一种基于卷积神经网络的海底底质声呐图像分类方法技术

本发明专利技术公开了一种基于卷积神经网络的海底底质声呐图像分类方法，属于图像分类技术领域。具体为获取海底底质声呐图像、对图像进行去噪、增强等预处理，基于Canny算法边缘形状提取，生成灰度‑基元共生矩阵，构建卷积神经网络分类器结构及样本集，训练神经网络，获得分类模型并实现海底底质声呐图像分类。本发明专利技术着手于海底底质声呐图像的图形学特征，解决了使用单一方法的缺点，通过卷积神经网络分类器结构自身的学习策略对不同类型海底底质情况进行学习和训练，最终得到具备分类功能的分类模型，达到对海底底质声呐图像进行快速、准确分类的目的。

【技术实现步骤摘要】
一种基于卷积神经网络的海底底质声呐图像分类方法
本专利技术属于图像分类
，具体涉及一种基于卷积神经网络的海底底质声呐图像分类方法。
技术介绍
随着声呐技术的迅速发展，海底底质声呐图像能够包含较为丰富的海底地貌及底质特征信息，根据海底底质声呐图像反演海底地形地貌，对于海底探究、水下作战、沉船打捞及深海保护具有重要意义，目前海底底质声呐图像的分类也成为了研究热点。但受水下复杂声场环境和声呐设备性能的限制，声呐图像具有斑点噪声干扰严重、边缘特征模糊、对比度低和亮度不均等问题，这是海底底质声呐图像处理和底质分类反演研究中急需关注的问题。现在应用较为广泛的分类方法按照分类原理可分为非监督分类和有监督分类两类。非监督分类主要有基于最邻近规则的试探法、K-means均值算法、自组织映射(Self-organizingMaps,SOM)神经网络等。有监督分类主要有最小距离、极大似然、支持向量机(SupportVectorMachine,SVM)分类器和BP(BackPropagation)神经网络等。Marsh和Brown利用SOM神经网络实现了对海底底质的分类识别，但SOM神经网络作为无监督分类网络计算复杂度高且容易产生错误分类。对于大型海底底质图像一般应用具有先验知识的有监督分类技术进行分类研究。徐超的《多波束测深声呐海底底质分类技术研究》论文(哈尔滨工程大学博士论文2014年6月)中对多源信息特征提取方法及其分类性能进行研究。首先以多波束海底声呐图像为数据源研究基于数据概率分布特性的特征提取方法，基于灰度共生矩阵的纹理特征提取方法以及基于功率谱比的Pace特征提取方法，之后将各特征提取方法得到的特征量构成3组特征向量，并利用SVM分类器对各特征向量整体的分类能力进行综合分析，最后对其性能进行仿真分析以及试验数据的检验，该方法对砂、砾质砂、砂质砾、泥质砂质砾以及岩石5种类型样本数据的总体分类正确率可达91.95％。但是该方法需要在分类前做多种特征提取及结合工作，SVM泛化能力较弱，对训练样本要求较高，由于运算过程涉及大量矩阵的存储因而占用内存较大，运算时间较长，并不适用于大量海底底质声呐图像数据的分类处理。近年来，许多国内外学者应用多种人工神经网络方法实现了对海底底质的分类识别。Chakraborty等应用自组织特征映射(SOFM)及学习向量量化(LVQ)神经网络方法对海底底质的分类识别进行了研究，唐秋华在《基于改进BP神经网络的海底底质分类》期刊(海洋测绘2009年9月第29卷第5期)中将GA与BP神经网络有效结合起来，实现了对海底基岩、砾石、砂、细砂以及泥等底质类型的自动分类识别，其中基岩、砾石、砂、细砂和泥的分类精度分别为92.2％、81.9％、89.3％、85.9％、88.2％。但是LVQ神经网络无法充分利用神经元并对初值敏感；BP神经网络存在收敛速度慢，初始化参数较为随机，易陷入局部最优等问题，算法运算效率不高，特别是网络层数较多，复杂度较大时，训练时间较长。
技术实现思路
