郭 敏，尚振宏，強(qiáng)振平，黎敬濤，冼祥貴，楊志鵬

(1.昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院，云南昆明 650500；2.西南林業(yè)大學(xué)大數(shù)據(jù)與智能工程學(xué)院，云南昆明 650224)

日冕物質(zhì)拋射(Coronal Mass Ejection，CME)是等離子體從太陽(yáng)的日冕層噴射到行星際空間的一種動(dòng)態(tài)事件。它在20世紀(jì)70年代早期的天空實(shí)驗(yàn)室(Skylab)任務(wù)中被首次觀測(cè)到，是源自太陽(yáng)的最大和最具活力的爆發(fā)現(xiàn)象，并且可以通過(guò)白光日冕儀在延伸的日冕中觀察到[1]。由于日冕物質(zhì)拋射是一種巨大的磁化等離子體噴發(fā)，因此，它能以高達(dá)每秒數(shù)千千米的速度傳播[2]。鑒于這種爆發(fā)活動(dòng)引發(fā)的太陽(yáng)高能粒子事件和地磁暴會(huì)影響航空安全、衛(wèi)星運(yùn)行、通信系統(tǒng)、電力設(shè)施等，因此有必要對(duì)日冕物質(zhì)拋射進(jìn)行檢測(cè)，為空間天氣預(yù)報(bào)提供預(yù)警信號(hào)，從而采取相應(yīng)的措施以避免不必要的損失[3]。此外，有關(guān)日冕物質(zhì)拋射的統(tǒng)計(jì)信息對(duì)于更好地了解其性質(zhì)也非常重要。日冕物質(zhì)拋射的概念一直比較模糊，這種定義的不明確性導(dǎo)致不同檢測(cè)方法得到的日冕物質(zhì)拋射特征和數(shù)量有所不同。文[4]將日冕物質(zhì)拋射定義為發(fā)生在幾分鐘到幾小時(shí)的時(shí)間尺度上，在日冕視場(chǎng)中出現(xiàn)的新的、離散的、明亮的白光特征。由于日冕物質(zhì)拋射現(xiàn)象與其他太陽(yáng)活動(dòng)有相似的特征，為了對(duì)日冕物質(zhì)拋射的認(rèn)識(shí)更加準(zhǔn)確，文[5]將日冕物質(zhì)拋射的定義修改為：在日冕視場(chǎng)中出現(xiàn)的一種新的，離散的，明亮的白光特征，并具有徑向向外的速度。圖1是空間環(huán)境預(yù)報(bào)中心的SOHO/LASCO C2衛(wèi)星觀測(cè)到的一次日冕物質(zhì)拋射的爆發(fā)過(guò)程。

隨著SOHO，Wind和STEREO等衛(wèi)星的發(fā)射，日冕物質(zhì)拋射的檢測(cè)和識(shí)別成為可能。其中1995年發(fā)射的SOHO衛(wèi)星搭載的LASCO日冕儀可以觀測(cè)到日冕物質(zhì)拋射的發(fā)生過(guò)程，得到日冕物質(zhì)拋射的影像資料，通過(guò)這些資料可以檢測(cè)日冕物質(zhì)拋射的運(yùn)動(dòng)狀態(tài)，進(jìn)而得到日冕物質(zhì)拋射的描述參數(shù)(位置角、角寬度、速度等)。目前，國(guó)內(nèi)外關(guān)于日冕物質(zhì)拋射的檢測(cè)研究已經(jīng)取得很大進(jìn)展，形成了許多日冕物質(zhì)拋射目錄，為以后的進(jìn)一步研究提供了基準(zhǔn)和參考。

為了方便讀者詳細(xì)了解目前日冕物質(zhì)拋射檢測(cè)的研究進(jìn)展，并為相應(yīng)研究提供借鑒，本文梳理了國(guó)內(nèi)外關(guān)于日冕物質(zhì)拋射檢測(cè)的一些方法，給出了具有代表性方法的具體識(shí)別過(guò)程。同時(shí)為了便于讀者理解，本文將目前日冕物質(zhì)拋射檢測(cè)方法分成了兩大類：基于手工識(shí)別的方法和基于自動(dòng)檢測(cè)的方法，同時(shí)又根據(jù)所選取的特征和采用的技術(shù)將自動(dòng)檢測(cè)方法分為4類：基于灰度特征、基于紋理特征、基于光流法和基于學(xué)習(xí)的方法。

1 日冕物質(zhì)拋射的特征

日冕物質(zhì)拋射檢測(cè)實(shí)質(zhì)上是利用人工標(biāo)記或計(jì)算機(jī)自動(dòng)識(shí)別的方法檢測(cè)日冕物質(zhì)拋射事件，從而得到日冕物質(zhì)拋射的特征。常用的日冕物質(zhì)拋射的特征包括速度、張角、發(fā)生規(guī)律等。

1.1 日冕物質(zhì)拋射的速度

日冕物質(zhì)拋射是一種運(yùn)動(dòng)的過(guò)程，其速度是一個(gè)重要的物理特性。由于目前觀測(cè)到的日冕物質(zhì)拋射通常是在天空平面的投影，因此一般情況下，日冕物質(zhì)拋射的速度是指日冕物質(zhì)拋射最快前沿的運(yùn)動(dòng)速度[6]，它由日冕物質(zhì)拋射前沿的“時(shí)間-高度”數(shù)據(jù)經(jīng)過(guò)線性擬合得到。圖2是協(xié)調(diào)數(shù)據(jù)分析研討會(huì)中心(Coordinated Data Analysis Workshop，CDAW①CDAW： https：//cdaw.gsfc.nasa.gov/CME_list/)目錄中2017年7月2日13時(shí)25分42秒發(fā)生的一個(gè)日冕物質(zhì)拋射的時(shí)間-高度圖。日冕物質(zhì)拋射的速度范圍為10～3 500 km/s，一般情況下，速度>1 000 km/s為快速日冕物質(zhì)拋射，速度＜100 km/s為緩慢日冕物質(zhì)拋射[7]。

1.2 日冕物質(zhì)拋射的張角

日冕物質(zhì)拋射的大小一般用張角(角寬度)衡量，張角是日冕物質(zhì)拋射區(qū)域兩個(gè)邊緣所構(gòu)成的角度，在數(shù)值上等于兩邊緣的位置角之差。圖3是CACTus軟件檢測(cè)到的一個(gè)日冕物質(zhì)拋射，其中a，b兩處為某時(shí)刻發(fā)生的日冕物質(zhì)拋射區(qū)域的位置角，張角則為圖中白色實(shí)線中間的角度。日冕物質(zhì)拋射的張角從幾度到360°，360°的日冕物質(zhì)拋射稱為暈狀日冕物質(zhì)拋射，一般情況下，寬度>120°為寬日冕物質(zhì)拋射，寬度＜30°為窄日冕物質(zhì)拋射[7]。

