极光图像自动分类方法、装置、计算机设备和存储介质

1.本发明属于空间研究中地面观测技术领域，尤其涉及一种极光图像自动分类方法、装置、计算机设备和存储介质。


背景技术：

2.极光图像自动分类是通过对图像进行一定的处理，提取极光的颜色、形状、分布等特征用于训练分类模型，并对新图像的类别进行预测的过程。根据极光图像的预测结果，科学家可对太阳活动的强度、地球中高层大气中物质分布和浓度进行预报，因此极光图像自动分类是空间研究中很重要的一部分。
3.传统的极光图像自动分类方法如支持向量机、k值近邻或者形态学分析等主要基于特征选取的思想，受选取特征的代表性和差异性的限制，在预测准确性等方面仍有不足。比如基于形态学分析的方法，是将图像分为纹理的高频部分和低频平滑部分，利用纹理的高频部分对极光图像进行分类。部分通过支持向量机，首先人工选取需要提取的图像特征，然后利用构造的特征来对极光图像进行分类。而k值近邻算法则是通过度量测试样本与训练好的模型中类别的距离，选取距离最小的类别作为极光图像的预测结果。总的来说，传统的极光分类方法的效果依赖于特征的选择和处理上。
4.然而，由于极光形态多样，且极光图像中也有许多干扰，特别是在单通道图像中，极光容易与如云、月亮等物体产生混淆，因此对于极光图像自动分类任务，需要构造一种更具有代表性和判别力的特征。但是传统方法的基本思路是根据数据集图像的特点，构造合适的特征来表征图像再进行分类，没有考虑特征的空间结构，导致分类准确率下降。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够在小样本条件下提高分类准确率的极光图像自动分类方法、装置、计算机设备和存储介质。
6.本发明提供一种极光图像自动分类方法，包括：抽取极光图像的gabor特征和灰度梯度特征；联合所述极光图像的灰度特征、所述gabor特征以及所述灰度梯度特征计算协方差矩阵，利用所述协方差矩阵构造对称正定矩阵形式的二阶张量特征；对所述二阶张量特征降维后映射到欧式空间并拉伸得到一维特征向量；将所述一维特征向量输入多分类支持向量机模型预测极光图像类别。
7.在其中一个实施例中，所述抽取极光图像的gabor特征和灰度梯度特征，包括：利用gabor滤波器对所述极光图像进行滤波得到图像的gabor特征；基于所述极光图像在垂直方向和水平方向上的一阶梯度特征、二阶梯度特征和所述一阶梯度特征的强度，计算所述极光图像的灰度梯度特征，计算公式如下：;
其中，表示灰度梯度特征，和表示垂直方向和水平方向上的一阶梯度特征，和表示垂直方向和水平方向上的二阶梯度特征，表示一阶梯度特征的强度。
8.在其中一个实施例中，所述联合所述极光图像的灰度特征、所述gabor特征以及所述灰度梯度特征计算协方差矩阵，包括：根据所述灰度特征、所述gabor特征以及所述灰度梯度特征确定联合特征后，计算所述联合特征的均值向量，根据所述均值向量计算协方差矩阵，计算公式如下：;;;其中，表示联合特征；表示灰度特征；表示gabor特征；表示灰度梯度特征；表示均值向量；表示联合特征的第个分量；表示抽取的极光图像特征个数；表示协方差矩阵。
9.在其中一个实施例中，所述利用所述协方差矩阵构造对称正定矩阵形式的二阶张量特征，包括：对所述协方差矩阵进行特征值分解得到特征值矩阵和特征向量；在所述特征值矩阵中将小于或等于阈值的特征值设置为预设正常数后进行特征值非负化处理得到新特征值矩阵；根据所述新特征值矩阵和所述特征向量构造对称正定矩阵形式的二阶张量特征，构造函数如下：;其中，表示对称正定矩阵形式的二阶张量特征，为特征向量，为新特征值矩阵。
10.在其中一个实施例中，所述对所述二阶张量特征降维后映射到欧式空间并拉伸得到一维特征向量，包括：在黎曼流形上利用映射矩阵将所述二阶张量特征映射到低维空间，得到低维特征矩阵；将所述低维特征矩阵进行特征分解后，利用对数映射变换到欧式空间并拉伸为一维特征向量。
