当前位置:首页 >> >>

Detectionforcoronalmassejectionbasedon-中国科学杂志社_图文

Detection for coronal mass ejection based on Gaussian Mixture Models
曾丹丹, 白先勇, 强振平, 李强 and 季凯帆 Citation: 科学通报 61, 61 1255 (2016); doi: 10.1360/N972015-00725 View online: http://engine.scichina.com/doi/10.1360/N972015-00725

View Table of Contents: http://engine.scichina.com/publisher/scp/journal/CSB/61/11
Published by the 《中国科学》杂志社

Articles you may be interested in

A Mechanism for Formation of Coronal Mass Ejection
Chinese Science Bulletin 39, 39 1536 (1994);

Numerical research on the interaction between coronal mass ejection and streamer
Science in China Series E-Technological Sciences 45, 45 206 (2002);

Energetic electrons associated with magnetic reconnection in the sheath of interplanetary coronal mass ejection
Chinese Science Bulletin 57, 57 1455 (2012);

An end-to-end method of Coronal Mass Ejections detection
Chinese Science Bulletin 62, 62 2680 (2017);

A review of recent studies on coronal dynamics: Streamers, coronal mass ejections, and their interactions
Chinese Science Bulletin 58, 58 1599 (2013);

2016 年
论 文

第 61 卷

第 11 期: 1255 ~ 1264

《中国科学》杂志社
SCIENCE CHINA PRESS

基于混合高斯模型的日冕物质抛射探测方法
曾丹丹①, 白先勇②, 强振平③, 李强①, 季凯帆①*
① 昆明理工大学信息工程与自动化学院, 昆明 650500; ② 中国科学院空间科学与应用研究中心, 北京 100190; ③ 西南林业大学计算机与信息学院 , 昆明 650224 * 联系人, E-mail: jkf@cnlab.net 2015-07-01 收稿, 2015-07-29 修回, 2015-07-31 接受, 2015-11-20 网络版发表 国家重点基础研究发展计划(2011CB811401)、空间科学先导专项(XDA04061002)和国家自然科学基金 (11303011, 11263004, 11463003)资助

摘要

提出了一种基于混合高斯模型的日冕物质抛射(CME)探测方法. 基本思想是利用自适应的混合高斯模型

建立较为稳定的日心极坐标下的日冕图像的动态背景, 从而探测作为前景变化的CME. 采用SOHO卫星上的大视 角分光日冕仪 (LASCO) 观测的 2 组日冕序列图像作为研究对象 , 研究的内容主要包括日冕序列图像的预处理、 CME的探测、自适应混合高斯背景差分法与其他多种CME探测方法的对比3个方面. 实验结果表明, 自适应混合 高斯背景差分法探测CME是可行的, 它能探测到CDAW手动目录列出的全部CME, 还能探测到CDAW探测不到 的强度弱和张角小的CME, 而且探测数量也多于CACTus和SEEDS探测算法. 关键词 CDAW, 混合高斯模型, 日冕物质抛射, 探测, 背景差分

日冕物质抛射 (coronal mass ejection, CME)是指 在几分钟到几个小时的短时间中 , 太阳日冕物质被 抛射到行星际空间中的一种大尺度太阳爆发现象, 是太阳系内规模最大 , 程度最剧烈的能量释放过程 . 日冕物质抛射可以通过日冕仪看到 , 迄今为止国外 已经有许多空间和地基的日冕观测设备 , 空间设备 如 OSO-7, Skylab, SMM, SOHO, STEREO等卫星上的 日冕仪 , 地基设备如美国高山天文台的 MK3, MK4, k-Cor等 . 尽管国外空间和地基日冕仪的数量很多 , 遗憾 的是至今国内仍然没有拥有自主知识产权的日冕仪 观测设备 . 无论是开展 CME 的科学研究还是开展空 间环境预报业务 , 都依赖于国外的数据 . 近年 , 随着 我国太阳、 空间物理以及空间环境预报业务的快速发 展 , 国内研制日冕仪的呼声也越来越高 , 并取得了重 大进展
[1,2]

太阳天文台 (DSO)[3] 、夸父计划 (KUAFU)[4] 、太阳极 轨望远镜探测计划 (SPORT)[5]、先进空基太阳天文台 (ASO-S)[6] 等都将日冕仪列入其重要载荷之一 . 2013 年我国首个地基日冕观测站——丽江日冕仪国际合 作站 [7]已经建成 , 拥有我国自主知识产权的地基日冕 仪也正在研制中 [8]. 基于国内已建成或即将建成的日 冕仪数据开展 CME 科学研究或空间环境预报业务之 前 , 首先要从观测数据中检测 CME 事件 , 所以 CME 探测识别方法的研究也十分迫切 , 这正是本文的出发 点 . 国内外已有的日冕仪中 , 1995 年底发射的 SOHO (solar and heliospheric observatory)卫星搭载的大视角 分光日冕仪 (the large angle spectrometric coronagraph, LASCO[9]) 以前所未有的时间、空间的分辨率和稳定 性观测到了近 2个太阳活动周的 CME爆发事件 . 基于 其数据开展的 CME 探测方法研究也很多 , 所以本文 将使用 LASCO 的数据开展 CME 探测方法研究 , 为日

