CN109086824A - 一种基于卷积神经网络的海底底质声呐图像分类方法 - Google Patents

一种基于卷积神经网络的海底底质声呐图像分类方法 Download PDF

Info

Publication number
CN109086824A
CN109086824A CN201810864966.8A CN201810864966A CN109086824A CN 109086824 A CN109086824 A CN 109086824A CN 201810864966 A CN201810864966 A CN 201810864966A CN 109086824 A CN109086824 A CN 109086824A
Authority
CN
China
Prior art keywords
sediment
image
sonar image
neural networks
convolutional neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810864966.8A
Other languages
English (en)
Other versions
CN109086824B (zh
Inventor
赵玉新
付楠
刘厂
赵廷
万宏俊
董静
张卫柱
朱可心
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201810864966.8A priority Critical patent/CN109086824B/zh
Publication of CN109086824A publication Critical patent/CN109086824A/zh
Application granted granted Critical
Publication of CN109086824B publication Critical patent/CN109086824B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明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。

Description

一种基于卷积神经网络的海底底质声呐图像分类方法
技术领域
本发明属于图像分类技术领域，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。
背景技术
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-organizing Maps,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(Support Vector Machine,SVM)分类器和BP(Back Propagation)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。
发明内容
本发明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。
本发明的优点在于：
(1)本发明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)本发明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)本发明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)本发明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)本发明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)本发明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为本发明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为本发明构建的八层卷积神经网络分类器结构示意图；
图3为本发明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发明方法作进一步的详细说明。
本发明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计算，以及独有的局部感知和权值共享，卷积和下采样计算不断对特征进行二次提取的同时降低特征维度，避免卷积神经网络出现过拟合。鉴于此，本发明提出一种应用卷积神经网络对海底底质声呐图像进行分类的方法。
本发明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，所述方法首先获取第一海底底质声呐图像并构建海底底质声呐图像集，对所获得的第一海底底质声呐图像进行分割获取第二海底底质声呐图像，再对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；再基于Canny算法提取第三海底底质声呐图像的边缘形状信息，所述提取可以将由噪声、混响及环境等因素带来的干扰直接去除，只保留各类第三海底底质声呐图像的边缘形状信息；之后根据所述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，解决了使用单一方法的缺点，很好地将统计方法和结构分析方法有机地结合起来；将灰度-基元共生矩阵转化为灰度图，并将灰度图构成的灰度图像集作为卷积神经网络输入样本集。步骤一获取的海底底质声呐图像特征不明显，用来训练卷积神经网络容易产生过拟合、训练时间过长、训练准确率较低等问题，经步骤三后能够在保留海底底质类型有效信息的条件下减少计算量，解决过拟合等问题；构建卷积神经网络分类器结构，局部感知和权值共享可以有效减少计算量，卷积和下采样计算不断对特征进行二次提取的同时降低特征维度，避免卷积神经网络出现过拟合；通过卷积神经网络分类器结构的迭代来更新优化网络参数，实现对不同类型海底底质情况的特征进行学习和训练，最终得到具备识别和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。
如图1所示，所述基于卷积神经网络的海底底质声呐图像分类方法，具体步骤如下：
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，每一张第二海底底质声呐图像仅具有单一海底底质类型，且每张第二海底底质声呐图像的大小相等。
