分类: 天文学 >> 天文学 提交时间: 2018-05-28 合作期刊: 《天文研究与技术》
摘要: 太阳高分辨图像中横向速度场的测量已经广泛应用于太阳光、色球表面特征的动力学分析中,但依然存在测量精度不够的问题。详细介绍了Demons方法,并将其应用于1m新真空太阳望远镜(NVST)的高分辨观测资料处理中。首先选取不同观测时间间隔和代表光、色球不同波段的3个数据集作为测试样本,在测量到速度场后,通过与前一时刻图像进行非刚性配准并比较结构相似度(SSIM)评价速度场的测量精度。结果表明,Demons方法在小尺度运动的精细测定方面,明显优于传统的FLCT和DAVE方法。并且采用光球和色球图像的亚像素和超像素模拟位移实验表明,这一方法的逐点测量精度可以达到0.1像素量级。
分类: 天文学 >> 天文学 提交时间: 2020-03-07 合作期刊: 《天文研究与技术》
摘要: 通过添加太阳黑子周期长度构建长短期记忆网络(Long Short-Term Memory,LSTM)的多变量输入数据,在多时间步长上预测未来10年的太阳黑子变化。将数据集以训练数据长度为标准划分出两组时间序列片段,分别是分片11和分片6,并在分片上分别对比了单变量和多变量在单时间步长和多时间步长上的预测效果。最后,得出以下主要结论:(1)比起分片6,分片11的采样方式有更低的均方根误差(Root mean squared error,RMSE);(2)最优多步长的预测效果比单步长的要好;(3)通过图例上周期的起始点、结束点和最大振幅位置三个点的准确度证明了多变量的多步长方法确实有更好的预测效果。
分类: 天文学 >> 天文学 提交时间: 2017-10-20 合作期刊: 《天文研究与技术》
摘要: 高空云层导致所观测的H全日面像上覆盖有一层云污染,使得图像上的太阳活动细节变得模糊不清。为了能够实时探测云污染,并及时显示修复后的图像,采用图形处理器技术实现了一个H全日面云污染实时识别和修复系统。该系统主要在统一计算设备架构( Compute Unified Device Architecture, CUDA)环境下利用图形处理器并行实现:(1)二值化图像椭圆长短轴比值法识别重度云污染图像;(2)临边昏暗曲线中心对称法识别可修复云污染图像;(3)频域巴特沃斯低通滤波法去除云污染。通过对系统中各运算在图形处理器中花费的时间进行详细测量,发现傅里叶正反变换和频域滤波占用了图形处理器总处理时间的52.9%,是系统中最耗时的。然而,相对于1 min的观测时间间隔,约0. 7 s的总处理时间可以满足实时显示的需要。另外,通过对修复后的图像做质量评价,验证了所采用的修复算法可以有效地去除云污染,并对太阳活动细节影响较小。最后讨论了系统存在的不足和需要进行的改进。
分类: 天文学 >> 天文学 提交时间: 2017-10-11 合作期刊: 《天文研究与技术》
摘要: 冕环结构的准确识别和跟踪有利于更好地研究和分析冕环特征以及同耀斑爆发和日冕物质抛射之间的关系。提出基于相位一致性和方向滤波的冕环震荡识别和跟踪方法。识别过程如下:首先,使用相位一致性技术对太阳图像中的冕环特征进行识别;其次,对识别后的图像进行二值化处理;接着使用方向滤波去除非冕环的结构特征;然后,对其进行形态学处理;最后,再对识别结果进行二次曲线拟合。运用所提算法对2011年9月6日由太阳动力学观测站(Solar Dynamics Observatory, SDO)在Fe IX 17.1 nm波段观测到的冕环震荡进行了识别和跟踪,结果验证了所提算法的可行性和准确性。证明所提算法能被用于冕环特性以及震荡过程的研究和分析。
分类: 天文学 >> 天文学 提交时间: 2019-12-20 合作期刊: 《天文研究与技术》
摘要: 太阳活动区是各类太阳活动的主要能量来源,剧烈的太阳活动会直接影响人类的生存环境,因此准确地检测与跟踪太阳活动区对监控和预报空间天气非常重要。本文基于深度学习框架的YOLOv3-spp和DeepSort提出了一种太阳活动区检测和跟踪方法(Active Regions Detection and Tracking Method, ARDTM),该方法较好地解决了传统图像处理方法易将一个太阳活动区误检测为多个,或者多个太阳活动区误检测为一个活动区的问题;及时捕获到新产生的太阳活动区和终止跟踪消失的太阳活动区,有效地提高了太阳活动区的跟踪准确率。实验结果表明该方法可以较好地检测和跟踪不同望远镜、不同时间间隔序列图像中的太阳活动区。
分类: 天文学 >> 天文学 提交时间: 2018-05-15 合作期刊: 《天文研究与技术》
摘要: 太阳黑子与耀斑的爆发存在紧密联系,因此及时准确地检测全日面图像中的太阳黑子可以为耀斑的预报提供依据。基于深度学习框架的LeNet-5卷积神经网络实现了一种太阳黑子自动检测方法,主要步骤包括:制作太阳黑子样本库、训练全卷积神经网络模型Sunspotsnet、检测和标记全日面像中的太阳黑子。实验结果表明,该方法可以识别SDO/HMI的全日面连续谱图像上各种类型的黑子,尤其是较弱的磁孔(0.88倍平均光球强度),采用基于深度学习的方法检测太阳黑子是可行的,训练的Sunspotsnet网络模型可以快速有效地应用在太阳黑子的检测上。
分类: 天文学 >> 天文学 提交时间: 2017-10-20 合作期刊: 《天文研究与技术》
摘要: 由于光球亮点尺度小、边缘结构不明显等原因,在识别中一部分发亮的碎米粒不可避免地被误识别为亮点。采用基于划分的K-means算法和基于密度的DBSCAN算法分别清洗所有发亮结构的特征数据,拟将非亮点结构从亮点结构中剔除。首先采用LMD算法和三维联通的思想识别和跟踪亮点,然后提取亮点的7个相关度较低的特征值,包括等效直径、强度、偏心率、亮点边缘位于米粒暗径的比例、速度、运动方式和扩散系数,并在数据标准化后,采用主成分分析法根据90%的贡献率降至三维。最后采用K-means算法和DBSCAN算法对亮点数据进行清洗。实验结果表明,两种算法均能清洗非亮点结构,K-mean、算法的正确率为80% , DBSCAN算法的正确率为53%。因此,K-mean、算法能够更有效地区分亮点和非亮点结构。