. 目前国内的几个空间太阳计划 , 如深空

引用格式 : 曾丹丹 , 白先勇 , 强振平 , 等 . 基于混合高斯模型的日冕物质抛射探测方法 . 科学通报 , 2016, 61: 1255–1264 Zeng D D, Bai X Y, Qiang Z P, et al. Detection for coronal mass ejection based on Gaussian Mixture Models (in Chinese). Chin Sci Bull, 2016, 61: 1255–1264, doi: 10.1360/N972015-00725 ? 2015《中国科学》杂志社 www.scichina.com csb.scichina.com

Downloaded to IP: 192.168.0.24 On: 2019-01-15 07:33:49 http://engine.scichina.com/doi/10.1360/N972015-00725

2016 年 4 月

第 61 卷

第 11 期

后基于我国日冕仪的数据探测 CME储备方法 . 目前探测 CME 主要有 2 类方法
[10]

本文将混合高斯背景模型引入到 CME 图像的自 动探测中 , 称为自适应混合高斯背景差分法 . 通过对 LASCO C2观测图像的处理表明 : 这一方法能探测到 CDAW 手动目录列出的所有 CME, 且比基于帧间差 分的 SEEDS方法和基于霍夫变换的 CACTus的方法在 探测数量上具有显著的优势 .

: (1) 通过人手

工处理检测 , 当前 2 个主要的人工目录为 : 美国戈达 德 航 天 飞 行 中 心 的 the Coordinated Data Analysis Workshop Data Center (CDAW, http://cdaw.gsfc.nasa. gov/CME_list/) 目录和美国海军实验室 the Naval Research Lab (NRL, http://lasco-www.nrl.navy.mil/index. php?p=content/cmelist) 目录 . 这些目录都是通过观测 者对每日的日冕图像进行编辑处理 , 然后人工提取 CME. (2) 基于计算机图像处理的 CME 自动探测方 法 . 第 1 个 基 于 计 算 机 自 动 检 测 CME 的 方 法 [11,12] 在 2002 年被首次提出 , 开发了软件 CACTus (Computer Aided CME Tracking Software Package, http://sidc. oma.be/cactus/catalog.php), 这 个 方 法 是 利 用 基 于 极 坐标下的霍夫变换技术对观测到的日冕图像进行 CME检测; 2005年, Boursier等人[13~15]提出了ARTEMIS 方法 , 这种方法通过将 LASCO C2 日冕图像转换到 Synoptic Maps综合图中 , 利用垂直条纹来检测 CME; Brueckner 等人
[17,18] [16]

1

数据来源
实验数据来源于 SOHO搭载的 LASCO C2观测的

日冕序列图像 . 计算的 LASCO C2的观测范围是 2.3~ 6.5R⊙ (R⊙代表太阳半径 ). 使用了 2组不同分辨率的 实 验 数 据 集 : 数 据 集 Ⅰ 为 1998/05/07 00:00 UT 到 1998/05/09 20:29 UT的 C2 LEVEL 0.5图像序列 , 像 元分辨率是 24.2 arc sec/pixel, 时间分辨率是 24~28 min, 视场为 3.4°×3.4°; 数据集 II 为 2013/11/14 00:00 UT到 2013/11/14 23:48 UT的 C2 LEVEL 0.5的图像 , 像元分辨率是 11.90 arc sec/pixel, 时间分辨率是 12 min, 视场为 3.4°×3.4°. LEVEL 0.5的数据把 C2观测的 图像顶部旋转到太阳北极 , 并存为 fits 文件 , 没有做 过暗场、平场、渐晕等校正 , 也没有去除仪器的杂散 光. 此外, C2 level 0.5的数据中除太阳K冕外, 也包含 F冕的信息, 一些经过C2视场的恒星、 行星和彗星也包 含其中 . 太阳中心位置、太阳大小、曝光时间等信息 可以从fits头文件中得到. 图1(a)和(b)分别显示了数据 集Ⅱ中在2013/11/14 00:00 UT时刻稳定日冕的图像和 在2013/11/14 02:48 UT时刻有CME爆发的图像.

在 2006 年使用形态学和变化阈值的

方法在直角坐标系下探测 CME; 2008 年 , Olmedo 等 提出了太阳爆发事件探测系统 (the solar erup人 tive event detection system, SEEDS, http://spaceweather. gmu.edu/seeds/lasco.php), 这个系统通过极坐标下的 图像分割技术完成了 CME 的探测 . 近几年来 , 又有 一些新的探测 CME 的方法出现 , 如水平集和竞争区 域的方法 [19]; 基于多尺度特性的方法 [20,21]; 基于纹 自动多尺度过滤技术 [23]; 频域 理的图像处理技术 [22]、 处 理 [24,25]; Savitzky-Golay 滤 波 器 [26], 以 及 3D 重 建 等 [27,28]. 上述方法很多都是计算相邻 2 帧图像之间的 差 , 即帧间差分 , 或者减去一个平均的背景图像 , 即 背景差分法来进行初始的 CME探测 . 事实上 , CME 的检测过程可以看成在一个正常 的日冕图像序列中检测突变 ( 或者看成是异常事件 ). 或者说是在一个存在变化 , 但相对稳定的冕流动态 背景上检测一个快速变化的前景 . 因此 , 有效的背景 表示和背景自适应更新是检测 CME的关键技术 . Grimson 等 人 [29] 在 1999 年 提 出 的 自 适 应 混 合 高 斯模型是一个非常有效的复杂背景估计方法 ; 2001 年 , Kaewtrakulpong[30]利用最大期望法对模型参数进 行更新 , 从而进行动态背景估计 ; Power 等人 [31] 改进 了算法 , 不但提高了算法的速度 , 而且能准确地测得 背景像素均值 . 近年来混合高斯模型在视频动态目 标检测中得到了广泛的应用 .