具体为：首先利用多波束、侧扫等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，优选地N大于1000，当每张第一海底底质声呐图像只包含单一海底底质情况时，根据每张所述第一海底底质声呐图像所提取的单一海底底质情况更能体现对应的海底底质类型的特性，因此需要分别对每张第一海底底质声呐图像进行分割，使每张第一海底底质声呐图像中只包含单一海底底质情况，分割后获取分别具有单一海底底质情况的第二海底底质声呐图像。所述分割具体为利用图像软件分别对每张第一海底底质声呐图像进行逐一分割，所述分割所采用的图像处理软件优选为IAT(Image Annotation Tool)，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主要为基岩、砾石、砂、细砂和泥。
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。
由于获取的分割处理后的第二海底底质声呐图像具有分辨率低、噪声干扰严重、边缘纹理恶化等特点，因此需要分别对所获取的第二海底底质声呐图像进行预处理，所述预处理具体包括首先分别对所获取的第二海底底质声呐图像进行平滑去噪和特征增强的处理，特征增强包括校正增强和边缘锐化；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，获取信噪比更高、去噪效果更好的海底底质声呐图像，所述滤波采用尺度不同的小波带通滤波器，所述尺度是指小波函数对低频和高频部分使用不同的阈值，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，所述加强处理包括对包含的纹理、边缘形状信息进行加强处理，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，得到第二边缘图像。
经多次仿真验证得出，当利用Canny边缘检测算法设定的提取阈值取0.5时，所提取的边缘形状信息能够反映每张第三海底底质声呐图像的海底底质情况。
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。
具体为：分别扩展第二边缘图像，将第二边缘图像转化为矩阵，并分别将每个矩阵的四周各增加一行或一列的0元素，以任一张第二边缘图像的大小为50*50像素为例，即由原来的50*50像素扩展为52*52像素，然后将每张第二边缘图像中的各个像素灰度值均由各个像素灰度值周围4邻域像素灰度值之和进行替换，即计算每个像素的周围4邻域像素灰度值对该像素的矩，将矩值为最小纹理基元。分别求得每个像素对应的最小纹理基元后，将所有求得的最小纹理单元形成基元阵，所述基元阵大小为50*50像素。所述基元阵和对应的第二边缘图像共同构建灰度-基元共生矩阵，任一个灰度-基元共生矩阵中的元素GP(i1,j1)为灰度值等于i1、基元值等于j1的点对数量。例如GP(5,8)＝16，即表示在任意一张第二边缘图像所对应的灰度-基元共生矩阵中，灰度值为5(i1＝5)，基元值为8(j1＝8)的点对数是16，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：由所述的灰度图构成的灰度图像集构建卷积神经网络输入样本集，利用所得到的N张灰度图构成的灰度图像集构建卷积神经网络输入样本集，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；所述训练集和第二海底底质声呐图像中各种海底底质情况的类别数目比例一致，所述的训练集和验证集中的样本比例为4：1，测试集样本数量为50。
步骤六：构建卷积神经网络分类器结构。
构建一个卷积神经网络分类器结构，所述的卷积神经网络分类器结构为八层卷积神经网络结构，如图2所示，所述八层卷积神经网络分类器结构包括输入层Input、第一卷积层C1、第一最大池化层S2、第二卷积层C3、第二最大池化层S4、第一全连接层D5、第二全连接层D6和输出层Output。
C1是第一卷积层，由于是4个滤波器，因此包含了4个特征图，每个特征图代表学到的一组特征，所述特征包括垂直边缘特征、水平边缘特征以及扇形边缘特征等。从第一卷积层C1到第一最大池化层S2的过程是一个下采样过程，即池化过程，最大池化保留了每一个小块内的最大值，所以它相当于保留了这一块最佳的匹配结果。具体做法是在第一卷积层C1中的连续4个像素(2×2区域)选取其中最大值映射到第一最大池化层S2中的一个点上，第一卷积层C1中的每一个特征图都单独下采样，因此第一最大池化层S2也包含4个特征图。第一卷积层C1卷积和第一最大池化层S2池化的具体连接过程如图3所示，其中Input是输入层，在此输入待识别图像，W是滤波器，也是权重大小，b为偏置，待识别图像依次通过W和b后通过ReLU激活函数(Rectified Linear Units，修正线性单元)得到第一卷积层C1的特征图，以得到第一卷积层C1的特征图为例，其计算公式如下：
其中表示第一卷积层C1中第l个特征图的第j个神经元，表示与相连的输入层的点，表示第一卷积层C1中的点与输入层连接点的权重，即是卷积核的值，表示偏置，函数f为激活函数ReLU，i和j的取值均为1-2500。第一卷积层C1中的特征图总个数可以为4到32，这里选定第一卷积层C1中共有4个特征图，因此l的取值范围为1-4，神经元个数取决于八层卷积神经网络分类器结构输入的待识别图像大小和滤波器大小。其中激活函数ReLU对于输入的负值，输出全为0，对于正值，原样输出，用于线性变换的输出，易于使用梯度下降训练，加快训练速度。
然后从第一最大池化层S2到第二卷积层C3又是卷积滤波，从第二卷积层C3到第二最大池化层S4是下采样，得到第二最大池化层S4后，将特征拉成一条直线，并对第二最大池化层S4的特征进行全连接方式的卷积，得到为1*64维矩阵，即让每个像素点都为64个特征中每一个特征进行投票，得到第一全连接层D5，之后第一全连接层D5到第二全连接层D6又是全连接，并做softmax操作得到每个类别的概率，得到1*5维矩阵，输出的每一维都是第一海底底质声呐图像属于该类别的概率，最后是输出层Output，输出第一海底底质声呐图像所属类别。
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。
将所述卷积神经网络样本集中的训练集作为所述卷积神经网络结构的输入，输入到所述卷积神经网络分类器结构中，并对各图像进行二次特征提取及分类训练；将验证集输入至训练完毕的分类器中，观察训练器输出的分类结果，并与真实的分类信息相比对，验证分类器的性能。对于训练和验证，应用交叉熵函数来衡量模型的预测与目标类的匹配程度和损失度量，计算实际输出与相应的理想输出的差，使用0.001的学习率和随机梯度下降法，按极小化误差的方法反向传播调整权重矩阵，即将损失函数的输出反馈给整个卷积神经网络，以修改各个滤波器权重，使得损失函数最小。
步骤八：根据所述分类模型对测试集进行分类识别。
将预留的一部分卷积神经网络输入样本集即测试集输入到训练好的卷积神经网络分类器结构中，实现对第一海底底质声呐图像的识别和分类目的。

