分类： 天文学 >> 天文学 提交时间： 2021-08-20 合作期刊: 《天文研究与技术》
摘要： 在天文学研究领域，星系的分类一直是一个热点和难点问题。近年来有学者将机器学习应用到星系形态的简单分类任务上，但在分类过程中出现特征选择困难、特征遗漏、分类器选择困难等一系列难题。星系在视觉形态上可以分为椭圆星系、旋涡星系、透镜星系以及不规则星系，本文针对SDSS DR16、Galaxy Zoo2、EFIGI目录中星系的测光图像，提出了一种分类精度更高的星系形态分类的方法GMC(Galaxy Morphological Classification)。我们首先对图像进行了剪裁、去噪处理，然后采用旋转、平移、缩放等方法进行数据增强，最后搭建了星系形态分类网络GMC-net对图像进行分类。从实验分类结果来看，旋涡星系、椭圆星系、透镜星系以及不规则星系分类精确率分别为98.29%、98.49%、99.18%、99.91%，召回率分别为98.44%、99.03%、98.89%、99.34%；对单独来自EFIGI目录中四种形态星系的分类准确率也达到了99.34%。实验结果表明GMC相较于其他分类方法表现更好，可以更有效地用于星系的形态分类。
分类： 天文学 >> 天文学 提交时间： 2020-11-12 合作期刊: 《天文研究与技术》
摘要： 全天相机云图是天文界监测云量的重要手段，但没有确定的云量计算指标。因此本文提出了一种新的云量测量量化指标——云分布密度，并基于该指标建立全天相机云图自动分类系统。首先，对云图进行去噪，利用Otsu算法分割云区域；然后对去除背景的云区域图像使用本文提出的云分布密度计算云量；最后使用四种传统的分类器（支持向量机，K最近邻，决策树和随机森林）根据计算数值进行自动分类并评估各分类器的性能。结果表明，本文提出的云分布密度可作为评判全天相机云图云量的数值指标；基于云分布密度建立的云图自动分类系统实现了较高的识别准确率，其中随机森林法得到了最好的分类效果——各类云图的识别准确率均达到95%以上。
分类： 天文学 >> 天文学 提交时间： 2019-09-18 合作期刊: 《天文研究与技术》
摘要： 全天相机云图在天文观测领域具有重要价值，但云图所含噪声会造成不良影响。本文先后分析了星光噪声、月光噪声、日光噪声、雷电噪声、反光噪声和特殊噪声等，并总结出不同类型噪声的分布、区域大小等方面的特点，最后结合与云层的相对位置关系提出了边界阈值法、时间轴法、反比例线性变换等8种图像处理去噪算法，并形成一个完整的去噪系统。通过实验对不同的算法加以比较，得出不同噪声情况下的最佳去噪方案。实验结果表明，该系统可以有效去除常见噪声，基本保持云层和天空的信息完整性，可简单便捷实现云图去噪。
点击量
点击量
下载量
评论