2

混合高斯模型方法
每个像素点采用 M 个 ( 一般为 3~5 个 ) 高斯分布来

模拟背景 . 其中每个高斯分布的概率密度公式如下 :

图 1 LASCO观测数据. (a) 稳定日冕图像; (b) 有CME的图像, 箭头 指向CME Figure 1 Observation data from the LASCO. (a) An image of the stable corona; (b) an image of a CME, which is pointed by white arrow

1256 Downloaded to IP: 192.168.0.24 On: 2019-01-15 07:33:49 http://engine.scichina.com/doi/10.1360/N972015-00725

论 文

? ? I t , u j ,t , ?
2 j ,t

2 j ,t

??

e

?

1 ? j ,t 2

?

? ? I t ? u j ,t ?
?2

2

? 2? ? 2 ? ? j ,t

1

,

(1)

直到参数的变化不明显 , 如 : u j ,t ? u ?j ,t ? ? , 本文取 ? 为 0.0001. ( ⅲ ) 模型更新 . 由于冕流的准稳态变化 [34], 需 要适时对其进行更新 , 以适应背景的动态变化 . 在 i 时刻新的一帧图像出现时 , 首先判断该位置的像素 观测值是否与前一时刻同一位置的高斯分布模型相 匹配 , 本文匹配公式如下 :

其中 , ? ( I t , u j ,t , ? ) 表示像素点的概率密度 , It 表示 t 时刻该点的像素灰度值 , uj,t, ? 2 j , t 分别代表在 t时刻第 j 个单高斯模型的均值和方差 . 每个像素点的 M个高斯分布的总概率为
P ( I t ) ? ? j ?1 w j ,t ? ? I t , u j ,t , ? 2 j ,t ,
M

?

?

(2)

I t ? u j ,t ? 2.5 ? ? j ,t ?1 .

(9)

其中 , wj,t代表在 t时刻第 j个单高斯分布占总分布的比 例 , 即权值 . 可以看出 , 混合高斯模型的核心是估计 每个像素的 M个高斯分布的均值、方差和权值 . (ⅰ ) 模型初始化 . 混合高斯模型建模之前要对 参数进行初始化 , 第 1 个高斯模型的权值设为 w0, 其 他都设为较小的权值 ( 本文实验中取 0.002), 要保证 初始化的权值和为 1, 方差都初始为 V0, 均值第 1个高 斯模型取第 1幅图像的灰度值 , 其他为 0. (ⅱ ) 模型参数优化 . 采用最大期望 (expectation maximum, EM) 算 法 [32,33] 来 估 计 混 合 高 斯 模 型 的 均 值、方差和权值参数 . 反复迭代 EM算法中的求期望 和极大化 2个步骤对混合高斯分布的参数进行极大似 然估计 , 直到其收敛为止 . EM算法描述如下 , N个样本 X的对数似然函数表 示如下 :
l ( X | ? ) ? ? log ? w j ,t ? ? I t , u j ,t , ?
t ?1 j ?1 N M

满足 (9)式则说明观测值与模型中某个分布匹配 , 若观测值与模型中多个分布匹配 , 则根据优先级的 值选取最优匹配 (优先级的值最大 )进行更新 , 根据分 布的性质确定优先级 : p j ,t ?1 ? w j ,t ?1 ? j ,t ?1 , 更新参数

? ? ? ? ? ( I t , u j ,t , ? 2 j , t ) ( 其中 ?, ? ? 都是参数学习率 , 表示
背景的更新速度 , 0???1, 不同的实验数据值不同 ), 最优匹配分布的均值和方差更新如下 :
u ?j ,t ? (1 ? ? ) ? u ?j ,t ?1 ? ? ? I t ,
2? ? ? ?2 j , t ? (1 ? ? ) ? ? j , t ?1 ? ? ? ? I t ? u j , t ? . 2

(10) (11)

如果相应的前一时刻同一位置的模型中没有与 观测值匹配的高斯分布 , 则将优先级最低的分布的 参数重新赋值 :
? w?j ,t ? w0 , u ?j ,t ? I t , ? 2 j , t ? V0 .

(12)

权值的更新如下 :

?

2 j ,t

?,

(3)

w j ,t ? ?1 ? ? ? ? w j ,t ?1 ? ? ? match j ,t ,

(13)

其中

其中 matchj,t 为匹配标识 , 当有高斯分布与观测值匹
T

? ? ??1 ,?,? M ? , ? j ? ( w j ,t , u j ,t , ? 2 j ,t ) ,
化 2步 , 求期望的公式如下 :

?

M j ?1

w j ,t ? 1. (4)

配时 matchj,t=1, 否则 matchj,t=0. ( ⅳ ) 模型学习率改进 . 人
[30]

用 EM算法对高斯模型的参数估计分为求期望和最大

由于 Kaewtrakulpong 等

提出的算法在背景更新时反复迭代 , 收敛较慢 .