1.3 日冕物質(zhì)拋射與太陽(yáng)黑子數(shù)的關(guān)系

日冕物質(zhì)拋射的發(fā)生規(guī)律與太陽(yáng)黑子活動(dòng)周有關(guān)，在太陽(yáng)活動(dòng)極小年時(shí)為0.5個(gè)/天，在太陽(yáng)活動(dòng)極大年時(shí)為2～6個(gè)/天。圖4為2008年到2017年間協(xié)調(diào)數(shù)據(jù)分析研討會(huì)目錄記錄的日冕物質(zhì)拋射的數(shù)量，圖5中的數(shù)據(jù)來(lái)源于太陽(yáng)黑子指數(shù)和長(zhǎng)期太陽(yáng)觀測(cè)(SILSO②SILSO： http：//sidc.oma.be/silso/home)中近13年太陽(yáng)黑子的數(shù)量，可以看到，在這兩幅圖的重疊時(shí)間段(2008年～2017年)，日冕物質(zhì)拋射的發(fā)生頻率和黑子的基本一致，因此，可以說(shuō)明日冕物質(zhì)拋射的發(fā)生規(guī)律與太陽(yáng)黑子活動(dòng)周有關(guān)。

2 日冕物質(zhì)拋射檢測(cè)方法

十多年來(lái)，研究者們利用多種方法檢測(cè)到日冕物質(zhì)拋射事件及其特征，并且制成了日冕物質(zhì)拋射目錄供科研人員學(xué)習(xí)研究。目前日冕物質(zhì)拋射的檢測(cè)方法主要分為兩大類：

(1)基于手工方法標(biāo)識(shí)日冕物質(zhì)拋射：主要有兩個(gè)著名的目錄：CDAW目錄和海軍研究實(shí)驗(yàn)室(Naval Research Laboratory，NRL)目錄，這種方法主要靠觀測(cè)者每天手動(dòng)記錄數(shù)據(jù)進(jìn)行日冕物質(zhì)拋射的編目，比較耗時(shí)；

(2)基于自動(dòng)方法檢測(cè)日冕物質(zhì)拋射：由于日冕物質(zhì)拋射是一種動(dòng)態(tài)變化的過(guò)程，通常具有明亮的強(qiáng)度特征和復(fù)雜的紋理結(jié)構(gòu)。依據(jù)日冕物質(zhì)拋射檢測(cè)選用的特征及技術(shù)手段將現(xiàn)有的自動(dòng)檢測(cè)方法分為4類進(jìn)行概述和分析，表1是對(duì)日冕物質(zhì)拋射檢測(cè)方法的總結(jié)。

圖2 CDAW目錄中2017年7月2日13時(shí)25分42秒發(fā)生的一個(gè)日冕物質(zhì)拋射的時(shí)間-高度圖Fig.2 The time-height plot of a CME occurring at 13：25：42 on July 2，2017 in the CDAW catalog

圖3 日冕物質(zhì)拋射的角寬度Fig.3 The angular width of a CME

圖4 2008年到2017年間CDAW目錄記錄的日冕物質(zhì)拋射的數(shù)量Fig.4 Number of CMEs recorded between 2008 and 2017 in the CDAW catalog

圖5 近13年太陽(yáng)黑子數(shù)量的變化情況Fig.5 Evolution of sunspot numbers in the past 13 years

2.1 手工識(shí)別目錄與自動(dòng)檢測(cè)目錄的比較

日冕物質(zhì)拋射與耀斑、太陽(yáng)高能粒子、地磁風(fēng)暴等許多現(xiàn)象有關(guān)，因此檢測(cè)日冕物質(zhì)拋射現(xiàn)象并編制事件目錄對(duì)于國(guó)內(nèi)外研究工作者理解這些現(xiàn)象并開展相關(guān)工作非常重要。日冕物質(zhì)拋射目錄是將檢測(cè)到的日冕物質(zhì)拋射事件特征以數(shù)據(jù)和圖表的形式記錄下來(lái)，相關(guān)參數(shù)特征主要包括速度、角寬度、位置角等。根據(jù)上述介紹的日冕物質(zhì)拋射檢測(cè)方法可以得到兩類日冕物質(zhì)拋射目錄：手工識(shí)別目錄和自動(dòng)檢測(cè)目錄，通過(guò)以CDAW目錄和CACTus目錄為代表進(jìn)行特征(速度v和角寬度W)的比較[7]得到這兩類目錄的特點(diǎn)：

(1)識(shí)別狹窄的日冕物質(zhì)拋射(W＜30°)：研究表明，在同一時(shí)期CACTus檢測(cè)到的窄日冕物質(zhì)拋射遠(yuǎn)遠(yuǎn)多于CDAW，主要原因在于CDAW目錄在太陽(yáng)活動(dòng)極大年遺漏了許多窄日冕物質(zhì)拋射。

(2)識(shí)別快速的日冕物質(zhì)拋射(v>1000km/s)：在同一時(shí)期雖然CACTus檢測(cè)到的快速日冕物質(zhì)拋射多于CDAW，但是在檢測(cè)到的32%的真正日冕物質(zhì)拋射中只有6%是快速日冕物質(zhì)拋射。

因此可以得出結(jié)論：手工目錄和自動(dòng)檢測(cè)目錄各有優(yōu)缺點(diǎn)，由于手工目錄是基于人工標(biāo)記的，因此不可避免地遺漏許多狹窄的日冕物質(zhì)拋射；而自動(dòng)檢測(cè)目錄雖然比手工目錄識(shí)別的快速日冕物質(zhì)拋射多，但是準(zhǔn)確率不高。

2.2 手工方法標(biāo)識(shí)日冕物質(zhì)拋射

1971年發(fā)現(xiàn)日冕物質(zhì)拋射現(xiàn)象以來(lái)，已經(jīng)被多種星載儀器觀測(cè)到。自1995年SOHO航天器發(fā)射，日冕物質(zhì)拋射觀測(cè)主要采用LASCO日冕儀。LASCO CME的識(shí)別和編目是一項(xiàng)重要任務(wù)，為進(jìn)一步的科學(xué)研究提供基礎(chǔ)知識(shí)。

NRL目錄由LASCO觀測(cè)員編制，他們查看LASCO日冕圖像的序列并記錄每天發(fā)生的事件。這是一份初步目錄，提供有關(guān)日冕物質(zhì)拋射時(shí)間和大致的位置信息。

