基于自适应背景学习技术的CME自动检测方法

摘要

在本文中，我们描述了一种技术，使用自适应背景学习方法来检测日冕物质抛射自动从SOHO/LASCO C2图像序列。该方法由自适应背景模块、候选CME区域检测模块和CME检测模块组成。该方法的核心是基于自适应背景学习，假设CMEs是运行差分时间序列中观察到的前景向外移动的物体。利用静态和动态特征对日冕观测场景进行建模，可以更准确地描述复杂的背景。此外，该方法能在有效滤波电晕序列噪声的同时，检测出电晕序列的细微变化。将该方法应用于连续一个月的日冕图像，并与CDAW、仙人掌、种子和CORIMP目录进行了比较，发现该自动方法具有较好的检出率。它检测了CDAW CME目录中所列CME的73%，这些CME是通过人眼检查识别的。目前推导出的参数有CMES的位置角、角宽、线速度、最小速度和最大速度。如果需要，还可以很容易地添加其他参数。

1.介绍

日冕物质抛射(CME)是由日冕释放的等离子体和伴随的磁场。它经常跟随太阳耀斑，通常在日珥爆发时出现。等离子体被释放到太阳风中，可以在日冕仪图像中观测到[1- - - - - -3.]。日冕物质抛射是最活跃和最重要的太阳活动，是近地环境和整个日球层空间天气的重要驱动因素。当抛射物以行星际CME (ICME)的形式直接到达地球时，ICME会引起地磁暴，可能会破坏地球的磁层，潜在地破坏卫星，诱发地面电流，并增加宇航员的辐射风险。4]。因此，CME检测是一个活跃的研究领域。

首次观测到日冕物质抛射的时间与1859年9月1日首次观测到的太阳耀斑重合，自首次报道以来，人们对它进行了广泛的研究[5四十多年前。随着日冕空间观测工作的不断推进，发射了OSO-7、P78-1、Skylab、SMM、SOHO等一系列具有日冕成像观测能力的卫星;特别是在过去24年，我们经常透过SOHO卫星上的大角度光谱日冕仪(LASCO)所拍摄的每幅影像，观测日冕物质喷射现象[6]。，以进一步了解日冕物质抛射现象，特别是它的三维特性，这些特性可由日地联系日冕及日气层调查(SECCHI)所观察到[7，塞奇搭乘了美国宇航局最近发射的日地关系天文台(STEREO)。

与对日冕物质抛物的大量观测相比，对日冕物质抛物的识别和分类是一项重要的任务，它为进一步的科学研究提供了基础知识。检测日冕物质抛射的方法主要有两类。一类是手动检测方法，用的是LASCO仪器日冕仪。目前，有一个手动目录，即协调数据分析工作坊数据中心(CDAW)目录[8]来编录观测到的日冕物质。这个目录是由观察LASCO日冕仪图像序列的观察者编辑的。但这种以人为本的过程是冗长乏味的，而且会受到观察者的偏见的影响。为了促进日冕物质抛射的检测，另一类是自动检测方法，它对日冕图像中的日冕物质抛射进行检测和表征。

电脑辅助CME追踪软件包是2004年推出的第一套自动侦测方法[9]。利用霍夫变换对CMEs进行识别。2005年，Boursier等人提出了一种从天气图自动识别瞬时事件和马赛清单(ARTEMIS)的方法[10];它利用LASCO C2天气图和基于自适应滤波和分割来检测CMEs。在[11， Olmedo等人提出了利用图像分割技术检测日冕物质抛射的太阳爆发事件检测系统(SEEDS)。在[12， Young和Gallagher描述和演示了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(13]。同年，Byrne等采用多尺度分解技术提取处理图像的结构，利用前端的椭圆参数化提取运动学(高度、速度和加速度)和形态学(宽度和方向)变化检测CMEs [14]。在[15， Gallagher等人开发了一种图像处理技术，通过纹理定义CMEs的演变，并使用监督分割算法，根据与预先指定模型的相似性分离特定感兴趣区域，从而自动跟踪CMEs。2012年，赵贤等[16]提出了一种通过分析日冕仪中频谱的突然变化来检测日冕物质抛射的方法。2014年Bemporad等[17描述了机载CME探测算法的太阳轨道- metis日冕仪。该算法基于连续图像之间的运行差异来获得显著的变化，并提供CME的首次检测时间。2017年，Zhang等[18]提出了一种可疑的CME区域检测算法，该算法使用极值学习机(extreme learning machine, ELM)方法，考虑了灰度和纹理的特征。2018年，Patel等人基于灰度阈值和区域阈值对连续差分图像进行空间重新分割以提高信噪比[。19]提出了一种用于ADITYA-L1上可见发射线日冕仪的CME检测算法。最近，机器学习已经在太阳物理学中得到应用。Dhuri等人[20.]使用机器学习来分类来自扩口ARs的矢量磁场观察。黄等人[21在火焰预测中应用了深度学习方法。最近，Wang等人[22甚至提出了一种自动工具，用于CME检测和跟踪机器学习技术。

