2Ba

在本文中,我们专注于芝加哥商品交易所的有效检测方法,以及数据对象是伪彩色处理日冕仪图像。所以我们使用统计特性的伪彩色日冕仪图像模型的背景,特别是包括先验概率的特征向量属于背景,颜色,和同现的颜色特征向量统计列表信息。假设当时gydF4y2Ba tgydF4y2Ba 在像素点gydF4y2Ba 年代gydF4y2Ba ,颜色是gydF4y2Ba cgydF4y2Ba tgydF4y2Ba =gydF4y2Ba rgydF4y2Ba tgydF4y2Ba ggydF4y2Ba tgydF4y2Ba bgydF4y2Ba tgydF4y2Ba TgydF4y2Ba 前一帧的亮度gydF4y2Ba cgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba rgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ggydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba bgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba ,同现的颜色可以被定义为特征向量gydF4y2Ba cgydF4y2Ba cgydF4y2Ba tgydF4y2Ba =gydF4y2Ba rgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ggydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba bgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba rgydF4y2Ba tgydF4y2Ba ggydF4y2Ba tgydF4y2Ba bgydF4y2Ba tgydF4y2Ba TgydF4y2Ba 。对于每一个像素,背景模型包括以下:gydF4y2Ba

的先验概率gydF4y2Ba pgydF4y2Ba bgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba 和gydF4y2Ba pgydF4y2Ba bgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba pgydF4y2Ba bgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba 表明,颜色特征向量属于当时的背景gydF4y2Ba tgydF4y2Ba 在像素点gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba pgydF4y2Ba bgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba 表明同现的颜色特征向量属于当时的背景gydF4y2Ba tgydF4y2Ba 在像素点gydF4y2Ba 年代gydF4y2Ba

颜色特征向量的统计列表gydF4y2Ba tgydF4y2Ba 在像素点gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba cgydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 数控gydF4y2Ba :gydF4y2Ba (5)gydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba cgydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba PgydF4y2Ba vgydF4y2Ba cgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba PgydF4y2Ba vgydF4y2Ba cgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba vgydF4y2Ba cgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba rgydF4y2Ba tgydF4y2Ba 我gydF4y2Ba ggydF4y2Ba tgydF4y2Ba 我gydF4y2Ba bgydF4y2Ba tgydF4y2Ba 我gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba

在哪里gydF4y2Ba 数控gydF4y2Ba 是统计的记录数量的颜色特征向量,gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 的统计概率gydF4y2Ba 我gydF4y2Ba th颜色特征向量gydF4y2Ba vgydF4y2Ba cgydF4y2Ba 在位置gydF4y2Ba 年代gydF4y2Ba 直到时间gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 的概率是gydF4y2Ba 我gydF4y2Ba th颜色特征向量gydF4y2Ba vgydF4y2Ba cgydF4y2Ba 在位置gydF4y2Ba 年代gydF4y2Ba 这是判断为背景吗gydF4y2Ba

同现颜色特征向量统计列表gydF4y2Ba tgydF4y2Ba 在像素点gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba cgydF4y2Ba cgydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba NccgydF4y2Ba :gydF4y2Ba (6)gydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba cgydF4y2Ba cgydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba PgydF4y2Ba vgydF4y2Ba cgydF4y2Ba cgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba cgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba PgydF4y2Ba vgydF4y2Ba cgydF4y2Ba cgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba vgydF4y2Ba cgydF4y2Ba cgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba rgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 我gydF4y2Ba ggydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 我gydF4y2Ba bgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 我gydF4y2Ba rgydF4y2Ba tgydF4y2Ba 我gydF4y2Ba ggydF4y2Ba tgydF4y2Ba 我gydF4y2Ba bgydF4y2Ba tgydF4y2Ba 我gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba

在哪里gydF4y2Ba NccgydF4y2Ba 是统计同现的记录数量的颜色特征向量,gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 的统计概率gydF4y2Ba 我gydF4y2Ba 同现的颜色特征向量gydF4y2Ba vgydF4y2Ba cgydF4y2Ba cgydF4y2Ba 在位置gydF4y2Ba 年代gydF4y2Ba 直到时间gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba cgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 的概率是gydF4y2Ba 我gydF4y2Ba 同现的颜色特征向量gydF4y2Ba vgydF4y2Ba cgydF4y2Ba cgydF4y2Ba 在位置gydF4y2Ba 年代gydF4y2Ba 这是判断为背景吗gydF4y2Ba

根据特征向量的分布,如图gydF4y2Ba 1gydF4y2Ba,第一个gydF4y2Ba NgydF4y2Ba 1gydF4y2Ba 列表的元素就足以覆盖大多数的一部分特征向量的背景。因此,在这种情况gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ≈gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 或gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ≈gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba cgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 可以用来表示背景。否则,当gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ≫gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 或gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ≫gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba cgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ,这表明该特征向量对应的前景。这是我们用来探测cme的基础。gydF4y2Ba

