改进的主成分分析网络极光图像分类方法

doi:10.3969/j.issn.1001-2400.2017.01.015

西安电子科技大学学报

改进的主成分分析网络极光图像分类方法

韩冰1,2;贾中华1;高新波1

(1. 西安电子科技大学电子工程学院，陕西西安 710071;
2. 遥感科学国家重点实验室，北京 100101)

收稿日期:2016-01-11 出版日期:2017-02-20 发布日期:2017-04-01
作者简介:韩冰(1978-)，女，副教授，E-mail：bhan@xidian.edu.cn
基金资助:
国家自然科学基金资助项目(41031064, 61572384)；陕西省自然科学基础研究计划资助项目(2011JQ8019)；海洋公益性行业科研专项资助项目(201005017)；教育部留学回国人员科研启动基金支持以及中央高校基本科研业务基金资助项目(K5051302008)；北京师范大学遥感科学国家重点实验室资助项目(OFSLRSS201415)

Improved PCANet for aurora images classification

HAN Bing1,2;JIA Zhonghua1;GAO Xinbo1

(1. School of Electronic Engineering, Xidian Univ., Xi'an 710071, China;
2. State Key Lab. of Remote Sensing Science, Beijing 100101, China)

Received:2016-01-11 Online:2017-02-20 Published:2017-04-01

摘要/Abstract

摘要：

极光的不同形态蕴含了不同的物理意义，进行极光图像的分类研究对人类生活具有极其重要的科学价值．笔者在简单的深度学习模型主成分分析网络的基础上提出了一种改进的主成分分析网络极光图像分类方法．首先利用改进的主成分分析网络提取极光图像的特征，然后将所得特征输入支持向量机对极光图像进行分类．在中国北极黄河站的全天空图像数据库的分类实验结果表明，所提方法取得了较高分类准确率．

关键词: 极光图像, 深度学习, 主成分分析, 二维主成分分析, 主成分分析网络

Abstract:

The mysterious aurora is changeable, and the different forms of the aurora represent various physical processes which often affect our lives. So, it is of significant scientific value to classify the aurora images for the study of space physics. Based on the PCANet, a simple deep learning model, we develop an improved PCANet algorithm for aurora images classification. Firstly, the map of aurora images are extracted by the improved PCANet. Then the support vector machine is used to classify the feature of aurora images. Experimental results with the dataset obtained from the All-sky Imager at the Chinese Arctic Yellow River Station demonstrate that the scheme can obtain higher accuracy in aurora image classification than the PCANet.

Key words: dayside aurora, deep learning, principle component analysis, 2DPCA, PCANet

韩冰;贾中华;高新波. 改进的主成分分析网络极光图像分类方法[J]. 西安电子科技大学学报, 2017, 44(1): 83-88.

HAN Bing;JIA Zhonghua;GAO Xinbo. Improved PCANet for aurora images classification[J]. Journal of Xidian University, 2017, 44(1): 83-88.

参考文献

［1］ AKASOFU S I. The Development of the Auroral Substorm［J］. Planetary and Space Science, 1964,12(4): 273-282.
［2］ SYRJASUO M T, DONOVAN E . Diurnal Auroral Occurrence Statistics Obtained via Machine Vision［J］. Annales Geophysicae, 2004, 22(4): 1103-1113.
［3］ FU R, LI J, GAO X B, et al. Automatic Aurora Images Classification Algorithm Based on Separated Texture ［C］// 2009 IEEE International Conference on Robotics and Biomimetics. Piscataway: IEEE, 2009: 1331-1335.
［4］ WANG Y R, GAO X B, FU R, et al. Dayside Corona Aurora Classification Based on X-gray Level Aura Matrices［C］//Proceedings of the 2010 ACM International Conference on Image and Video Retrieval. New York: ACM, 2010: 282-287.
［5］ HAN S M, WU Z S , WU G L, et al. Automatic Classification of Dayside Aurora in All-sky Images Using a Multi-level Texture Feature Representation［C］//Advanced Materials Research:341/342. Clausthal-Zellerfeld: Trans Tech Publications, 2012: 158-162.
［6］ SYRJASUO M, PARTAMIES N. Numeric Image Features for Detection of Aurora［J］. IEEE Geoscience and Remote Sensing Letters, 2012, 9(2): 176-179.
［7］杨曦, 李洁, 韩冰, 等. 一种分层小波模型下的极光图像分类算法［J］. 西安电子科技大学学报, 2013, 40(2): 18-24.
YANG Xi, LI Jie, HAN Bing, et al. Wavelet Hierarchical Model for Aurora Images Classification ［J］. Journal of Xidian University. 2013, 40(2): 18-24.
［8］韩冰, 仇文亮. 一种特征显著性编码的极光图像分类方法［J］. 西安电子科技大学学报, 2013, 40(6): 180-186.
HAN Bing, QIU Wenliang. Aurora Images Classification via Features Salient Coding ［J］. Journal of Xidian University. 2013, 40(6): 180-186.
［9］韩冰, 杨辰, 高新波. 融合显著信息的LDA极光图像分类［J］. 软件学报, 2013, 24(11): 2758-2766.
HAN Bing, YANG Chen, GAO Xinbo. Aurora Image Classification Based on LDA Combining with Saliency Information ［J］. Journal of Software, 2013, 24(11): 2758-2766.
［10］ HAN B, ZHAO X J, TAO D C, et al. Dayside Aurora Classification via BIFs-based Sparse Representation Using Manifold Learning［J］. International Journal of Computer Mathematics, 2014, 91(11): 2415-2426.
［11］ KAVUKCUOGLU K, SERMANET P, BOUREAU Y L, et al. Learning Convolutional Feature Hierarchies for Visual Recognition［C］ //Advances in Neural Information Processing Systems 23: 24th Annual Conference on Neural Information Processing Systems 2010. Red Hook: Curran Associates Inc, 2010: 1090-1098.
［12］ JOLLIFFE I T. Principal Component Analysis［M］. Hoboken: John Wiley & Sons, Ltd, 2002.
［13］ CHAN T H, JIA K, GAO S, et al. PCANet: a Simple Deep Learning Baseline for Image Classification?［J］. IEEE Transactions on Image Processing, 2015, 24(12): 5017-5032.
［14］ YANG J, ZHANG D, FRANGI A F, et al. Two-dimensional PCA: a New Approach to Appearance-based Face Representation and Recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2004, 26(1): 131-137.

