📄Работа №74963
Тема: АНАЛИЗ ДВУМЕРНЫХ АСТРОНОМИЧЕСКИХ ИЗОБРАЖЕНИЙ МЕТОДАМИ ФУРЬЕ И ВЕЙВЛЕТ АНАЛИЗА
Тип работы
Дипломные работы, ВКР
Предмет
физика
Объем:
83 листов
Год:
2016
Просмотров:
248
4870
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение
1 Основные преобразования и соотношения 7
1.1 Пространственная фильтрация 8
1.1.1 Сглаживающие пространственные фильтры 9
2 Частотная фильтрация 11
2.1 Дискретное преобразование Фурье 11
2.2 Вейвлет преобразование 15
2.2.1 Общие понятия вейвлет анализа 16
2.2.2 Кратномасштабный анализ 16
2.2.3 Дискретное вейвлет преобразование 19
2.2.4 Двумерный КМА 21
2.2.5 Альтернативные алгоритмы вейвлет преобразований 22
3 Trous-вейвлет преобразование 23
3.1 Trous-вейвлет алгоритм 23
3.2 Одномерные многоуровневые преобразования 27
3.3 Двумерные многоуровневые преобразования 31
4 Многоуровневая обработка астрономических снимков 35
4.1 Модель сигнал-шум 35
4.1.1 Soft and hard thresholding 36
4.1.2 3a-clipping и винеровская фильтрация 37
5 Многоуровневое представление данных
5.1 Описание многоуровневой модели 41
5.2 Поиск объектов и структур 43
5.3 Алгоритм поиска объектов 44
5.4 SExtractor 45
5.4.1 Поиск рассеянных структур и скоплений 48
5.4.2 Проблемы выделения звезд и скоплений 49
6 Поиск звездных скоплений в М33 52
6.1 Luminous blue variable 52
6.2 Выбор исходных данных 54
6.3 Определение параметров групп звезд 55
6.4 Идентификация объектов 57
Заключение
Литература
Приложение
1 Основные преобразования и соотношения 7
1.1 Пространственная фильтрация 8
1.1.1 Сглаживающие пространственные фильтры 9
2 Частотная фильтрация 11
2.1 Дискретное преобразование Фурье 11
2.2 Вейвлет преобразование 15
2.2.1 Общие понятия вейвлет анализа 16
2.2.2 Кратномасштабный анализ 16
2.2.3 Дискретное вейвлет преобразование 19
2.2.4 Двумерный КМА 21
2.2.5 Альтернативные алгоритмы вейвлет преобразований 22
3 Trous-вейвлет преобразование 23
3.1 Trous-вейвлет алгоритм 23
3.2 Одномерные многоуровневые преобразования 27
3.3 Двумерные многоуровневые преобразования 31
4 Многоуровневая обработка астрономических снимков 35
4.1 Модель сигнал-шум 35
4.1.1 Soft and hard thresholding 36
4.1.2 3a-clipping и винеровская фильтрация 37
5 Многоуровневое представление данных
5.1 Описание многоуровневой модели 41
5.2 Поиск объектов и структур 43
5.3 Алгоритм поиска объектов 44
5.4 SExtractor 45
5.4.1 Поиск рассеянных структур и скоплений 48
5.4.2 Проблемы выделения звезд и скоплений 49
6 Поиск звездных скоплений в М33 52
6.1 Luminous blue variable 52
6.2 Выбор исходных данных 54
6.3 Определение параметров групп звезд 55
6.4 Идентификация объектов 57
Заключение
Литература
Приложение
📖 Введение
Обработка и анализ данных становятся все более значимыми в астрономии. Это можно объяснить эволюцией приемников излучения - в наше время размеры ПЗС матриц могут достигать 16000 х 16000 пикселей и более. Следствием этого является огромное количество получаемой информации, которую невозможно обрабатывать вручную. Поэтому нужны методы и алгоритмы, позволяющие автоматически обрабатывать полученные данные.
Большую часть данных получают из снимков, о них и пойдет речь в этой работе. Чаще всего изображения сильно зашумлены, объекты в низ¬ком разрешении на них сложно идентифицировать, присутствует эффект проекции на снимке, особенно в переполненных звездами полях, что осложняет классификацию. Для того, чтобы извлечь информацию о каждом объекте, применяют методы математической обработки снимков, начиная от простых преобразований, например, матричной свертки, до сложных де¬композиций изображений при помощи вейвлет преобразований. Это позволяет анализировать снимок на разных масштабах, составлять многоуровневое представление объекта - выделить самые мелкие и более крупные образования. Этот подход является очень сильным инструментом в анализе данных.
