散射中心是描述雷达目标高频散射机理的重要特征,准确提取雷达目标散射中心参数对解析雷达目标有着极其重要的研究意义。为了提高散射中心参数计算速度,通常将整幅合成孔径雷达(synthetic aperture radar,SAR)图像分解为多个包含散射中...散射中心是描述雷达目标高频散射机理的重要特征,准确提取雷达目标散射中心参数对解析雷达目标有着极其重要的研究意义。为了提高散射中心参数计算速度,通常将整幅合成孔径雷达(synthetic aperture radar,SAR)图像分解为多个包含散射中心的小区域,对每个小区域分别进行特征提取和参数计算。根据雷达目标散射中心的特点,提出了一种基于局部密度聚类的雷达目标散射中心区域分割技术。首先,对雷达图像进行Frost滤波、基于水平集方法(level set method,LSM)的图像分割和面积滤波的一系列图像预处理获得目标感兴趣(region of interest,ROI)区域,然后对预处理后的图像利用局部密度聚类算法检测散射中心并进行区域分割。实验中,采用模拟数据和真实数据对所提方法和传统图像分割算法展开数值实验,实验结果验证了所提方法在雷达目标散射中心区域分割的有效性和优越性。展开更多
长期以来,疏散星团成员星的证认问题一直是天文学领域的一个挑战,由于疏散星团形成及演化的复杂性,没有统一的方法能准确地确定疏散星团中的成员星.目标是以3种不同空间分布类型的疏散星团为样本,选取恒星的位置和运动的五维参数,通过DB...长期以来,疏散星团成员星的证认问题一直是天文学领域的一个挑战,由于疏散星团形成及演化的复杂性,没有统一的方法能准确地确定疏散星团中的成员星.目标是以3种不同空间分布类型的疏散星团为样本,选取恒星的位置和运动的五维参数,通过DBSCAN(Density-Based Spatial Clustering of Applications with Noise)、FOF(Friend of Friend)和STAR GO(Star's Galactic Origin)3种聚类方法,对疏散星团进行聚类检测,量化不同算法的绩效.研究结果表明,FOF与STAR GO算法对有特殊结构的星团更为适用,能识别出星团的潮汐或延展结构,而DBSCAN对星团核心区域成员星的识别更为完整.旨在星团结构细节与提高成员星识别的完整性之间找到更均衡的算法策略.展开更多
太阳活动区是太阳大气中产生各种活动现象的区域,精确地检测和识别太阳活动区对理解太阳磁场的形成机制具有极为重要的科学意义.根据太阳活动区结构较为复杂的特点,基于尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)和密...太阳活动区是太阳大气中产生各种活动现象的区域,精确地检测和识别太阳活动区对理解太阳磁场的形成机制具有极为重要的科学意义.根据太阳活动区结构较为复杂的特点,基于尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)和密度峰值聚类(Clustering by Fast Search and Find of Density Peaks,DPC)算法的优越性,提出了一种太阳活动区的自动检测和识别方法.首先,对太阳动力学天文台(Solar Dynamics Observatory,SDO)日震和磁场成像仪(Helioseismic and Magnetic Imager,HMI)的纵向磁图进行对比度增强;然后采用SIFT方法提取出全日面磁图中的特征点;最后利用DPC算法将特征点进行聚类,从而自动检测和识别出太阳活动区.研究结果表明,SIFT和DPC算法相结合的方法可以在不需要人工交互的情况下准确地自动检测出太阳活动区.展开更多
文摘散射中心是描述雷达目标高频散射机理的重要特征,准确提取雷达目标散射中心参数对解析雷达目标有着极其重要的研究意义。为了提高散射中心参数计算速度,通常将整幅合成孔径雷达(synthetic aperture radar,SAR)图像分解为多个包含散射中心的小区域,对每个小区域分别进行特征提取和参数计算。根据雷达目标散射中心的特点,提出了一种基于局部密度聚类的雷达目标散射中心区域分割技术。首先,对雷达图像进行Frost滤波、基于水平集方法(level set method,LSM)的图像分割和面积滤波的一系列图像预处理获得目标感兴趣(region of interest,ROI)区域,然后对预处理后的图像利用局部密度聚类算法检测散射中心并进行区域分割。实验中,采用模拟数据和真实数据对所提方法和传统图像分割算法展开数值实验,实验结果验证了所提方法在雷达目标散射中心区域分割的有效性和优越性。
文摘长期以来,疏散星团成员星的证认问题一直是天文学领域的一个挑战,由于疏散星团形成及演化的复杂性,没有统一的方法能准确地确定疏散星团中的成员星.目标是以3种不同空间分布类型的疏散星团为样本,选取恒星的位置和运动的五维参数,通过DBSCAN(Density-Based Spatial Clustering of Applications with Noise)、FOF(Friend of Friend)和STAR GO(Star's Galactic Origin)3种聚类方法,对疏散星团进行聚类检测,量化不同算法的绩效.研究结果表明,FOF与STAR GO算法对有特殊结构的星团更为适用,能识别出星团的潮汐或延展结构,而DBSCAN对星团核心区域成员星的识别更为完整.旨在星团结构细节与提高成员星识别的完整性之间找到更均衡的算法策略.
文摘太阳活动区是太阳大气中产生各种活动现象的区域,精确地检测和识别太阳活动区对理解太阳磁场的形成机制具有极为重要的科学意义.根据太阳活动区结构较为复杂的特点,基于尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)和密度峰值聚类(Clustering by Fast Search and Find of Density Peaks,DPC)算法的优越性,提出了一种太阳活动区的自动检测和识别方法.首先,对太阳动力学天文台(Solar Dynamics Observatory,SDO)日震和磁场成像仪(Helioseismic and Magnetic Imager,HMI)的纵向磁图进行对比度增强;然后采用SIFT方法提取出全日面磁图中的特征点;最后利用DPC算法将特征点进行聚类,从而自动检测和识别出太阳活动区.研究结果表明,SIFT和DPC算法相结合的方法可以在不需要人工交互的情况下准确地自动检测出太阳活动区.
基金Supported by National Key R&D Program of China No.2017YFA0402700the National Natural Science Foundation of China (NSFC) No.U1731124,No.10873037,No.11873093,and No.11803091。
