CN103077408A - 基于小波神经网络的海底声纳图像转换为声学底质类别方法 - Google Patents

Abstract

本发明所提供的基于小波神经网络的海底声纳图像转换为声学底质类别方法，利用遗传小波神经网络的算法，可进行局部分析，通过遗传算法优化网络初始参数，避免陷入局部较小，有效地避免了噪音和局部极值，使得由海底声纳图像转换为声学底质类别更为的精确可靠，在海底底质分类中具有重要的实用价值。

Description

基于小波神经网络的海底声纳图像转换为声学底质类别方法

技术领域

本发明涉及人工神经网络、小波分析、遗传算法及主成份分析等方法，是一种图像转化方法，特别是一种基于小波神经网络的海底声纳图像转换为声学底质类别方法。 

背景技术

海底底质分类的传统方法是地质取样，虽然准确，但是工作效率低，成本高，对于大范围的海底底质分类是无法实现的，当前需要一种快速、有效的底质分类方法。海底底质分类方法发展至今有贝叶斯分类、统计分析、纹理分析、人工神经网络及分形、小波分解和傅里叶变换等，其中人工神经网络是近些年一直研究的热点，如BP、SOM、LVQ及ART等已经进行底质分类研究，取得一定效果。但人工神经网络的底质分类具有易陷入局部极小、耗时较长及初始权值难以确定等缺点。 

发明内容

本发明的目的是为了解决上述技术的不足而提供通过小波神经网络计算，基于小波神经网络的海底声纳图像转换为声学底质类别方法。 

为了达到上述目的，本发明所设计的基于小波神经网络的海底声纳图像转换为声学底质类别方法，包括以下步骤： 

a)读取改正过的声纳图像，转化为灰度图像，然后对图像做归一化，将灰度图像的灰度值归算至0到1的为范围内；对图像做矩阵化，将图像灰度值转化到可以直接进行算术计算的数值，接着对图像进行分割，将声纳图像分割为若干单元图像并保存； 

b)根据得到的单元图像计算单元图像的特征值并保存，特征值包括有共生矩阵能量、共生矩阵方差、共生矩阵局部均匀性（同质性）、共生矩阵相关系数、共生矩阵反差、直方图均值（一阶矩）、直方图标准方差、直方图平滑度、直方图三阶矩、直方图平均差、直方图一致性、直方图熵、直方图偏度、直方图峰度、图像矩阵均值、图像矩阵标准偏差及欧几里得范数17个特征值并保存； 其中欧几里得范数是本发明设计的特征值；在17个特征值中，有 共生矩阵方差、共生矩阵反差、直方图均值、直方图标准方差、直方图三阶矩、直方图平均差、直方图偏度、直方图峰度、图像矩阵均值及图像矩阵标准偏差描述的是纹理图像的亮度分布特征；有共生矩阵能量、直方图一致性及欧几里得范数描述的是纹理图像的能量分布情况；相关系数描述的是灰度共生矩阵的各元素间的相关程度，同质性反映的是一种相似程度，直方图的平滑度描述的是图像纹理亮度的相对平度，直方图的熵表示一种随机性，随机性越大说明图像信息量越大，反之越小。 

欧几里得范数的计算公式如下： 

$F=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}^2}$

其中x_ij灰度矩阵的第i行，第j列的值。 

c)编写小波神经网络的训练函数 ，要输入的参数包括训练数据、期望输出数据、隐含层神经元数目、伸缩因子、平移因子、隐含层到输入层的权值、输出层到隐含层的权值及最大训练次数，分别设置权值和小波参数的学习步长， 训练过程不断修正网络权值和小波参数， 并保存； 