Claims (7)

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。
4.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，
Canny边缘检测算法设定的提取阈值取0.5。
5.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，步骤四具体为：分别扩展第二边缘图像，将第二边缘图像转化为矩阵，并分别将每个矩阵的四周各增加一行或一列的0元素，然后将每张第二边缘图像中的各个像素灰度值均由各个像素灰度值周围4邻域像素灰度值之和进行替换，即计算每个像素的周围4邻域像素灰度值对该像素的矩，将矩值为最小纹理基元；分别求得每个像素对应的最小纹理基元后，将所有求得的最小纹理单元形成基元阵，所述基元阵和对应的第二边缘图像共同构建灰度-基元共生矩阵，分别将每个灰度-基元共生矩阵转化为相应的灰度图。
6.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，所述训练集和第二海底底质声呐图像中各种海底底质情况的类别数目比例一致，所述的训练集和验证集中的样本比例为4：1，测试集样本数量为50。
7.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，所述的卷积神经网络分类器结构为八层卷积神经网络分类器结构，所述八层卷积神经网络分类器结构包括输入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第一全连接层、第二全连接层和输出层；从第一卷积层到第一最大池化层的过程是一个下采样过程，然后从第一最大池化层到第二卷积层又是卷积滤波，从第二卷积层到第二最大池化层是下采样，得到第二最大池化层后，将特征拉成一条直线，并对第二最大池化层的特征进行全连接方式的卷积，得到为1*64维矩阵，即让每个像素点都为64个特征中每一个特征进行投票，得到第一全连接层，之后第一全连接层到第二全连接层又是全连接，并做softmax操作得到每个类别的概率，得到1*5维矩阵，输出的每一维都是第一海底底质声呐图像属于该类别的概率，最后是输出层，输出第一海底底质声呐图像所属类别。
CN201810864966.8A 2018-08-01 2018-08-01 一种基于卷积神经网络的海底底质声呐图像分类方法 Active CN109086824B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810864966.8A CN109086824B (zh) 2018-08-01 2018-08-01 一种基于卷积神经网络的海底底质声呐图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810864966.8A CN109086824B (zh) 2018-08-01 2018-08-01 一种基于卷积神经网络的海底底质声呐图像分类方法

Publications (2)

Publication Number Publication Date
CN109086824A true CN109086824A (zh) 2018-12-25
CN109086824B CN109086824B (zh) 2021-12-14

Family

ID=64831218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810864966.8A Active CN109086824B (zh) 2018-08-01 2018-08-01 一种基于卷积神经网络的海底底质声呐图像分类方法

