综述：EUV图像中的太阳日冕环检测：计算方法、数据集限制及未解问题

《Astronomy and Computing》：Solar coronal loop detection in EUV images: Computational methods, dataset limitations, and open problems

　　•关于自动检测太阳日冕环方法的半系统综述。•涵盖了基于几何学、深度学习以及模拟的检测方法。•目前尚无已发表的方法能够生成适用于3D建模的中心线坐标。•用于监督学习的规模化标注数据集仍不可用。•STEREO立体观测数据被认为是一种未被充分利用的评估资源。

引言
太阳日冕的温度可超过一百万开尔文，这一事实早在早期的光谱观测中就已确定，至今仍是太阳物理学中尚未解决的核心问题之一（Aschwanden, 2005）。在如此高的温度下，日冕等离子体完全电离，并与磁场紧密耦合，被限制在光球层中的磁通管内。当这些磁通管内的等离子体比周围区域更热、密度更高时，它们会在X射线和极紫外波段（10–121纳米）的图像中呈现为明亮的拱形结构，其中温度在1到1.5百万开尔文之间的等离子体发出的辐射最为强烈（Aschwanden, 2005; Reale, 2014）。这类结构被称为日冕环，它们反映了日冕磁场的拓扑结构，对于理解能量传输、日冕加热以及太阳耀斑和日冕物质抛射等爆发性事件的起始机制具有关键意义（Wiegelmann and Solanki, 2012）。

目前，利用现有仪器无法以常规频率直接测量日冕磁场。因此，人们通常通过磁场外推方法，从光球层的磁图出发来推断日冕磁场，这些方法包括势场源表面模型、线性无磁场模型、非线性无磁场模型以及磁流体静力模型。不过，这些模型都存在不同程度的不确定性。输入磁图数据中的噪声，以及“无磁场日冕”这一并不普遍成立的假设，都会导致外推得到的磁场线与实际在极紫外图像中观察到的日冕环结构之间存在系统性差异（Warren et al., 2018; Chifu et al., 2015）。为降低这种不确定性，一种成熟的策略是将通过观测重建得到的3D日冕环几何结构直接作为约束条件纳入外推过程，Chifu等人（2015）已证明了这一方法的有效性，随后Chifu等人（2017）对其进行了进一步拓展。因此，日冕环输入数据的几何精度会直接影响最终磁场模型的质量。在相关的太阳建模任务中，机器学习也展现出了巨大潜力，例如通过循环神经网络和基于物理原理的神经网络来提升太阳风预报的准确性（Barros et al., 2024; Costa et al., 2024），这表明数据驱动方法可以补充而非替代对太阳大气的物理建模。

获取三维日冕环几何结构的传统方法是立体重建，该方法通过来自至少两个相距足够远的观测点的同步极紫外图像，利用三角测量法确定日冕环的位置（Chifu et al., 2015; Aschwanden et al., 2015; Inhester et al., 2008）。2006年发射的STEREO任务通过将两颗航天器置于逐渐远离地球视角的日心轨道上，实现了此类观测（Kaiser et al., 2008）。2016年，其中一颗航天器与地面失去了联系，此后，三维重建工作不得不依靠将剩余的STEREO航天器的数据与其他太阳观测站的数据相结合，这些观测站包括SOHO（Domingo et al., 1995）、Solar Orbiter（Müller et al., 2020）以及SDO（Pesnell et al., 2012）。这种方法本质上仅适用于那些具备合适多视角观测条件的时期。相比之下，太阳动力学天文台自2010年以来一直从单一观测点持续对太阳进行极紫外波段的观测，所积累的观测数据已覆盖15多年的太阳活动情况，每天的数据量超过1.5太字节（Pesnell et al., 2012; Lemen et al., 2012）。为了能够系统地利用这些数据开展磁场建模工作，就需要开发出仅凭单视角的二维图像就能推断出三维日冕环几何结构的方法。

Chifu和Gafeira（2021）为实现这一目标提供了一种有前景的途径，他们证明，通过在基于NLFFF模型外推生成的合成日冕环数据上训练卷积神经网络，就可以从二维投影中重建出三维日冕环坐标，其在真实太阳观测数据上的重建准确率可超过94%。不过，将该方法应用于实际观测数据时存在一个关键限制：必须先获得二维形式的日冕环投影作为输入，也就是说，检测和追踪步骤假定已经完成，无论是通过人工操作还是半自动化工具。这就使得整个流程的瓶颈集中在如何从极紫外图像中自动检测出二维日冕环这一上游问题上。图1展示了将极紫外日冕环作为约束条件用于日冕磁场建模时的典型流程。在这一流程中，二维日冕环检测阶段是至关重要的部分，因此有必要对现有的检测方法进行彻底梳理，或许还需要开发出新的检测技术。除了磁场建模之外，自动检测日冕环还可用于更广泛的日冕物理学研究领域。准确的日冕环识别有助于为波动和振荡研究设置自动强度阈值（Belov et al., 2025），也有助于追踪太阳耀斑相关的日冕环结构，以及统计分析整个太阳活动周期内日冕环的数量分布，而目前这些工作大多仍依赖人工或半自动化的识别方法。