CDAW目錄是由美國(guó)宇航局、美國(guó)天主教大學(xué)以及海軍研究實(shí)驗(yàn)室合作，在CDAW數(shù)據(jù)中心生成和維護(hù)。標(biāo)記的每個(gè)日冕物質(zhì)拋射由發(fā)生的日期和時(shí)刻確定，該目錄提供了日冕物質(zhì)拋射屬性的一些測(cè)量值，包括速度和角寬度等，同時(shí)還提供了確定日冕物質(zhì)拋射速度的“時(shí)間-高度”圖。除了得到的數(shù)據(jù)和圖表之外，該目錄還包含由日冕儀得到的日冕物質(zhì)拋射圖像序列，可供用戶下載查看。

由于NRL目錄和CDAW目錄都是觀測(cè)者手工標(biāo)識(shí)的，即使對(duì)于同一觀測(cè)者，識(shí)別能力也不是恒定的。因此，所提供的事件和測(cè)量的參數(shù)受人類主觀因素影響較大，同時(shí)編目過(guò)程也非常耗時(shí)。

表1 日冕物質(zhì)拋射檢測(cè)方法總結(jié)Table 1 Summary of CME detection methods

2.3 自動(dòng)方法檢測(cè)日冕物質(zhì)拋射

傳統(tǒng)的日冕物質(zhì)拋射檢測(cè)方法基于人工觀測(cè)，這種方法效率低，容易受到個(gè)體主觀因素的影響，隨著近年來(lái)自動(dòng)識(shí)別技術(shù)的迅速發(fā)展，出現(xiàn)了很多自動(dòng)檢測(cè)日冕物質(zhì)拋射的算法，為日冕物質(zhì)拋射的檢測(cè)研究提供了新方法。由于日冕物質(zhì)拋射具有不同的形態(tài)、尺度和特征，通常表現(xiàn)為一個(gè)明亮、紋理復(fù)雜的增強(qiáng)結(jié)構(gòu)，尾隨著一個(gè)亮度不足的暗區(qū)域[3]，可以將現(xiàn)有的自動(dòng)檢測(cè)方法分為4類。

2.3.1 基于灰度特征的方法

灰度特征是基于像素點(diǎn)表示圖像亮度的特征，與背景灰度特征不同，日冕物質(zhì)拋射具有更明亮的結(jié)構(gòu)，通常表現(xiàn)為明亮的白光特征，因此通過(guò)提取灰度特征檢測(cè)日冕物質(zhì)拋射是一種很直觀的思路。目前，基于灰度特征檢測(cè)日冕物質(zhì)拋射的方法研究較為成熟，國(guó)內(nèi)外已經(jīng)有不少人利用該方法進(jìn)行日冕物質(zhì)拋射檢測(cè)并且取得了良好的效果。計(jì)算機(jī)輔助跟蹤軟件包(CACTus)和太陽(yáng)能爆發(fā)事件檢測(cè)系統(tǒng)(SEEDS)是其中具有代表性的兩種檢測(cè)方法。

CACTus方法由文[5，8]提出，該方法通過(guò)濾波去噪、極坐標(biāo)變換、幀間差分以及整合LASCO C2和C3圖像完成預(yù)處理。對(duì)不同時(shí)刻t的差分圖像[θ，r]進(jìn)行整合，得到[t，θ，r]數(shù)據(jù)立方體，該立方體沿指定角度θ的切片[t，r]中的一條脊線是一個(gè)日冕物質(zhì)拋射沿指定角度θ上的噴射表現(xiàn)。為了能清楚地看到脊線，將切片圖顏色進(jìn)行反轉(zhuǎn)得到傾斜的暗黑脊線，如圖6。由于霍夫變換[26]是一種圖像處理技術(shù)，它可以從圖像中檢測(cè)出線段，因此霍夫變換被用來(lái)檢測(cè)[t，r]切片中的脊線。同時(shí)霍夫變換檢測(cè)到的脊線是沿一個(gè)角度切片的日冕物質(zhì)拋射，為了得到完整的日冕物質(zhì)拋射，將圖像投影到[v，θ，t]數(shù)據(jù)立方體中，速度v可通過(guò)脊線段長(zhǎng)度計(jì)算得到，此時(shí)日冕物質(zhì)拋射識(shí)別便轉(zhuǎn)換為[v，θ，t]立方體中點(diǎn)的聚類問(wèn)題。由于CACTus認(rèn)為同一個(gè)日冕物質(zhì)拋射沿不同θ方向的徑向速度相似，v方向信息對(duì)聚類貢獻(xiàn)較小，為了降低計(jì)算復(fù)雜度，對(duì)[v，θ，t]沿v方向積分，使得聚類轉(zhuǎn)換到二維空間[θ，t]中進(jìn)行，從而在日冕物質(zhì)拋射概覽圖中得到聚類的位置，該位置為日冕物質(zhì)拋射發(fā)生的起始時(shí)間和角度，垂直方向上聚類的長(zhǎng)度表示日冕物質(zhì)拋射噴發(fā)持續(xù)的時(shí)間。

圖6 時(shí)間-高度圖中檢測(cè)脊線，圖像來(lái)源于BERGHMANS等(2004)[8]Fig.6 Detected ridges in a time-height diagram，image from BERGHMANS et al.(2004)[8]

CACTus軟件第1個(gè)利用自動(dòng)方法實(shí)現(xiàn)日冕物質(zhì)拋射檢測(cè)，相比于人工標(biāo)識(shí)，該方法檢測(cè)速度快，檢測(cè)準(zhǔn)確率高，可以檢測(cè)到CDAW目錄中約75%的日冕物質(zhì)拋射，并且能夠檢測(cè)到CDAW目錄中沒有檢測(cè)到的弱日冕物質(zhì)拋射。目前，CACTus軟件編制了一個(gè)從1996年至今的在線目錄③CACTus： http：//sidc.oma.be/cactus/。

SEEDS方法由文[9-10]提出，檢測(cè)過(guò)程使用基于區(qū)域增長(zhǎng)算法的圖像分割技術(shù)。與CACTus類似，該方法通過(guò)歸一化輸入圖像、濾波去噪、極坐標(biāo)變換完成預(yù)處理。然后將極坐標(biāo)變換得到的[θ，r]圖像序列沿θ方向進(jìn)行投影得到信號(hào)強(qiáng)度曲線，如圖7(a)。接著通過(guò)閾值處理得到日冕物質(zhì)拋射的中心和最亮的部分，即核心角度，同時(shí)對(duì)核心角度利用區(qū)域增長(zhǎng)算法得到整個(gè)日冕物質(zhì)拋射的角寬度。日冕物質(zhì)拋射前沿的確定是通過(guò)將圖像沿r方向進(jìn)行投影得到信號(hào)強(qiáng)度曲線，如圖7(b)，曲線峰值對(duì)應(yīng)于最大高度處，曲線峰值的一半在前沿和后繼處。通過(guò)對(duì)比連續(xù)兩幀圖像，如果后張圖像的前沿和后繼以及兩者之差高于前張圖像時(shí)，表示日冕物質(zhì)拋射是擴(kuò)張的，同時(shí)若前沿溢出視場(chǎng)或者日冕物質(zhì)拋射太暗識(shí)別不出時(shí)，停止追蹤，尋找下一個(gè)日冕物質(zhì)拋射。

