技術(shù)領(lǐng)域：

本發(fā)明屬于天文學(xué)領(lǐng)域，特別是一種對天文圖像的實(shí)時篩選系統(tǒng)。

背景技術(shù)：
：

在時域天文觀測中，望遠(yuǎn)鏡一般工作于自動巡天模式下。在觀測時，天文望遠(yuǎn)鏡固定曝光時間，根據(jù)觀測策略連續(xù)曝光，在時間域內(nèi)對天體圖像進(jìn)行密集采樣。由于在采集過程中，望遠(yuǎn)鏡及后端的成像器件會受到各種噪聲的干擾將導(dǎo)致一些存在缺陷的圖像產(chǎn)生，這些存在缺陷的圖像也會隨著有效數(shù)據(jù)一并存儲傳輸，大大浪費(fèi)了計算機(jī)的存儲和網(wǎng)絡(luò)資源。此外，存在缺陷的圖像會嚴(yán)重影響圖像信息的自動提取，造成誤報和虛警，不利于對于天體時域信息的即時提取。為此，研究如何自動識別和篩選存在缺陷的圖像數(shù)據(jù)對于時域天文研究將是非常重要的。

目前，國內(nèi)外低幀頻天文臺大多采用人工篩選的方法。人工篩選雖然系統(tǒng)的復(fù)雜度低，但是自動化程度低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是：如何自動識別和篩選存在缺陷的圖像數(shù)據(jù)。

本發(fā)明所采用的技術(shù)方案是：一種基于支持向量機(jī)的天文圖像實(shí)時篩選系統(tǒng)，按照如下的步驟進(jìn)行

步驟一：對望遠(yuǎn)鏡下的已有圖片進(jìn)行分類，選擇一組最優(yōu)的特征子集圖片并添加標(biāo)簽，對最優(yōu)的特征子集圖片的圖像數(shù)據(jù)進(jìn)行歸一化，把最優(yōu)的特征子集圖片的圖像灰度值壓縮為0-255之間；

步驟二、提取最優(yōu)的特征子集圖片的圖像的信噪比snr、宇宙射線road、類條狀缺陷wlk、云層遮擋四類特征指標(biāo)，將圖片數(shù)據(jù)轉(zhuǎn)化為一個七維數(shù)據(jù)，即信噪比snr、宇宙射線road、類條狀缺陷wlk、能量asm、對比度con、逆差距idm、熵ent七維數(shù)據(jù)；

步驟三、在支持向量機(jī)下，利用libsvm下自帶的最優(yōu)化函數(shù)，對步驟二的七維數(shù)據(jù)尋找最優(yōu)的損失函數(shù)和懲罰系數(shù)，構(gòu)建分類器；

步驟四、對天文望遠(yuǎn)鏡下的實(shí)時圖像數(shù)據(jù)進(jìn)行歸一化處理，把圖像的灰度值壓縮為0-255之間，提取圖像的信噪比snr、宇宙射線road、類條狀缺陷wlk、云層遮擋四類特征指標(biāo)，將圖片數(shù)據(jù)轉(zhuǎn)化為一個七維數(shù)據(jù)，即信噪比snr、宇宙射線road、類條狀缺陷wlk、能量asm、對比度con、逆差距idm、熵ent七維數(shù)據(jù)；

步驟五、對步驟四中提取的七維數(shù)據(jù)用步驟三中構(gòu)建的分類器進(jìn)行分類。

作為一種優(yōu)選方式：圖像的信噪比snr提取使用公式snr＝10log(ps/pn)提取特征，式中，ps為圖像的信號的功率譜，這里采用圖像的所有局部方差最大值，pn為圖像的噪聲的功率譜，這里采圖像的所有局部方差最小值，局部方差是指圖像中任意9*9像素的方差，使用gpu加速。gpu即電腦的圖像處理器，計算機(jī)中的計算主要是由算術(shù)邏輯模塊(alu)進(jìn)行的，gpu相對cpu含有數(shù)以千百或者更多的alu模塊，通過gpu的并行運(yùn)算可以大大提高運(yùn)行速率。并行運(yùn)算首先在電腦安裝cuda模塊(cuda是基于cpu的一個并行計算平臺和編譯模型)，將需要進(jìn)行并行運(yùn)算的內(nèi)容按cuda要求的數(shù)據(jù)格式進(jìn)行轉(zhuǎn)化，在cuda中進(jìn)行計算，并返回計算結(jié)果。