实际上，自动检测日冕环远比看上去要困难得多。日冕等离子体属于光学薄介质，这意味着每个像素点记录的强度实际上是沿整个日冕视线方向的辐射强度总和，而非某个特定表面结构的反射强度（Aschwanden, 2005）。正因如此，日冕环之间并不会相互遮挡，而是会在强度上相互叠加，而且它们还嵌入在由未分辨的等离子体产生的漫射背景辐射中，这使得局部对比度显著降低，尤其是在太阳活动较弱的区域。基于脊线检测和方向过滤的传统方法，以OCCULT-2算法及其改进版本为代表（Aschwanden et al., 2013; Song et al., 2019; Shang et al., 2024），虽然能够可靠地识别出孤立的明亮结构，但需要人工调整参数，而且在太阳活动强烈的区域或信噪比较低的条件下，其识别效果会迅速下降。近年来，基于U-Net架构（Moradi et al., 2021）和多尺度卷积网络（Wang et al., 2024）的深度学习方法在一定程度上提升了噪声抑制能力，但大多数这类方法只能生成二值的像素掩码，而无法产生三维重建算法所需的有序中心线坐标序列。在从分割掩码转换为骨架结构的过程中，结构的拓扑关系往往会被丢失，原本连续的日冕环会被分割成多个不相连的片段（Mosinska et al., 2018）。

这一领域面临的另一个特定障碍是缺乏大规模的标注训练数据。像ImageNet这样的自然图像基准数据集包含了数百万个带有标签的样本，但针对日冕环的类似数据集却不存在。人工标注需要大量的专家投入，目前已有文献中报道的经过标注的日冕环数量最多也只有几百个，远远不足以用来训练现代深度学习模型。正是由于数据短缺的问题，人们开始考虑两种解决方案：一是借鉴其他成像领域，尤其是医学成像领域中发展起来的曲线结构检测方法，因为在医学成像中，血管追踪技术已经推动了相关方法论的极大进步（Ronneberger et al., 2015; Frangi et al., 1998）；二是采用类似Chifu和Gafeira（2021）所用的方法，通过基于物理原理的合成数据来生成训练标签，从而避免人工标注的需要。

尽管相关研究文献不断增加，但目前还没有任何综述全面涵盖日冕环检测方法的所有方面。早期的研究比较了五种数值化的日冕环追踪代码（Aschwanden et al., 2008），但那是在深度学习时代之前进行的比较，且仅涉及几何学方法。Asensio Ramos等人（2023）对太阳物理学中机器学习应用的综述也将日冕环检测视为众多应用之一，并未深入探讨其特有的方法学挑战。Javaherian等人（2025）对太阳日冕数据中图像处理方法的综述同样涉及了多种特征类型，但并未重点分析那些使得日冕环检测变得尤为复杂的因素，比如光学薄的背景环境、缺乏标注训练数据，以及现有方法的输出结果与后续磁场建模需求之间的不匹配。据我们所知，目前还没有任何已发表的研究能够综合分析传统的几何学方法、深度学习分割方法以及其他领域的可迁移计算机视觉技术，也没有任何综述将输出格式不匹配这一问题视为该领域除数据集问题之外的另一个主要结构性障碍。近年来，基于人工智能的方法发展迅速，同时又缺乏标准化的评估体系，因此现在正是开展此类综述的合适时机。日冕环的提取是诸多物理分析工作的基础，这些分析工作包括日冕加热研究、磁场外推以及空间天气预报等。用于执行这些任务的检测方法，应该得到与太阳黑子分割和活动区检测等其他太阳特征检测任务相同的系统化研究。