11.在其中一个实施例中，所述在黎曼流形上利用映射矩阵将所述二阶张量特征映射到低维空间，得到低维特征矩阵，包括：根据样本的类内紧致性和类间可分性构造损失函数；利用所述损失函数优化映射矩阵，利用优化后的所述映射矩阵将所述二阶张量特征映射到低维空间得到低维矩阵。
12.在其中一个实施例中，所述将所述低维特征矩阵进行特征分解后，利用对数映射
变换到欧式空间并拉伸为一维特征向量，运算公式表示如下：;;;其中，表示低维矩阵，为特征向量，为第个样本的一维特征向量，表示的分量。
13.一种极光图像自动分类装置，包括：抽取模块，用于抽取极光图像的gabor特征和灰度梯度特征；构造模块，用于联合所述极光图像的灰度特征、所述gabor特征以及所述灰度梯度特征计算协方差矩阵，利用所述协方差矩阵构造对称正定矩阵形式的二阶张量特征；映射模块，用于对所述二阶张量特征降维后映射到欧式空间并拉伸得到一维特征向量；预测模块，用于将所述一维特征向量输入多分类支持向量机模型预测极光图像类别。
14.本发明还提供一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器存储由计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的极光图像自动分类方法的步骤。
15.本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的极光图像自动分类方法的步骤。
16.上述极光图像自动分类方法、装置、计算机设备和存储介质，通过抽取极光图像的gabor特征和灰度梯度特征等多个图像特征构造对称正定矩阵形式的二阶张量特征，从而能够发掘多个特征间的相关性，融合不同特征，有效地学习极光的形状、分布等特征，提高了分类准确率。同时，通过降维生成低维空间上的更具类内紧致性和类间可分性的矩阵，并映射到欧式空间拉伸维为一维特征向量使得处于流形空间的特征能够直接应用欧式空间的分类工具，充分考虑到特征的非线性几何空间结构，进一步提升了分类准确性。
附图说明
17.图1为一个实施例中极光图像自动分类方法的流程示意图。
18.图2为一个实施例中gabor特征的示意图。
19.图3为一个实施例中有监督的spd矩阵黎曼流形学习降维示意图。
20.图4为一个实施例中核函数效果示意图。
21.图5为一个实施例中svm模型多分类流程示意图。
22.图6为一个实施例中极光图像自动分类装置的结构框图。
具体实施方式
23.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并
不用于限定本发明。
24.在一个实施例中，如图1所示提供一种极光图像自动分类方法，包括以下步骤：步骤s101，抽取极光图像的gabor特征和灰度梯度特征。
25.具体的，gabor特征是一种可以用来描述图像纹理信息的特征，可以利用gabor滤波器提取，灰度梯度特征则可以通过计算图像的梯度、强度得到。
26.在一个实施例中，步骤s101包括：利用gabor滤波器对极光图像进行滤波得到图像的gabor特征；基于极光图像在垂直方向和水平方向上的一阶梯度特征、二阶梯度特征和一阶梯度特征的强度，计算极光图像的灰度梯度特征。
27.具体的，极光图像gabor特征的提取主要根据极光图像的特点，设计gabor滤波器的角度、波长和数量后，利用gabor滤波器对极光图像进滤波来得到图像的gabor特征。其中，gabor滤波器组的设计主要包括方向和波长两个参数，本实施例优选设置波长为，等间隔取8个角度，每个角度对应8个波长，生成64个滤波器，每个像素点的gabor滤波值表示为：;其中，和表示方向和方向上的高斯包络的空间常数，是轴方向上的正弦平面波的频率。然后，用生成的gabor滤波器依次对极光图像进行处理，得到滤波值并联立得到gabor特征：;其中，为gabor滤波器组中第个gabor滤波器得到的特征值，gabor特征的示意图如图2所示。