[1]	刘佳玮,张文辉,寇晓丽,李雁妮. 增强型深度对抗样本攻击防御算法[J]. 西安电子科技大学学报, 2021, 48(6): 23-31.
[2]	李鹏,冯存前,许旭光,唐子翔. 一种利用贝叶斯优化的弹道目标微动分类网络[J]. 西安电子科技大学学报, 2021, 48(5): 139-148.
[3]	闫佳,曹玉东,任佳兴,陈冬昊,李晓会. 深度非对称压缩型哈希算法[J]. 西安电子科技大学学报, 2021, 48(5): 212-221.
[4]	宁阳,杜建超,韩硕,杨传凯. 改进DeeplabV3+的火焰分割与火情分析方法[J]. 西安电子科技大学学报, 2021, 48(5): 38-46.
[5]	周鹏,杨军. 采用神经网络架构搜索的遥感影像分割方法[J]. 西安电子科技大学学报, 2021, 48(5): 47-57.
[6]	戚艳军,孔月萍,王佳婧,朱旭东. 一种LSTM与CNN相结合的步态识别方法[J]. 西安电子科技大学学报, 2021, 48(5): 78-85.
[7]	张宇浩,程培涛,张书豪,王秀美. 一种自适应权重学习的轻量超分辨率重建网络[J]. 西安电子科技大学学报, 2021, 48(5): 15-22.
[8]	宋建锋,苗启广,王崇晓,徐浩,杨瑾. 注意力机制的多尺度单目标跟踪算法[J]. 西安电子科技大学学报, 2021, 48(5): 110-116.
[9]	回海生,张雪英,吴泽林,李凤莲. 一种主辅路径注意力补偿的脑卒中病灶分割方法[J]. 西安电子科技大学学报, 2021, 48(4): 200-208.
[10]	宋剑桥,王峰,牛锦,师泽洲,马军辉. 一种面向时空神经网络的潜在情绪识别方法[J]. 西安电子科技大学学报, 2021, 48(4): 159-167.
[11]	孙豪杰,李苗钰,章盼盼,许鹏飞. 用于面瘫分级的自监督非对称特征学习方法[J]. 西安电子科技大学学报, 2021, 48(3): 115-122.
[12]	张华,高浩然,杨兴国,李文敏,高飞,温巧燕. TargetedFool:一种实现有目标攻击的算法[J]. 西安电子科技大学学报, 2021, 48(1): 149-159.
[13]	杨宏宇,曾仁韵. 一种深度学习的网络安全态势评估方法[J]. 西安电子科技大学学报, 2021, 48(1): 183-190.
[14]	张璐,孙蓉,刘景伟. 分布式存储中的克隆piggybacking框架[J]. 西安电子科技大学学报, 2020, 47(6): 139-147.
[15]	胡建伟,赵伟,崔艳鹏,崔俊洁. 一种改进ASTNN网络的PHP代码漏洞挖掘方法[J]. 西安电子科技大学学报, 2020, 47(6): 164-173.

改进的主成分分析网络极光图像分类方法

Improved PCANet for aurora images classification

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10