一种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海底底质声呐图像分类方法，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；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；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；对侧扫声呐图像进行通道能量特征值提取；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。本发明专利技术结合多种特征提取方法的优点，且采用改进的GoogLeNet，提升海底底质分类的准确率。底质分类的准确率。底质分类的准确率。

【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类准确度，最终实现图像的分类。
[0004]传统的底质分类方法依赖于海底原始散射数据，计算指标对区域底质类别进行划分，如计算快速傅立叶变换谱特征、奇异值分解系数以及小波变换熵。此外还有使用底质物理特性经验公式进行判断，这类方法需要长期对海底高频声散射理论、数据采集与预处理、海底分类系统的评价、分类结果的验证等多方面内容进行实验研究。由于海底环境十分复杂，传统方法有很强的局限性，且分类精度略低。
[0005]随着人工智能技术的不断发展，多种人工智能方法被运用于底质分类。如SVM(支持向量机)、神经网络等。相对应被使用的特征提取方法有主成分分析法、小波变换和灰度矩阵法等。有效的特征提取以及新分类方法是当前倍受关注的研究方向。
[0006]现有的海底底质特征提取方法，大多仅基于一种图像特征，而单一的纹理特征提取方法具有一定的局限性，无法充分表达海底底质特性，并且使用的分类方法泛化能力不强。

技术实现思路

[0007]针对上述现有技术，本专利技术要解决的技术问题是提供一种基于多特征的改进GoogLeNet海底底质声呐图像分类方法，结合多种特征提取方法的优点，且采用改进的GoogLeNet，提升海底底质分类的准确率。
[0008]为解决上述技术问题，本专利技术一种海底底质声呐图像分类方法，包括以下步骤：
[0009]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；
[0010]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；
[0011]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；
[0012]步骤4：对侧扫声呐图像进行通道能量特征值提取；
[0013]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。
[0014]进一步的，步骤1对获取的侧扫声呐图像数据集进行预处理，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。
[0015]进一步的，步骤1中计算灰度共生矩阵包括：
[0016]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：
[0017]P(i,j,d,0
°
)＝Z{((m1,n1),(m2,n2))∈(M,N)
×
(M,N)|n1‑
n2＝0,
[0018]|m1‑
m2|＝d,I(m1,n1)＝i,I(m2,n2)＝j}
[0019]P(i,j,d,45
°
)＝Z{((m1,n1),(m2,n2))∈(M,N)
×
(M,N)||m1‑
m2|＝d,
[0020]|n1‑
n2|＝d,I(m1,n1)＝i,I(m2,n2)＝j}
[0021]P(i,j,d,90
°
)＝Z{((m1,n1),(m2,n2))∈(M,N)
×
(M,N)||n1‑
n2|＝d,
[0022]m1‑
m2＝0,I(m1,n1)＝i,I(m2,n2)＝j}
[0023]P(i,j,d,135
°
)＝Z{((m1,n1),(m2,n2))∈(M,N)
×
(M,N)||m1‑
m2|＝d,
[0024]|n1‑
n2|＝d,I(m1,n1)＝i,I(m2,n2)＝j}
[0025]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数，(m1,n1)和(m2,n2)代表两个像素点对的坐标，I为取灰度值函数，i和j分别代表各自对应的灰度值。
[0026]进一步的，利用灰度共生矩阵对侧扫声呐图像进行统计特征提取包括：
[0027]选取角二阶矩、熵、相关性、惯性矩作为统计量表示海底底质的特征，分别获得图像0
°
，45
°
，90
°
，135
°
方向的4个特征值；
[0028]角二阶矩具体为：
[0029][0030]熵具体为：
[0031][0032]相关性具体为：
[0033][0034][0035][0036]惯性矩具体为：
[0037][0038]其中，θ的取值为0
°
，45
°
，90
°
，135
°
。
[0039]进一步的，步骤3中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包括：
[0040]首先将侧扫声呐图像的像素点二值化形成数字矩阵，再将数字矩阵等分成n小块，分形维数D具体为：
[0041][0042]其中，δ表示每个小块的边本文档来自技高网...

【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：