基于自适应提升小波变换和LBP的极光分类算法

本文提出了一种新的基于自适应提升小波变换的双尺度算法、改进的局部二值模式和模糊近邻分类相结合的极光分类算法。该算法在极光图像预处理的基础之上，先是利用自适应提升的小波变换将原始的极光图像分为几个子图像，然后再对各个子图像进行变尺度的高斯滤波。用局部二值模式进行对子图像进行特征的提取，最后用模糊的近邻分类算法对其进行分类。仿真实验证明，首先本文算法的分类效率高于其他极光分类算法，其次就是本文算法对普通的噪声，例如高斯噪声和椒盐噪声，都有较好的鲁棒性。

极光隐藏着巨大的科学研究价值。从空间物理学的角度，极光现象反映了太阳与地球之间某种动力学的关系。从天气物理的角度来讲，极光不仅出现在地球上，据观测表明，太阳系中的某些星球也出现过极光，所以研究极光对我们探索太阳系中的奥秘奠定了基础。从能量能源的角度来讲，每爆发一次极光，所产生的能量基本上都大于地球一年发电量总和。研究极光的意义并不仅限于此。所以对极光图像进行分类研究，能帮助研究者们更加清晰的理解极光现象对我们生活的影响。

极光的研究起源很早，早在1995 年，Carl Stormer [1]通过分析大量的极光数据，首次对极光图像提出了三种分类，分为无放射状的结构、有放射状的机构和火焰形状的三种类别，但是这是基于人工标记的办法，分类效率不高并且基本没有鲁棒性。2004 年Syrjäsuo 和他的研究团队[2]首次将数字图像处理和机器视觉技术引入到了极光分类的研究领域，并且提出了自动的极光分类方法。虽然在分类的效率方面有了提高，但是在拍摄过程中因为干扰都会产生的一些纹理信息丢失。2007 年，Wang [3]通过使用主成分分析法，提出了一种基于表象特征的极光图像分类方法。2008 年，Gao 等人[4]为了降低极光图像的特征冗余， 提取基于极光图像的局部Gabor 滤波器特征， 并且与动态过程结合的办法进行极光图像的分类， 取得了较高的分类准确率。到2009 年，胡泽俊博士另辟蹊径，引入形态学的概念，将极光图像分为了冕状形态极光和弧光状的极光两大类，然后对冕状的再进行细分，即热点冕状极光、辐射冕状极光和帷幔型的冕状三种极光。

2011 年， Fu 等人[5]也将形态学分量分析(MCA)的方法用于极光图像的分类， 完成了对弧状和冕状两类极光图像的分类。这种方法在对极光图像进行MAC 分离后，再对其现有的纹理提取特征信息，然后再分类，提高了弧状和冕状极光的分类效率。在此基础之上，又出现了一些基于监督的极光分类方法， 例如BP 神经网络方法和支持向量机(SVM)的方法。

虽然这些极光分类方法的效率在不断的提高，但是并不能取得令人满意的效果，最主要的问题就是极光图像变化快，数据量非常大，所以现在的问题就是如何针对海量的极光图像数据并且能快速而精确的分类出各类极光图像。

本文针对海量的极光数据， 提出了双尺度算法和局部二值模式以及近邻分类相结合的极光分类算法， 实验证明，不仅分类效果较高，而且其鲁棒性也非常好。

2. 自适应提升的小波变换 假设有一种最原始的信号:dS ZR→表示的是首先用一种特殊的小波变换或者多向分解技术将信号S 分解成一个近似信号x 和细节描述信号y。然后用映射U 代替y 去改写x，然后得到一个新的近似信号