28.极光图像的灰度梯度特征提取则通过分别计算图像在垂直和水平方向上的一阶梯度、二阶梯度和一阶梯度的强度得到。令表示极光图像的灰度特征，为的二维向量，;其中，表示图像灰度特征在位置处的灰度值，梯度特征可以表示为向前差分，则图像在水平方向上的一阶梯度特征为：;图像在垂直方向上的一阶梯度特征为：;利用相同的计算方法，得到图像在垂直方向和水平方向上的二阶梯度特征，。然后利用和计算得到一阶梯度的强度，并将梯度取绝对值，最后得到图像灰度梯度特征，包括一阶梯度、二阶梯度和一阶梯度的强度，计算公式如下：
;其中，表示灰度梯度特征，和表示垂直方向和水平方向上的一阶梯度特征，和表示垂直方向和水平方向上的二阶梯度特征，表示一阶梯度特征的强度。
29.步骤s102，联合极光图像的灰度特征、gabor特征以及灰度梯度特征计算协方差矩阵，利用协方差矩阵构造对称正定矩阵形式的二阶张量特征。
30.具体的，抽取到极光图像gabor特征以及灰度梯度特征之后，联合极光图像的灰度特征构造协方差矩阵（convariance discriptor，covd），再利用协方差矩阵covd构造对称正定矩阵（symmetric positive definite，spd）形式的二阶张量特征。
31.在一个实施例中，联合极光图像的灰度特征、gabor特征以及灰度梯度特征计算协方差矩阵包括：根据灰度特征、gabor特征以及灰度梯度特征确定联合特征后，计算联合特征的均值向量，根据均值向量计算协方差矩阵。
32.具体的，首先计算极光图像特征的均值向量，令表示灰度特征，表示极光图像的gabor特征，是极光图像的灰度梯度特征，得到大小为的联合特征：;然后根据如下公式计算得到特征的均值向量：;其中，表示特征的第个分量，表示抽取的极光图像特征个数，本实施例中。最后利用得到的极光图像特征的均值向量计算极光图像的协方差矩阵covd，计算公式如下：;其中，表示协方差矩阵covd，由于在计算过程中减去了特征均值，所以在一定程度上可以达到抑制噪声的效果，提升模型的识别性能。
33.在一个实施例中，利用协方差矩阵构造对称正定矩阵形式的二阶张量特征，包括：对协方差矩阵进行特征值分解得到特征值矩阵和特征向量；在特征值矩阵中将小于或等于阈值的特征值设置为预设正常数后，进行特征值非负化处理得到新特征值矩阵；根据新特征值矩阵和特征向量构造对称正定矩阵形式的二阶张量特征。
34.具体的，通过构造优化函数将计算得到的covd转化为对称正定矩阵spd形式的二阶张量特征，优化函数表示如下：;其中，矩阵表示covd，为与最相近的spd矩阵形式的二阶张量特征。基于该优化函数，对cocd采用特征值分解，得到特征值和特征向量。对于对称矩阵，特征值分解定义为：;
其中，为对角线为特征值的矩阵，为特征值对应的特征向量。
35.;其中，是covd的特征值，，由计算得到的特征值矩阵，筛选出的特征值并且将其设置为，是一个预先设置的阈值，是预设的一个很小的正常数，进行特征值非负化处理后，得到新特征值矩阵，然后通过重构得到最接近的spd矩阵形式的二阶张量特征：;步骤s103，对二阶张量特征降维后映射到欧式空间并拉伸得到一维特征向量。
36.具体的，在流形上对对称正定矩阵spd形式的二阶张量特征进行距离度量，基于有监督的黎曼流形学习，通过同类别间距最小化、不同类别间距最大化的优化原则，将高维度spd矩阵形式的二阶张量特征映射到低维空间，生成具有更高类内紧致性和类间可分性的特征矩阵。然后，由于降维后的特征处在流形空间，不能直接使用欧氏空间的分类工具如svm，需要将二阶张量特征从流形空间映射到欧氏空间，并利用二阶张量特征的对称性，对特征的对角线和非对角线元素赋予不同权重，将其拉伸为一维向量。
37.在一个实施例中，步骤s103包括：在黎曼流形上利用映射矩阵将二阶张量特征映射到低维空间，得到低维特征矩阵；将低维特征矩阵进行特征分解后，利用对数映射变换到欧式空间并拉伸为一维特征向量。
