Segmentation and Detection of Extended Structures in Low Frequency Astronomical Surveys using Hybrid Wavelet Decomposition
Notice bibliographique
Résumé
The morphological complexity of extended real structures (such as SNRs, HII regions, bow shocks, etc.), and their wide variety in scale and surface brightness make their automatic detection and segmentation in large surveys a difficult task. We propose in this paper a segmentation method based on applying wavelet decomposition in the residual thresholded images. This strategy avoids the artifacts produced by strong sources in a straight wavelet decomposition. Our method successfully segments extended structures at different scales and therefore is suitable for further morphological analysis and object recognition processes. Results using images from radio and infrared wavelengths surveys show the validity of our approach. 1. Motivation and Objectives Large surveys reveal thousands of low spatial frequency objects, shown at different intensity scales. When imaging rich areas in the interstellar medium, many of the compact sources overlap with objects associated to extended, morphologically complex real structures, such as SNRs, HII regions, bow shocks, etc. The wide variety in spacial scale and surface brightness of these objects make their automatic detection and segmentation a difficult task. To illustrate these facts, we use in this paper the image corresponding to the high galactic longitude end of the Phase I Canadian Galactic Plane Survey (CGPS hereafter, see Taylor et al. 2003). Figure 1 shows, on the top, the image composition corresponding to mosaics V1, V2, W1, W2, X1, X2, Y1 and Y2 of the CGPS 1420 MHz, continuum. We have eliminated 0.1% of the intensity outliers in order to visualize some dozens of sources. Nevertheless, the data corresponding to these mosaics contain thousands of objects, as it is illustrated when we display the sub-image contained in the red square at different intensity scales. On the bottom left of the figure we show the sub-image with 2% of the outliers eliminated, whereas on the right 5% of them have been removed. In addition to a great number of compact sources, several extended structures and their surrounding emission have appeared (the zoomed area contains Lynds Bright Nebula 679). In previous work we focused our attention on the performance of techniques suitable for the detection of faint compact objects (see for example Peracaula et al. 2008). In the present work we focus on the automatic detection of extended and irregular structures for further cataloguing and morphological analysis. In this context, wavelet image decomposition has been proven as a tool that can detect and separate objects represented at different spatial frequencies. However, the high dynamic range in intensity of this kind of image diminishes the performance
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».