在檢測(cè)準(zhǔn)確率上，與CACTus類似，SEEDS能檢測(cè)到CDAW目錄約75%的日冕物質(zhì)拋射。但在檢測(cè)到的日冕物質(zhì)拋射總數(shù)量上，通過(guò)CACTus和SEEDS方法檢測(cè)得到的日冕物質(zhì)拋射數(shù)量是CDAW目錄的兩倍多。同時(shí)SEEDS方法還可以得到日冕物質(zhì)拋射的運(yùn)動(dòng)前沿輪廓，這可以在SEEDS目錄④SEEDS： http：//spaceweather.gmu.edu/seeds/看到。

圖7 (a)沿θ軸的一維投影強(qiáng)度分布圖；(b)沿r軸的一維投影強(qiáng)度分布圖。圖像來(lái)源于OLMEDO等(2008)[9]Fig.7 (a)The intensity profile of the 1D projection along the θ axis； (b)The intensity profile of the 1D projection along the r axis，image from OLMEDO et al.(2008)[9]

除了上述詳細(xì)介紹的兩種方法之外，還有許多基于灰度特征檢測(cè)日冕物質(zhì)拋射的方法。例如文[11]提出了一種基于支持向量機(jī)(Support Vector Machine，SVM)的日冕物質(zhì)拋射檢測(cè)方法，為了將日冕物質(zhì)拋射與其他結(jié)構(gòu)區(qū)分開來(lái)，該算法通過(guò)預(yù)處理產(chǎn)生差分圖像和分割圖像，然后再次利用閾值方法分割預(yù)處理得到的差分圖像和分割圖像，最終的分割結(jié)果是來(lái)自兩個(gè)分割結(jié)果的總和。接著將所有分割區(qū)域視為日冕物質(zhì)拋射候選區(qū)域，通過(guò)設(shè)定閾值將候選區(qū)域分為日冕物質(zhì)拋射區(qū)域和背景，最后在日冕物質(zhì)拋射區(qū)域利用支持向量機(jī)分類器區(qū)分強(qiáng)日冕物質(zhì)拋射和弱日冕物質(zhì)拋射。與其他方法相比，該方法的最大優(yōu)點(diǎn)是能夠?qū)?qiáng)日冕物質(zhì)拋射和大多數(shù)弱日冕物質(zhì)拋射進(jìn)行準(zhǔn)確而快速的檢測(cè)。

與上述3種方法將LASCO圖像轉(zhuǎn)換為差分處理的極坐標(biāo)圖不同，文[12-13]提出的ARTEMIS方法將LASCO C2圖轉(zhuǎn)換為天氣圖。如圖8，天氣圖的橫坐標(biāo)為時(shí)間，表示日冕物質(zhì)拋射的流出時(shí)間，縱坐標(biāo)為緯度，表示日冕物質(zhì)拋射的角度寬度。該算法利用中值濾波器去除噪聲，然后對(duì)天氣圖進(jìn)行閾值處理返回一個(gè)二維掩碼，該掩碼定義了圖像的感興趣區(qū)域。最后通過(guò)引入日冕物質(zhì)拋射特性的先驗(yàn)知識(shí)正確識(shí)別日冕物質(zhì)拋射。算法最終得到一個(gè)ARTEMIS目錄，列出了每個(gè)檢測(cè)到的日冕物質(zhì)拋射事件以及它們的主要參數(shù)。與CDAW目錄比較可以發(fā)現(xiàn)，該方法的優(yōu)點(diǎn)是能夠檢測(cè)到一些小的、微弱的日冕物質(zhì)拋射，與CACTus，SEEDS一樣，檢測(cè)到的日冕物質(zhì)拋射事件多于CDAW目錄。

圖8 將日冕物質(zhì)拋射圖轉(zhuǎn)換為天氣圖，圖像來(lái)源于BOURSIER等(2009)[13]Fig.8 Converting a CME image to a synoptic map，image from BOURSIER et al.(2009)[13]

基于灰度特征的4種方法先對(duì)LASCO圖像預(yù)處理得到極坐標(biāo)圖或天氣圖，再進(jìn)行閾值處理和形態(tài)學(xué)處理提取日冕物質(zhì)拋射特征，最后通過(guò)對(duì)日冕物質(zhì)拋射特征的識(shí)別或跟蹤計(jì)算出日冕物質(zhì)拋射的各種屬性。可以發(fā)現(xiàn)這些方法有一個(gè)共同點(diǎn)，就是都采用了亮度增強(qiáng)的方式突出日冕圖像中的感興趣區(qū)域即日冕物質(zhì)拋射區(qū)域。同時(shí)上述幾種方法在同一時(shí)期的LASCO圖像上檢測(cè)出的日冕物質(zhì)拋射數(shù)量都比CDAW目錄多，但也都不能完全檢測(cè)出CDAW中100%的日冕物質(zhì)拋射，這與自動(dòng)檢測(cè)方法使用的圖像預(yù)處理技術(shù)和檢測(cè)規(guī)則、閾值的選取以及日冕物質(zhì)拋射的不明確定義都有關(guān)系。

2.3.2 基于紋理特征的方法

日冕物質(zhì)拋射不僅具有明顯的亮度結(jié)構(gòu)，而且還有復(fù)雜的紋理結(jié)構(gòu)。對(duì)于一些比較暗但具有明顯紋理結(jié)構(gòu)的日冕物質(zhì)拋射區(qū)域來(lái)說(shuō)，利用紋理特征檢測(cè)是一個(gè)不錯(cuò)的選擇。紋理特征的提取一般需要設(shè)定一定大小、包含多個(gè)像素點(diǎn)的窗口區(qū)域，然后從中取得紋理特征，尤其在檢索具有明顯粗細(xì)、疏密等圖像時(shí)有良好的表現(xiàn)。