38.具体的，对于高维度spd形式的二阶张量特征的降维，采取缩小类内间隔、增大类间间隔的原则进行优化。由于欧式空间的距离度量工具不能直接应用于流形空间，因此赋予流形黎曼度量构成黎曼流形，计算特征之间的距离。本实施例优选采用airm度量或stein度量，衡量两个张量特征的相似程度。设原始高维spd形式的二阶张量特征的大小为，令映射矩阵且m＜n，则映射过程实施为：;其中，为原始高维spd形式的二阶张量特征，通过此映射可以得到大小为的spd形式的二阶张量特征，有监督的spd矩阵黎曼流形学习降维示意图如图3所示。
39.然后，对于得到的低维度spd矩阵形式的二阶张量特征，需要将其从流形空间映射变换到欧氏空间。对于流形上的一点，其所有切向量组成的切空间为欧氏空间。因此定义指数映射和对数映射，可将流形上的点及其切空间上进行变换。因此可采用对数映射将流形上的二阶张量特征映射到欧氏空间。首先对低维spd矩阵采用特征值分解：;其中，的对角线为特征值，为特征向量。得到特征值矩阵后，再对矩阵进行对数运算：;
40.通过该公式所提取到的低维度spd矩阵形式的二阶张量特征已经从流形空间映射变换到欧氏空间。最后，利用二阶张量特征的对称性，计算得到特征中独立存在的分量个数为，赋予主对角线元素的权重为1，非主对角线元素的权重为，得到拉伸后的一维
特征向量：;其中，为第个样本最终得到的一维特征向量，表示的分量。
41.在一个实施例中，在黎曼流形上利用映射矩阵将二阶张量特征映射到低维空间，得到低维特征矩阵包括：根据样本的类内紧致性和类间可分性构造损失函数；利用损失函数优化映射矩阵，利用优化后的映射矩阵将二阶张量特征映射到低维空间得到低维矩阵。
42.具体的，本实施例通过进一步对映射矩阵进行优化，利用优化后的映射矩阵将高维度的spd矩阵形式的二阶张量特征映射到低维空间。首先计算拉普拉斯矩阵，拉普拉斯矩阵包含类内紧致性和类间可分性两部分，通过拉普拉斯可以衡量样本之间的相似性。类内紧致性矩阵通过搜索给定范围内的同类别的样本计算，定义为：;其中，表示在大小的范围内，和有着相同类别的样本集合。
43.类间可分性矩阵主要通过搜索给定范围内不同类别样本来进行计算，定义为：;其中，表示在大小的范围内，与类别不同的样本集合。拉普拉斯矩阵a定义为：;然后 构造损失函数，降维的过程遵循类内间距最小化、类间间距最大化的原则，局部损失函数度量了两个样本间的距离：;其中，，表示两个不同的样本，表示两个样本对应的拉普拉斯矩阵的值，是airm度量或stein度量，根据局部损失函数进一步得到全局损失函数，全局损失函数为局部损失函数遍历所有的后得到，定义为：;最后构造映射函数的优化模型，在优化过程中，对映射矩阵施加正交矩阵约束，即，表示的单位矩阵，在grassmann（格拉斯曼）流形上优化。根据得到的全局损失函数，对映射矩阵的优化问题可以表示为：;进而，当损失函数小于阈值或迭代次数达到预设上限后，优化得到的低维度spd矩阵形式的二阶张量特征表示为：;步骤s104，将一维特征向量输入多分类支持向量机模型预测极光图像类别。
[0044] 具体的，将极光图像数据集按照比例划分训练集和测试集，将训练集对应的一维特征向量输入到多分类svm模型（support vector machine，多支持向量机），得到训练好的二分类svm模型后，再将测试集对应的一维特征向量输入到每一个二分类器，预测结果出现次数最多的类别即预测的极光图像类别。其中，二分类器的数量由极光类别数量确定，比如极光一共六个类别，则需要训练15个二分类器。且由于特征维数较多，为了应对维数灾难问题和解决非线性问题，本实施例优选采用polynomial核函数（核函数效果示意图如图4所示）的方法，训练svm分类模型：;其中，和为拉伸后得到的一维特征向量，为指定次多项式。模型训练好之后，将测试集中图像的特征输入每一个二分类器得到一个类别标签，再统计各标签出现的次数，将次数出现最多的标签作为预测的极光图像类别，svm模型多分类流程示意图如图5所示。