作為一種優(yōu)選方式：對圖像的宇宙射線road進(jìn)行提取時，采用gpu加速，宇宙射線road是指來自外天空的高能的α粒子、高能質(zhì)子，它具有隨機(jī)分布的特性，但其灰度值明顯高于周圍像素點(diǎn)的灰度值。目前使用的宇宙射線的檢測方法主要有直方圖、拉普拉斯、road萬能算法，對這三種識別宇宙射線的方法進(jìn)行比較，其中road算法的優(yōu)點(diǎn)是算法復(fù)雜度低又幾乎可以識別出所有的宇宙射線。但是算法需要遍歷整幅圖片，傳統(tǒng)的單cpu串行運(yùn)行實(shí)現(xiàn)效率低，這里采用了gpu進(jìn)行并行運(yùn)算來提高運(yùn)行速度，這里采用圖像中road的最大值作為一個評價指標(biāo)來判斷圖像中是否存在宇宙射線。

作為一種優(yōu)選方式：類條狀缺陷特征提取時使用投影法，即圖像中灰度值高于閾值的像素，在0°、45°、90°、135°四個方向進(jìn)行投影，通過對四個投影的最大值與最小值的比值是否大于2來判斷是否存在類條狀缺陷，閾值為圖像中灰度值最大值乘以0.9。類條狀缺陷降低圖像質(zhì)量、增加圖像處理難度。

作為一種優(yōu)選方式：云層遮擋特征提取時使用的紋理識別的方法，即通過對圖像整體的能量asm、對比度con、逆差距idm、熵ent四個參量的綜合作用來判斷是否有云層遮擋。

作為一種優(yōu)選方式：能量asm、對比度con、逆差距idm、熵ent四個參量的綜合作用來判斷具體為：設(shè)f(x，y)為一幅二維數(shù)字圖像，其大小為m*n，其灰度級別為ng，則滿足其空間關(guān)系的灰度共生矩陣為g(i,j)＝#{(x1,y1),(x2,y2)∈m*n|f(x1,y1)＝i,f(x2,y2)＝j(luò)}，式中#{x}表示集合x中的元素個數(shù)，若(x1,y1)與(x2,y2)間距離為d,兩者與坐標(biāo)橫軸的夾角為θ，灰度共生矩陣中的元素g(i，j)的值表示了在圖像中其中一個像素的灰度值為i，另一個像素的灰度值為j，并且相鄰距離為d，方向角為θ的這樣兩個像素出現(xiàn)的次數(shù)，在不同方向的灰度共生矩陣對圖像的紋理特征影響很小，選用d＝1,θ＝0。

能量asm，也即每個元素的平方和，是對圖像平整度的衡量其值為對不同類型的圖片，灰度共生矩陣具有不同的特點(diǎn)：比如對連續(xù)灰度值圖像，值集中在對角線；對結(jié)構(gòu)化的圖像，值集中在偏離對角線的位置；對具有嚴(yán)重噪聲的圖像，灰度共生矩陣的值分布比較均勻。如果g中的所有值均勻，則asm的值較?。幌喾慈绻恍┲荡蠖渌递^小，則asm的值較大。

對比度con是反映圖像局部灰度變化的情況，其值為如果偏離對角線的元素有較大值，即圖像亮度值變化很快，則con會有較大取值，這也符合對比度的定義?；叶炔罴磳Ρ榷却蟮南笏貙υ蕉?，這個值越大?；叶裙仃囍羞h(yuǎn)離對角線的元素值越大，con越大。

逆差矩idm反映圖像紋理的同質(zhì)性，度量圖像紋理局部變化的多少，其值為如果灰度共生矩陣對角元素有較大值，idm就會取較大的值。

熵是圖像所具有的信息量的度量，是一個隨機(jī)性的度量，它表示了圖像中紋理的非均勻程度或復(fù)雜程度，其值為當(dāng)共生矩陣中所有元素有最大的隨機(jī)性、空間共生矩陣中所有值幾乎相等時，共生矩陣中元素分散分布時，熵較大。

本發(fā)明的有益效果是：首先對天文圖像進(jìn)行特征提取，然后用支持向量機(jī)用訓(xùn)練好的分類器對天文圖像進(jìn)行分類。它對天文圖像實(shí)時篩選提供了一種快速，精確的實(shí)時篩選系統(tǒng)，相對人工篩選提高了自動化程度。

具體實(shí)施方式

實(shí)驗數(shù)據(jù)：實(shí)驗選用的大視場schmidt望遠(yuǎn)鏡的圖片數(shù)據(jù)作為原始數(shù)據(jù)，圖片大小為1024*1024。