上述CME自动检测方法主要基于三种策略:(1)对日冕仪图像进行增强，描述处理图像的运动学和形态学特征(边缘、亮度、形状等)，然后利用这些特征判断CME的发生;(ii)根据历史CMEs动态演化特征建立CME演化模型，采用相同的特征提取方法提取处理序列的动态演化特征，然后将提取的特征与模型进行比较，确定CME的发生;利用机器学习中的监督分类问题检测CME。

调节器数据可以被认为是具有两个/三个空间和一个时间维度的三维/四维数据集。自动检测方法的关键是如何将CME区域与图像的其他部分区分开来。这些方法不充分利用时间维度信息。为了充分利用时域信息，我们可以使用视频处理技术进行CME检测。事实上，我们可以将调节件序列视为视频，并将CMES视为视频中的异常事件。CME的检测过程可以使用视频监控技术，包括改变检测，背景模型，前景检测和对象跟踪。此外，考虑调节器图像序列本身是动态场景，并且CME也是动态过程，因此CME检测方法必须适应场景变化。在本文中受到这些想法的启发，我们试图根据自适应背景学习技术检测CMES。该方法包括以下三个主模块：(1)自适应背景模块：该模块主要实施以维持调节件序列的背景模型(2)候选CME区域检测模块:用于对日冕图像的前景区域进行检测(3)CME检测模块:该模块基于候选区域来识别CME事件

本文的其余部分组织如下。节2，首先给出了自适应背景模块的说明。然后在节3.，我们将制定背景和前景分类问题，并提出一种候选CME区域检测方法。部分4介绍了一种基于候选CME区域检测模块的CME检测算法。在LASCO C2数据上的实验结果和验证在章节中给出5。本文以章节结尾6。

2.自适应背景模块

在日冕仪图像序列中，背景环境总是变化的;例如，像星星和宇宙射线这样移动的小物体可以改变背景。因此，背景表示模型必须具有更强的鲁棒性和自适应性，背景模块必须不断更新以表示场景的变化。针对背景中存在的强混沌干扰问题，提出了几种适应不同背景情况的方法。其中Gaussians混合物(MoG) [23被认为是一种很有前途的方法。在视频监控中，MoG由于帧率高，可以在渐变场景中取得较好的效果，但对于CME检测，干扰变化较大，需要更好的方法对动态场景建模。Li等人提出了一种统计模型[24]，利用两个连续帧的颜色特征的共现来建模动态场景。该方法采用统计建模方法，能够表征非静态背景对象，对动态背景周期干扰的存在具有良好的鲁棒性。统计模型非常适合于经常与其他形式的太阳活动有关的日冕物质抛射探测。将该方法应用于背景建模，即使用颜色特征描述静态背景，使用共现颜色特征描述运动背景，然后使用贝叶斯决策规则对背景和前景进行分类。

2.1。基于贝叶斯的分类规则的制定

在基于自适应背景模块的CMEs自动检测方法中，将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CME区域像素)。因此，利用贝叶斯规则，每个像素的特征向量分布概率满足下式: 在哪里 显示的像素位置,为统计特征向量，特征向量的概率是多少作为背景被观察 , 是像素的先验概率吗属于背景，和是特征向量的先验概率吗被观察到的位置 。同样地，表示前景(或候选CME区域)。利用贝叶斯决策规则，如果特征向量满足下式，则将像素划分为背景: 通过贝叶斯条件后验概率， 和替换(1)和(3.) (2),就 也就是说，如果我们得到了先验概率 , ,和条件概率目前 ,像素与特征向量可分为背景或前景根据公式(4)。

2.2。特征向量的描述

在公式(4)，概率函数和都与特征向量有关吗 。对于日冕仪图像，最显著的特征是亮度特性，并考虑了动态干扰;我们必须增加特征向量来表征动态特性。在本文中，我们采用亮度特征和共现亮度特征来建模背景。

