利用计算机视觉表征暗物质晕

本工作探索了计算机视觉算法在表征不同结构形成模型中形成的暗物质晕方面的能力。我们在一套八个数值模拟中生成了质量最大晕的表面质量密度图，这些模拟均基于相同的初始条件，但实现了不同的引力模型。该套模拟包含一个标准$\Lambda$CDM模型、两种$f(R)$引力的变体、两种Symmetron引力变体以及三种Dvali, Gabadadze and Porrati (DGP)模型。我们使用公开可用的WND-CHARM算法从图的原始像素强度或多种图像变换（包括傅里叶、小波、切比雪夫和边缘变换）中提取2919个图像特征。在丢弃最简并的模型后，我们在区分四种不同引力模型时实现了超过60%的单图分类成功率，同时使用简单的加权邻域距离（WND）来定义我们的分类度量。如果加入额外信息，例如晕质量的粗略估计，该数字可提高到超过70%。我们发现当图像中噪声水平增加时分类成功率急剧下降，但这一趋势可通过平滑含噪数据而大幅减弱。我们发现原始图像或其小波变换的傅里叶变换的Zernike矩是最具描述性的特征，其次是若干变换的基尼系数以及最终由边缘变换预处理的原始像素数据的Haralick和Tamura纹理。所提出的方法具有通用性，不仅适用于修正引力模型的表征，还可用于分类任何在其各自结构的二维形态上表现出差异的模型集合。