實(shí)驗環(huán)境：實(shí)驗采用的是cpu為intel公司生產(chǎn)的corei7-5820k，主頻為3.3ghz，15mb的三級緩存。gpu為nvidia公司生產(chǎn)的gt610，擁有48個流多處理器(streamingmultiprocessor，sm)，每個sm常駐線程可達(dá)1024，計算能力為2.0，具有4gb顯存。程序編譯環(huán)境為ubuntu16.04下的python2.7，cuda使用的版本是cuda8.0，程序中cuda部分采用python與c的混編。

步驟一：選取大視場schmidt望遠(yuǎn)鏡已采集的20000幅圖片數(shù)據(jù)，隨機(jī)抽取1000幅圖片作為一組特征子集，并多次抽取，對幾組特征子集，選取最優(yōu)的特征子集。特征子集中會存在一些信噪比(snr)、宇宙射線(road)、類條狀缺陷(wlk)、云層遮擋(能量asm、對比度con、逆差距idm、熵ent)四類特征很明顯或者很不明顯的圖片，選擇特征子集四類特征很明顯或者很不明顯的圖片含量最少的并且四類缺陷數(shù)據(jù)都存在的作為最優(yōu)的特征子集。把特征子集圖片數(shù)據(jù)分為兩類(根據(jù)四類缺陷數(shù)據(jù)含量多少進(jìn)行分類，一類是含量較少的，一類的含量較大的)，分別給定標(biāo)簽0、1；對圖片數(shù)據(jù)進(jìn)行歸一化處理，將圖像的灰度壓縮為0-255的值。

步驟二：提取圖像的信噪比(snr)、宇宙射線(road)、類條狀缺陷(wlk)、云層遮擋(能量asm、對比度con、逆差距idm、熵ent)四類特征指標(biāo)，及將圖片數(shù)據(jù)轉(zhuǎn)化為一個七維數(shù)據(jù)(即snr、road、wlk、asm、con、idm、ent)。

步驟三：對步驟二處理好的帶標(biāo)簽的數(shù)據(jù)，在支持向量機(jī)下，利用libsvm(libsvm是臺灣大學(xué)林智仁(linchih-jen)教授等開發(fā)設(shè)計的一個簡單、易于使用和快速有效的支持向量機(jī)(svm)模式識別與回歸的軟件包，只要在電腦上安裝該軟件包就可以使用)下自帶的最優(yōu)化函數(shù)尋找最優(yōu)的損失函數(shù)和懲罰系數(shù)，使得分類的正確率最高達(dá)到90％以上，用最優(yōu)的懲罰系數(shù)和損失函數(shù)構(gòu)建分類器。

步驟四：對大視場schmidt望遠(yuǎn)鏡下的實(shí)時數(shù)據(jù)進(jìn)行歸一化處理，提取圖像的信噪比(snr)、宇宙射線(road)、類條狀缺陷(wlk)、云層遮擋四類特征指標(biāo)，及將圖片數(shù)據(jù)轉(zhuǎn)化為一個七維數(shù)據(jù)。如下表格中所示為特征空間的維度，每個公式的具體含義以在前面進(jìn)行了說明。

表1特征空間的維度

步驟五：對步驟四中提取的特征數(shù)據(jù)用步驟二中構(gòu)建的分類器進(jìn)行分類，將圖片數(shù)據(jù)輸入建好的分類器中。

其中，在步驟二與步驟四中的圖像特征提取中，信噪比與宇宙射線這兩個參數(shù)采用了利用gpu的cuda的并行運(yùn)算，提高運(yùn)算速度，使得該系統(tǒng)能夠?qū)崿F(xiàn)實(shí)時處理的效果。gpu是目前普遍使用的顯卡的處理器，gpu跟cpu相比更適合處理大量的并行數(shù)據(jù)，gpu具有強(qiáng)大的浮點(diǎn)運(yùn)算、并行運(yùn)算能力，在圖像的特征提取中提取snr和road時對圖像采用的循環(huán)遍歷，并且任意兩次運(yùn)算之間兩兩獨(dú)立，所以適合采用cuda進(jìn)行并行運(yùn)算。cuda是顯卡廠商nvidia推出的運(yùn)算平臺，它使用c語言為基礎(chǔ)，開發(fā)人員可以使用c語言來編寫程序。

我們這里主體部分使用的是python進(jìn)行編寫，其中cuda部分是采用的c語言。圖片為1024*1024的二維數(shù)據(jù)，需要將二維數(shù)據(jù)變?yōu)?*1024^2的一維數(shù)據(jù)，并由cpu將數(shù)據(jù)傳入cuda，在cuda中進(jìn)行并行運(yùn)算，在由cuda將計算后的結(jié)果傳出到cpu進(jìn)行后續(xù)的工作。