B j ,t ? E ( w j , t | I t ; ? ) ?

w j ,t ? ? j ? I t ; ? ?

并且全局学习率没有充分利用到每个像素的匹配信

?

M j ?1

? j ? It ;? ?

,

(5)

息 , 对运动目标物质的检测效果不佳 . 本文结合每个 像素的匹配和初始化的信息 , 对每个像素定义如下 :

接着是参数的最大化 , 包括权值、均值、方差 3 个的 估计 . 权值估计 : 均值估计 : 方差估计 :
w?j ,t ? ? i ?1 B j ,t .
N

? ? 1 Smatchk ,t , Smatchk ,t ? Smatchk ,t ?1 ? ? j ?1 match j ,t ,
M

(14) (6)
.
2

其中 ? j ?1 match j ,t 代表在 t 时刻像素点匹配的高斯分
M

u ?j ,t ?

?
N

N i ?1

B j ,t ? I t N

(7)
.

布总个数. Smatchk,t代表到t时刻为止像素点k被匹配的 总次数 , 它的值越大说明此像素点是背景的可能性越 大 , 学习更新率 ?? 也就越小 , 如果其值越小说明背景 还不稳定, 学习率更新率大, 要使背景尽快更新. ( ⅴ ) 运动物质的确定 . 针对每个像素点 , 从 M 个高斯分布中选取 b个分布 ( 1 ? b ? M )作为背景分布 ,

? ?
2 j ,t

? ?

i ?1

B j , t ? ? I t ? u j ,t ?

?

N

B j ?1 j , t

(8)

不断重复上述的 2 个步骤 , 反复更新上述 3 个值 ,

1257 Downloaded to IP: 192.168.0.24 On: 2019-01-15 07:33:49 http://engine.scichina.com/doi/10.1360/N972015-00725

2016 年 4 月
b

第 61 卷

第 11 期

使得 arg min b ? j ?1 w j ,t ? T , 其中T( 0 ? T ? 1 )表示背景 阈值 , 本文取 0.8, 若当前处理像素点与所选 b 个分布 中的任意一个高斯分布匹配则该像素点被判断为背 景, 否则该像素点被判断为前景, 即运动物质CME.

流和 CME 的运动方向基本是沿着日面径向 , 所以将 图像从直角坐标系转换到极坐标 . 在 2 组观测数据集 中 , 通过计算得知 C2的挡板半径约为 2.3倍太阳半径 , 故只研究 2.3 倍太阳半径之外的日冕变化 , 在极坐标 转换的时候 , 忽略了小于 2.3 倍太阳半径的部分 . 图 2 是图 1(a) 和 (b) 中大于 2.3 倍太阳半径之外的日冕转换 到极坐标的图像 . 该转换是将笛卡尔坐标的图像从 原点位置 (从南极开始 , 正下方对应极坐标的 0°角 )开 始逆时针旋转对应到极坐标上 , 极坐标的横坐标对 应角度 ( 角度范围是 0°~360°), 纵坐标对应半径 ( 半径 范围为 2.3~6.5R⊙ ). 使用自适应混合高斯背景差分法建立背景模型 , 首先要确定高斯分布的个数 M . 本文统计了 2 组数据 中多个位置的背景像素的变化 , 发现观测数据集Ⅰ 和Ⅱ中大部分的模拟背景像素分别符合 5 和 4 个高斯 分布的叠加 , 因此采用 5 和 4 个高斯分布作为数据集

3

日冕物质抛射探测
使用混合高斯模型探测 CME之前 , 先对 level 0.5

的原始图像进行预处理 . 预处理包括去除噪声、图像 标准化和将图像从笛卡儿坐标转换到极坐标 3 个步 骤 . 采用 3×3 模板的中值滤波来抑制图像中的噪声 , 这个过程基本可以去除视场中的恒星、行星、彗星等 信息 , 也可以去除图像的一些随机噪声 , 然后将图像 强度标准化到 0~255之间 , 并根据观测 FITS头中提供 的太阳中心位置 , 将太阳中心平移到图像中心 , 从而 对齐整个图像序列 . 考虑到太阳圆对称结构以及冕

图 2 对应的图 1 转换到极坐标的图. (a) 图 1(a)中大于 2.3 倍太阳半径的日冕极坐标图; (b) 由图 1(b)中大于 2.3 倍太阳半径的日冕极坐标图, 矩形标记的是CME Figure 2 Convert to the polar coordinate in Figure 1. (a) The polar coordinate image of Fig. 1(a) that greater than 2.3 times of the Sun radius; (b) the polar coordinate image of Fig. 1(b) that greater than 2.3 times of the Sun radius. CME is marked by a rectangle

图 3 (网络版彩色)2 组数据不同位置的高斯拟合. (a) 观测数据集I背景位置(213, 145)的高斯拟合; (b) 观测数据集II背景位置(606, 312)的高斯 拟合 Figure 3 (Color online) The Gaussian fit of two set of data in different location. (a) The Gaussian fitting of the observation data set I in the pixel position of (213, 145) of the background; (b) the Gaussian fitting of the observation data set II in the pixel position of (606, 312) of the background