Country Status (1)

Country Link
CN (1) CN109086824B (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902682A (zh) * 2019-03-06 2019-06-18 太原理工大学 一种基于残差卷积神经网络的乳腺x线图像检测方法
CN109948733A (zh) * 2019-04-01 2019-06-28 深圳大学 消化道内窥镜图像的多分类方法、分类装置及存储介质
CN110245608A (zh) * 2019-06-14 2019-09-17 西北工业大学 一种基于半张量积神经网络的水下目标识别方法
CN110348459A (zh) * 2019-06-28 2019-10-18 西安理工大学 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法
CN110806444A (zh) * 2019-11-14 2020-02-18 山东科技大学 基于浅地层剖面仪与svm的海底底质识别与分类方法
CN111476739A (zh) * 2020-04-17 2020-07-31 宁波大学科学技术学院 水下图像增强方法、系统及存储介质
CN111626966A (zh) * 2020-07-07 2020-09-04 哈尔滨工程大学 声呐图像的去噪模型训练方法及其装置和可读存储介质
CN111652149A (zh) * 2020-06-04 2020-09-11 青岛理工大学 基于深度卷积神经网络的沉底油声呐探测图像识别方法
CN111798396A (zh) * 2020-07-01 2020-10-20 中通服咨询设计研究院有限公司 一种基于小波变换的多功能图像处理方法
CN112149755A (zh) * 2020-10-12 2020-12-29 自然资源部第二海洋研究所 基于深度学习的小样本海底水声图像底质分类方法
CN112164079A (zh) * 2020-09-29 2021-01-01 东北电力大学 一种声呐图像分割方法
CN112837252A (zh) * 2021-01-27 2021-05-25 中交三航（上海）新能源工程有限公司 一种侧扫声呐条带图像公共覆盖区图像融合方法及系统
CN113099356A (zh) * 2021-03-24 2021-07-09 华中科技大学 一种自适应声场调控的方法和装置
CN113126099A (zh) * 2020-01-14 2021-07-16 中国科学院声学研究所 一种基于音频特征提取的单波束底质分类方法
CN113255660A (zh) * 2021-03-18 2021-08-13 自然资源部第三海洋研究所 一种基于实例分割框架的海洋底质自动识别方法及装置
CN113406650A (zh) * 2021-08-20 2021-09-17 宁波博海深衡科技有限公司武汉分公司 三维侧扫声呐成阵列方法及设备
CN113643200A (zh) * 2021-07-27 2021-11-12 天津大学 基于递归图神经网络解决边缘过平滑的方法及装置
CN115082755A (zh) * 2022-06-15 2022-09-20 广东海洋大学 基于数据增量的卷积神经网络前视声呐图像识别技术
CN117197596A (zh) * 2023-11-08 2023-12-08 自然资源部第二海洋研究所 基于小样本迁移学习的混合底质声学分类方法
CN117953314A (zh) * 2024-03-26 2024-04-30 自然资源部第三海洋研究所 一种多维特征优选海洋底质分类方法及系统
CN115082755B (zh) * 2022-06-15 2024-06-07 广东海洋大学 一种基于数据增量的卷积神经网络前视声呐图像识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008268183A (ja) * 2007-03-26 2008-11-06 Furuno Electric Co Ltd 水中探知装置
CN102567727A (zh) * 2010-12-13 2012-07-11 中兴通讯股份有限公司 一种背景目标替换方法和装置
CN105806466A (zh) * 2016-03-22 2016-07-27 华中科技大学 一种超声波功率测量系统
KR20160091675A (ko) * 2015-01-26 2016-08-03 선두영 음향탐지 신호의 영상처리 프로그램이 저장된 기록매체 및 음향탐지 신호의 영상처리 방법
CN106446904A (zh) * 2016-09-26 2017-02-22 四川长虹电器股份有限公司 基于全局二值化的图像识别方法
CN107909082A (zh) * 2017-10-30 2018-04-13 东南大学 基于深度学习技术的声呐图像目标识别方法
KR20180065417A (ko) * 2016-12-07 2018-06-18 공주대학교 산학협력단 수중 초음파 영상 정보를 이용한 피측정물 식별 방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008268183A (ja) * 2007-03-26 2008-11-06 Furuno Electric Co Ltd 水中探知装置
CN102567727A (zh) * 2010-12-13 2012-07-11 中兴通讯股份有限公司 一种背景目标替换方法和装置
KR20160091675A (ko) * 2015-01-26 2016-08-03 선두영 음향탐지 신호의 영상처리 프로그램이 저장된 기록매체 및 음향탐지 신호의 영상처리 방법
CN105806466A (zh) * 2016-03-22 2016-07-27 华中科技大学 一种超声波功率测量系统
CN106446904A (zh) * 2016-09-26 2017-02-22 四川长虹电器股份有限公司 基于全局二值化的图像识别方法
KR20180065417A (ko) * 2016-12-07 2018-06-18 공주대학교 산학협력단 수중 초음파 영상 정보를 이용한 피측정물 식별 방법
CN107909082A (zh) * 2017-10-30 2018-04-13 东南大学 基于深度学习技术的声呐图像目标识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张云彬: "支持卫星遥感数据融合的影像定位理论与方法", 《中国博士学位论文全文数据库（电子期刊）基础科学辑》 *
张春兰: "安检系统中X射线透射图像处理方法研究", 《中国优秀硕士学位论文全文数据库》 *
赵增科: "基于深度学习的水下目标识别", 《中国优秀硕士学位论文全文数据库（电子期刊）工程科技II辑》 *