文[14]使用小波分析方法對(duì)日冕物質(zhì)拋射進(jìn)行分類，該算法是一種基于頻域分析的方法。通過(guò)在LASCO C2圖像上放置固定像素的窗口(實(shí)驗(yàn)數(shù)據(jù)表明，窗口可以放置在圖像的任意位置)，使用標(biāo)準(zhǔn)快速傅里葉變換算法在窗口上執(zhí)行卷積，同時(shí)使用墨西哥帽作為基函數(shù)獲得窗口區(qū)域的小波譜，得到的小波譜圖橫坐標(biāo)為尺度，縱坐標(biāo)為通量。窗口區(qū)域表示的曲線都有一個(gè)拐點(diǎn)，該點(diǎn)區(qū)分了通量隨尺度變化的速度，通過(guò)計(jì)算每條曲線的二階導(dǎo)數(shù)獲得拐點(diǎn)的尺度(ac)和通量(fc)。如圖9，在ac-fc圖中可以看到小波譜明顯被分為兩組：低通量、小空間尺度組(Homogeneous Group)和高通量、大空間尺度組(Collimated Group)，其中box1和box2表示圖像上的兩個(gè)窗口。將該方法應(yīng)用到更大的日冕物質(zhì)拋射圖像樣本中，通過(guò)在ac-fc圖中繪制拐點(diǎn)的尺度和通量值，將這些點(diǎn)進(jìn)行線性最小二乘擬合，就可以區(qū)分日冕物質(zhì)拋射圖像屬于哪一組。該方法是一種圖像濾波的分析方法，利用頻域的高通和低通特征分類日冕物質(zhì)拋射圖像，可以對(duì)由不同衛(wèi)星獲得的日冕物質(zhì)拋射進(jìn)行直接分類。

圖9 日冕物質(zhì)拋射圖像分類結(jié)果，圖像來(lái)源于GONZ?LEZ-GóMEZ等(2010)[14]Fig.9 Classification results of CMEs images，image from GONZ?LEZ-GóMEZ et al.(2010)[14]

日冕物質(zhì)拋射圖像有多尺度特性，多尺度圖像處理技術(shù)對(duì)增強(qiáng)日冕物質(zhì)拋射前沿的可見性和抑制噪聲有很大作用。由于線段更能反應(yīng)圖像信息，而小波更適合識(shí)別點(diǎn)狀特征，如噪聲或背景恒星，不適合檢測(cè)日冕物質(zhì)拋射特征的線結(jié)構(gòu)，為此文[15]研究了高階多尺度技術(shù)，如脊波和曲線波。與小波變換不同，脊波變換首先進(jìn)行Randon變換，用線參數(shù)取代點(diǎn)參數(shù)，之后進(jìn)行小波變換。該變換能夠有效地表示直線奇異性特征，但是不能很好地表示圖像邊緣曲線。而曲線波變換彌補(bǔ)了脊波變換的不足，該方法能夠最優(yōu)地表示圖像的曲線奇異性特征。小波、脊波和曲線波類似，都采用基函數(shù)與信號(hào)的內(nèi)積實(shí)現(xiàn)信號(hào)的稀疏表示，不同的是脊波和曲線波變換的去噪效果好，同時(shí)能夠較好地表達(dá)圖像邊緣信息。分別利用小波變換和曲線波變換過(guò)濾原始圖像，對(duì)比實(shí)驗(yàn)結(jié)果表明，與小波相比，曲線波變換能夠獲得較好的去噪效果，有效地增強(qiáng)了日冕物質(zhì)拋射圖像的前沿結(jié)構(gòu)。

圖像紋理可以表示為像素灰度值的空間變化的函數(shù)，紋理特征的提取除了利用信號(hào)處理領(lǐng)域的線性多尺度變換方法增強(qiáng)圖像的邊緣信息來(lái)檢測(cè)日冕物質(zhì)拋射前沿結(jié)構(gòu)之外，另一種有效的方法是利用灰度共生矩陣[27]捕獲并表征不同區(qū)域的紋理信息。文[16-17]提出了一種基于灰度共生矩陣的非參數(shù)監(jiān)督的日冕物質(zhì)拋射分割方法[16-17]，稱之為CORSET算法(CORonal Segmentation Technique)，該方法是在有監(jiān)督的區(qū)域競(jìng)爭(zhēng)模型分割方法上的改進(jìn)。區(qū)域競(jìng)爭(zhēng)的目標(biāo)是將圖像分割成多個(gè)區(qū)域，使得每個(gè)區(qū)域中的點(diǎn)具有相似的圖像特征。而將圖像每個(gè)像素的灰度值用作區(qū)域競(jìng)爭(zhēng)方法中的特征向量時(shí)，有監(jiān)督的區(qū)域競(jìng)爭(zhēng)模型分割日冕物質(zhì)拋射存在兩個(gè)問(wèn)題：(1)日冕物質(zhì)拋射區(qū)域和背景的灰度直方圖有重疊；(2)日冕物質(zhì)拋射事件和背景的灰度直方圖不遵循正態(tài)分布，即統(tǒng)計(jì)模型未知。這兩個(gè)問(wèn)題將會(huì)導(dǎo)致分類錯(cuò)誤。針對(duì)第1個(gè)問(wèn)題，為了解決直方圖重疊，新算法利用灰度共生矩陣描述日冕物質(zhì)拋射的紋理信息；針對(duì)第2個(gè)問(wèn)題，使用非參數(shù)模型中的卡方統(tǒng)計(jì)檢驗(yàn)，它可以評(píng)估觀察到的事件是否遵循某個(gè)特定分布。通過(guò)修改區(qū)域競(jìng)爭(zhēng)運(yùn)動(dòng)方程，將卡方檢驗(yàn)和紋理信息引入方程，同時(shí)在圖像分割中，使用快速水平集算法實(shí)現(xiàn)分割曲線的演變。該分割算法首先圍繞C2遮擋盤形成環(huán)狀區(qū)域，如圖10(a)，如果存在日冕物質(zhì)拋射，曲線演變?yōu)槿彰嵛镔|(zhì)拋射輪廓，如圖10(b)～(d)；如果不存在日冕物質(zhì)拋射，輪廓就會(huì)消失，如圖11。為了跟蹤日冕物質(zhì)拋射，使用當(dāng)前圖像的分割結(jié)果作為下一圖像的初始輪廓，并根據(jù)修改的區(qū)域競(jìng)爭(zhēng)運(yùn)動(dòng)方程演變輪廓，如果輪廓消失意味著某個(gè)日冕物質(zhì)拋射事件結(jié)束。該算法使用卡方檢驗(yàn)和灰度共生矩陣，以便正確捕獲在差分圖像中觀察到的日冕物質(zhì)拋射紋理信息，可以檢測(cè)和跟蹤具有不同形狀和強(qiáng)度的日冕物質(zhì)拋射，同時(shí)得到了一個(gè)類似CACTus的日冕物質(zhì)拋射概覽圖。

圖10 日冕物質(zhì)拋射出現(xiàn)時(shí)的輪廓演變，圖像來(lái)源于GOUSSIES等(2010)[17]Fig.10 Contour evolution with a CME，image from GOUSSIES et al.(2010)[17]