1258 Downloaded to IP: 192.168.0.24 On: 2019-01-15 07:33:49 http://engine.scichina.com/doi/10.1360/N972015-00725

论 文

表1

使用不同CME探测方法处理数据集Ⅰ和Ⅱ的结果

Table 1 The processing results of data set I and II by different CME detection methods CDAW中的 CDAW中 总探测数 CME的探测 CME探测率 (个 ) 数 (个 ) (% ) CDAW 数据集 CACTus Ⅰ 自适应混合高斯 背景差分法 CDAW SEEDS 数据集 CACTus Ⅱ 自适应混合高斯 背景差分法 SEEDS 19 22 12 25 4 9 2 9 14 9 19 73.7 47.4 100

的算法的有效性 . 自适应混合高斯背景差分法建模数据集 I的初始 高斯参数 : M=5, 权值第 1位参数 w0=0.992, 其余取等 权 0.002, 方差都为 V0=36, 背景分布阈值 T=0.8, 均值 第 1 位参数取第 1 帧图像同位置的像素灰度值 , 其余 为 0. 数据集 II的初始化参数 : M=4, w0=0.994, 其余取 等权 0.002, 方差都为 V0=25, 背景分布阈值 T=0.8, 均 值第 1 位参数同样也采用第 1 帧图像的灰度值 , 其余 均为 0. 自适应混合高斯背景差分法与其他几种探测 算法的对比如表 1 所示 ( 其中探测率等于其他方法测 得在 CDAW 中同时刻的 CME 总数与 CDAW 同时段的 总数的比值 ). 对于数据集 I, 表 1 显示自适应混合高斯背景差 分能探测到 CDAW 列出的全部 CME, 而且还能探测 到一些 CDAW未列入的活动 . 在探测总数上 , 自适应 混合高斯背景差分法除了探测到的活动总数比 SEEDS 和 CACTus 都多之外 , 对 CDAW 列表中目视可 见的 CME的探测率也比 SEEDS和 CACTus要高 . 对于 数据集Ⅱ , 表 1 显示了自适应混合高斯背景差分方法 探 测 到 的 CME 总 数 与 SEEDS 探 测 列 表 相 同 , 多 于 CDAW 列表和 CACTus 列表 . 对 CDAW 中的 CME, 自 适应混合高斯背景差分方法均可以成功探测 , 探测 率远高于 SEEDS和 CACTus. 图 4(a) 是 数 据 集 I 中 的 第 27 帧 (1998/05/07/14:58 UT), 图 4(b) 是相应的自适应混合高斯背景差分法在 极坐标上测得的 CME. 两图中矩形代表的是 CDAW 和自适应混合高斯背景差分法都能测得的 CME, 其 角宽度为 78°. 椭圆形表示自适应混合高斯背景差分 法能探测到 , 但 CDAW 未探测到的 CME, 白色箭头 标记其初始时的角宽度仅为 18°. 这 2 个 CME 的强度 比约为 9.4:1. 我们也分析了其他用自适应混合高斯 背景差分法新探测到的 CME, 它们都表现为强度较 低、张角较小或与冕流背景大量重叠的特征 . 常用的帧间差分法是以序列图像中相邻 2帧做差 来获取运动目标 . 若 2 帧之间运动不明显时 , 差分法 则可能探测不到 2 帧之间的变化 . 如在数据集Ⅰ中 , 基于帧间差分的 SEEDS 算法未能探测到 CDAW 列表 中的 5个 CME. 为了进一步比较自适应混合高斯背景 差分法与帧间差分法的区别 , 分别从 2 个数据集中各 选取 2 帧典型意义的图像来进行比较 . 图 5(a) 和 (b) 是 数 据 集 I 中 第 22 帧 (1998/05/07/11 : 05 UT) 和 51 帧 (1998/05/08/06 :27 UT)的极坐标原始帧 , 图 5(c), (d)

2 2 4

50 50 100

Ⅰ和Ⅱ的模拟高斯的个数 . 图 3(a)显示了数据集Ⅰ中 一个较为稳定的日冕像素的多高斯拟合 , 图 3(b)为数 据集Ⅱ的一个像素点的多高斯拟合 . 横坐标表示图 像背景灰度值 , 纵坐标表示对应的灰度值在整个图 像序列中的数量 . 建立混合高斯背景模型有不同的初始化方法, 如对 M 个高斯分布采用均值等间隔 , 方差和权重相 同的方法 . 或以连续多帧图像中像素点的灰度平均 值作为初始化背景的第 1个均值 , 其余为 0, 方差都相 等 , 并且以第一权重优先的方法来进行初始化 . 经过 试验 , 本文采用的方法是以无爆发的第 1 幅图像的灰 度值作为第 1位高斯分布的均值 , 其余分布的均值为 0; 所有分布的方差都等于 V0; 第 1分布的权重的系数 为 w0, 其余接近 0. 然后用 EM 算法优化参数 , 再通过自适应混合高 斯背景差分法建立图像序列中每个时刻图像的动态 背景模型 . 用观测图像减去背景 , 可得到包含 CME 的前景图像 . 对于提取出来的前景图像 , 先对其进行中值滤 波 , 然后采用大津法 (OSTU) 最终提取 CME.
[35]