如果计算和记录所有的亮度特征向量的概率是不现实的，那么日冕图像的亮度水平较高。幸运的是，在同一位置的日冕图像，亮度变化不是很大。所以对于每个像素，记录一个小的子空间特征向量作为背景模型就足够了。以2014年LASCO C2伪彩色日冕仪图像的亮度和共现亮度主特征表示为例，如图所示1。左侧图像(a)为所选像素的位置，右侧图像(b)和图像(c)为最显著颜色和共现颜色的统计直方图。颜色特征的直方图显示，只有前30个颜色分布占所有颜色特征空间的68.38%，前30个共现颜色分布占所有共现颜色特征空间的79.51%。

因此，如图所示1，我们可以表示和通过选择少量特征向量。在本文的实验中，彩色特征向量被量化为128级，并记录了第一25个特征向量，并且将共发生的颜色特征向量量化为64个级别并记录了前40个特征向量。

2.3。背景模型及参数

本文重点研究了CME的有效检测方法，处理的数据对象为伪彩色日冕仪图像。因此我们利用伪彩色日冕图像的统计特征来建模背景，特别是包括属于背景的特征向量的先验概率、颜色以及共现的颜色特征向量统计列表信息。假设当时 ,在像素点 ,颜色是 ,前一帧的亮度为 ,共现颜色特征向量可定义为 。对于每个像素，背景模型包括以下内容:(1)的先验概率和 , 表明颜色特征向量属于时间的背景在像素点 ,和表示共现的颜色特征向量属于时间背景在像素点(2)颜色特征向量统计时间列表在像素点 , , : 在哪里为统计颜色特征向量的记录个数，的统计概率是Th颜色特征向量在位置直到时间 ,和的概率是Th颜色特征向量在位置哪一个被判定为背景(3)共现颜色特征向量统计列表的时间在像素点 , , : 在哪里是统计共生彩色特征向量的录音号码，的统计概率是共现颜色特征向量在位置直到时间 ,和是概率共现颜色特征向量在位置哪一个被判定为背景

根据特征向量的分布，如图所示1,第一个列表中的元素足以覆盖来自背景的大部分特征向量。因此，在这种情况下或 , 和可用于表示背景。否则,当或 ,表示该特征向量对应于前景。这是我们用来探测日冕物质抛射的基础。

3.候选CME区域检测模块

候选CME区域检测模块基于我们讨论的已建立的背景模型2.3文中还讨论了背景和前景分类的制定2.1。候选CME区域检测模块由变更检测、变更分类和候选CME区域分割三部分组成。第一步利用背景差和帧差滤除不变像素，提高了计算速度;同时，根据帧间的变化将检测到的变化像素分离为静止和运动场景的像素。第二步，根据学习到的颜色特征向量和共现颜色特征向量的统计信息，利用贝叶斯决策规则将与静止或运动场景相关的像素进一步划分为背景或候选CME区域。第三步，根据分类结果，通过形态学处理对CME候选区域进行分割。该过程是算法的基础[25，候选CME区域检测的框图如图所示2。

3.1。改变分类

候选CME区域检测基于两类背景特征(颜色和共现颜色);首先，每个日冕图像的变化必须分为两类。如图所示2，通过时间差异和背景差异对变化进行分类。时域差分二值图像表示为 ,背景差二值图像表示为 。如果 )无论结果如何 是）被检测到，像素被分类为一个变化像素。如果 和 是否检测到，像素被归类为静止像素。将它们分别划分为背景或候选CME区域，利用共现颜色特征对变化像素进行分类，利用颜色特征对静止像素进行分类。

3.2。像素的分类

为当前处理日冕图像的每个像素点 ,首先提取特征向量(基于像素变化分类的颜色羽毛向量和共现颜色向量)，根据公式(7)，为所有匹配( )进一步计算统计列表中的先验概率和条件概率，得到先验概率和条件概率像素的向量 。同时，先验概率，在后台模型中维护。最后,用 , ,和到公式(4)，像素点可分为背景或候选CME领域: 在哪里这样，如果相似的特征被量化到相邻的向量中，仍然可以检索到统计量。如果像素的特征向量统计列表中没有匹配元素，和设置为0。

