【技术实现步骤摘要】
一种海底底质声呐图像分类方法
[0001]本专利技术属于海底测绘与人工智能领域,涉及一种海底底质声呐图像分类方法,特别是一种基于多特征的改进GoogLeNet海底底质声呐图像分类方法。
技术介绍
[0002]在以军事、经济为目的的海洋开发领域中,海底底质调查研究具有重要的意义。目前海底数据大部分是通过声呐遥测获得,主要以声呐图像的形式呈现。在海底底质分类过程中,特征提取是声呐图像处理的主要环节。一方面,更好的将海底底质特征提取出来一定程度上可以弥补海洋环境复杂数据处理方法单一的不足;另一方面,将海底底质特征最大程度的提取出来有利于提高底质分类的准确度。单一的纹理特征提取方法具有一定的局限性,可能导致关键特征的丢失。因此,研究海底底质多特征提取具有重要的意义。
[0003]海底底质特征提取基于声呐图像。对于不同的海底底质,侧扫声呐接收到的回波强度大小不同,对应到侧扫声呐图像的每一个像素点的灰度值也不同,因此,侧扫声呐图像的明暗变化很大程度上能够反映海底底质类型。海底底质图像分类目标是将图像中的像元或区域划归成某一种类别,对目标范围进行快速识别和判断,以进一步达到反演和复原海底地貌的目的。目前,海底底质分类一方面可以通过声参数,如声阻抗和声吸收系数结合底质物理特性的经验公式进行分类;另一方面是基于底质声呐图像的各类特征参数进行分类,基本思想是通过经典算法或新理论从图像数据中提取特征信息,特征信息以不同角度对图像进行反映,将特征信息输入分类器,依据分类模型各自的学习策略对特征进行分类学习,并通过不断训练得到更高的分 ...
【技术保护点】
【技术特征摘要】
1.一种海底底质声呐图像分类方法,其特征在于,包括以下步骤:步骤1:获取侧扫声呐图像数据集,所述数据集包括待分类图像和具有真值标签的图像;步骤2:计算灰度共生矩阵,利用灰度共生矩阵对侧扫声呐图像进行统计特征提取;步骤3:基于像素点覆盖法对侧扫声呐图像进行分形维数特征提取;步骤4:对侧扫声呐图像进行通道能量特征值提取;步骤5:将提取的统计特征、分形维数特征和通道能量特征的特征参数进行联合表示,形成联合特征,将待分类图像的联合特征参数输入到利用具有真值标签的图像训练后的GoogLeNet中进行海底底质的分类,网络输出结果为图像底质类别。2.根据权利要求1所述的一种海底底质声呐图像分类方法,其特征在于:步骤1对获取的侧扫声呐图像数据集进行预处理,所述预处理包括:利用排序自适应中值滤波和直方图均衡化方法对侧扫声呐图像进行噪声平滑和增强处理。3.根据权利要求1所述的一种海底底质声呐图像分类方法,其特征在于:步骤1所述计算灰度共生矩阵包括:给定距离d和方向θ,在方向为θ的直线上一个像素点的灰度为i,若有一个与之距离为d的像素点的灰度为j,则这样的灰度对同时出现的频数是灰度共生矩阵P(i,j,d,θ)的第(i,j)个阵元的数值,取0
°
,45
°
,90
°
,135
°
方向生成灰度共生矩阵,各方向的灰度共生矩阵为N
×
N阶,N为图像的灰度级,具体为:P(i,j,d,0
°
)=Z{((m1,n1),(m2,n2))∈(M,N)
×
(M,N)|n1‑
n2=0,|m1‑
m2|=d,I(m1,n1)=i,I(m2,n2)=j}P(i,j,d,45
°
)=Z{((m1,n1),(m2,n2))∈(M,N)
×
(M,N)||m1‑
m2|=d,|n1‑
n2|=d,I(m1,n1)=i,I(m2,n2)=j}P(i,j,d,90
°
)=Z{((m1,n1),(m2,n2))∈(M,N)
×
(M,N)||n1‑
n2|=d,m1‑
m2=0,I(m1,n1)=i,I(m2,n2)=j}P(i,j,d,135
°
)=Z{((m1,n1),(m2,n2))∈(M,N)
×
(M,N)||m1‑
m2|=d,|n1‑
n2|=d,I(m1,n1)=i,I(m2,n2)=j}其中,Z代表统计集合中的元素个数,M,N则分别代表图像的行数与列...
【专利技术属性】
技术研发人员:赵玉新,郑良锋,朱可心,邓雄,赵廷,吴昌哲,姜南,何永旭,
申请(专利权)人:哈尔滨工程大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。