 3所示。候选人CME区域检测模块gydF4y2Ba

候选人CME区域检测模块是基于我们在讨论建立背景模型gydF4y2Ba 2.3gydF4y2Ba我们制定的背景和前景分类讨论gydF4y2Ba 2.1gydF4y2Ba。候选人CME区域检测模块由三部分组成:变化检测,改变分类,候选人CME区域分割。在第一步中,nonchange像素过滤通过使用背景差分和帧差,从而提高计算速度;同时,发现改变像素分离根据帧间像素属于静止和移动场景变化。在第二步中,基于颜色特征向量的学习了统计信息和同现的颜色特征向量,与静止或移动场景相关的像素进一步分类为背景或候选人CME区域使用贝叶斯决策规则。在第三个步骤中,候选人CME形态学处理基于区域分割的分类结果。这个过程是算法的基础gydF4y2Ba 25gydF4y2Ba),和候选人的框图CME区域检测如图gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

候选人的框图CME区域检测。gydF4y2Ba

 3.1。变化的分类gydF4y2Ba

候选人CME区域检测是基于两种背景特征(颜色和颜色同现);首先,每一个日冕仪图像的变化必须分为两种类型。如图gydF4y2Ba 2gydF4y2Ba通过时间差异,改变分类与背景的差异。时态的区别用二进制图像gydF4y2Ba FtdgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba 和背景的区别用二进制图像gydF4y2Ba 定期监测gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba 。如果gydF4y2Ba 定期监测gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba (不管什么结果gydF4y2Ba 定期监测gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba )检测,像素gydF4y2Ba 年代gydF4y2Ba 归类为改变像素。如果gydF4y2Ba 定期监测gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba 定期监测gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 被检测到,像素gydF4y2Ba 年代gydF4y2Ba 被归为一个固定像素。他们进一步分类为背景或候选人CME区分开,改变像素会被同现颜色特征分类,和固定像素会被颜色特征分类。gydF4y2Ba

 3.2。像素的分类gydF4y2Ba

当前处理日冕仪图像的每个像素点gydF4y2Ba 年代gydF4y2Ba 首先提取特征向量gydF4y2Ba vgydF4y2Ba tgydF4y2Ba (颜色羽毛向量和同现颜色向量基于像素变化分类)和匹配每个向量在像素的特征向量统计列表通过使用公式(gydF4y2Ba 7gydF4y2Ba),匹配的总和(gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba )先验概率和条件概率统计列表中进一步获取先验概率计算gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba tgydF4y2Ba 和条件概率gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba tgydF4y2Ba bgydF4y2Ba 像素的向量gydF4y2Ba vgydF4y2Ba tgydF4y2Ba 。与此同时,先验概率gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba bgydF4y2Ba 了,在后台维护模型。最后,用gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba tgydF4y2Ba bgydF4y2Ba ,gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba bgydF4y2Ba 到公式(gydF4y2Ba 4gydF4y2Ba),像素点gydF4y2Ba 年代gydF4y2Ba 可分为背景或候选人CME面积:gydF4y2Ba (7)gydF4y2Ba 米gydF4y2Ba vgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba vgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ∀gydF4y2Ba 我gydF4y2Ba vgydF4y2Ba 1gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba vgydF4y2Ba 2gydF4y2Ba 我gydF4y2Ba ≤gydF4y2Ba δgydF4y2Ba ,gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba 否则,gydF4y2Ba 在哪里gydF4y2Ba δgydF4y2Ba =gydF4y2Ba 2gydF4y2Ba 如果类似的功能是选择量化到邻近的向量,统计数据仍然可以被检索。如果没有元素在像素的特征向量统计列表匹配,gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba tgydF4y2Ba 和gydF4y2Ba PgydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba tgydF4y2Ba bgydF4y2Ba 设置为0。gydF4y2Ba

 3.3。候选人CME区域分割gydF4y2Ba

很明显,像素的分类后,只有一小部分的背景像素错误分类为CME的候选人。有许多孤立的点,所以形态学操作(打开和关闭的一对)应用于消除分散错误点和连接候选人CME区域点。最后,候选人CME区域检测模块将输出一个二进制图像gydF4y2Ba OgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

 3.4。自适应背景学习gydF4y2Ba

日冕仪图像序列是一个逐渐变化的场景,所以背景模型必须维护适应各种变化。在实践中,背景模型的概率信息和参考背景图像必须更新。gydF4y2Ba

3.4.1。更新背景模型的概率信息gydF4y2Ba

基于前面的二进制图像gydF4y2Ba OgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba 的像素gydF4y2Ba 年代gydF4y2Ba 的特征向量gydF4y2Ba vgydF4y2Ba tgydF4y2Ba 被列为候选人CME区域或背景。先验概率和条件概率与颜色特征逐渐更新公式(gydF4y2Ba 8gydF4y2Ba)和先验概率和条件概率的更新与同现的颜色特性是相似的:gydF4y2Ba (8)gydF4y2Ba pgydF4y2Ba bgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba pgydF4y2Ba bgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba +gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba +gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba vgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba +gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ∧gydF4y2Ba 米gydF4y2Ba vgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 为gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 数控gydF4y2Ba ,在那里gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba 是一个学习的速度控制特性的速度学习;在实验中,我们设置gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 0.005gydF4y2Ba ;gydF4y2Ba 米gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 当gydF4y2Ba 年代gydF4y2Ba 标签是在时间为背景吗gydF4y2Ba tgydF4y2Ba 从gydF4y2Ba OgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ;否则,gydF4y2Ba 米gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 。gydF4y2Ba 米gydF4y2Ba vgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 当gydF4y2Ba vgydF4y2Ba cgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 在颜色特征向量统计列表中gydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba cgydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 在公式(gydF4y2Ba 5gydF4y2Ba)匹配gydF4y2Ba vgydF4y2Ba cgydF4y2Ba tgydF4y2Ba 最好和gydF4y2Ba 米gydF4y2Ba vgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 为他人。详细,上面的更新可以表示如下:gydF4y2Ba