В работе ставилась цель выделить характеристики скоплений, связанных с LBV, путем обработки снимков, идентифицировать аналогичные объекты на всем изображении. Решение этой задачи можно разделить на три этапа:
• Анализ и сбор данных - первичная редукция
• Обработка снимков - математическая обработка,например, очистка от шума, выделение исследуемых объектов, фильтрация изображения
• Выделение необходимых критериев для идентификации скоплений, классификация объектов на снимке
Большую часть данных получают из снимков, о них и пойдет речь в этой работе. Чаще всего изображения сильно зашумлены, объекты в низ¬ком разрешении на них сложно идентифицировать, присутствует эффект проекции на снимке, особенно в переполненных звездами полях, что осложняет классификацию. Для того, чтобы извлечь информацию о каждом объекте, применяют методы математической обработки снимков, начиная от простых преобразований, например, матричной свертки, до сложных де¬композиций изображений при помощи вейвлет преобразований. Это позволяет анализировать снимок на разных масштабах, составлять многоуровневое представление объекта - выделить самые мелкие и более крупные образования. Этот подход является очень сильным инструментом в анализе данных.
В работе ставилась цель выделить характеристики скоплений, связанных с LBV, путем обработки снимков, идентифицировать аналогичные объекты на всем изображении. Решение этой задачи можно разделить на три этапа:
• Анализ и сбор данных - первичная редукция
• Обработка снимков - математическая обработка,например, очистка от шума, выделение исследуемых объектов, фильтрация изображения
• Выделение необходимых критериев для идентификации скоплений, классификация объектов на снимке
✅ Заключение
В работе были изложены основные методы обработки астрономических снимков при помощи пространственных и адаптивных фильтров,пороговой обработки, Фурье и вейвлет-анализа.
В первой части диплома на примерах показано преимущество многоуровневых преобразований над стандартными методами фильтрации изображений (например, Фурье). Далее представлен алгоритм trous-вейвлет преобразования, алгоритм и его отладка на модельных решениях — одно¬мерных, двумерных(гауссов шум) и реальных данных (спектр NGC 4395, снимки NGC 2997, NGC 5194).
Во второй части работы изложены алгоритмы, используемые в современном астрономическом программном обеспечении, например 3a-clipping или пороговая обработка(hard-thresholding), а так же их адаптация в рамках многоуровневой модели. Такой подход к фильтрации показал очень хорошие результаты, что показано в Гл.4.
Далее в рамках многоуровневой модели был представлен алгоритм поиска объектов на снимках, а так же примеры использования ПО(SExtractor) с аналогичным подходом, который был улучшен в некоторых случаях с по¬мощью представленных преобразований (например, при поиске объектов в переполненных звездами областях).
В последней главе представленные инструменты были использованы для поиска молодых звездных образований в галактике М33. Статистически доказана связь LBV-звезд с найденными скоплениями.
В первой части диплома на примерах показано преимущество многоуровневых преобразований над стандартными методами фильтрации изображений (например, Фурье). Далее представлен алгоритм trous-вейвлет преобразования, алгоритм и его отладка на модельных решениях — одно¬мерных, двумерных(гауссов шум) и реальных данных (спектр NGC 4395, снимки NGC 2997, NGC 5194).
Во второй части работы изложены алгоритмы, используемые в современном астрономическом программном обеспечении, например 3a-clipping или пороговая обработка(hard-thresholding), а так же их адаптация в рамках многоуровневой модели. Такой подход к фильтрации показал очень хорошие результаты, что показано в Гл.4.
Далее в рамках многоуровневой модели был представлен алгоритм поиска объектов на снимках, а так же примеры использования ПО(SExtractor) с аналогичным подходом, который был улучшен в некоторых случаях с по¬мощью представленных преобразований (например, при поиске объектов в переполненных звездами областях).
В последней главе представленные инструменты были использованы для поиска молодых звездных образований в галактике М33. Статистически доказана связь LBV-звезд с найденными скоплениями.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.