阈值分割的方法将其

二值化 , 并进行区域分割 , 再剔除面积较小的区域 ,

4

CME探测实验结果对比与分析
以 LASCO 观测的 2 组不同时间段的 C2 序列图像

作为测试对象 , 以 CDAW手动列表为基准 , 用自适应 混合高斯背景差分算法得到的结果分别与 SEEDS 算 法和 CACTus 算法的处理列表对比 , 来验证我们提出

1259 Downloaded to IP: 192.168.0.24 On: 2019-01-15 07:33:49 http://engine.scichina.com/doi/10.1360/N972015-00725

2016 年 4 月

第 61 卷

第 11 期

图 4 (网络版彩色)自适应混合高斯探测. (a) 数据I中第 27 帧; (b) 自适应混合高斯差分法测CME Figure 4 (Color online) Adaptive mixture Gaussian probe. (a) The 27th frame in the data set I; (b) the CME measured by adptive Gaussian mixture background subtraction

和 (e), (f)是对应图 5(a), (b)的帧间差分法和自适应混 合高斯背景差分法得到的二值图 . 图 5(a) 和 (b) 中各有 2 个 CME, 分别用椭圆和矩形 标记 , 都记录在 CDAW中 . 而采用自适应混合高斯背 景差分法 , 也都可以被成功探测到 ( 图 5). 但使用帧 间差法 , 其中 2 个用矩形标记的 CME就被漏检了 . 帧 间差分虽然简便 , 但是对于慢速运动的物体则难以

提取完整的目标 . 相比而言自适应混合高斯背景差 分法自适应强 , 能准确地检测到动态背景 , 故而能检 测运动速度缓慢和强度较弱的前景运动 . 图6(a)和 (b)是数据集 II中第6帧 (2013/11/14/01:25 UT)和 78帧 (2013/11/14/16:48 UT)的极坐标像原始帧 , 图 6(c)~(f)是对应 (a)和 (b)的帧间差分法和自适应混合 高斯背景差分法得到的二值图 . 其反映的情况与图 4

图 5 (网络版彩色)数据集Ⅰ中帧间差分和自适应混合高斯背景差分法对比 Figure 5 (Color online) The compression of frame subtraction and adptive Gaussian mixture background subtraction for data set I

1260 Downloaded to IP: 192.168.0.24 On: 2019-01-15 07:33:49 http://engine.scichina.com/doi/10.1360/N972015-00725

论 文

图 6 (网络版彩色) 测试数据集II中帧间差分和自适应混合高斯背景差分法对比 Figure 6 (Color online) The compression of frame subtraction and adptive Gaussian mixture background subtraction for data set II

基本是一致的 . 在图 5(c) 中 , 帧间差分法漏检了矩形 框标记的 CME, 而在图 6(d)中 , 2个都漏检了 , 但自适 应混合高斯背景差分法却能成功检测到.

弱 , 如何有效地扣除天空背景以增强信噪比是地基 日冕观测的难点之一 . 从理论上讲 , 这一方法对地面 日冕观测数据中天空背景的去除非常有益 , 扣除天 空背景的数据也可以采用此方法探测 CME 事件 . 如 何将这一方法应用于这些观测也是我们下一步将开 展的研究工作 . 混合高斯方法存在的最大问题是各种参数和阈 值的估计 , 如背景初始均值、方差、背景分布的阈值 等 . 这些参数还未能实现自动测量 , 需要通过一些先 期实验来人工进行选择 . 这些经验值的选取对算法 会有一定的影响 . 所以 , 进一步的改进算法 , 提高经 验值的准确性以及减少人为的主观性引起的误差变 得十分必要 . 另外 , 混合高斯模型的计算量较大 , 耗 时较长 , 还不适应做观测数据的实时处理 . 但随着计 算机硬件技术的发展 , 相信这个问题会有改观 . 最 后 , CME的观测特征如初始位置、张角、速度、加速 度等参数十分重要 , 利用自适应混合高斯背景差分 方法探测 CME 参数和其他方法的区别也是我们关注 的问题 , 未来计划利用 LASCO 的数据采用更多的样 本详细对比其异同 .

5

结论
本文提出了一种利用自适应混合高斯背景差分

模型建立日冕图像动态背景的方法 , 从而探测作为 前景变化的 CME. 实验结果表明 , 自适应混合高斯 背景差分具有较好的效果 , 检测到了实验数据集中 CDAW 手动目录列出的所有 CME, 同时也探测到一 些额外的强度相对弱的小张角的目标 . 虽然传统的 帧间差分法简单、易于实现 , 但从原理上看 , 就只是 针对单一、稳定的背景 . 而混合高斯模型具有良好的 自适应性 , 因此可以较为准确地描述复杂背景 , 尤其 是动态变化的背景 . 利用这一方法识别叠加在变化 冕流上的 CME 具有较为明显的优势 . 同时 , 由于在 背景建模的过程中 , 采用了对序列图像中的多帧图 像信息进行统计的方法 , 因此大大抑制了单帧图像 噪声的影响 , 增强了对 CME 探测的鲁棒性 . 地基日 冕仪的观测数据中存在变化的天空背景 , 信噪比较

1261 Downloaded to IP: 192.168.0.24 On: 2019-01-15 07:33:49 http://engine.scichina.com/doi/10.1360/N972015-00725

2016 年 4 月

第 61 卷

第 11 期

致谢

感谢美国海军研究实验室、德国马克斯·普朗克研究所、法国天文实验室以及英国伯明翰大学提供的 SOHO/LASCO数据 . 其中 SOHO是欧空局和美国航天局之间的国际合作项目 .