如果像素gydF4y2Ba 年代gydF4y2Ba 被标示为背景点的时间吗gydF4y2Ba tgydF4y2Ba 通过颜色特征,gydF4y2Ba pgydF4y2Ba bgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 略有增加gydF4y2Ba pgydF4y2Ba bgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba 由于gydF4y2Ba 米gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 。同时,匹配的概率特性也将增加gydF4y2Ba 米gydF4y2Ba vgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 。如果gydF4y2Ba 米gydF4y2Ba vgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 的统计信息,那么无与伦比的特性正逐渐减少。如果没有匹配特性gydF4y2Ba vgydF4y2Ba cgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 和特征向量的元素记录列表gydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba cgydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 数控gydF4y2Ba th元素列表中被一个新特性向量由公式(gydF4y2Ba 9gydF4y2Ba)。如果元素的数量小于gydF4y2Ba 数控gydF4y2Ba ,一个新特性向量由公式(gydF4y2Ba 9gydF4y2Ba)添加:gydF4y2Ba (9)gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba cgydF4y2Ba =gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba cgydF4y2Ba =gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba vgydF4y2Ba cgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba NgydF4y2Ba cgydF4y2Ba =gydF4y2Ba vgydF4y2Ba cgydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

如果像素gydF4y2Ba 年代gydF4y2Ba 标记为前景点的时间吗gydF4y2Ba tgydF4y2Ba 通过颜色特征,gydF4y2Ba pgydF4y2Ba bgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 略有下降是由于gydF4y2Ba 米gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 。然而,增加匹配的概率特性。gydF4y2Ba

确保元素取代概率最低,更新特征向量中的元素统计列表gydF4y2Ba 年代gydF4y2Ba vgydF4y2Ba cgydF4y2Ba ,gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 采取一个降序根据吗gydF4y2Ba pgydF4y2Ba vgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

 3.4.2。更新参考背景图像gydF4y2Ba

候选人CME地区检测过程中,它需要使用背景不同分类的变化,所以参考背景图像代表的最新外观感觉必须保持在每个时间步。无限脉冲响应(IIR)是用于更新逐渐变化为静止的背景意义。如果像素gydF4y2Ba 年代gydF4y2Ba 被归为一个变化点变化分类步骤和候选人CME区域分割结果吗gydF4y2Ba OgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 更新,参考背景图像gydF4y2Ba (10)gydF4y2Ba BgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba BgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba +gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba 我gydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba 是一个参数的IIR滤波器和gydF4y2Ba cgydF4y2Ba ∈gydF4y2Ba rgydF4y2Ba ,gydF4y2Ba ggydF4y2Ba ,gydF4y2Ba bgydF4y2Ba 这个过程点的颜色信息。一个小的正数gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba 选择消除图像噪声带来的干扰,并在实验中,我们准备好了吗gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba 0.1gydF4y2Ba 。gydF4y2Ba

如果gydF4y2Ba 定期监测gydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba FtdgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,但gydF4y2Ba OgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 。这意味着有一个明显的变化,但最终,不列为候选人CME区域;这表明一个背景的变化。所以处理像素gydF4y2Ba 年代gydF4y2Ba 的颜色信息应该取代参考背景,也就是说,gydF4y2Ba BgydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 我gydF4y2Ba cgydF4y2Ba 年代gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

通过这个操作,参考背景图像可以是一个不错的日冕场景变化的表征。gydF4y2Ba

 4所示。CME检测模块gydF4y2Ba

根据候选人CME区域,我们可以探测到芝加哥商品交易所根据候选人CME的形态和动态特征区域。例如,识别新兴的CME时,它必须向外移动至少在两个running-difference图像。这种情况由Robbrecht, Berghmans [gydF4y2Ba 9gydF4y2Ba]和Olmedo [gydF4y2Ba 26gydF4y2Ba)定义一个新兴的芝加哥商品交易所。gydF4y2Ba

我们提出的CME检测方法是基于一个连续帧处理方法,所以在候选人CME的检测区域,我们两个条件设置为标准的CME事件:(1)两个连续帧的CME候选人地区检测到从日心必须扩展;(2)开始以来的CME候选区域被发现,该地区逐渐扩大。gydF4y2Ba