本综述围绕三个相互关联的研究问题展开，旨在探讨当前太阳日冕环检测方法的现状、可用于机器学习任务的观测数据来源，以及从其他成像领域移植过来的曲线结构检测技术的适用性。本文回顾了那些用于在极紫外图像中检测和追踪太阳日冕环的计算方法，同时也介绍了其他领域中与这一问题相关的通用曲线结构检测技术。该综述是通过在六个文献数据库中开展有针对性的半系统搜索得出的，这些数据库包括IEEE Xplore、Scopus、Web of Science、Science Direct、ACM Digital Library以及天体物理学数据系统。搜索范围为：针对太阳相关方法，覆盖2015年至今的时间段，这一时间段恰好是深度学习在太阳图像分析领域开始广泛应用的时间；针对通用的曲线结构检测方法，则覆盖2020年以来的数据。

观测背景与数据来源
要理解日冕环检测所面临的计算难题，首先需要了解日冕环被观测到的物理环境。极紫外图像的诸多特性并非偶然出现，它们恰恰是日冕环检测的依据。本节将介绍所有检测方法都必须面对的观测特性，以及为这一领域提供数据支持的各类观测仪器。

传统几何学方法
在机器学习方法尚未能够用于太阳图像分析之前，人们主要是依靠基于对日冕环几何结构物理直觉而构建的手工图像处理流程来检测日冕环。这些方法都遵循一种共同的设计理念：日冕环是呈细长状的、类似脊线的强度结构，其横截面大致呈高斯分布，且曲率较为平滑，因此，检测任务的重点就是设计出能够选择性响应这些几何特征的滤波器，同时抑制其他不必要的信号。

深度学习方法
手工设计的几何学方法存在的局限性为数据驱动的方法提供了发展的机会：如果无法提前确定某张图像的最佳滤波器，那么或许可以通过示例学习来获得该滤波器。太阳日冕环检测领域向深度学习的转型，与计算机视觉领域的整体发展趋势一致，即从最初将通用分割架构应用于太阳图像，逐步发展到如今采用基于物理原理的训练策略，以解决日冕环检测中的特定问题。

来自其他领域的曲线结构检测方法
由于太阳相关标注数据的匮乏，再加上前文提到的方法学缺陷，人们开始寻求太阳物理学之外的算法解决方案。曲线结构检测在医学成像和遥感领域早已是一个成熟的研究课题，数十年来，人们在视网膜血管追踪、道路提取以及神经突起检测等方面取得了大量研究成果，形成了丰富的方法论体系。使得日冕环难以被探测到的几何与拓扑特性，以及其纤细的形态。比较分析：前几节中介绍的方法代表了针对同一核心问题三种不同的解决思路，它们的优缺点并非相互独立，而是以一种反映问题本身结构的方式相互补充。本节将已综述的文献整合为基于对该领域科学应用而言最重要的标准进行的对比评估，这些标准即为生成精确且拓扑连续的环结构。

现存的挑战与未来方向：前几节阐述了该领域在日冕环探测问题的各个组成部分上确实取得了进展，但其最关键的难题仍未解决。此处的论述具有很强的实用性：衡量该领域进展的标准并非分割任务的性能，而是最终能够输入磁场建模流程中的三维环结构的质量。

缺乏大规模的公开数据……讨论与未解之题：本综述研究了三种范式下的自动太阳日冕环探测计算方法：传统的几何方法、深度学习分割技术，以及从医学成像和遥感领域借鉴而来的曲线结构检测方法。通过六个文献数据库的系统性检索，经过多轮筛选后共找到104篇论文，其中涉及2015年至今的专门针对太阳的研究成果，以及2020年之后的通用曲线检测相关研究。

CRediT作者贡献说明：Marcos Costa：方法论、研究工作。Filipa S. Barros：初稿撰写、指导、方法论、概念设计。Iulia Chifu：审稿与编辑、指导。André Restivo：审稿与编辑、指导。

关于写作过程中生成式人工智能及人工智能辅助技术的声明：在准备本作品时，作者们使用了Claude（Anthropic）工具来提升文本的清晰度并优化语言表达。使用该工具后，作者们对内容进行了必要的审阅和修改，并对最终发表的内容承担全部责任。

利益冲突声明：作者们声明自己没有已知的可能影响本文所述工作的任何财务利益或个人关系。

致谢：本项工作得到了以下机构的资金支持：LIACC——人工智能与计算机科学实验室的UID/00027/2025项目，其DOI为https://doi.org/10.54499/UID/00027/2025，该项目由葡萄牙科学技术基金会I.P./MECI通过国家基金提供资助。此外，该项目还部分得到了葡萄牙科学技术基金会（FCT, Portugal）的支持，相关资助包括UI/BD/153350/2022号博士研究基金以及UID/04434/2025号基金。I.C.感谢德国日冕仪项目的支持。

Marcos Costa|Filipa S. Barros|Iulia Chifu|André Restivo