一种水下沉底小目标融合分类方法技术

本发明专利技术公开了一种水下沉底小目标融合分类方法，所述方法包括：获取待分类的水下沉底小目标的图像；将该图像输入预先训练好的三种分类器得到三个分类结果；所述三种分类器为Logistic分类器、SVM分类器和CNN分类器；按照预先计算的融合系数对三个分类结果进行决策融合，得到最终的待分类的水下沉底小目标的分类结果。本发明专利技术的方法可以有效地应用于小样本条件下，水下沉底小目标图像的分类中，能够提高分类的正确率。

【技术实现步骤摘要】
一种水下沉底小目标融合分类方法
本专利技术涉及水下沉底小目标分类领域，具体涉及一种基于Logistic分类器、支持向量机(SupportVectorMachine，简称SVM)和卷积神经网络(ConvolutionalNeuralNetwork，简称CNN)的融合分类方法，特别涉及一种水下沉底小目标融合分类方法。
技术介绍
水声与电子信息技术的迅猛发展，使得水下沉底小目标的分类成为现代声纳系统智能化的关键技术之一，它是水下信息系统的一个重要组成部分，对它的研究一直受到许多学者、工程技术人员以及军事部门的极大关注。水下沉底小目标的分类是较为复杂的分类问题，由于水下沉底小目标图像较难获取，需要大量人力、物力与时间的投入，若想获得大规模的训练样本是十分困难的，对水下沉底小目标的分类大多数时候是在小样本的条件下进行的。机器学习领域中许多传统机器监督学习方法如最近邻分类器、支持向量机、AdaBoost、决策树等，已被广泛应用于小目标的分类中。由于各种方法的局限性，影响了分类的正确性，在小样本条件下的分类结果更加不尽人意。近年来，人工智能技本文档来自技高网...

【技术保护点】
1.一种水下沉底小目标融合分类方法，所述方法包括：/n获取待分类的水下沉底小目标的图像；/n将该图像输入预先训练好的三种分类器得到三个分类结果；所述三种分类器为Logistic分类器、SVM分类器和CNN分类器；/n按照预先计算的融合系数对三个分类结果进行决策融合，得到最终的待分类的水下沉底小目标的分类结果。/n

【技术特征摘要】
1.一种水下沉底小目标融合分类方法，所述方法包括：
获取待分类的水下沉底小目标的图像；
将该图像输入预先训练好的三种分类器得到三个分类结果；所述三种分类器为Logistic分类器、SVM分类器和CNN分类器；
按照预先计算的融合系数对三个分类结果进行决策融合，得到最终的待分类的水下沉底小目标的分类结果。


2.根据权利要求1所述的水下沉底小目标融合分类方法，其特征在于，所述三种分类器的训练步骤之前还包括：构建训练集和测试集，具体包括：
构建已知类别的水下沉底小目标的训练集和测试集：
将已知类别的水下沉底小目标图像构建为图像集，每幅图像尺寸为256×256；将所述训练集的30％的图像取出，构建为测试集，余下的70％图像构建为训练集；
分别对所构建的训练集和测试集中的已知类别的水下沉底小目标图像进行分割；分成两部分区域：目标阴影区和海底背景区；
分别提取所构建的训练集和测试集中的已知类别的水下沉底小目标图像的Zernike特征；所述Zernike特征是指一系列描述目标形状信息的复数值，具有正交性和旋转不变性；
对已知类别的水下沉底小目标的仿真图像构建训练集和测试集；
构建已知类别的水下沉底小目标仿真图像的训练集和测试集：
将已知类别的水下沉底小目标仿真图像构建为图像集，每幅图像尺寸为256×256。将所述训练集的30％的图像取出，构建为测试集，余下的70％图像构建为训练集；
分别对所构建的训练集和测试集中的已知类别的水下沉底小目标仿真图像进行分割；分成两部分区域：目标阴影区和海底背景区；
分别提取所构建的训练集和测试集中的已知类别的水下沉底小目标仿真图像的Zernike特征。


3.根据权利要求2所述的水下沉底小目标融合分类方法，其特征在于，所述对已知类别的水下沉底小目标图像进行分割，具体包括：
步骤A-1)设定目标区域：设置待分割图像所有像素点的集合为T，选定部分像素点作为目标，目标区域像素点的集合为TO；φ代表空集，设置目标区域的像素点集合为TB＝φ；
步骤A-2)构建代表背景区域第一GMM和代表目标区域的第二GMM，并初始化高斯混合模型：将第一GMM和第二GMM所有参数设置为0；
步骤A-3)采用Grab-cut算法进行迭代优化，调用opencv库中的Grab-cut函数，设置输入图像参数为待分割图像，迭代次数为1，前景参数为TO，背景模型参数为第一GMM的参数，前景模型参数为第二GMM的参数；
步骤A-4)根据步骤A-3)迭代后的图像，重新选定部分像素点作为目标，设置目标区域像素点的集合为TO；重新选定部分像素点作为背景，设置背景区域像素点的集合为TB；重复步骤A-2)、步骤A-3)，直到分割后的图像满足要求。


4.根据权利要求3所述的水下沉底小目标融合分类方法，其特征在于，所述提取已知类别的水下沉底小目标图像的Zernike特征，具体包括：
计算径向多项式Rpq(ρ)：



其中，p为径向多项式的阶数，q为方位角的重复次数，q∈Z；Z代表整数集，代表非负整数集，∈表示属于关系；q与p存在如下关系：p-|q|为偶数，同时p≥|q|；设图像尺寸为N×N，图像左下角坐标为(0,0)，图像右上角坐标为(N,N)，图像中心坐标为(N/2,N/2)，ρ为像素点(x,y)与图像中心点组成向量的长度，由下式计算：



Zernike基函数Vpq(x,y)为：
Vpq(x,y)＝Vpq(ρ,θ)＝Rpq(ρ)ejqθ,|ρ|≤1
其中，θ为(x,y)与图像中心点组成向量与x轴的顺时针夹角，由下式计算：



Zernike矩Zpq为：



其中，设λ为满足|ρ|≤1的像素点数；f(x,y)为图像在(x,y)点处的灰度值。


5.根据权利要求1所述的水下沉底小目标融合分类方法，其特征在于，所述CNN分类器的具体结构为：5个卷积层、3个池化层和3个全连接层，连接顺序为第一卷积层(C1)、第一池化层(S1)、第二卷积层(C2)、第二池化层(S2)、第三卷积层(C3)、第四卷积层(C4)、第五卷积层(C5)、第三池化层(S3)、第一全连接层(F1)、第二全连接层(F2)和第三全连接层(F3)；其中，第一卷积层(C1)、第一池化层(S1)、第二卷积层(C2)、第二池化层(S2)、第三卷积层(C3)、第四卷积层(C4)、第五卷积层(C5)、第三池化层(S3)和第一全连接层(F1)为特征提取部分；第二全连接层(F2)和第三全连接层(F3)为分类部分；
第一卷积层(C1)有64个卷积核，卷积核大小为11×11，步长...

【专利技术属性】
技术研发人员：朱可卿，田杰，黄海宁，
申请(专利权)人：中国科学院声学研究所，
类型：发明
国别省市：北京;11