此外,考虑到cme的角度范围,我们设置了最小角阈值过滤噪音。本质上和感兴趣的特性是在极坐标下由于太阳的球形结构。一个极性变换应用于每个候选人CME区域形象:gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 视野(FOV),从北部的太阳逆时针,变成了一个gydF4y2Ba θgydF4y2Ba ,gydF4y2Ba rgydF4y2Ba FOV,gydF4y2Ba θgydF4y2Ba 太阳和周围的极向角gydF4y2Ba rgydF4y2Ba 肢体的径向距离测量。这种转变已经用于其他CME检测算法(gydF4y2Ba 9gydF4y2Ba,gydF4y2Ba 11gydF4y2Ba]。在改变的同时,我们也rebin,从1024×1024像素gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba FOV为360×360像素gydF4y2Ba θgydF4y2Ba ,gydF4y2Ba rgydF4y2Ba 视场。通过适当的gydF4y2Ba rgydF4y2Ba −gydF4y2Ba 范围gydF4y2Ba 选择,黑暗神秘和角落区域很容易避免的。径向FOV在极坐标图像对应于360年2.2和6.2太阳半径之间的离散点。我们设置了最低检测角参数gydF4y2Ba dgydF4y2Ba (参见2014年芝加哥商品交易所在CDAW上市,最低是5度,我们集gydF4y2Ba dgydF4y2Ba =gydF4y2Ba 4gydF4y2Ba )。gydF4y2Ba

 5。结果和验证gydF4y2Ba

在本节中,视觉的例子和比较LASCO C2伪彩色日冕仪图片描述,分别。gydF4y2Ba

5.1。结果gydF4y2Ba

我们现在获得的结果通过运行检测算法基于自适应背景学习技术。gydF4y2Ba

实验过程图提取候选CME地区的基于场景的建模,我们使用的数据LASCO C2伪彩色日冕仪图片,和1024年gydF4y2Ba ∗gydF4y2Ba 1024图像序列进行处理。图gydF4y2Ba 3gydF4y2Ba是CME候选区域分割的过程,其中包括6帧(22:12:5日22:24:5日22:36:5日23:12:10日23:24:5日和23日:36:06 2014/03/04)处理结果;列(a) LASCO C2伪彩色日冕仪图像;列(b)的参考背景图像;列(c)是两个连续帧之间的差异图像;列(d)是当前图像和参考图像之间的差异的背景;列(e)是最终候选人CME区域图像;列(f)是不断变化的地区候选人CME的图像区域。gydF4y2Ba

一个实验过程图CME候选区域分割基于场景的建模。(一)LASCO C2伪彩色日冕仪图像;(b)的参考背景图像;(c)两者之间的差异图像序列帧;(d)当前图像和参考图像之间的差异的背景;(e)最终候选人CME区域图像;(f)改变地区候选人CME的图像区域。gydF4y2Ba

图gydF4y2Ba 4gydF4y2Ba是CME检测过程的一个例子,其中包括2帧(14:12和14:24 2014/01/01)处理结果;列(a)是原始冠状图像;列(b)候选人CME区域图像;列(c)是极地候选人CME的图像区域;列(d)是提高地区候选人CME的图像区域;列(e)极地增加区域的图像。红色框区域在过去的图像检测到CME区域。gydF4y2Ba

CME检测过程的一个例子。(一)LASCO C2伪彩色日冕仪图像;(b)候选人CME区域图像;(c) (b)的极地图像;(d)增加地区候选人CME的图像区域;(e)极地(d)的图像。gydF4y2Ba

 5.2。验证和比较gydF4y2Ba

不失一般性,我们选择一个月的假色日冕仪图像序列LASCO C2观察到2014年6月作为测试数据集进行比较。手动CDAW列表作为参考,我们将自适应背景学习方法的结果与CORIMP,仙人掌,和种子目录来验证算法的有效性。主要比较包括准确率,假阴性率,和未被发现的CME事件的数量。准确率是CME事件的总数的比例都是自动检测到的方法和CDAW列表中的记录的总数CDAW CME事件目录。假阴性率的比值的CME事件总数自动化方法没有检测但CDAW目录中记录的总数CDAW CME事件目录。gydF4y2Ba

在对比实验中,为每个CME事件记录在CDAW目录,如果其他自动化方法检测到CME事件在时间范围内的事件和角范围内的事件,它认为自动化方法检测CDAW CME事件列表。自适应背景的检测结果的比较与其他自动检测算法提出算法如表所示gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

CME检测方法比较的结果不同。gydF4y2Ba

方法gydF4y2Ba 检测到CME数量gydF4y2Ba 检测到CME CDAW目录中gydF4y2Ba 准确率(%)gydF4y2Ba 假阴性率(%)gydF4y2Ba 未被发现的CME CDAW目录中gydF4y2Ba
CDAWgydF4y2Ba 259年gydF4y2Ba
CORIMPgydF4y2Ba 132年gydF4y2Ba 47gydF4y2Ba 18.15gydF4y2Ba 32.82gydF4y2Ba 212年gydF4y2Ba
种子gydF4y2Ba 410年gydF4y2Ba 117年gydF4y2Ba 45.17gydF4y2Ba 113.12gydF4y2Ba 142年gydF4y2Ba
仙人掌gydF4y2Ba 188年gydF4y2Ba 85年gydF4y2Ba 32.82gydF4y2Ba 39.77gydF4y2Ba 174年gydF4y2Ba
我们的方法gydF4y2Ba 283年gydF4y2Ba 189年gydF4y2Ba 72.97gydF4y2Ba 36.29gydF4y2Ba 70年gydF4y2Ba

