[工程科技]圈特征提取在激光快速点火中的应用.pdf

摘 要 摘 要 在对大规模科学数据进行处理时，往往会因为其具有规模大、特征复杂的特点， 使得在理解、分析这些科学数据的时候，获取知识变得十分困难，因此针对大规 模的科学数据进行知识挖掘势在必行。本项目主要研究如何从大规模的科学数据 中提取出模式.本文研究的数据为通过fared-p程序模拟后得到的模拟数据，该数 据反映了激光在等离子体传播过程中的能量变化情况。由于该研究建立在物理背 景基础上，再加上数据本身的新颖性，给研究带来了极大的困难。经过广泛阅读 文献，查阅资料最终确定了提取圈特征为主要手段的研究思路。 本文针对的数据是分时间步分布的，每个时间步在横向切片上呈现环状分布， 不同的环代表了不同的能量值。那么也就有了将环带作为表征数据的特征的想法， 圈特征提取算法在这种情况下应运而生。圈特征提取算法是将各个切片包含的环 带数量作为对应切片的特征，最终将整个时间步包含的所有切片的特征组合在一 起就成了圈特征。圈特征提取算法共包括了数据预处理、边缘提取、边缘细化、 封闭曲线识别这四个部分。每一个部分都包含了自己独立的技术，但只有组合在 一起才构成本文所提出的圈特征提取算法。通过圈特征提取算法的提出，为分析 从大规模数值模拟数据中提取有价值的信息提供了有效的新方法。 数据预处理部分作为整个算法的第一部分，起到去除噪声的功能，为进一步 的数据处理奠定了基础。边界提取部分为将环带边界信息从切片中提取出来，这 是整个算法很关键的一步。接下来在边缘细化算法部分本文采用了一种改进的申 行化的边缘骨架提取算法，通过这种改进的细化算法能够解决长竖的识别问题， 很好的对项目数据进行细化处理。最后在封闭曲线识别阶段采用了一种改进的自 适应Hough变换对圆进行识别，该自适应Hough变换不但极大降低了Hough变换 在圆识别中的时间和空间的消耗，同时也通过自适应技术极大的降低了噪声点对 圆识别过程的影响，提高了识别精度，取得了很好的识别效果。 关键词:数据预处理，特征提取，边缘提取，边缘细化，自适应Hough变换 Abstract Theresearchdataisobtainedfromlaredpsimulation,whichreflectthelaser energyvariationintheprocessoftransmissioninplasmamass.Sincetheresearchis establishedoncomplexphysicsbackgroun氏coupledwiththeinnovativenatureofthe dataitself,itisaquitedifficultresearchdomain.Afterreadinglotsofliteratures,a imagefeatureextractalgorithmisproposedaboutthecircleintheimage. Thesimulationdataissavedbyatimeserieswhichcanbedividedintomany time-steps.Eachstepcanbevisiualizedbyimage.玩thehorizontalsectionsimageshow manydistributioncircles,anddifferentcirclesmeandifferentenergy.Undersuch circumstancescirclefeatureextractionalgorithmemerged.Thisalgorithmcontainsfour parts:datapre-processing,edgeextracting,edgethinning,circlerecognition.Eachpart ocntainsitsownindependenttechnology,Butonlytogetherconstitutethecirclefeature extractionalgorithm.Numericalsimulationofalarge-scaleanalysisofthedata extractedfromthevaluableinformationprovidedaneffectivenewapproachthrough circlefeatureex