[0045]
上述极光图像自动分类方法，通过抽取极光图像的gabor特征和灰度梯度特征等多个图像特征构造对称正定矩阵形式的二阶张量特征，从而能够发掘多个特征间的相关性，融合不同特征，有效地学习极光的形状、分布等特征，提高了分类准确率。同时，通过降维生成低维空间上的更具类内紧致性和类间可分性的矩阵，并映射到欧式空间拉伸维为一维特征向量使得处于流形空间的特征能够直接应用欧式空间的分类工具，充分考虑到特征的非线性几何空间结构，进一步提升了分类准确性。以及使用的是svm传统机器学习方法，计算量远小于深度学习方法，因此计算效率更高，计算时间更短。
[0046]
在一个实施例中，如图6所示，提供一种极光图像自动分类装置，包括：抽取模块601，用于抽取极光图像的gabor特征和灰度梯度特征。
[0047]
构造模块602，用于联合极光图像的灰度特征、gabor特征以及灰度梯度特征计算协方差矩阵，利用协方差矩阵构造对称正定矩阵形式的二阶张量特征。
[0048]
映射模块603，用于对二阶张量特征降维后映射到欧式空间并拉伸得到一维特征向量。
[0049]
预测模块604，用于将一维特征向量输入多分类支持向量机模型预测极光图像类别。
[0050]
关于极光图像自动分类装置的具体限定可以参见上文中对于极光图像自动分类方法的限定，在此不再赘述。上述极光图像自动分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个极光图像自动分类方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
[0051]
在一个实施例中，提供一种计算机设备，该计算机设备可以是服务器，包括处理器，存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机
设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种极光图像自动分类方法。示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器 (digital signal processor，dsp)、专用集成电路 (application specific integrated circuit，asic)、现成可编程门阵列 (field-programmable gate array，fpga) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
[0052]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（smart media card, smc），安全数字（secure digital, sd）卡，闪存卡（flash card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0053]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0054]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种极光图像自动分类方法，其特征在于，包括：抽取极光图像的gabor特征和灰度梯度特征；联合所述极光图像的灰度特征、所述gabor特征以及所述灰度梯度特征计算协方差矩阵，利用所述协方差矩阵构造对称正定矩阵形式的二阶张量特征；对所述二阶张量特征降维后映射到欧式空间并拉伸得到一维特征向量；将所述一维特征向量输入多分类支持向量机模型预测极光图像类别。2.