3.3。候选CME区域分割

可以看出，在对像素进行分类后，只有一小部分背景像素被错误地分类为候选CME像素。由于孤立点较多，因此采用形态学操作(一对开闭)来去除分散的错误点，并连接候选的CME区域点。最后，候选CME区域检测模块将输出一个二值图像 。

3.4。自适应背景学习

日冕仪图像序列是一个逐渐变化的场景，因此必须保持背景模型以适应随时间变化的各种变化。在实际应用中，背景模型的概率信息和参考背景图像必须进行更新。

3.4.1。更新背景模型的概率信息

在之前获得的二值图像的基础上 ,像素与特征向量被归类为候选CME区域或背景。与颜色特征相关的先验概率和条件概率由公式(8)，与共现颜色特征相关的先验概率和条件概率的更新相似: 为 ,在哪里是控制特征学习速度的学习率;在实验中，我们设置 ; 当被标记为背景的时间从 ;否则, 。 当在颜色特征向量统计列表中在公式(5)匹配最好和为他人。更详细地说，以上的更新可以说明如下:(一)如果像素被标记为时间的背景点通过颜色特征,从由于 。同时，匹配特征的概率也增加了 。如果 ,然后对不匹配特征的统计量逐渐降低。如果没有匹配的特征以及特征向量记录列表的元素 ,的将列表中的第一个元素替换为新的特征向量，由式(9)。如果元素的个数小于 ,由公式(9)添加: (b)如果像素被标记为最终的前景点通过颜色特征,和是略微减少的原因 。但是，匹配特征的概率增加了。

为了确保被替换的元素是概率最低的，请更新特征向量统计列表中的元素按照?的降序排列 。

3.4.2。更新到参考背景图像

在候选CME区域检测过程中，需要使用背景差分对变化进行分类，因此在每个时间步长必须保持一个代表最近感觉出现的参考背景图像。采用无限脉冲响应(IIR)来更新平稳背景感觉下的渐变。如果像素被归类为更改分类步骤和候选CME区域分段结果中的变更点 ,参考背景图像更新为 在哪里是IIR滤波器的参数和 是工艺点的颜色信息。的一个小正数选择平滑图像噪声造成的干扰，在实验中，我们设置 。

如果 和 ,但 。这意味着有一个显著的变化，但最终，它没有被列为候选CME地区;它表示检测到背景更改。处理过的像素的颜色信息应替代参考背景，即: 。

通过这种操作，参考背景图像可以很好地表征冠状面场景的变化。

4.CME检测模块

在候选CME区域的基础上，根据候选CME区域的形态特征和动态特征对CME进行检测。例如，要识别一个新出现的CME，它必须至少在两个运行差图像中被看到向外移动。这个条件是由Robbrecht和Berghmans设定的[9]和Olmedo [26定义一个新兴的芝加哥商品交易所。

我们提出的CME检测方法基于连续帧处理方法，因此在检测候选CME区域后，我们设置了两个条件作为CME事件的判据:(1)检测到的连续两帧的CME候选区域必须从日心扩展;(2)自检测到CME候选区域开始，区域逐渐扩大。

此外，考虑到CMEs的角度范围，我们设置了最小的角度阈值滤波噪声。由于太阳的球形结构，我们感兴趣的特征本质上是极坐标。对每个候选的CME区域图像进行极坐标变换 视场(FOV)，从太阳北面逆时针方向出发，变成a FOV,围绕太阳的极向角从边缘测量的径向距离。这种变换已被用于其他CME检测算法[9,11]。在转换的同时，我们也rebin，从1024×1024像素为 FOV为360×360像素 视场。通过适当的选择，可以容易地避免暗淡的防光和角部区域。极性坐标图像中的径向FOV对应于2.2和6.2太阳能线的360离散点。我们设置了最小检测角度参数(参考2014年CDAW中的CME列表，最小角度为5度，我们设 )。

5.结果和验证

在本节中，分别描述了LASCO C2伪彩色日冕仪图像的视觉示例和比较。

5.1。结果

我们给出了运行基于自适应背景学习技术的检测算法所得到的结果。

提取候选CME区域的实验处理图是基于场景建模的，我们使用的数据来自LASCO C2伪彩色日冕仪图像，1024处理1024幅图像序列。数字3.是一种CME候选区域分割过程，包括6帧(2014/03/04年22:12:05、22:24:05、22:36:05、23:12:10、23:24:05、23:36:06)处理结果;柱(a)为LASCO C2伪彩色日冕仪图像;(b)列为参考背景图像;列(c)为连续两帧图像的差值;列(d)为当前图像与参考背景的差值;列(e)为最终候选的CME区域图像;列(f)为候选CME区域的变化区域图像。