处理的数据集,如表所示gydF4y2Ba 1gydF4y2Ba,我们提出的方法比其他方法具有更高的准确率,只和假阴性率高于CORIMP方法和低于种子和仙人掌的方法。总发现CME号码,我们的方法比CORIMP和仙人掌,仅低于种子的方法。的未被发现的CME事件CDAW目录数量比较,我们的方法是最低的。gydF4y2Ba

近年来,CDAW目录CME事件更精细地记录;尤其是在头盔带很弱事件记录,记录的事件的数量也越来越多。例如,CME事件数量记录在1996年206年和2014年是2477年。这种变化使自动CME检测非常困难,所以这部小说检测方法必须检测冠状图像的细微变化。自动检测CME方法基于自适应背景学习可以表示的动态场景很好,适合事件检测在动态场景。图gydF4y2Ba 5gydF4y2Ba是一个很弱的CME事件检测的方法,发生在头盔等浮电缆区域。这个事件没有被CORIMP,种子,只仙人掌方法和记录在CDAW目录。图gydF4y2Ba 5gydF4y2Ba显示了两个连续的日冕仪图像,候选人CME区域图像,候选人CME变化区域图像,和很弱的CME事件区域位于红盒子。在实验中,非常弱的CME事件,我们的检测算法只能检测部分的CME事件,这是引起misdetection的主要原因。图gydF4y2Ba 6gydF4y2Ba是一个弱CME事件检测的过程图片,弱者CME事件区域也位于红盒子,第一列是日冕仪图像,第二列是前景检测到我们的方法,第三列是改变的前景区域。这个事件也没有检测到CORIMP,种子和仙人掌的方法。gydF4y2Ba

一个非常贫穷的CME事件(外观日期-时间(UT): 2014/06/01 02: 24: 05)检测到的自适应背景学习方法。(一)LASCO C2伪彩色日冕仪图像;(b)候选人CME区域图像;(c)增加地区候选人CME的图像区域。gydF4y2Ba

一个贫穷的CME事件(外观日期-时间(UT): 2014/06/04 19: 00: 05)检测到的自适应背景学习方法。(一)LASCO C2伪彩色日冕仪图像;(b)候选人CME区域图像;(c)增加地区候选人CME的图像区域。gydF4y2Ba

 5.3。计算CME的信息gydF4y2Ba

CME事件信息可以方便地使用图像处理计算。图gydF4y2Ba 7gydF4y2Ba是一个序列的CME事件的处理图像。我们的方法检测到事件的第一个C2外观日期-时间(UT): 2014/06/24 05: 35: 05年,这个CME事件的持续时间是2.6小时,其中包括14帧。在图gydF4y2Ba 7gydF4y2Ba,我们这些帧显示9个处理结果。第一列是日冕图像;第二列是发现候选人CME地区;第三列是候选人CME的轮廓区域标志的蓝色曲线;第四列是候选人CME区域的变化区域的图像;第五列是轮廓的变化区域的紫色曲线。我们使用时间戳的位置信息来过滤噪音造成的时间戳,因此我们可以提取更准确的CME区域,并确保最终的CME特性信息更精确的计算。提取信息的比较这个CME与其他方法如表所示gydF4y2Ba 2gydF4y2Ba。期间的计算方法,可以计算每一帧的速度根据每一帧的变化,计算原理图,和速度变化曲线如图gydF4y2Ba 8gydF4y2Ba。gydF4y2Ba

外观形态变化描述图的CME事件(日期-时间(UT): 2014/06/24 05: 36: 05)通过使用我们提出的中间图像的方法。gydF4y2Ba

芝加哥商品交易所信息表的事件比较如图gydF4y2Ba 7gydF4y2Ba。gydF4y2Ba

方法gydF4y2Ba 比较项目gydF4y2Ba
中央PA(度)gydF4y2Ba 角宽度(度)gydF4y2Ba 线性(中位数)速度(公里/秒)gydF4y2Ba 分钟的速度(公里/秒)gydF4y2Ba 最大速度(公里/秒)gydF4y2Ba
CDAWgydF4y2Ba 158年gydF4y2Ba 177年gydF4y2Ba 633年gydF4y2Ba
CORIMPgydF4y2Ba 168年gydF4y2Ba 77年gydF4y2Ba 442年gydF4y2Ba 755年gydF4y2Ba
种子gydF4y2Ba 158年gydF4y2Ba 94年gydF4y2Ba 511年gydF4y2Ba
仙人掌gydF4y2Ba 167年gydF4y2Ba 96年gydF4y2Ba 473年gydF4y2Ba 403年gydF4y2Ba 600年gydF4y2Ba
我们的方法gydF4y2Ba 157年gydF4y2Ba 95年gydF4y2Ba 425年gydF4y2Ba 316年gydF4y2Ba 507年gydF4y2Ba

速度计算示意图和速度变化曲线图表。gydF4y2Ba

在表gydF4y2Ba 2gydF4y2Ba由我们的方法计算的速度,是最低的;这主要是因为没有使用方法的前沿极端点CME地区每一帧计算速度,但使用边界采样点的平均值来计算速度。如果速度边界的计算根据极端点极端点,这个CME事件的平均速度计算方法是490 km / s,这是类似于其他自动检测的方法。gydF4y2Ba

 6。讨论和结论gydF4y2Ba

在这篇文章中,我们已经开发出一种新方法,该方法能够检测,跟踪和计算信息的SOHO / LASCO C2伪彩色日冕仪图像。基本算法包括以下:(i)建立和维护日冕图像序列的背景模型,(2)检测CME基于贝叶斯定理的候选区域,(3)确定CME事件,(iv)计算CME事件的信息。gydF4y2Ba