本专利技术的目的是为了解决现有技术在海底底质声呐图像分类方面泛化能力较弱、训练时间较长、对训练样本质量要求较高的问题，提出一种基于卷积神经网络的海底底质声呐图像分类方法，所述方法具体包括步骤：步骤一、获取N张第一海底底质声呐图像，所述的N张第一海底底质声呐图像构成海底底质声呐图像集，分别对每张所获取的第一海底底质声呐图像进行分割，获取具有单一海底底质情况的第二海底底质声呐图像；步骤二、分别对每张第二海底底质声呐图像进行预处理，获取第三海底底质声呐图像。所述预处理具体包括：首先分别对每张第二海底底质声呐图像进行平滑去噪和特征增强的处理；然后利用小波变换技术对经过平滑去噪和特征增强的海底底质声呐图像进行滤波；最后利用多级中值滤波方法对经过滤波后的海底底质声呐图像进行加强处理，获取第三海底底质声呐图像。步骤三、基于Canny边缘检测算法分别对每张第三海底底质声呐图像的边缘形状信息进行检测和提取，获取相应的第一边缘图像，每张第一边缘图像均具有一种边缘形状信息，所述第一边缘图像均为01二值化图像，将所述第一边缘图像与第三海底底质声呐图像进行对比，分别将每张第一边缘图像中的1值替换为第三海底底质声呐图像对应位置的灰度值，获取第二边缘图像；步骤四、根据每张第二边缘图像的边缘形状信息和灰度值，计算生成相应的灰度-基元共生矩阵，再分别将每个灰度-基元共生矩阵转化为相应的灰度图；步骤五、由灰度图构成的灰度图像集构建卷积神经网络输入样本集，并将所述卷积神经网络输入样本集分为训练集、验证集和测试集；步骤六、构建卷积神经网络分类器结构；步骤七、将所述训练集和验证集分别作为所述卷积神经网络分类器结构的输入，分别训练和验证所述卷积神经网络分类器结构，获得分类模型；步骤八、根据所述分类模型对测试集进行分类识别。本专利技术的优点在于：(1)本专利技术首先对获得的海底底质声呐图像进行分割处理，充分利用单一海底底质声呐图像特征，从而大大提高了对海底底质声呐图像的识别准确程度。(2)本专利技术通过对图像进行平滑去噪、特征增强等预处理，去除由声场环境和声呐设备性能等产生的噪声模糊图形边缘的影响，并突出海底底质声呐图像的边缘形状特征。(3)本专利技术通过对图像进行边缘提取处理，将由噪声、混响及环境等因素带来的干扰直接去除，只保留各类海底底质声呐图像的边缘形状信息，不仅去除了分辨率及反射等的影响，而且减少了后续计算量。(4)本专利技术着手于海底底质声呐图像的图形学特征，利用海底底质声呐图像的边缘形状特征及其灰度相关性，应用并结合边缘提取与灰度-基元共生矩阵法，解决了使用单一方法的缺点，如计算量大、表达复杂、检索效果差等，能够很好地将统计方法和结构分析方法有机地结合起来，实现海底底质声呐图像的特征提取。(5)本专利技术应用卷积神经网络分类器结构获得的分类模型进行图像分类，通过卷积神经网络分类器结构的卷积和下采样计算，以及独有的局部感知和权值共享不断对特征进行二次提取的同时降低特征维度，避免卷积神经网络分类器结构出现过拟合，局部感知和权值共享大大减少了分类模型的计算参数，加快分类模型的收敛速率，分类精度高。(6)本专利技术在进行简单有效的特征提取后进行卷积神经网络分类器分类，降低了对卷积神经网络分类器结构的需求，并且能有效解决过拟合问题，只需八层卷积神经网络就可以实现快速、准确分类的目的。附图说明图1为本专利技术所提出的基于卷积神经网络的海底底质声呐图像分类方法步骤流程图；图2为本专利技术构建的八层卷积神经网络分类器结构示意图；图3为本专利技术八层卷积神经网络中C1卷积和S2池化的具体连接过程示意图。具体实施方式下面将结合附图对本专利技术方法作进一步的详细说明。本专利技术应用的卷积神经网络分类方法属于有监督分类，卷积神经网络在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对卷积神经网络加以训练，卷积神经网络就具有输入对输出之间的映射能力。卷积神经网络是深度神经网络的一种，广泛应用到人脸检测、语音检测等各个方面，并取得了很好的效果。