其中隐含层第j个神经元的输出为 

$G\left(j\right)=f_j\left(\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i-b_j}{a_j}\right),j=\mathrm{1,2},...,L,$

x_i为输入信号，w_ij为网络输入层到隐含层的连接权值，a_j为小波基函数的伸缩因子，b_j为小波基函数的平移因子，输出层输出为 

$G\left(j\right)=f_j\left(\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i-b_j}{a_j}\right),j=\mathrm{1,2},...,L,$

w_jk为隐含层到输出层的连接权值，权值及小波参数（平移因子和伸缩因子）的修正为 

w(k+1)=w(k)+Δw 

a(k+1)=a(k)+Δa 

b(k+1)=b(k)+Δb 

其中Δw、Δa、Δb可以选取相同的值，也可以选取不同的值，修正过程即是网络的训练过程。采用的Morlet小波基函数为 

$f\left(x\right)=e^{-x^2/2}\cos \left(1.75x\right)$ 。 

d)然编写小波神经网络的测试函数，输出测试结果。目的是测试经过训练后的网络分类结果好还是坏； 

e)编写遗传迭代过程函数，主要包括选择、交叉、变异及计算目标值四大步骤，对网络权值和小波参数进行优化，避免网络训练时陷入局部极小值的缺点，加快网络的收敛速度，使得网络输出向期望输出不断靠近。函数输入参数包括训练数据、测试数据、隐含层神经元数目、种群大小、最大迭代次数、个体编码长度、交叉概率、变异概率及代沟，当达到最大迭代次数时，遗传迭代过程结束，保存最优子代，并输出； 

f)特征向量降维，具体操作为，把每个特征值作为特征向量进行训练分析，首先选择识别精度都在30%以上的特征值，低于这个精度的特征去掉；其次选择砂、礁石、泥平均精度较大的特征值，最后对选择的特征向量进行训练，测试其精度，确定最终的特征向量。 

g)编写基于遗传小波神经网络的底质分类过程函数，测试单元图像分类效果，选择最佳图像分割单元尺寸，进行特征向量的降维计算，测试特征向量，提取最优特征向量，用遗传算法优化网络初始权值和小波参数并保存，测试分类效果，直到达到满意效果，保存参数，结束，利用测试样本测试分类效果并输出。 

为了提高转化的精确度，所述的f）步骤分两种方式进行分析，一是分别对每个特征值进行训练、测试，选取测试效果较好的特征值作为特征向量；二是将所有特征值进行关联，重新组合为若干特征向量。 

本发明所得到的基于小波神经网络的海底声纳图像转换为声学底质类别方法，利用遗传小波神经网络的算法，可进行局部分析，通过遗传算法优化网络初始参数，避免陷入局部较小，有效地避免了噪音和局部极值，使得由海底声纳图像转换为声学底质类别更为的精确可靠，在海底底质分类中具有重要的实用价值。 

附图说明

图1是本发明的底质分类前预处理流程图； 

图2是本发明的底质分类流程图； 

图3是本发明的遗传小波神经网络分类结果表。 

具体实施方式

下面通过实施例结合附图对本发明作进一步的描述。 

实施例1： 

如图1、图2所示，本实施例描述的基于小波神经网络的海底声纳图像转换为声学底质类别方法，包括以下步骤： 

a)读取改正过的声纳图像，转化为灰度图像，然后对图像做归一化，将灰度图像的灰度值归算至0到1的为范围内；对图像做矩阵化，将图像灰度值转化到可以直接进行算术计算的数值，接着对图像进行分割，将声纳图像分割为若干单元图像并保存； 

b)根据得到的单元图像计算单元图像的特征值并保存，特征值包括有共生矩阵能量、共生矩阵方差、共生矩阵局部均匀性（同质性）、共生矩阵相关系数、共生矩阵反差、直方图均值（一阶矩）、直方图标准方差、直方图平滑度、直方图三阶矩、直方图平均差、直方图一致性、直方图熵、直方图偏度、直方图峰度、图像矩阵均值、图像矩阵标准偏差及欧几里得范数17个特征值并保存； 其中欧几里得范数是本发明设计的特征值；在17个特征值中，有共生矩阵方差、共生矩阵反差、直方图均值、直方图标准方差、直方图三阶矩、直方图平均差、直方图偏度、直方图峰度、图像矩阵均值及图像矩阵标准偏差描述的是纹理图像的亮度分布特征；有共生矩阵能量、直方图一致性及欧几里得范数描述的是纹理图像的能量分布情况；相关系数描述的是灰度共生矩阵的各元素间的相关程度，同质性反映的是一种相似程度，直方图的平滑度描述的是图像纹理亮度的相对平度，直方图的熵表示一种随机性，随机性越大说明图像信息量越大，反之越小。 