这部小说的方法是基于自适应背景学习技术,并通过静态和动态特征模型的背景,这种方法可以很好地描述复杂的背景,尤其是动态背景的变化。通过使用该方法来检测头盔飘带的CME叠加区域有更明显的优势。与此同时,由于背景建模学习,在这种方法中,多帧图像的信息统计。通过这种方式,造成的影响结果单帧图像中的噪声可以抑制,可以增强CME检测的鲁棒性。我们的CME事件识别方法是基于候选人CME区域。它使用的CME地区总是逐渐增大;一方面,它可以避免噪声的影响,另一方面,它可以有效地跟踪一个完整的CME事件。最后,通过检测区域每一帧的信息,它是方便的和有效的提取的形态和运动信息CME事件。gydF4y2Ba

自动化的方法,如仙人掌、种子和CORIMP检出率较低的相比CDAW目录由观察者。这主要是因为近年来人工标记的方法标志着可怜的CME事件,尤其是穷人事件头盔飘带。所以需要新的方法来检测细微变化的动态场景,我们提出的方法在这方面具有良好的性能。gydF4y2Ba

类似于其他自动化的方法,在背景自适应学习方法的最大问题是各种参数和阈值的估计,如量子化的能级的像素信息,学习更新率和前景检测阈值。例如,一个小前景检测阈值不仅可以减少假阴性率,而且准确率。所以这些经验值的选择对算法有一定的影响,并在这些领域将进行进一步的调查。我们还计划把这种方法应用到日冕图像获得的其他设备。gydF4y2Ba

 数据可用性gydF4y2Ba

SOHO / LASCO数据用于支持本研究的结果可从SOHO / LASCO仪器主页(gydF4y2Ba http://lasco-www.nrl.navy.mil/gydF4y2Ba)。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突有关的出版。gydF4y2Ba

 确认gydF4y2Ba

这项工作得到了国家自然科学基金(批准号11603016和11603016),西南林业大学重点科研基金项目(批准号111827)和中科院重点实验室开放研究计划的太阳活动,国家天文台(KLSA201909)。SOHO是欧洲航天局和美国航天局之间的国际合作项目。这里使用的SOHO / LASCO数据是由一个财团的海军研究实验室(美国),毛皮Aeronomie研究所(德国)、Laboratoire d 'Astronomie空间(法国),大学和伯明翰(英国)。作者承认使用CDAW CME目录生成和维护的数据中心由美国宇航局和美国天主教大学和海军研究实验室合作。仙人掌CME目录生成和维护由SIDC在比利时的皇家天文台。种子CME目录已经被NASA支持的明星项目和NASA应用信息系统研究项目。CORIMP CME目录已经由夏威夷大学天文研究所提供。gydF4y2Ba