数字4是一个CME检测过程示例，包含了2帧(2014/01/01年的14,12和14,24)处理结果;列(a)为原始冠状面图像;列(b)为候选CME区域图像;柱(c)为候选CME区域的极坐标图像;列(d)为候选CME区域的递增区域图像;列(e)为递增区域的极坐标图像。最后一幅图像中的红框区域是检测到的CME区域。

5.2。验证和比较

为了不失一般性，我们选择了LASCO C2在2014年6月观测到的整整一个月的伪彩色日冕图像序列作为测试数据集进行比较。以手动CDAW列表作为参考，我们将自适应背景学习方法的结果与CORIMP、CACTus和SEEDS catalog进行比较，验证了我们提出的算法的有效性。主要比较包括正确率、假阴性率和未检测到的CME事件数。准确率是由自动方法检测并记录在CDAW列表中的CME事件总数与CDAW目录中的CME事件总数的比率。假阴性率是自动方法没有检测到但记录在CDAW目录中的CME事件总数与CDAW目录中的CME事件总数的比率。

在比较实验中，对于在CDAW目录中记录的每个CME事件，如果其他自动化方法在此事件的时间范围内检测到CME事件，并且在此事件的角度范围内，则认为自动方法检测到CDAW列表CME事件。我们用其他自动化算法提出的自适应背景检测算法的检测结果的比较如表所示1。

对于处理数据集，如表所示1与其他方法相比，我们提出的方法具有较高的准确率，假阴性率仅高于CORIMP法，低于种子法和仙人掌法。对于CME总检测数，我们的方法高于CORIMP和CACTus，仅低于种子法。在CDAW目录号比较中未检测到的CME事件方面，我们的方法是最低的。

近年来，CDAW目录CME事件更精细地记录;特别地，记录了头盔圈子中的非常弱的事件，并且记录的事件的数量也越来越多。例如，1996年录制的CME事件编号是206，2014年，它是2477.这种变化使自动CME检测非常困难，因此新颖的检测方法必须检测冠状图像中的微妙变化。基于自适应背景学习的自动检测CME方法可以表示动态场景，这适用于动态场景中的事件检测。数字5是一个用我们的方法检测非常弱的CME事件的例子，发生在头盔流光区域。该事件未被CORIMP、种子和仙人掌方法检测到，仅记录在CDAW目录中。数字5显示两幅连续日冕仪图像，分别为候选CME区域图像、候选CME变化区域图像和位于红色方框中的非常弱的CME事件区域。在实验中，对于非常弱的CME事件，我们的检测算法只能检测到部分CME事件，这是导致误检的主要原因。数字6是一幅弱CME事件检测过程图像，弱CME事件区域也位于红色方框中，第一列是日冕仪图像，第二列是我们方法检测到的前景，第三列是前景的变化区域。这个事件也没有检测到CORIMP，种子，和仙人掌的方法。

5.3。关于CME的信息计算

利用处理后的图像，可以方便地计算CME事件的信息。数字7是CME事件的一系列经过处理的图像。我们的方法检测到事件的第一个C2出现日期-时间(UT): 2014/06/24 05: 35: 05，这个CME事件持续2.6小时，包括14帧。在图7，我们展示了这些帧的9个处理结果。第一列为冠状面图像;第二列是检测到的候选CME区域;第三列为蓝色曲线标记的候选CME区域轮廓;第四列是候选CME区域图像的变化区域;第五列是用紫色曲线标出的变化区域的轮廓线。我们利用时间戳的位置信息来过滤时间戳引起的噪声，从而可以提取更准确的CME区域，保证最终计算出的CME特征信息更准确。在此CME上提取的信息与其他方法的比较见表2。在我们的方法计算过程中，根据每一帧的变化，计算原理图，以及图中所示的速度变化曲线，可以计算出每一帧的速度8。

在表2，我们的方法计算出的速度是最低的;这主要是由于该方法没有使用每帧CME区域的边界极值点来计算速度，而是使用边界样本点的平均值来计算速度。如果根据边界极值点的极值点计算速度，我们计算的CME事件的平均速度为490 km/s，与其他自动检测方法相似。

