面向天文图像的小尺度天体检测

在斯隆数字巡天任务中,受体积较大亮度较高的天体干扰,现阶段的目标检测算法对小尺度天体的检测效果并不理想.针对上述问题,提出一种基于Mask-GAN和YOLOv3的小尺度天体检测方法.方法分为两大步骤:第1步干扰天体屏蔽.首先设计了一个干扰天体Mask构建算法,通过自适应阈值分割和连通域分析提取干扰目标,并提出融合各波段区域特征和排除邻近目标方式构建Mask,避免以往分割方法存在的光晕残留和邻近目标错误分割现象;其次构建GAN模型,结合干扰天体Mask完成屏蔽干扰任务.第2步将处理过的数据输入改进的YOLOv3模型进行小尺度天体检测.引入注意力机制,构建C-EfficientNet作为主干特征提取网络,加强网络的特征提取能力和对目标关注程度;同时扩展4个有效特征层并提出一种提升浅层特征图权重的方式SAt,让网络更好地利用分辨率高细节丰富的浅层特征来检测小尺度天体.实验与分析表明,在SDSS (Sloan digital sky survey)天文数据集上对小尺度恒星和星系的检测平均精度达到了81.16%和77.89%,相比于当前经典算法检测效果更好,有一定的实际应用意义.     

基于类间相似性的聚类集成方法

聚类集成是聚类的一个重要分支,它用于融合多个基聚类,来生成具有鲁棒性和高质量的最终聚类划分。将原始信息转化为共协矩阵,通过共协矩阵得到最终聚类划分的聚类集成方法是目前很多研究者研究的内容,然而大多数研究者都忽略了聚类结果容易受到噪声的影响,且忽略了共协矩阵在数据量大时,时间以及空间复杂度高的问题。为了解决以上问题,该文设计了一种基于类间相似性的聚类集成方法(CSCE)。该方法首先基于证据积累模型找到原始对象之间的相似性,将原始对象划分为多个小簇。然后通过一种新的相似度计算方法,计算簇与簇之间的相似度,形成簇与簇的相似矩阵。最后通过归一化切割(NCUT)切图的方法,将簇相似矩阵划分为最终聚类结果。该方法将低质量异常对象按相似度并入与之相似的簇中,并在8个数据集上进行了实验。结果表明,该方法不仅聚类效果好,而且解决了传统共协矩阵时间以及空间复杂度高的问题。     

基于改进犹豫模糊C-均值的图像分割

犹豫模糊C-均值(hesitant fuzzy C-means, HFCM)聚类算法在一定程度上处理了图像中不同像素块之间的不确定性, 但由于其目标函数中不包含任何局部空间信息, 因此对噪声比较敏感, 当噪声较大时无法获得较好的分割精度. 针对上述问题, 提出了一种改进犹豫模糊C-均值(improved hesitant fuzzy C-means, IHFCM)的图像分割方法. 首先给出了犹豫模糊元(hesitant fuzzy element)的补齐方法, 然后提出了犹豫模糊元之间的相似性度量, 利用犹豫模糊元之间的相似性度量构造了新颖的模糊因子融合到HFCM的目标函数中, 新的模糊因子不仅考虑了局部窗口中的空间信息而且考虑了像素间的相似性, 平衡噪声带来的影响且保留了图像细节. 最后, 在合成图像、BSDS500数据集图像以及自然图像上的分割实验结果表明, 所提出的IHFCM算法对噪声有良好的鲁棒性, 提升了分割精度.