参考文献
1 2 3 4 5 6 7 8 Webb D, Howard T. Coronal mass ejections: Observations. Liv Rev Solar Phys, 2012, 9: 1285–1295 General Armament Department of Electronic Information Infrastructure. Solar Storms Secret (in Chinese). Beijing: National Defend Industry Press, 2012 [总装备部电子信息基础部 . 太阳风暴揭秘 . 北京 : 国防工业出版社 , 2012] Li H. Space solar telescope optics coronagraph (in Chinese). In: Seventh Annu Conference Meeting Manuals Collect Chin Space Sci Inst, Dalian, 2009 [黎辉 . 空间太阳望远镜光学日冕仪 . 见 : 中国空间科学学会第七次学术年会会议手册及文集 , 大连 , 2009] Tu C Y, Schwenn R, Donovan E, et al. Space weather explorer—The KuaFu mission. Adv Space Res, 2008, 41: 190–209 Wu J, Sun W Y, Zheng J H, et al. Imaging interplanetary CMEs at radio frequency from solar polar orbit. Adv Space Res, 2011, 48: 943–954 Gan W Q. ASO-S: Advanced space-based solar observatory. 40th COSPAR Sci Assembly, Moscow, 2014 Liu Y. Chinese first aircraft coronagraph settled in Lijiang, Yunnan (in Chinese). Amateur Astronomers, 2014, 1: 60–63 [刘煜 . 国内首 架日冕仪落户云南丽江 . 天文爱好者 , 2014, 1: 60–63] Bo H Y. Research the key technology of foundation coronagraph stray light suppression (in Chinese). Dissertation of Masteral Degree. Beijing: University of Chinese Academy of Sciences, 2012 [卜和阳 . 地基日冕仪杂散光抑制的关键技术研究 . 硕士学位论文 . 北京 : 中国科学院大学 , 2012] 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Brueckner G E, Howard R A, Koomen C M, et al. The large angle spectroscopic coronagraph (LASCO). Solar Phys, 1995, 162: 357–402 Yashiro S, Michalek G, Gopalswamy N. A comparison of coronal mass ejections identified by manual and automatic methods. Ann Geophys, 2008, 26: 3103–3112 Robbrecht E, Berghmans D. Automated recognition of coronal mass ejections (CMEs) in near-real-time data. Astron Astrophys, 2004, 425: 1097–1106 Bonte K, Jacobs C, Robbrecht E, et al. Validation of CME detection software (CACTus) by means of simulated data, and analysis of projection effects on CME velocity m easurements. Solar Phys, 2011, 270: 253–272 Boursier Y, Llebraria A, Goudail F, et al. Automatic detection of coronal mass ejections on LASCO-C2 synoptic maps. Solar Phys Space Weather Instrum, 2005, doi: 10.1117/12.616011 Boursier Y, Lamy P, Llebaria A, et al. The ARTEMIS catalog of LASCO coronal mass ejections. Solar Phys, 2009, 257: 125–147 Floyd O, Lamy P, Boursier Y, et al. ARTEMIS II: A second-generation catalog of lasco coronal mass ejections including mass and kinetic energy. Solar Phys, 2013, 288: 269–289 Brueckner M, Howard R A, Koomen C M, et al. Automatic detection and classification of coronal mass ejections. Solar Phys, 2006, 237: 419–431 Olmedo O, Zhang J, Wechsler H, et al. Automatic detection and tracking of coronal mass ejections in coronagraph time series. Solar Phys, 2008, 248: 485–499 Olmedo O, Zhang J. Partial torus instability. Astrophys J, 2010, 718: 433 Norberto G, Marta M, Julio J, et al. Detection and tracking of coronal mass ejections based on supervised segmentation and level set. Pattern Recogn Lett, 2010, 31: 496–501 Byrne J P, Gallagher P T, McAteer R T J, et al. The kinematics of coronal mass ejections using multiscale methods. Astron Astrophys, 2009, 495: 325–334 Gallagher P T, Young C A, Byrne J P, et al. Coronal mass ejection detection using wavelets, curvelets and ridgelets: Applications for space weather monitoring. Adv Space Res, 2011, 47: 2118–2126 Goussies N, Stenborg G, Vourlidas A, et al. Tracking of coronal white-light events by texture. Solar Phys, 2010, 262: 481–494 Byrne J P, Gallagher P T, McAteer R T J, et al. Automatic detection and tracking of CMEs II: Multiscale filtering of coronagraph data. 2012, arXiv:1207.6125 Zeng Z X, Wei Y L, Li J S. A method to automatic detecting coronal mass ejections in coronagraph based on frequency spectrum analysis. In: Proceedings of the 2012 International Conference of Modern Computer Science and Applications. New York: Springer, 2013 Zeng Z X, Liu Y, Wei Y L. Detection for coronal mass ejection based on the mutation spectrum analysis (in Chinese). Huazhong Univ Sci Tech: Nat Sci Ed, 2012, (S1): 379–383 [曾昭宪 , 刘毅 , 魏雅利 . 基于频谱突变分析的日冕物质抛射识别方法 . 华中科技大学学 报 : 自然科学版 , 2012, (S1): 379–383]