圖11 沒有日冕物質(zhì)拋射時(shí)的輪廓演變，圖像來(lái)源于GOUSSIES等(2010)[17]Fig.11 Contour evolution without CMEs，image from GOUSSIES et al.(2010)[17]

雖然CORSET算法提供了日冕物質(zhì)拋射事件的邊界信息，但是沒有對(duì)日冕物質(zhì)拋射參數(shù)進(jìn)行明確的定量評(píng)估，為此，在文[17]的基礎(chǔ)上，文[18]通過(guò)添加幾個(gè)新的功能，即自動(dòng)計(jì)算不同的形態(tài)學(xué)和運(yùn)動(dòng)學(xué)參數(shù)擴(kuò)展CORSET，增強(qiáng)了算法的功能，并將獲得的參數(shù)(中心位置角、角寬度和速度)與現(xiàn)有的手工目錄和自動(dòng)檢測(cè)目錄進(jìn)行比較。

由于日冕物質(zhì)拋射是一種不斷運(yùn)動(dòng)的狀態(tài)，因此可以通過(guò)將日冕物質(zhì)拋射結(jié)構(gòu)與背景區(qū)分開來(lái)進(jìn)行檢測(cè)，目前大多數(shù)研究采用基于差分的方法檢測(cè)圖像的運(yùn)動(dòng)區(qū)域，但是這種數(shù)值差分會(huì)將噪聲增強(qiáng)到與目標(biāo)相當(dāng)?shù)乃剑m然利用中值濾波器會(huì)抑制噪聲，但也會(huì)平滑小型日冕物質(zhì)拋射特征，同時(shí)差分方法還會(huì)引入時(shí)空串?dāng)_的問(wèn)題。為此，文[19]提出了一種反卷積方法，該算法利用歸一化徑向漸變?yōu)V波器[28]將日冕物質(zhì)拋射圖像分離成靜態(tài)的背景結(jié)構(gòu)和動(dòng)態(tài)的日冕物質(zhì)拋射運(yùn)動(dòng)結(jié)構(gòu)，實(shí)驗(yàn)結(jié)果表明，該方法能夠很好地檢測(cè)出弱日冕物質(zhì)拋射。

日冕物質(zhì)拋射區(qū)域與背景以及其他太陽(yáng)結(jié)構(gòu)如冕流等在形態(tài)、紋理等特征上有明顯差異，在視覺上，冕流的頻譜分布相對(duì)均勻，而日冕物質(zhì)拋射區(qū)域的頻譜發(fā)生頻繁突變，為此，文[20]提出了一種基于頻譜突變分析的日冕物質(zhì)拋射識(shí)別方法。該算法與上述多尺度變換方法一樣，也是一種基于頻域分析的方法，算法利用傅里葉變換得到預(yù)處理后的日冕圖像的頻譜圖，分離出非突變和突變信息后，通過(guò)傅里葉反變換得到突變結(jié)構(gòu)在原圖中的對(duì)應(yīng)信息，確定日冕物質(zhì)拋射的初步分離，最后利用局部穩(wěn)定極值區(qū)域檢測(cè)方法確定日冕物質(zhì)拋射區(qū)域的輪廓。由于日冕物質(zhì)拋射區(qū)域輪廓不規(guī)則，因此提出基于區(qū)域協(xié)方差的外接橢圓方法得到角寬度、速度等參數(shù)。由于該方法分析的是圖像的頻譜，因此在識(shí)別多重和晦暗日冕物質(zhì)拋射時(shí)具有良好的效果。

上述日冕物質(zhì)拋射檢測(cè)方法是建立在時(shí)域、頻域以及多尺度分析的基礎(chǔ)上，通過(guò)信號(hào)處理中的小波、脊波和曲波等線性多尺度變換方法，研究圖像的頻譜信息以及利用統(tǒng)計(jì)中的灰度共生矩陣描述紋理特征，該類方法在檢測(cè)弱日冕物質(zhì)拋射以及暗日冕物質(zhì)拋射時(shí)表現(xiàn)良好。

2.3.3 基于光流法

光流是測(cè)量數(shù)字圖像運(yùn)動(dòng)的一種強(qiáng)大的圖像處理工具，它包含圖像中目標(biāo)運(yùn)動(dòng)的信息。光流算法可以從連續(xù)圖像序列中估計(jì)每個(gè)像素的速度矢量，從而形成該圖像的運(yùn)動(dòng)場(chǎng)，可以用來(lái)確定目標(biāo)的運(yùn)動(dòng)情況。

文[21]提出了一種基于光流法的日冕物質(zhì)拋射檢測(cè)和跟蹤算法，對(duì)光流約束方程添加平滑正則化項(xiàng)——馬爾科夫隨機(jī)場(chǎng)。然后將光流的估計(jì)表示為全局優(yōu)化問(wèn)題，為了找到全局最小值，采用多重網(wǎng)格松弛法[29]進(jìn)行求解。將光流估計(jì)方法應(yīng)用于LASCO C2圖像，觀察到1999年到2004年間大約330個(gè)日冕物質(zhì)拋射并進(jìn)行編目，最終對(duì)10個(gè)具有明顯結(jié)構(gòu)的日冕物質(zhì)拋射進(jìn)行分析，推導(dǎo)出它們的速度場(chǎng)，結(jié)果如圖12，上面一行表示輸入圖像，下面一行表示光流結(jié)果，陰影顏色表示速度大小，箭頭方向表示在8×8網(wǎng)格上采樣的速度方向。得到的速度測(cè)量結(jié)果能夠可視化日冕物質(zhì)拋射等離子體的演化。該算法速度非?？?，可以應(yīng)用于所有日冕物質(zhì)拋射圖像，同時(shí)基于光流算法檢測(cè)到的圖像可以很容易地看到日冕物質(zhì)拋射的擴(kuò)展。

圖12 光流法檢測(cè)日冕物質(zhì)拋射的結(jié)果，圖像來(lái)源于COLANINNO等(2006)[21]Fig.12 CMEs detection results from an optical flow method，image from COLANINNO et al.(2006)[21]

