基于可训练COSFIRE滤波器的射电星系分类

射电星系呈现出丰富的多样性特征，并通过多种辐射机制发射射电辐射，使其依据形态学划分为不同类型成为一项复杂挑战。为有效应对该挑战，我们引入一种利用COSFIRE滤波器的射电星系分类创新方法。这些滤波器能够适应图像中原型图案的形状与方向。COSFIRE方法具有可解释、免学习、旋转容忍、高效且不需海量训练集的特点。为评估方法效能，我们在一个含1180个训练样本与404个测试样本的基准射电星系数据集上开展实验。值得注意的是，我们的方法平均准确率达93.36%。该成绩优于当代深度学习模型，且为该数据集上迄今最佳结果。此外，COSFIRE滤波器提供更好计算性能，在相同精度下操作数约比基于DenseNet的竞争方法少$\sim$20$\times$。我们的发现强调了基于COSFIRE滤波器方法在解决射电星系分类相关复杂性上的有效性。本研究通过提供一种超越射电星系观测固有方向挑战的鲁棒方案推进了该领域发展。我们的方法具有通用性，可应用于多种图像分类途径。