6.讨论和结论

在本文中，我们开发了一种能够在SOHO/LASCO C2伪彩色日冕仪图像中检测、跟踪和计算CMEs信息的新方法。其基本算法包括:(i)建立和维护日冕图像序列的背景模型，(ii)基于贝叶斯定理检测CME候选区域，(iii)识别CME事件，(iv)计算CME事件信息。

该方法基于自适应背景学习技术，通过对背景的静态和动态特性建模，能够较好地描述复杂背景，特别是背景中的动态变化。因此，利用该方法检测头盔飘带叠加区域的CME具有更明显的优势。同时，由于背景建模的学习，该方法对多帧图像的信息进行了统计。这样可以抑制单帧图像中噪声对结果的影响，增强CME检测的鲁棒性。我们的CME事件识别方法是基于候选CME区域的。它利用了CME区域总是逐渐扩大的事实;它一方面可以避免噪声的影响，另一方面可以有效地跟踪一个完整的CME事件。最后，通过每一帧检测到的区域信息，方便有效地提取CME事件的形态和运动信息。

自动化的方法，如仙人掌，种子，和CORIMP有一个低检出率的CDAW目录由人类观察员。这主要是因为近年来手工标记的方法已经标记了差的CME事件，特别是在头盔饰带中的差事件。因此需要新的方法来检测动态场景中的细微变化，而我们提出的方法在这方面有很好的性能。

类似于其他自动化方法，自适应背景学习方法中的最大问题是估计各种参数和阈值，例如像素信息的量化级别，学习更新率和前台检测阈值。例如，小的前景检测阈值不仅可以减少假负速率，而且可以减少准确率。因此，这些经验值的选择对算法具有一定的影响，并进一步调查将在这些领域进行。我们还计划将该方法应用于由其他设备获取的电晕图像。

数据可用性

用以支持本研究结果的数据，可在SOHO/LASCO仪器网页(http://lasco-www.nrl.navy.mil/)。

的利益冲突

作者声明，本论文的发表不存在任何利益冲突。

致谢

本课题由国家自然科学基金(批准号:11603016、11873062)、西南林业大学重点科研基金项目(批准号:11873062)资助。国家天文台太阳活动重点实验室公开研究项目(KLSA201909)。SOHO是ESA和NASA之间的国际合作项目。这里使用的SOHO/LASCO数据是由海军研究实验室(美国)、max - planck航空研究所(德国)、空间天文学实验室(法国)和伯明翰大学(英国)联合制作的。作者承认使用了由NASA和美国天主教大学与海军研究实验室合作在CDAW数据中心生成和维护的CME目录。仙人掌CME目录是由比利时皇家天文台SIDC生成和维护的。CME种子目录由美国宇航局“生活与星”计划和美国宇航局应用信息系统研究计划支持。CORIMP CME目录由夏威夷大学天文研究所提供。