與文[21]應(yīng)用全局優(yōu)化的光流算法不同，文[22]提出了一種利用梯度估計(jì)的局部參數(shù)化光流方法檢測(cè)日冕物質(zhì)拋射，通過(guò)Lucas-Kanade算法計(jì)算相鄰兩幀圖像在某一時(shí)段每個(gè)像素點(diǎn)位置的移動(dòng)，即速度矢量。而該光流算法有一定的約束條件，僅適應(yīng)于小的運(yùn)動(dòng)目標(biāo)，當(dāng)目標(biāo)運(yùn)動(dòng)速度較大時(shí)，即幀間運(yùn)動(dòng)較大，算法誤差比較大，因此在運(yùn)動(dòng)分析中引入基于金字塔的多分辨率約束，通過(guò)二次采樣縮小圖像的尺寸，同時(shí)在二次采樣前對(duì)圖像應(yīng)用低通濾波器以減小強(qiáng)度變化對(duì)運(yùn)動(dòng)估計(jì)的影響，提高算法的魯棒性。該方法通過(guò)提出一種可靠運(yùn)動(dòng)區(qū)域的提取策略，得到一個(gè)密集的速度場(chǎng)，并在一系列連續(xù)日冕圖像上進(jìn)行測(cè)試來(lái)檢測(cè)和跟蹤相鄰兩幀圖像之間的運(yùn)動(dòng)信息。

利用光流法檢測(cè)日冕物質(zhì)拋射運(yùn)動(dòng)目標(biāo)的基本思想在于給圖像中的每個(gè)像素點(diǎn)賦予一個(gè)速度矢量，形成一個(gè)矢量場(chǎng)，根據(jù)各個(gè)像素點(diǎn)的速度矢量特征對(duì)圖像進(jìn)行動(dòng)態(tài)分析。如果圖像中沒有運(yùn)動(dòng)目標(biāo)，則光流矢量在整個(gè)圖像區(qū)域是連續(xù)變化的；當(dāng)圖像中有運(yùn)動(dòng)物體時(shí)，目標(biāo)和背景存在相對(duì)運(yùn)動(dòng)，兩者形成的速度矢量必然不一樣，如此便可以計(jì)算出圖像中日冕物質(zhì)拋射的位置。

2.3.4 基于學(xué)習(xí)的方法

傳統(tǒng)的檢測(cè)方法主要通過(guò)人為定義特征或利用設(shè)定簡(jiǎn)單的閾值進(jìn)行處理，并不能很準(zhǔn)確地檢測(cè)日冕物質(zhì)拋射現(xiàn)象，而且日冕物質(zhì)拋射通常具有明亮的結(jié)構(gòu)和豐富的紋理特征，僅使用單一特征識(shí)別日冕物質(zhì)拋射區(qū)域也不夠準(zhǔn)確。隨著近年來(lái)機(jī)器學(xué)習(xí)與深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺與圖像處理中的應(yīng)用越來(lái)越廣泛[30-31]，機(jī)器學(xué)習(xí)中有很多效果良好的分類器被用來(lái)解決各種分類和檢測(cè)問(wèn)題。同時(shí)日冕物質(zhì)拋射檢測(cè)是一個(gè)二分類問(wèn)題，即識(shí)別圖像中是否存在日冕物質(zhì)拋射，因此基于學(xué)習(xí)的方法可應(yīng)用于日冕物質(zhì)拋射檢測(cè)。

由于日冕物質(zhì)拋射在形狀和空間尺度上變化很大，因此僅使用單一分類器是不夠的。在機(jī)器學(xué)習(xí)領(lǐng)域，文[32]提出的AdaBoost算法能夠集成同一個(gè)訓(xùn)練集訓(xùn)練的不同弱分類器，構(gòu)成一個(gè)強(qiáng)分類器，該強(qiáng)分類器的性能超過(guò)集成的任一弱分類器?；贏daBoost，文[23]提出了一種日冕物質(zhì)拋射圖像分類算法，與上述大多數(shù)方法在極坐標(biāo)變換下的圖像中檢測(cè)日冕物質(zhì)拋射不同，該方法直接將扇形區(qū)域的差分圖像分割成塊，并分析圖像中最亮塊的灰度。通過(guò)實(shí)驗(yàn)表明：切片大小、灰度閾值和亮點(diǎn)分?jǐn)?shù)閾值都會(huì)影響檢測(cè)結(jié)果，因此該方法通過(guò)獲得學(xué)習(xí)樣本并為其設(shè)計(jì)分類模型以得到這3種影響因子的最佳參數(shù)組來(lái)設(shè)計(jì)弱分類器。最后使用AdaBoost組合這些弱分類器，得到最終的強(qiáng)分類器。

與文[23]類似，文[25]也認(rèn)為日冕物質(zhì)拋射對(duì)應(yīng)圖像中的最亮塊，因此將日冕物質(zhì)拋射的檢測(cè)建模為差分圖像中最亮塊的分類問(wèn)題，同樣提出了一種基于AdaBoost分類日冕物質(zhì)拋射圖像的算法。不同的是該算法將差分圖像進(jìn)行了極坐標(biāo)變換，提取變換后圖像最亮塊的灰度、紋理和方向梯度直方圖(Histogram of Oriented Gradient，HOG)特征，采用多特征融合的方式構(gòu)造分類器。由于日冕物質(zhì)拋射具有不同的外觀、灰度和紋理特征，因此選擇合適特征和分類器非常重要，而決策樹可以自動(dòng)實(shí)現(xiàn)特征選擇和分類，因而將其設(shè)計(jì)為弱分類器，同時(shí)AdaBoost作為集成分類器可以提高單個(gè)分類器的分類能力。由于集成學(xué)習(xí)的群體智慧和決策樹的特征選擇能力，所提出的基于多特征檢測(cè)算法的集成可以獲得更好的檢測(cè)效果。由于該方法主要考慮最亮塊區(qū)域，而忽略了暗腔區(qū)域及其他類似日冕物質(zhì)拋射的太陽(yáng)結(jié)構(gòu)體，容易漏掉比較微弱的日冕物質(zhì)拋射事件。

針對(duì)分類器收斂速度慢的問(wèn)題，文[24]還提出了一種基于極限學(xué)習(xí)機(jī)[33]的新檢測(cè)算法，該方法通過(guò)幀間差分、極坐標(biāo)變換、濾波去噪完成預(yù)處理。與上述方法類似，同樣基于塊分割圖像的方法，不同的是之前提出的方法是將最亮的部分分割成塊，而該算法是利用固定大小的塊遍歷預(yù)處理后的整個(gè)圖像。塊尺寸的選擇如下：若塊中包含的所有像素的平均灰度值高于指定閾值，該塊被視為亮塊，通過(guò)計(jì)算每個(gè)塊大小下的分類準(zhǔn)確率(正確檢測(cè)樣本與所有樣本之比)選擇最高準(zhǔn)確率的塊尺寸分割圖像。同時(shí)使用灰度和紋理特征組成特征向量并構(gòu)建基于極限學(xué)習(xí)機(jī)的分類器。該方法的優(yōu)點(diǎn)是可以選擇合適的特征，收斂速度快，同時(shí)通過(guò)使用時(shí)空連續(xù)性的決策規(guī)則，可以去除大多數(shù)具有類似日冕物質(zhì)拋射的太陽(yáng)結(jié)構(gòu)體，提高了分類效果。

