游江川

（昆明理工大学 信息工程与自动化学院，云南 昆明 650500）

0 引 言

随着望远镜和计算机的快速发展，大量的天文观测数据产生，人们对太阳活动特征也越来越感兴趣。太阳活动中的耀斑、日冕物质抛射（Coronal Mass Ejection，CME）及日珥的形成与太阳暗条密切相关，因此暗条的形成和运动是用来解释太阳上许多其他现象的重要因素。太阳暗条是由较冷、较高密度的客体形成的长薄形结构，位于磁场极性反转线上，比周围寒冷，因此当以太阳日面为背景时，它们通常呈现暗黑色。当沿着太阳轮廓分布时，太阳暗条可形成令人眼花缭乱的突起结构，此时又被称为日珥。暗条和许多人类领域息息相关，比如无线电短波通信、磁暴、极光现象、地球自然环境以及自然灾害等，基于此，太阳暗条的自动检测是一项非常重要的任务。

多年来，许多学者已经提出了较多检测太阳暗条的方法，但其中大多数是基于传统图像处理的方法。本文提出一种可靠的方法，使用改进的U-Net来识别Hα全日面太阳图像的暗条。首次用于生物医学图像分割的U-Net[1]在本文中是研究太阳物理学中暗条分割的一种新方法。本文通过此新的方法可以在带噪声的图像中更准确地识别出暗条位置。

1 改进的U-Net网络

本节将介绍语义分割提出的全卷积网络（Fully Convolutional Network，FCN），之后展示改进的U-Net网络架构。其中，在网络中添加了几个dropout层以使其能够完成关于暗条识别的任务。此外，还采用了插值方法代替反卷积以减少训练时间。……