根据权利要求1所述的方法，其特征在于，所述抽取极光图像的gabor特征和灰度梯度特征，包括：利用gabor滤波器对所述极光图像进行滤波得到图像的gabor特征；基于所述极光图像在垂直方向和水平方向上的一阶梯度特征、二阶梯度特征和所述一阶梯度特征的强度，计算所述极光图像的灰度梯度特征，计算公式如下：;其中，表示灰度梯度特征，和表示垂直方向和水平方向上的一阶梯度特征，和表示垂直方向和水平方向上的二阶梯度特征，表示一阶梯度特征的强度。3.根据权利要求1所述的方法，其特征在于，所述联合所述极光图像的灰度特征、所述gabor特征以及所述灰度梯度特征计算协方差矩阵，包括：根据所述灰度特征、所述gabor特征以及所述灰度梯度特征确定联合特征后，计算所述联合特征的均值向量，根据所述均值向量计算协方差矩阵，计算公式如下：;;;其中，表示联合特征；表示灰度特征；表示gabor特征；表示灰度梯度特征；表示均值向量；表示联合特征的第个分量；表示抽取的极光图像特征个数；表示协方差矩阵。4.根据权利要求1所述的方法，其特征在于，所述利用所述协方差矩阵构造对称正定矩阵形式的二阶张量特征，包括：对所述协方差矩阵进行特征值分解得到特征值矩阵和特征向量；在所述特征值矩阵中将小于或等于阈值的特征值设置为预设正常数后进行特征值非负化处理得到新特征值矩阵；根据所述新特征值矩阵和所述特征向量构造对称正定矩阵形式的二阶张量特征，构造函数如下：;其中，表示对称正定矩阵形式的二阶张量特征，为特征向量，为新特征值矩阵。
5.根据权利要求1所述的方法，其特征在于，所述对所述二阶张量特征降维后映射到欧式空间并拉伸得到一维特征向量，包括：在黎曼流形上利用映射矩阵将所述二阶张量特征映射到低维空间，得到低维特征矩阵；将所述低维特征矩阵进行特征分解后，利用对数映射变换到欧式空间并拉伸为一维特征向量。6.根据权利要求5所述的方法，其特征在于，所述在黎曼流形上利用映射矩阵将所述二阶张量特征映射到低维空间，得到低维特征矩阵，包括：根据样本的类内紧致性和类间可分性构造损失函数；利用所述损失函数优化映射矩阵，利用优化后的所述映射矩阵将所述二阶张量特征映射到低维空间得到低维矩阵。7.根据权利要求5所述的方法，其特征在于，所述将所述低维特征矩阵进行特征分解后，利用对数映射变换到欧式空间并拉伸为一维特征向量，运算公式表示如下：;;;其中，表示低维矩阵，为特征向量，为第个样本的一维特征向量，表示的分量。8.一种极光图像自动分类装置，其特征在于，包括：抽取模块，用于抽取极光图像的gabor特征和灰度梯度特征；构造模块，用于联合所述极光图像的灰度特征、所述gabor特征以及所述灰度梯度特征计算协方差矩阵，利用所述协方差矩阵构造对称正定矩阵形式的二阶张量特征；映射模块，用于对所述二阶张量特征降维后映射到欧式空间并拉伸得到一维特征向量；预测模块，用于将所述一维特征向量输入多分类支持向量机模型预测极光图像类别。9.一种计算机设备，包括处理器和存储器，所述存储器存储有计算机程序，其特征在于，所述处理器用于执行所述计算机程序时实现权利要求1-7中任意一项所述的极光图像自动分类方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任意一项所述的极光图像自动分类方法。

技术总结
本发明涉及空间研究中地面观测技术领域，提供了一种极光图像自动分类方法、装置、计算机设备和存储介质，所述方法包括：抽取极光图像的Gabor特征和灰度梯度特征；联合所述极光图像的灰度特征、所述Gabor特征以及所述灰度梯度特征计算协方差矩阵，利用所述协方差矩阵构造对称正定矩阵形式的二阶张量特征；对所述二阶张量特征降维后映射到欧式空间并拉伸得到一维特征向量；将所述一维特征向量输入多分类支持向量机模型预测极光图像类别。采用本方法能够在小样本条件下提升分类准确率。法能够在小样本条件下提升分类准确率。法能够在小样本条件下提升分类准确率。


技术研发人员：胡扬帆 周则明 杨平吕 赵小峰
受保护的技术使用者：中国人民解放军国防科技大学
技术研发日：2023.06.20
技术公布日：2023/8/31