 基督教gydF4y2Ba e·R。gydF4y2Ba 日冕物质抛射gydF4y2Ba 2012年gydF4y2Ba 美国马里兰gydF4y2Ba 美国航空航天局/戈达德太空飞行中心gydF4y2Ba 海瑟薇gydF4y2Ba d . H。gydF4y2Ba 日冕物质抛射gydF4y2Ba 2014年gydF4y2Ba 美国马里兰gydF4y2Ba NASA马歇尔太空飞行中心gydF4y2Ba 低gydF4y2Ba b . C。gydF4y2Ba 日冕物质抛射gydF4y2Ba 地球物理评论gydF4y2Ba 2016年gydF4y2Ba 25gydF4y2Ba 3gydF4y2Ba 663年gydF4y2Ba 675年gydF4y2Ba CucinottagydF4y2Ba f。gydF4y2Ba 空间辐射风险国际空间站宇航员在多个任务gydF4y2Ba 《公共科学图书馆•综合》gydF4y2Ba 2014年gydF4y2Ba 9gydF4y2Ba 4gydF4y2Ba e96099gydF4y2Ba 10.1371 / journal.pone.0096099gydF4y2Ba 2 - s2.0 - 84899746859gydF4y2Ba TouseygydF4y2Ba R。gydF4y2Ba 太阳日冕gydF4y2Ba 太空研究十三世gydF4y2Ba 1973年gydF4y2Ba 柏林,德国gydF4y2Ba Akademic-VerlaggydF4y2Ba 布鲁克纳gydF4y2Ba g . E。gydF4y2Ba 霍华德gydF4y2Ba r。gydF4y2Ba KoomengydF4y2Ba m·J。gydF4y2Ba 大角度光谱日冕仪(LASCO)gydF4y2Ba 太阳物理学gydF4y2Ba 1995年gydF4y2Ba 162年gydF4y2Ba 1 - 2gydF4y2Ba 357年gydF4y2Ba 402年gydF4y2Ba 10.1007 / bf00733434gydF4y2Ba 2 - s2.0 - 34249761312gydF4y2Ba 霍华德gydF4y2Ba r。gydF4y2Ba 摩西gydF4y2Ba j . D。gydF4y2Ba 突出的事物gydF4y2Ba d·G。gydF4y2Ba Sun-earth连接日冕和日球调查(西奇)gydF4y2Ba 《国际研讨会光学科技gydF4y2Ba 2000年5月gydF4y2Ba 圣地亚哥,加州,美国gydF4y2Ba GopalswamygydF4y2Ba N。gydF4y2Ba 八城政基gydF4y2Ba 年代。gydF4y2Ba MichalekgydF4y2Ba G。gydF4y2Ba SOHO / LASCO CME目录gydF4y2Ba 地球、月球和行星gydF4y2Ba 2009年gydF4y2Ba 104年gydF4y2Ba 1 - 4gydF4y2Ba 295年gydF4y2Ba 313年gydF4y2Ba 10.1007 / s11038 - 008 - 9282 - 7gydF4y2Ba 2 - s2.0 - 62149130805gydF4y2Ba RobbrechtgydF4y2Ba E。gydF4y2Ba BerghmansgydF4y2Ba D。gydF4y2Ba 自动识别的日冕物质抛射(cme)近实时的数据gydF4y2Ba 天文学和天体物理学gydF4y2Ba 2004年gydF4y2Ba 425年gydF4y2Ba 3gydF4y2Ba 1097年gydF4y2Ba 1106年gydF4y2Ba 10.1051 / 0004 - 6361:20041302gydF4y2Ba 2 - s2.0 - 5444229115gydF4y2Ba BoursiergydF4y2Ba Y。gydF4y2Ba LlebariagydF4y2Ba 一个。gydF4y2Ba GoudailgydF4y2Ba F。gydF4y2Ba 自动检测的日冕物质抛射LASCO-C2天气地图gydF4y2Ba SPIE-The国际光学工程学会学报》上gydF4y2Ba 2005年gydF4y2Ba 5901年gydF4y2Ba OlmedogydF4y2Ba O。gydF4y2Ba 张gydF4y2Ba J。gydF4y2Ba 波兰gydF4y2Ba K。gydF4y2Ba 承担gydF4y2Ba K。gydF4y2Ba 自动检测和跟踪的日冕物质抛射日冕仪时间序列gydF4y2Ba 太阳物理学gydF4y2Ba 2008年gydF4y2Ba 248年gydF4y2Ba 2gydF4y2Ba 485年gydF4y2Ba 499年gydF4y2Ba 10.1007 / s11207 - 007 - 9104 - 5gydF4y2Ba 2 - s2.0 - 42449104861gydF4y2Ba 年轻的gydF4y2Ba c。gydF4y2Ba 加拉格尔gydF4y2Ba p . T。gydF4y2Ba 多尺度边缘检测电晕gydF4y2Ba 太阳物理学gydF4y2Ba 2008年gydF4y2Ba 248年gydF4y2Ba 2gydF4y2Ba 457年gydF4y2Ba 469年gydF4y2Ba 10.1007 / s11207 - 008 - 9177 - 9gydF4y2Ba 2 - s2.0 - 42449138227gydF4y2Ba GoussiesgydF4y2Ba n。gydF4y2Ba MejailgydF4y2Ba m E。gydF4y2Ba JacobogydF4y2Ba J。gydF4y2Ba StenborggydF4y2Ba G。gydF4y2Ba 检测和跟踪的日冕物质抛射基于监督分类和水平集gydF4y2Ba 模式识别的字母gydF4y2Ba 2010年gydF4y2Ba 31日gydF4y2Ba 6gydF4y2Ba 496年gydF4y2Ba 501年gydF4y2Ba 10.1016 / j.patrec.2009.07.011gydF4y2Ba 2 - s2.0 - 77249117654gydF4y2Ba 伯恩gydF4y2Ba j . P。gydF4y2Ba 加拉格尔gydF4y2Ba p . T。gydF4y2Ba McAteergydF4y2Ba r·t·J。gydF4y2Ba 年轻的gydF4y2Ba c。gydF4y2Ba 使用多尺度方法的运动学日冕物质抛射gydF4y2Ba 天文学和天体物理学gydF4y2Ba 2009年gydF4y2Ba 495年gydF4y2Ba 1gydF4y2Ba 325年gydF4y2Ba 334年gydF4y2Ba 10.1051 / 0004 - 6361:200809811gydF4y2Ba 2 - s2.0 - 60849104455gydF4y2Ba 加拉格尔gydF4y2Ba p . T。