基于望远镜图像的旋涡-椭圆星系自动形态分类

星系形态的分类是研究层级结构形成理论的重要步骤。尽管人类专家的视觉分类仍然相当有效和准确，但它无法跟上新兴巡天项目产生的海量数据涌入。已经提出了多种方法来对大量星系进行分类；这些方法包括众包视觉分类，以及自动化和计算方法，例如基于设计的形态统计量和深度学习的机器学习方法。在这项工作中，我们开发了两种新颖的星系形态统计量：下降平均值和下降方差，它们可以从望远镜星系图像中高效提取。我们进一步提出了现有图像统计量集中度、不对称性和团块度的简化版本，这些统计量在星系形态文献中已被广泛使用。我们利用来自斯隆数字巡天的星系图像数据，展示了我们提出的图像统计量在作为随机森林分类器特征时，在准确检测旋涡星系和椭圆星系方面的有效性能。