上述幾種基于機(jī)器學(xué)習(xí)的方法都將圖像中的最亮塊視為日冕物質(zhì)拋射，因此都是對(duì)最亮塊進(jìn)行檢測(cè)和分類，同時(shí)選擇的分類器也各有特點(diǎn)。但是這些方法都是通過(guò)人為定義特征的提取，由于日冕物質(zhì)拋射具有多種特征，人工選擇的特征不一定能得到好的檢測(cè)效果。而深度學(xué)習(xí)具有強(qiáng)大的學(xué)習(xí)能力和特征表達(dá)能力，會(huì)自動(dòng)提取特征進(jìn)行分類。文[3]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)的日冕物質(zhì)拋射檢測(cè)方法，卷積神經(jīng)網(wǎng)絡(luò)采用有監(jiān)督的學(xué)習(xí)方式，使用海量具有標(biāo)簽的訓(xùn)練樣本，結(jié)合反向傳播算法更新權(quán)重，訓(xùn)練出一個(gè)具有分類能力的網(wǎng)絡(luò)。該方法自動(dòng)提取適應(yīng)于日冕物質(zhì)拋射檢測(cè)的圖像特征并建立檢測(cè)模型，網(wǎng)絡(luò)結(jié)構(gòu)采用包含卷積層、池化層和全連接層的六層卷積神經(jīng)網(wǎng)絡(luò)。為了網(wǎng)絡(luò)模型能夠在訓(xùn)練階段學(xué)習(xí)到較好的參數(shù)進(jìn)行分類任務(wù)，訓(xùn)練采用明顯的日冕物質(zhì)拋射圖像數(shù)據(jù)集。同時(shí)以此參數(shù)為基準(zhǔn)在微調(diào)階段采用微弱的日冕物質(zhì)拋射數(shù)據(jù)集進(jìn)行參數(shù)調(diào)優(yōu)，使得網(wǎng)絡(luò)模型能獲得較好的分類效果。相較于以往的檢測(cè)方法，基于卷積神經(jīng)網(wǎng)絡(luò)的分類方法在圖形處理器模式下圖像處理效率遠(yuǎn)勝于其他算法，實(shí)時(shí)性好。

目前基于學(xué)習(xí)方法檢測(cè)日冕物質(zhì)拋射的研究還不多，文獻(xiàn)也很少，與上述傳統(tǒng)方法相比，該類方法分類效果好，檢測(cè)準(zhǔn)確率高，因此，可以將此方法作為未來(lái)日冕物質(zhì)拋射檢測(cè)的一個(gè)重要研究方向。

3 總結(jié)與展望

日冕物質(zhì)拋射是一種劇烈的太陽(yáng)爆發(fā)活動(dòng)，噴發(fā)出的物質(zhì)攜帶巨大的能量，從而引起地球空間環(huán)境的強(qiáng)烈擾動(dòng)，可能對(duì)通訊、導(dǎo)航、航天器等高技術(shù)系統(tǒng)造成災(zāi)害性影響，因此，日冕物質(zhì)拋射的檢測(cè)對(duì)預(yù)防這些災(zāi)害性空間天氣具有非常重要的作用。

目前雖然已經(jīng)有很多方法應(yīng)用到日冕物質(zhì)拋射的檢測(cè)領(lǐng)域，使得日冕物質(zhì)拋射的檢測(cè)研究取得了很大進(jìn)展，但這仍然是一個(gè)具有挑戰(zhàn)性的問(wèn)題。(1)日冕物質(zhì)拋射具有不同的尺度、大小和形狀，這使得難以選擇適當(dāng)?shù)奶卣鱽?lái)檢測(cè)所有日冕物質(zhì)拋射；(2)日冕物質(zhì)拋射在噴射過(guò)程中伴隨一些與其結(jié)構(gòu)非常相似的干擾源，因此很難將日冕物質(zhì)拋射與這些結(jié)構(gòu)區(qū)分；(3)對(duì)于一些小的、弱的日冕物質(zhì)拋射，通常會(huì)發(fā)生誤檢與漏檢。

隨著近年來(lái)機(jī)器學(xué)習(xí)技術(shù)在圖像處理與機(jī)器視覺領(lǐng)域獲得巨大成功，可以利用機(jī)器學(xué)習(xí)技術(shù)替代簡(jiǎn)單的閾值分割技術(shù)提高日冕物質(zhì)拋射檢測(cè)效果。同時(shí)深度神經(jīng)網(wǎng)絡(luò)可以自動(dòng)提取合適的特征，在語(yǔ)音識(shí)別、圖像處理等方面都取得了良好的效果。另外，現(xiàn)階段大數(shù)據(jù)和高性能計(jì)算設(shè)備為深度學(xué)習(xí)在日冕物質(zhì)拋射檢測(cè)中的應(yīng)用提供了條件。后續(xù)日冕物質(zhì)拋射檢測(cè)的主要研究方向可以從以下幾方面開展：

(1)繼續(xù)利用機(jī)器學(xué)習(xí)的方法選擇合適的特征以及分類器，進(jìn)一步提高日冕物質(zhì)拋射的分類效果；

(2)由于日冕物質(zhì)拋射的爆發(fā)是一個(gè)動(dòng)態(tài)過(guò)程，可以將基于深度學(xué)習(xí)的運(yùn)動(dòng)目標(biāo)檢測(cè)方法應(yīng)用于該檢測(cè)；

(3)可以認(rèn)為日冕物質(zhì)拋射的檢測(cè)是分離日冕圖像中前景運(yùn)動(dòng)目標(biāo)的過(guò)程，因此可以將基于深度學(xué)習(xí)的前景檢測(cè)與背景減除方法應(yīng)用于該檢測(cè)。

利用基于深度學(xué)習(xí)方法的一個(gè)難點(diǎn)和重點(diǎn)在于數(shù)據(jù)集的制作，手工標(biāo)記需要大量的人力與時(shí)間，同時(shí)對(duì)一些弱、小的日冕物質(zhì)拋射標(biāo)記時(shí)可能會(huì)有誤差和歧義，還需要不斷地深入研究。

總而言之，隨著人工智能技術(shù)的發(fā)展和進(jìn)步，面向大數(shù)據(jù)分析和挖掘的各類基于學(xué)習(xí)的技術(shù)在太陽(yáng)物理學(xué)研究和應(yīng)用中，將有更為廣泛的應(yīng)用空間和前景。因此，基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等技術(shù)可以很好地應(yīng)用到日冕物質(zhì)拋射的檢測(cè)上，有望得到更快速、更準(zhǔn)確的檢測(cè)結(jié)果。