欧几里得范数的计算公式如下： 

$F=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}^2}$

其中x_ij灰度矩阵的第i行，第j列的值。 

c)编写小波神经网络的训练函数 ，要输入的参数包括训练数据、期望输出数 据、隐含层神经元数目、伸缩因子、平移因子、隐含层到输入层的权值、输出层到隐含层的权值及最大训练次数，分别设置权值和小波参数的学习步长， 训练过程不断修正网络权值和小波参数， 并保存； 

其中隐含层第j个神经元的输出为 

$H\left(j\right)=f_j\left(\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i-b_j}{a_j}\right),j=\mathrm{1,2},...,L,$

x_i为输入信号，w_ij为网络输入层到隐含层的连接权值，a_j为小波基函数的伸缩因子，b_j为小波基函数的平移因子，输出层输出为 

$H\left(j\right)=f_j\left(\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i-b_j}{a_j}\right),j=\mathrm{1,2},...,L,$

w_jk为隐含层到输出层的连接权值，权值及小波参数（平移因子和伸缩因子）的修正为 

w(k+1)=w(k)+Δw 

a(k+1)=a(k)+Δa 

b(k+1)=b(k)+Δb 

其中Δw、Δa、Δb可以选取相同的值，也可以选取不同的值，修正过程即是网络的训练过程。采用的Morlet小波基函数为 

$f\left(x\right)=e^{-x^2/2}\cos \left(1.75x\right)$ 。 

d)然编写小波神经网络的测试函数，输出测试结果。目的是测试经过训练后的网络分类结果好还是坏； 

e)编写遗传迭代过程函数，主要包括选择、交叉、变异及计算目标值四大步骤，对网络权值和小波参数进行优化，避免网络训练时陷入局部极小值的缺点，加快网络的收敛速度，使得网络输出向期望输出不断靠近。函数输入参数包括训练数据、测试数据、隐含层神经元数目、种群大小、最大迭代次数、个体编码长度、交叉概率、变异概率及代沟，当达到最大迭代次数时，遗传迭代过程结束，保存最优子代，并输出； 

f)特征向量降维，具体操作为，把每个特征值作为特征向量进行训练分析，首先选择识别精度都在30%以上的特征值，低于这个精度的特征去掉；其次选 择砂、礁石、泥平均精度较大的特征值，最后对选择的特征向量进行训练，测试其精度，确定最终的特征向量； 

g)编写基于遗传小波神经网络的底质分类过程函数，测试单元图像分类效果，选择最佳图像分割单元尺寸，进行特征向量的降维计算，测试特征向量，提取最优特征向量，用遗传算法优化网络初始权值和小波参数并保存，测试分类效果，直到达到满意效果，保存参数，结束，利用测试样本测试分类效果并输出。 

以海底的砂、礁石和泥为例，使用上述方法，网络为3层结构，输入、输出层各6个神经元，隐含层为10个神经元，读取三种底质类型的声图文件，分为训练样本和测试样本。对所有样本进行灰度图像转换，将灰度图像矩阵化并保存。对矩阵化的图像归一化处理，分割图像为若干单元图像，计算单元图像的17个特征值并保存。在遗传小波神经网络的底质分类过程函数中加载样本数据，用训练样本进行底质分类测试，测试图像的最佳分割大小，测试并提取最优特征向量为图像矩阵均值、图像矩阵标准偏差、共生矩阵方差、共生矩阵相关系数、共生矩阵能量及共生矩阵同质性等6个值作为遗传小波神经网络的最终输入向量，优化遗传小波神经网络的权值和小波参数。将训练好的参数保存，进行底质分类测试，分别用测试样本和训练样本进行测试，分类结果如图3所示。由图3可知，不管训练样本还是测试样本精度均超过90%，使得最终得到的全部样本具有较高的研究及使用价值。 

Claims (2)