1262 Downloaded to IP: 192.168.0.24 On: 2019-01-15 07:33:49 http://engine.scichina.com/doi/10.1360/N972015-00725

论 文

26 27 28 29 30 31 32 33

Byrne J P, Long D M, Gallagher P T, et al. Improved methods for determining the kinematics of coronal mass ejections and coronal waves. Astron Astrophys, 2013, 557: A96 Liewer P C, De Jong E M, Hall J R, et al. Stereoscopic analysis of the 19 May 2007 erupting filament. Solar Phys, 2009, 256: 57–72 Liewer P C, Hall J R, Howard R A, et al. Stereoscopic analysis of STEREO/SECCHI data for CME trajectory Determination. J Atmos Solar-Terrestrial Phys, 2011, 73: 1173–1186 Grimson W E L, Stauffer C, Romano R, et al. Using adaptive tracking to classify and monitor activities in a site. In: Proceedings/CVPR, IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 1998. 22 Kaewtrakulpong P, Bowden R. An improved adaptive background mixture model for real-time tracking with shadow detection. Video-Based Surveillance Systems. New York: Springer, 2002. 135–144 Schoonees J A, Power P W. Understanding background mixture models for foreground segmentation. In: Proceedings Image and Vision Computing New Zealand, 2002. 2003. 267–271 Setiawan W. Combining of image classification with probabilistic neural network (PNN) approaches based on expectation maximum (EM). Int J Comput Sci Issues, 2012, 9: 92–102 Sun D F, Chen Z G, Liu W J. Based on maximum parameters likelihood estimation in EM algorithm (in Chinese). J Henan Univ (Nat Sci), 2002, (4): 35–41 [孙大飞 , 陈志国 , 刘文举 . 基于 EM 算法的极大似然参数估计探讨 . 河南大学学报 : 自然科学版 , 2002, (4): 35–41]

34 35

Chen Y. Research coronal dynamics: Streamer, coronal mass ejection and their interaction (in Chinese). Chin Sci Bull (Chin Ver), 2013, 58: 1620–1650 [陈耀 . 日冕动力学研究进展 : 冕流、日冕物质抛射及其相互作用 . 科学通报 , 2013, 58: 1620–1650] Wu Y Q, Wu W Y, Pan Z. A two-dimensional histogram oblique for Otsu thresholding fast iterative algorithm (in Chinese). Graphics, 2009, 30: 89–96 [吴一全 , 吴文怡 , 潘喆 . 二维直方图区域斜分 Otsu 阈值分割的快速迭代算法 . 图学学报 , 2009, 30: 89–96]

1263 Downloaded to IP: 192.168.0.24 On: 2019-01-15 07:33:49 http://engine.scichina.com/doi/10.1360/N972015-00725

2016 年 4 月

第 61 卷

第 11 期

Detection for coronal mass ejection based on Gaussian Mixture Models
ZENG DanDan1, BAI XianYong2, QIANG ZhenPing3, LI Qiang1 & JI KaiFan1
1 2

Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China; Center for Space Science and Applied Research, Chinese Academy of Sciences, Beijing 100190, China; 3 College of Computer and Information, Southwest Forestry University, Kunming 650224, China

A new automatic detection algorithm extracted solar moving target coronal mass ejection (CME) is proposed in this paper. The CME releases huge quantities of matter and electromagnetic radiation solar-terrestrial space from the Sun. When the ejection is directed toward the Earth, it even effects the life of human being. Automatic detecting the CME for observed image is very useful for studying those solar activities. The CME detection can be considered as detection and tracing moving object in a complicated background. Therefore, according to the gradient characteristic of the background and the demand of real-time processing, we developed a dynamic new background estimation algorithm that based on the Adaptive traditional Gaussian Mixture Model. An expectation-maximization algorithm is applied to improve the initialization of the model, and a learning rate for each pixel in the sequence of image is adaptively for updating the background of coronal sequential images. The CME can be detected as a foreground object after subtracting the background that is estimated by the adaptive Mixture Gaussian Models from the original image extraction. The processing is under the polar coordinate of heliocentric. Two image sequences of coronal observed by the Large Angle Spectroscopic Coronagraph (LASCO) in the SOHO satellite were used. The paper gives the details of the preprocessing of the image sequences of coronal, detecting of the CME and the results comparison between the proposed and other CME automatic detection methods. The detection rate, false alarm rate, and detection of the amount of the CME are discussed. The experimental results show that the method is practicable and effective for detecting the CME. Compared with the manual detection of moving target detection, such as CDAW, the automatic CME detection method is more rapid and powerful. The method not only can detect all of the CMEs listed on the CDAW CME catalog, but also the CME with weaker intensity and smaller angle. Furthermore, it has better performance than the algorithm of the CACTus and the SEEDS. The method with adaptive mixture Gaussian background subtraction has higher detection rate, lower false alarm rate and more effectively for detecting the CME than the SEEDS and CACTus, but it takes more computer time and needs more computational capabilities. Our model has a preferable adaptive in the case of uncertain factors, and correspondence quickly. CDAW, Gaussian Mixture Models, coronal mass ejection, detection, background subtraction doi: 10.1360/N972015-00725

1264 Downloaded to IP: 192.168.0.24 On: 2019-01-15 07:33:49 http://engine.scichina.com/doi/10.1360/N972015-00725