卷积神经网络跟传统的非监督分类方法相比计算复杂度高，但分类精度高；与传统的神经网络比起来加入了卷积和下采样本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的海底底质声呐图像分类方法，其特征在于，所述方法具体包括步骤：步骤一、获取N张第一海底底质声呐图像，所述的N张第一海底底质声呐图像构成海底底质声呐图像集，分别对每张所获取的第一海底底质声呐图像进行分割，获取具有单一海底底质情况的第二海底底质声呐图像；步骤二、分别对每张第二海底底质声呐图像进行预处理，获取第三海底底质声呐图像；步骤三、基于Canny边缘检测算法分别对每张第三海底底质声呐图像的边缘形状信息进行检测和提取，获取相应的第一边缘图像，每张第一边缘图像均具有一种边缘形状信息，所述第一边缘图像均为01二值化图像，将所述第一边缘图像与第三海底底质声呐图像进行对比，分别将每张第一边缘图像中的1值替换为第三海底底质声呐图像对应位置的灰度值，获取第二边缘图像；步骤四、根据每张第二边缘图像的边缘形状信息和灰度值，计算生成相应的灰度‑基元共生矩阵，再分别将每个灰度‑基元共生矩阵转化为相应的灰度图；步骤五、由灰度图构成的灰度图像集构建卷积神经网络输入样本集，并将所述卷积神经网络输入样本集分为训练集、验证集和测试集；步骤六、构建卷积神经网络分类器结构；步骤七、将所述训练集和验证集分别作为所述卷积神经网络分类器结构的输入，分别训练和验证所述卷积神经网络分类器结构，获得分类模型；步骤八、根据所述分类模型对测试集进行分类识别。...

【技术特征摘要】
1.一种基于卷积神经网络的海底底质声呐图像分类方法，其特征在于，所述方法具体包括步骤：步骤一、获取N张第一海底底质声呐图像，所述的N张第一海底底质声呐图像构成海底底质声呐图像集，分别对每张所获取的第一海底底质声呐图像进行分割，获取具有单一海底底质情况的第二海底底质声呐图像；步骤二、分别对每张第二海底底质声呐图像进行预处理，获取第三海底底质声呐图像；步骤三、基于Canny边缘检测算法分别对每张第三海底底质声呐图像的边缘形状信息进行检测和提取，获取相应的第一边缘图像，每张第一边缘图像均具有一种边缘形状信息，所述第一边缘图像均为01二值化图像，将所述第一边缘图像与第三海底底质声呐图像进行对比，分别将每张第一边缘图像中的1值替换为第三海底底质声呐图像对应位置的灰度值，获取第二边缘图像；步骤四、根据每张第二边缘图像的边缘形状信息和灰度值，计算生成相应的灰度-基元共生矩阵，再分别将每个灰度-基元共生矩阵转化为相应的灰度图；步骤五、由灰度图构成的灰度图像集构建卷积神经网络输入样本集，并将所述卷积神经网络输入样本集分为训练集、验证集和测试集；步骤六、构建卷积神经网络分类器结构；步骤七、将所述训练集和验证集分别作为所述卷积神经网络分类器结构的输入，分别训练和验证所述卷积神经网络分类器结构，获得分类模型；步骤八、根据所述分类模型对测试集进行分类识别。2.如权利要求1所述的基于卷积神经网络的海底底质声呐图像分类方法，其特征在于，所述步骤一具体为：首先利用多波束、侧扫声呐探测系统对海底底质情况进行探测获取N张第一海底底质声呐图像，所述N张第一海底底质声呐图像构成海底底质声呐图像集，N大于1000，对每张第一海底底质声呐图像进行分割，获取具有单一海底底质情况的第二海底底质声呐图像，分割后所得的每张第二海底底质声呐图像的大小均相等，且每张大小均至少为50*50像素，所述海底底质情况的类别为基岩、砾石、砂、细砂和泥。3.如权利要求1所述的基于卷积神经网络的海底底质声呐图像分类方法，其特征在于，所述预处理具体包括：首先分别对每张第二海底底质声呐图像进行平滑去噪和特征增强的处理；然后利用小波变换技术对...

【专利技术属性】
技术研发人员：赵玉新，付楠，刘厂，赵廷，万宏俊，董静，张卫柱，朱可心，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江,23