gydF4y2Ba 年轻的gydF4y2Ba c。gydF4y2Ba 伯恩gydF4y2Ba j . P。gydF4y2Ba McAteergydF4y2Ba r·t·J。gydF4y2Ba 日冕物质抛射使用小波检测,曲波和脊波:申请空间天气监测gydF4y2Ba 太空研究的进步gydF4y2Ba 2011年gydF4y2Ba 47gydF4y2Ba 12gydF4y2Ba 2118年gydF4y2Ba 2126年gydF4y2Ba 10.1016 / j.asr.2010.03.028gydF4y2Ba 2 - s2.0 - 79955810945gydF4y2Ba Zhao-xiangydF4y2Ba Z。gydF4y2Ba Ya-ligydF4y2Ba W。gydF4y2Ba Jin-shenggydF4y2Ba lgydF4y2Ba 一个方法来自动检测日冕物质抛射日冕仪基于频谱分析gydF4y2Ba 《2012国际会议的现代计算机科学和应用程序gydF4y2Ba 2013年6月gydF4y2Ba 柏林,海德堡gydF4y2Ba 施普林格gydF4y2Ba 223年gydF4y2Ba 227年gydF4y2Ba BemporadgydF4y2Ba 一个。gydF4y2Ba AndrettagydF4y2Ba V。gydF4y2Ba PancrazzigydF4y2Ba M。gydF4y2Ba 车载CME太阳能orbiter-METIS日冕仪检测算法gydF4y2Ba SPIE-The国际光学工程学会学报》上gydF4y2Ba 2014年gydF4y2Ba 9152年gydF4y2Ba 91520 kgydF4y2Ba 张gydF4y2Ba lgydF4y2Ba 阴gydF4y2Ba J。gydF4y2Ba 林gydF4y2Ba J。gydF4y2Ba 检测使用多个特性和时空连续性日冕物质抛射gydF4y2Ba 太阳物理学gydF4y2Ba 2017年gydF4y2Ba 292年gydF4y2Ba 7gydF4y2Ba 91年gydF4y2Ba 10.1007 / s11207 - 017 - 1107 - 2gydF4y2Ba 2 - s2.0 - 85021297343gydF4y2Ba 帕特尔gydF4y2Ba R。gydF4y2Ba AmareswarigydF4y2Ba K。gydF4y2Ba 裤子gydF4y2Ba V。gydF4y2Ba 车载自动CME可见发射谱线的检测算法在ADITYA-L1日冕仪gydF4y2Ba 太阳物理学gydF4y2Ba 2018年gydF4y2Ba 293年gydF4y2Ba 7gydF4y2Ba 1gydF4y2Ba 25gydF4y2Ba 10.1007 / s11207 - 018 - 1323 - 4gydF4y2Ba 2 - s2.0 - 85049935058gydF4y2Ba DhurigydF4y2Ba d·B。gydF4y2Ba HanasogegydF4y2Ba s M。gydF4y2Ba 张gydF4y2Ba M . c . M。gydF4y2Ba 机器学习揭示系统的积累,太阳耀斑的电流gydF4y2Ba 美国国家科学院院刊》上gydF4y2Ba 2019年gydF4y2Ba 116年gydF4y2Ba 23gydF4y2Ba 11141年gydF4y2Ba 11146年gydF4y2Ba 10.1073 / pnas.1820244116gydF4y2Ba 黄gydF4y2Ba X。gydF4y2Ba 王gydF4y2Ba H。gydF4y2Ba 徐gydF4y2Ba lgydF4y2Ba 刘gydF4y2Ba J。gydF4y2Ba 李gydF4y2Ba R。gydF4y2Ba 戴gydF4y2Ba X。gydF4y2Ba 太阳耀斑预测模型为基础的深度学习。我:视距磁力图的结果gydF4y2Ba 《天体物理学杂志》上gydF4y2Ba 2018年gydF4y2Ba 856年gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba 10.3847 / 1538 - 4357 / aaae00gydF4y2Ba 2 - s2.0 - 85044783980gydF4y2Ba 王gydF4y2Ba P。gydF4y2Ba 张gydF4y2Ba Y。gydF4y2Ba 冯gydF4y2Ba lgydF4y2Ba 芝加哥商品交易所的新工具自动检测和跟踪与机器学习技术gydF4y2Ba 2019年gydF4y2Ba https://arxiv.org/abs/1907.08798gydF4y2Ba StauffergydF4y2Ba C。gydF4y2Ba GrimsongydF4y2Ba w·e·L。gydF4y2Ba 学习活动模式使用实时跟踪gydF4y2Ba IEEE模式分析与机器智能gydF4y2Ba 2000年gydF4y2Ba 22gydF4y2Ba 8gydF4y2Ba 747年gydF4y2Ba 757年gydF4y2Ba 10.1109/34.868677gydF4y2Ba 2 - s2.0 - 0034244889gydF4y2Ba 李gydF4y2Ba lgydF4y2Ba 黄gydF4y2Ba W。gydF4y2Ba 顾gydF4y2Ba i . y . H。gydF4y2Ba 从视频包含前景目标检测复杂的背景gydF4y2Ba 第十一届ACM国际会议多媒体学报》上gydF4y2Ba 2003年1月gydF4y2Ba 美国加利福尼亚州伯克利gydF4y2Ba ACMgydF4y2Ba 10.1145/957016.957017gydF4y2Ba 莫gydF4y2Ba Q。gydF4y2Ba 戴gydF4y2Ba F。gydF4y2Ba 刘gydF4y2Ba D。gydF4y2Ba 秦gydF4y2Ba J。gydF4y2Ba 谢gydF4y2Ba Z。gydF4y2Ba 李gydF4y2Ba T。gydF4y2Ba 发展私人过程:一个细化的方法gydF4y2Ba IEEE访问gydF4y2Ba 2019年gydF4y2Ba 7gydF4y2Ba 31517年gydF4y2Ba 31534年gydF4y2Ba 10.1109 / access.2018.2889715gydF4y2Ba 2 - s2.0 - 85059287073gydF4y2Ba OlmedogydF4y2Ba O。gydF4y2Ba 研究日冕物质抛射的启动过程和工具的自动检测gydF4y2Ba 大学的科学gydF4y2Ba 2011年gydF4y2Ba 137年gydF4y2Ba 149年gydF4y2Ba 博士论文gydF4y2Ba