1.一种基于小波神经网络的海底声纳图像转换为声学底质类别方法，包括以下步骤：

a)读取改正过的声纳图像，转化为灰度图像，然后对图像做归一化，将灰度图像的灰度值归算至0到1的为范围内；对图像做矩阵化，将图像灰度值转化到可以直接进行算术计算的数值，接着对图像进行分割，将声纳图像分割为若干单元图像并保存；

其特征是：

b)根据得到的单元图像计算单元图像的特征值并保存，特征值包括有共生矩阵能量、共生矩阵方差、共生矩阵局部均匀性、共生矩阵相关系数、共生矩阵反差、直方图均值、直方图标准方差、直方图平滑度、直方图三阶矩、直方图平均差、直方图一致性、直方图熵、直方图偏度、直方图峰度、图像矩阵均值、图像矩阵标准偏差及欧几里得范数17个特征值并保存；其中欧几里得范数是本发明设计的特征值；在17个特征值中，有共生矩阵方差、共生矩阵反差、直方图均值、直方图标准方差、直方图三阶矩、直方图平均差、直方图偏度、直方图峰度、图像矩阵均值及图像矩阵标准偏差描述的是纹理图像的亮度分布特征；有共生矩阵能量、直方图一致性及欧几里得范数描述的是纹理图像的能量分布情况；相关系数描述的是灰度共生矩阵的各元素间的相关程度，同质性反映的是一种相似程度，直方图的平滑度描述的是图像纹理亮度的相对平度，直方图的熵表示一种随机性，随机性越大说明图像信息量越大，反之越小；

欧几里得范数的计算公式如下：

其中x_ij灰度矩阵的第i行，第j列的值；

c)编写小波神经网络的训练函数，要输入的参数包括训练数据、期望输出数据、隐含层神经元数目、伸缩因子、平移因子、隐含层到输入层的权值、输出层 到隐含层的权值及最大训练次数，分别设置权值和小波参数的学习步长，训练过程不断修正网络权值和小波参数，并保存；

其中隐含层第j个神经元的输出为

x_i为输入信号，w_ij为网络输入层到隐含层的连接权值，a_j为小波基函数的伸缩因子，b_j为小波基函数的平移因子，输出层输出为

w_jk为隐含层到输出层的连接权值，权值及小波参数（平移因子和伸缩因子）的修正为

w(k+1)=w(k)+Δw

a(k+1)=a(k)+Δa

b(k+1)=b(k)+Δb

其中Δw、Δa、Δb可以选取相同的值，也可以选取不同的值，修正过程即是网络的训练过程。采用的Morlet小波基函数为

；

d)然编写小波神经网络的测试函数，输出测试结果。目的是测试经过训练后的网络分类结果好还是坏；

e)编写遗传迭代过程函数，主要包括选择、交叉、变异及计算目标值四大步骤，对网络权值和小波参数进行优化，避免网络训练时陷入局部极小值的缺点，加快网络的收敛速度，使得网络输出向期望输出不断靠近。函数输入参数包括训练数据、测试数据、隐含层神经元数目、种群大小、最大迭代次数、个体编码长度、交叉概率、变异概率及代沟，当达到最大迭代次数时，遗传迭代过程结束，保存最优子代，并输出；

f)特征向量降维，具体操作为，把每个特征值作为特征向量进行训练分析，首先选择识别精度都在30%以上的特征值，低于这个精度的特征去掉；其次选 择砂、礁石、泥平均精度较大的特征值，最后对选择的特征向量进行训练，测试其精度，确定最终的特征向量；

g)编写基于遗传小波神经网络的底质分类过程函数，测试单元图像分类效果，选择最佳图像分割单元尺寸，进行特征向量的降维计算，测试特征向量，提取最优特征向量，用遗传算法优化网络初始权值和小波参数并保存，测试分类效果，直到达到满意效果，保存参数，结束，利用测试样本测试分类效果并输出。

2.根据权利要求1所述的基于小波神经网络的海底声纳图像转换为声学底质类别方法，其特征是所述的f）步骤分两种方式进行分析，一是分别对每个特征值进行训练、测试，选取测试效果较好的特征值作为特征向量；二是将所有特征值进行关联，重新组合为若干特征向量。 

Images