基于全局特征的极光图像分类

极光分类对于太阳活动对地球的影响方式的研究具有非常重要的意义，现有的极光分类方法主要是基于极光图像的局部特征，这些局部特征对噪声干扰及极光图像的位置、方向等变化较为敏感，很难满足实际应用的要求。本文提出了一种新的基于全局特征的极光图像分类方法，在该方法中，极光图像通过Radon变换投影到Radon域，然后计算投影矩阵中每列的方差作为特征，为了实现方向变化不变性，对该方差序列进行循环移位使得该序列方差最大的值居于首位，进行旋转归一化处理，然后，应用基于欧氏距离的最近邻分类器实现极光图像分类。实验表明，该方法分类精度明显高于现有的基于局部特征的分类方法，对噪声干扰及极光图像位置、方向的鲁棒性显著高于现有方法，而且计算效率也高于基于局部特征的分类方法。

极光是太阳风所携带的高能带电粒子与地球高空大气层中的中性气体相撞而产生的唯一能够通过肉眼观测到的具有极区特征的地球物理现象。极光的合理分类对研究空间天气和太阳风——磁层之间的耦合作用具有极其重要的意义。

2004 年， Syrjäsuo 等人[1]对加拿大CANOPUS (Canadian Auroral Network for the Open Program Unified Study)项目[2]的数据进行分析后，将全天空极光图像分为三种典型的极光形态：弧型(auroral arcs)、斑块型(patchy auroras)和欧米伽型(Omega-bands)。在他们的工作中，首先对极光图像进行分割和极光区域检测，然后使用傅里叶描述子来提取极光图像的形状特征。该类方法由于仅关注极光图像的轮廓结构，适用于形状单一、轮廓明确的极光弧，很难应用于具有复杂结构极光图像的分类问题中。

针对上述问题，随后出现了基于子空间分解的极光图像分类方法[3]，该类方法对极光图像应用主分量分析(PCA)、线性判别分析(LDA)进行分解，其分解系数作为极光特征实现分类。与基于轮廓结构的方法相比，子空间分解适合于具有复杂结构极光图像的分类，但是，其特征的表示能力与分类精度有限， 达不到实际应用的要求。

一些研究者将图像分析中的纹理识别方法应用到极光分类中，主要关注极光图像中的纹理特征，高凌君等[4]首先提取极光样本图像的Gabor 特征，利用K-均值聚类算法进行训练样本选择，然后引入AdaBoost 算法进行分类器的构建实现极光图像的检测。韩慎苗等[5]采用多阶统计特征结合小波分解，通过提取图像的灰度分布、灰度共生矩阵和行程长度矩阵等特征来表征纹理信息， 并结合KNN 和后向神经网络(BPNN)进行自动分类。该类方法分类精度普遍高于基于子空间分解的极光图像分类方法，但是，对噪声干扰与极光图像的位置、角度及尺度变化较为敏感，分类精度还不能完全满足应用的要求。

在数字图像分析领域，局部不变描述符，如尺度变换不变特征(SIFT)、局部二值模式(LBP)在机器视