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902682A (zh) * 2019-03-06 2019-06-18 太原理工大学 一种基于残差卷积神经网络的乳腺x线图像检测方法
CN109948733A (zh) * 2019-04-01 2019-06-28 深圳大学 消化道内窥镜图像的多分类方法、分类装置及存储介质
CN110245608A (zh) * 2019-06-14 2019-09-17 西北工业大学 一种基于半张量积神经网络的水下目标识别方法
CN110245608B (zh) * 2019-06-14 2022-05-17 西北工业大学 一种基于半张量积神经网络的水下目标识别方法
CN110348459A (zh) * 2019-06-28 2019-10-18 西安理工大学 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法
CN110806444A (zh) * 2019-11-14 2020-02-18 山东科技大学 基于浅地层剖面仪与svm的海底底质识别与分类方法
CN110806444B (zh) * 2019-11-14 2022-06-07 山东科技大学 基于浅地层剖面仪与svm的海底底质识别与分类方法
CN113126099B (zh) * 2020-01-14 2023-05-02 中国科学院声学研究所 一种基于音频特征提取的单波束底质分类方法
CN113126099A (zh) * 2020-01-14 2021-07-16 中国科学院声学研究所 一种基于音频特征提取的单波束底质分类方法
CN111476739B (zh) * 2020-04-17 2023-04-18 宁波大学科学技术学院 水下图像增强方法、系统及存储介质
CN111476739A (zh) * 2020-04-17 2020-07-31 宁波大学科学技术学院 水下图像增强方法、系统及存储介质
WO2021243743A1 (zh) * 2020-06-04 2021-12-09 青岛理工大学 基于深度卷积神经网络的沉底油声呐探测图像识别方法
CN111652149A (zh) * 2020-06-04 2020-09-11 青岛理工大学 基于深度卷积神经网络的沉底油声呐探测图像识别方法
CN111798396A (zh) * 2020-07-01 2020-10-20 中通服咨询设计研究院有限公司 一种基于小波变换的多功能图像处理方法
CN111626966A (zh) * 2020-07-07 2020-09-04 哈尔滨工程大学 声呐图像的去噪模型训练方法及其装置和可读存储介质
CN112164079A (zh) * 2020-09-29 2021-01-01 东北电力大学 一种声呐图像分割方法
CN112164079B (zh) * 2020-09-29 2024-03-29 东北电力大学 一种声呐图像分割方法
CN112149755B (zh) * 2020-10-12 2022-07-05 自然资源部第二海洋研究所 基于深度学习的小样本海底水声图像底质分类方法
CN112149755A (zh) * 2020-10-12 2020-12-29 自然资源部第二海洋研究所 基于深度学习的小样本海底水声图像底质分类方法
CN112837252A (zh) * 2021-01-27 2021-05-25 中交三航（上海）新能源工程有限公司 一种侧扫声呐条带图像公共覆盖区图像融合方法及系统
CN113255660A (zh) * 2021-03-18 2021-08-13 自然资源部第三海洋研究所 一种基于实例分割框架的海洋底质自动识别方法及装置
CN113099356B (zh) * 2021-03-24 2021-11-19 华中科技大学 一种自适应声场调控的方法和装置
CN113099356A (zh) * 2021-03-24 2021-07-09 华中科技大学 一种自适应声场调控的方法和装置
CN113643200B (zh) * 2021-07-27 2023-07-07 天津大学 基于递归图神经网络解决边缘过平滑的方法及装置
CN113643200A (zh) * 2021-07-27 2021-11-12 天津大学 基于递归图神经网络解决边缘过平滑的方法及装置
CN113406650A (zh) * 2021-08-20 2021-09-17 宁波博海深衡科技有限公司武汉分公司 三维侧扫声呐成阵列方法及设备
CN115082755A (zh) * 2022-06-15 2022-09-20 广东海洋大学 基于数据增量的卷积神经网络前视声呐图像识别技术
CN115082755B (zh) * 2022-06-15 2024-06-07 广东海洋大学 一种基于数据增量的卷积神经网络前视声呐图像识别方法
CN117197596A (zh) * 2023-11-08 2023-12-08 自然资源部第二海洋研究所 基于小样本迁移学习的混合底质声学分类方法
CN117197596B (zh) * 2023-11-08 2024-02-13 自然资源部第二海洋研究所 基于小样本迁移学习的混合底质声学分类方法
CN117953314A (zh) * 2024-03-26 2024-04-30 自然资源部第三海洋研究所 一种多维特征优选海洋底质分类方法及系统