参考文献

1. e . r .基督徒,日冕物质抛射美国国家航空航天局/戈达德太空飞行中心，美国马里兰州，2012年。
2. d·h·海瑟薇日冕物质抛射，美国国家航空航天局/马歇尔航天飞行中心，美国马里兰州，2014年。
3. B. C. Low，“日冕物质抛射，”地球物理评论第25卷，no。3, 2016年第663-675页。查看在：谷歌学术搜索
4. 《多次执行国际空间站任务的宇航员的空间辐射风险》，《公共科学图书馆•综合》，第9卷，no。4，文章ID e96099, 2014。查看在：出版商的网站|谷歌学术搜索
5. R.图西，《日冕》，刊于太空研究十三世Akademic-Verlag，柏林，德国，1973年。查看在：谷歌学术搜索
6. G. E. Brueckner, R. A. Howard, M. J. Koomen等人，“大角度光谱日冕仪(LASCO)”，太阳物理学第162卷，no。1-2，第357-402页，1995。查看在：出版商的网站|谷歌学术搜索
7. 王建民，“日冕与日球的关系研究”，国立中山大学学报，2002国际光学科学与技术研讨会论文集2000年5月，美国加州圣地亚哥。查看在：谷歌学术搜索
8. N. Gopalswamy, S. Yashiro, G. Michalek等，《SOHO/LASCO CME目录》，地球，月球和行星第104卷，no。1-4, 295-313页，2009。查看在：出版商的网站|谷歌学术搜索
9. E. Robbrecht和D. Berghmans，“用近实时数据自动识别日冕物质抛射(CMEs)”，天文学和天体物理学第425卷第2期3，第1097-1106页，2004。查看在：出版商的网站|谷歌学术搜索
10. Y. Boursier, A. Llebaria, F. Goudail等人，“在LASCO-C2天气图上日冕物质抛射的自动探测”，Spie-The International光学工程学会的诉讼程序， 2005年第5901卷。查看在：谷歌学术搜索
11. O. Olmedo, J. Zhang, K. Poland，和K. Borne，“日冕时间序列中日冕物质抛射的自动探测和跟踪”，太阳物理学，第248卷，no。2，第485-499页，2008。查看在：出版商的网站|谷歌学术搜索
12. C. A. Young和P. T. Gallagher，“Corona的多尺度边缘检测”太阳物理学，第248卷，no。第457-469页，2008。查看在：出版商的网站|谷歌学术搜索
13. 《基于监督分割和水平集的日冕物质抛射的检测与跟踪》，国立台湾大学医学与科学研究所硕士论文。模式识别的字母第31卷，no。6，第496-501页，2010。查看在：出版商的网站|谷歌学术搜索
14. J. P. Byrne, P. T. Gallagher, R. T. J. McAteer，和C. A. Young，“使用多尺度方法的日冕质量抛射的运动学”，天文学和天体物理学，第495卷，no。1, 2009年325-334页。查看在：出版商的网站|谷歌学术搜索
15. P. T. Gallagher, c.a. Young, J. P. Byrne, R. T. J. McAteer，“利用小波、曲率和脊波探测日冕物质喷射:空间天气监测的应用”，太空研究进展第47卷第2期12，页2118-2126,2011。查看在：出版商的网站|谷歌学术搜索
16. 张昭贤、李雅礼、金生，“基于频谱分析的日冕仪日冕物质抛射的自动检测方法”，中华人民大学学报2012年现代计算机科学与应用国际会议论文集，第223-227页，施普林格，柏林，海德堡，2013年6月。查看在：谷歌学术搜索
17. A. Bemporad, V. Andretta, M. Pancrazzi等人，“太阳轨道- metis日冕仪的机载CME探测算法”，Spie-The International光学工程学会的诉讼程序，第9152卷，第91520K页，2014。查看在：谷歌学术搜索
18. 张丽玲、尹、林等，“利用多重特征和时空连续性探测日冕物质抛射”，太阳物理学，第292卷，第2号。7，第91页，2017。查看在：出版商的网站|谷歌学术搜索
19. R. Patel, K. Amareswari, V. Pant等，" ADITYA-L1上可见发射线日冕仪机载自动CME检测算法"太阳物理学，第293卷，no。2018年，第1-25页。查看在：出版商的网站|谷歌学术搜索
20. D. B. Dhuri, S. M. Hanasoge和M. C. M.张，"机器学习揭示了导致太阳耀斑的电流的系统积累，"美国国家科学院院刊第116卷第2期23，页11141-11146,2019。查看在：出版商的网站|谷歌学术搜索
21. 黄，王宏辉，徐，刘，李，戴，“基于深度学习的太阳耀斑预测模型”。I:视线磁图结果"《天体物理学杂志》上，卷。856，没有。1，p。7日，2018年。查看在：出版商的网站|谷歌学术搜索
22. 利用机器学习技术实现CME检测和跟踪的一种新型自动工具，2019，https://arxiv.org/abs/1907.08798。查看在：谷歌学术搜索
23. C. Stauffer和W. E. L. Grimson，“使用实时跟踪的学习活动模式，”IEEE模式分析与机器智能汇刊第22卷，第2期。747-757页，2000。查看在：出版商的网站|谷歌学术搜索
24. 李丽华，黄，顾，“复杂背景视频的前景目标检测”，硕士论文第十一届ACM多媒体国际会议论文集2003年1月，美国加州伯克利，ACM。查看在：出版商的网站|谷歌学术搜索
25. 莫、戴f、刘d、秦、谢中、李t，“私人流程的开发:一种细化方法”，IEEE访问，第7卷，第31517-31534页，2019。查看在：出版商的网站|谷歌学术搜索
26. O. Olmedo，“日冕物质抛射的启动过程及其自动探测工具的研究”，大学的科学2011年，博士论文。查看在：谷歌学术搜索

版权

版权所有:强镇平等这是一篇开放获取下发布的文章知识共享署名许可，允许在任何媒体中不受限制地使用、发布和复制原创作品，只要原稿被正确引用。