Also Published As

Publication number Publication date
CN109086824B (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
CN109086824A (zh) 一种基于卷积神经网络的海底底质声呐图像分类方法
CN110059758B (zh) 一种基于语义分割的遥感影像养殖塘检测方法
CN110120020A (zh) 一种基于多尺度空洞残差注意力网络的sar图像去噪方法
CN108734171A (zh) 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法
CN109086773A (zh) 基于全卷积神经网络的断层面识别方法
CN103824309B (zh) 一种城市建成区边界自动提取方法
CN107909082A (zh) 基于深度学习技术的声呐图像目标识别方法
CN106778821A (zh) 基于slic和改进的cnn的极化sar图像分类方法
CN104299232B (zh) 一种基于自适应窗方向波域和改进fcm的sar图像分割方法
CN110675410B (zh) 基于选择性搜索算法的侧扫声呐沉船目标非监督探测方法
CN110751075A (zh) 一种基于实例分割的遥感影像养殖塘检测方法
CN107292336A (zh) 一种基于dcgan的极化sar图像分类方法
CN109840483A (zh) 一种滑坡裂缝检测与识别的方法及装置
CN109886221A (zh) 基于图像显著性检测的采砂船识别方法
CN114463643A (zh) 多模型决策级融合的滑坡识别方法及装置
CN114663439A (zh) 一种遥感影像海陆分割方法
CN115170943A (zh) 一种基于迁移学习的改进视觉Transformer海底底质声呐图像分类方法
CN113935899A (zh) 一种基于语义信息和梯度监督的船牌图像超分辨方法
CN116863293A (zh) 一种基于改进YOLOv7算法的可见光下海上目标检测方法
CN114065822B (zh) 海洋潮流涨落的电磁识别方法及系统
CN116079713A (zh) 一种钻锚机器人多钻臂协同控制方法、系统、设备及介质
CN108776968B (zh) 基于深度森林的sar图像变化检测方法
CN112132104A (zh) 一种基于环路生成对抗网络的isar舰船目标图像域增强识别方法
CN113222976B (zh) 基于dcnn和迁移学习的时空图像纹理方向检测方法及系统
CN109064477A (zh) 用改进的U-Net检测细胞核边缘的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant