CN110378921B - 基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法 - Google Patents
基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法 Download PDFInfo
- Publication number
- CN110378921B CN110378921B CN201910661154.8A CN201910661154A CN110378921B CN 110378921 B CN110378921 B CN 110378921B CN 201910661154 A CN201910661154 A CN 201910661154A CN 110378921 B CN110378921 B CN 110378921B
- Authority
- CN
- China
- Prior art keywords
- data
- boundary
- gray level
- layer
- occurrence matrix
- 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.)
- Active
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000007667 floating Methods 0.000 title claims abstract description 28
- 239000000758 substrate Substances 0.000 title claims abstract description 25
- 239000000284 extract Substances 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 29
- 238000001514 detection method Methods 0.000 claims description 12
- 230000008030 elimination Effects 0.000 claims description 11
- 238000003379 elimination reaction Methods 0.000 claims description 11
- 239000010802 sludge Substances 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 235000002566 Capsicum Nutrition 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 235000016761 Piper aduncum Nutrition 0.000 claims description 3
- 235000017804 Piper guineense Nutrition 0.000 claims description 3
- 235000008184 Piper nigrum Nutrition 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000035515 penetration Effects 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 238000000518 rheometry Methods 0.000 claims description 2
- 238000002224 dissection Methods 0.000 claims 2
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000005188 flotation Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 84
- 238000000605 extraction Methods 0.000 description 24
- 239000013049 sediment Substances 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 241000722363 Piper Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Abstract
本发明公开一种基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法,该方法利用灰度共生矩阵实现粗提取,并结合浮泥流变特性分析层界之间相关性从而识别不同底质层界,提取到层界线。该层界识别方法结合浮泥流变特性与灰度共生矩阵算法,可以准确描述底质分布情况,快速自动识别层界线,智能化提取航道底质层界。
Description
技术领域
本发明属于海洋测绘领域,具体涉及基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法。
背景技术
海底底质层界是海洋工程建设、海洋资源勘探以及海洋科学研究等领域的重要研究内容,准确快速分类底质层界是海洋测绘调查的前提,对海洋强国战略实施有着积极的推动作用。浅地层剖面仪(Sub-bottom Profiler System,SBP)利用水声学原理探测浅地层剖面结构,因其效率高、成本低、地层分辨能力极强等优点常常用于海底底质层界剖面数据探测。如何快速、准确的从浅剖探测数据中识别各层底质层界,是进行海底底质层界分类的关键。
目前,浅剖数据底质层界识别分为人工识别提取和通过算法智能提取两种方法。人工识别提取层界线是一个依靠操作人员主观识别层界边缘的过程,主要依赖于操作人员的主观判断,提取结果往往会存在诸多误差。为了实现底质层界的准确、智能提取,许多相关领域学者进行了大量的研究,文献淮海工学院学报公开“利用浅剖探测数据提取航道淤泥层及其程序实现”,其依据声波在各个层界之间的不同反射特征,采用信号分析方法并结合相关钻孔资料实现了淤泥层层界的准确识别,但提取结果受探测信号影响,对信号噪声消除的要求高。文献“浅地层剖面数据精处理关键技术研究”通过边缘检测和膨胀运算初步提取底质层界线,并进行后续取舍与优化处理实现底质层界的提取,但从仅按图像处理方法进行实验,提取的层界线连续性不高。
发明内容
本发明针对大多数现有层界提取方法没有充分结合层界特性与图像纹理特征的问题,提出的一种基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法,该方法利用灰度共生矩阵实现粗提取,并结合浮泥流变特性分析层界之间相关性从而识别不同底质层界,提取到层界线。该层界识别方法结合浮泥流变特性与灰度共生矩阵算法,可以准确描述底质分布情况,快速自动识别层界线,智能化提取航道底质层界。
为了实现上述目的,本发明采用的技术方案如下:
基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法,其特征在于,包括步骤如下:
S1数据收集:利用浅地层剖面仪收集数据,生成浅剖图像;
S2数据预处理:
a:拉依达(3σ)准则检测出数据中某ping含有非极大值,将所有ping序列数据作均值化运算后,均值数据按其标准偏差的三倍确定某一区间,如果均值数据的残余误差超过该区间认为该ping数据含非极大值,需予以剔除;
b:在非极大值消除后的浅剖数据基础上,先后采用均值滤波和中值滤波抑制噪声点;
S3层界提取:
a:灰度共生矩阵算法粗提取层界线,利用灰度共生矩阵计算图像特征矩阵,计算纹理特征值之前,为减少灰度共生矩阵的统计工作量,在不丢失图像信息的基础上可将256级的纹理数据压缩成16级;其次在16级压缩图像上构造一个一定大小基准窗口,统计灰度值为i,坐标为(x1,y1)与偏离该点角度为0°,45°,90°,135°方向上,间隔为1的灰度j点在整个灰度矩阵中出现的次数,将所有可能出现的情况统计成一个矩阵,该矩阵就是灰度共生矩阵,完成一个基准窗口的计算后,将基准窗口按一步间隔移动,从左到右,从上到下,直到遍历完整幅图像,四个方向上统计的灰度共生矩阵可计算得到四个相同类型的特征值,会导致统计的纹理特征数量繁多,使用时极其不便,一般对四个方向的特征值取均值构成一个特征矩阵;
在层界边缘,由于纹理灰度的突变,因此边缘处的能量特征值大小有着显著特征;统计层界边缘的能量特征值,设定阈值范围,获取到层界边缘矢量点;
b:联合浮泥流变特性方法连接层界线,针对浮泥的流变,建立起各种流变模型,利用联合流变特性的层界连接方法反复预判、识别层界矢量点连接,并随着ping序列的增加而不断前进,从左及右,从上层至下层界面,提取全部可识别层界线。
优选地,S1中采用SES-2000 Light Plus型参量阵探测型浅地层剖面仪采集数据,浅地层剖面仪发射脉冲类型为CW、Richer,脉冲频率50/s,工作水深为0.5m-400m,最深穿透能力40m,浅剖图像横轴为ping数,纵轴为深度。
优选地,S2中ping数据剔除方法是求取其均值代替含有非极大值的ping数据,并进行迭代检测与剔除,直至检测数据不存在非极大值。
优选地,S2中均值滤波为选定某一元素点为中心,创建一个n*n的基准窗口,该窗口覆盖中心元素点的附近元素,取其灰度均值作为中心元素的灰度值,并滑动遍历完整幅图像;高斯噪声出现坐标随机,其均值为0,使用均值滤波对浅剖数据中高斯噪声进行消除。
优选地,S2中值滤波则是选取某一元素,以该元素为中心点,取该元素附近n*n范围内的灰度数据为一个基准窗口,将窗口中的元素按灰度大小排序,取中间的元素值作为中心元素的值;中值滤波算法可以较完整的保留图像的细节,消除图像中的椒盐噪声。
优选地,利用灰度共生矩阵计算特征值包括但不限于常用的特征值有角二阶矩、对比度、熵、相关性。
从而可以得到以下有益效果:
本发明通过分析航道浅剖数据统计灰度共生矩阵,计算特征值粗略提取层界边缘;对其以联合浮泥流变特性方法智能识别并连接成线。该方法优势表现在以下方面:
对浅剖数据预处理,通过拉依达(3σ)准则剔除非极大值,中值+均值滤波方法抑制数据噪声,预处理后浅剖图像更加清晰,层界划分明显,数据真实可靠。
利用灰度共生矩阵算法,计算纹理特征值矩阵,由层界边缘灰度突变现象,对特征矩阵设定阈值提取边缘层界矢量点。边缘点位符合层界分布趋势,与层界走势相吻合。
通过联合流变特性的层界连接方法智能识别同一层界的边缘矢量点,连接成线;表1为实例中人工提取结果与该发明提取层界精度比较,实例结果表明:提取结果准确可靠,识别方法有效可行。
本发明通过分析航道浅剖数据统计灰度共生矩阵,计算特征值粗略提取层界边缘;对其以联合浮泥流变特性方法智能识别并连接成线。该方法优势表现在以下方面:
对浅剖数据预处理,通过拉依达(3σ)准则剔除非极大值,中值+均值滤波方法抑制数据噪声,预处理后浅剖图像更加清晰,层界划分明显,数据真实可靠。
利用灰度共生矩阵算法,计算纹理特征值矩阵,由层界边缘灰度突变现象,对特征矩阵设定阈值提取边缘层界矢量点。边缘点位符合层界分布趋势,与层界走势相吻合。
通过联合流变特性的层界连接方法智能识别同一层界的边缘矢量点,连接成线;表1为实例中人工提取结果与该发明提取层界精度比较,实例结果表明:提取结果准确可靠,识别方法有效可行。
表1 人工与智能提取层界深度、厚度偏差对比
相对于人工提取层界方法而言,本文方法实现了底质层界的智能识别,可以快速自动识别层界线,智能化提取航道底质层界。效率和精度都有着非常明显的提高。
与其他人工识别方法比较而言,本文方法不仅仅只从信号、图像方面对浅剖数据进行分析,而且充分考虑到了层界底质的特性,联合流变特性的提取方法,是一个新的探索。
通过实例证明,基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法充分挖掘了纹理特征与层界特性,大大提高了识别的准确度,实现了航道底质层界线的智能识别提取。
附图说明
以下结合附图对本发明做进一步详细描述。
图1是非极大值检测图像。
图2是剔除非极大值前后的ping均值序列图像。
图3是进行滤波图像。
图4是中值滤波后图像。
图5是利用中值滤波算法抑制了高斯噪声图像。
图6是能量特征矩阵图像
图7是熵特征矩阵图像。
图8是相关性特征矩阵图像。
图9是惯性矩特征矩阵图像。
图10是层界边缘点位图像。
图11是智能提取层界线图像。
图12是方法实施流程图。
图13是层界连接流程图。
具体实施方式
下面结合附图对本发明做进一步的说明:
如图1-13所示,本发明提出的基于浮泥流变特性与灰度共生矩阵的航道层界智能识别方法可分为数据预处理和层界提取两大部分。
1)数据预处理:
浅地层剖面仪在数据采集工作过程中,由于受到船只震动、鱼群游荡以及海流干扰,不可避免的存在非极大值和相关噪声,导致浅剖图像出现局部模糊、失真等现象,无法准确描述海底层界之间的分布情况。采用拉依达(3σ)准则与均+中值滤波可有效探测并剔除非极大值以及图像噪声。
a、非极大值消除:
一组原始浅剖探测数据中某ping含有非极大值,按照统计学原理,将所有ping序列数据作均值化运算后,对均值序列按一定大小的窗口进行滑动,如公式1所示,每个滑动窗口的均值数据按其标准偏差的三倍确定某一区间,如若窗口中均值数据的残余误差超过该区间认为该ping数据含非极大值,需予以剔除。
含有非极大值的ping数据剔除方法,求取其均值代替含有非极大值的ping数据,并进行迭代检测与剔除,直至检测数据不存在非极大值。
b、均+中值滤波:
在非极大值消除后的浅剖数据基础上,先后采用均值滤波和中值滤波抑制噪声点。
均值滤波为选定某一元素点为中心,创建一个n*n的基准窗口,该窗口覆盖中心元素点的附近元素,取其灰度均值作为中心元素的灰度值,并滑动遍历完整幅图像。高斯噪声出现坐标随机,其均值为0,使用均值滤波对浅剖数据中高斯噪声进行消除。
中值滤波则是一种基于排列统计原理消除图像噪声的非线性滤波算法。其基本原理与均值滤波类似;选取某一元素,以该元素为中心点,取该元素附近n*n范围内的灰度数据为一个基准窗口,将窗口中的元素按灰度大小排序,取中间的元素值作为中心元素的值。中值滤波算法可以较完整的保留图像的细节,消除图像中的椒盐噪声。
2)层界提取:
经过预处理过的浅剖数据可进行层界线的提取。提取步骤由两部分组成,分别为利用灰度共生矩阵算法粗提取层界线、联合浮泥流变特性方法连接层界线。
a、 灰度共生矩阵算法粗提取层界线:
灰度共生矩阵是基于统计学原理对图像像素对的空间分布进行统计的方法,是一种常用的纹理特征提取方法。
为减少灰度共生矩阵的统计工作量,在不丢失图像信息的基础上可将256级的纹理数据压缩成16级。在16级压缩图像上构造一个一定大小基准窗口,统计灰度值为i,坐标为(x1,y1)与偏离该点角度为0°,45°,90°,135°方向上,间隔为1的灰度j点在整个灰度矩阵中出现的次数,将所有可能出现的情况统计成一个矩阵,该矩阵就是灰度共生矩阵。灰度共生矩阵一般不直接用于描述纹理,而是利用灰度共生矩阵计算特征值。常用的特征值有角二阶矩、对比度、熵、相关性等。
完成一个基准窗口的计算后,将基准窗口按一步间隔移动,从左到右,从上到下,直到遍历完整幅图像,四个方向上统计的灰度共生矩阵可计算得到四个相同类型的特征值,会导致统计的纹理特征数量繁多,使用时极其不便,一般对四个方向的特征值取均值构成一个特征矩阵。在层界边缘,由于纹理灰度的突变,因此边缘处的能量特征值大小有着显著特征。统计层界边缘的能量特征值,设定阈值范围,获取到层界边缘矢量点。
b、 联合浮泥流变特性方法连接层界线:
流变特性是由于浮泥受到外部力作用下发生的较为复杂的流动或变形现象。针对浮泥的流变,现已建立起了各种流变模型,根据泥沙的物理性质不同而适用于不同浮泥流变现象。Herschel-Bulkley模型是一般用来描述伪塑性体,表示为
若n=1,则为宾汉模型,研究表明,宾汉模型描述浮泥流变特性最为合适,简化方程为
结合匀速运动模型
每前进1ping,竖直分量上浮泥运动距离为
联立两式:
联立两式为标准判识边缘矢量点相关性,根据不同密度浮泥宾汉屈服应力;粘滞系数;并按矢量点分布统计剪应变速率。联合浮泥流变特性的层界连接方法反复预判、识别层界矢量点连接,并随着ping序列的增加而不断前进,从左及右,从上层至下层界面,提取全部可识别层界线。
利用SES-2000 Light Plus型参量阵探测型浅地层剖面仪采集连云港港航道浅地层剖面数据,该款浅地层剖面仪发射脉冲类型为CW、Richer,脉冲频率50/s,工作水深为0.5m-400m,最深穿透能力40m。选取采集的其中一组典型数据,如图1所示,生成横轴为ping数,纵轴为深度的浅剖图像。该探测数据共2600ping。
第一步:利用拉依达(3σ)准则方法检测出22ping数据存在非极大值,计算ping数据均值序列成图如2所示,红色为非极大值剔除前数据折线,蓝色为经过三次迭代检测并剔除了所有含有非极大值的ping数据折线。取需剔除数据相邻ping灰度均值替换,实现了非极大值剔除。
第二步:采用均值滤波和中值滤波两种算法以3*3大小的窗口对经过第一步剔除非极大值的浅剖数据(图3所示)进行滤波,抑制数据中的噪声点。图4为中值滤波后图像,因海水产生的噪声和部分层界间噪声得到有效抑制。在其基础上利用中值滤波算法抑制了高斯噪声(如图5)。
第三步:利用灰度共生矩阵计算图像特征矩阵。首先,计算纹理特征值之前,为减少灰度共生矩阵的统计工作量,在不丢失图像信息的基础上可将256级的纹理数据压缩成16级。其次在16级压缩图像上构造一个一定大小基准窗口,本实验设立基准窗口大小为7*7。统计获取基准窗口内灰度值在0°,45°,90°,135°方向上,间隔为1的灰度相关性统计量构成灰度共生矩阵,在灰度共生矩阵基础上计算纹理特征值。完成一个基准窗口的计算后,将基准窗口按一步间隔移动,从左到右,从上到下,直到遍历完整幅图像,对四个方向的特征值取均值构成一个特征矩阵。如图6为能量特征矩阵图像,层界纹理清晰,辨识度高。图7和图8 分别为熵特征矩阵与相关性特征矩阵图像,层界纹理辨识度较高,但层界间杂乱特征元素较多,与图6相比,层界描述不够准确。图9为惯性矩特征矩阵,由图可知,该特征图像不能很好地表达海底底质层界分布状况。本实验选择图12能量特征矩阵作为层界线提取特征矩阵。
第四步:在层界边缘,由于纹理灰度的突变,因此边缘处的能量特征值大小有着显著特征。统计层界边缘的能量特征值,设定阈值范围为0.8~1.0,获取到层界边缘矢量点(如图10所示),利用联合流变特性的层界连接方法,选取四个相邻矢量点坐标作为起始点,根据求解预报模型,作一步预报下一ping边缘点在竖直方向上的预报坐标,在该ping上下15个像元范围内自动搜寻与预报点最近的点位(如不存在,则将预报点设为所求点位),两两连接成线,构成完整层界线。层界连接效果如图11所示,连接线与层界起伏规律相符合,并弥补了断裂,缺失的局部边缘。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (7)
1.基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法,其特征在于,包括步骤如下:
S1数据收集:利用浅地层剖面仪收集数据,生成浅剖图像;
S2数据预处理:
a:拉依达准则检测出数据中ping的非极大值,将所有ping序列数据作均值化运算后,均值数据按其标准偏差的三倍确定一区间,如果均值数据的残余误差超过该区间认为该ping数据含非极大值,需予以剔除;
b:在非极大值消除后的浅剖数据基础上,先后采用均值滤波和中值滤波抑制噪声点;
S3层界提取:
a:灰度共生矩阵算法粗提取层界线,利用灰度共生矩阵计算图像特征矩阵;
在层界边缘,由于纹理灰度的突变,因此边缘处的能量特征值大小有着显著特征;统计层界边缘的能量特征值,设定阈值范围,获取到层界边缘矢量点;
b:联合浮泥流变特性方法连接层界线,针对浮泥的流变,建立起流变模型,利用联合流变特性的层界连接方法反复预判、识别层界矢量点连接,并随着ping序列的增加而不断前进,从左及右,从上层至下层界面,提取全部可识别层界线。
2.根据权利要求1所述的基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法,其特征在于:S1中采用SES-2000 Light Plus型参量阵探测型浅地层剖面仪采集数据,浅地层剖面仪发射脉冲类型为CW、Richer,脉冲频率50/s,工作水深为0.5m-400m,最深穿透能力40m,浅剖图像横轴为ping数,纵轴为深度。
3.根据权利要求1所述的基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法,其特征在于:S2中ping数据剔除方法是求取其均值代替含有非极大值的ping数据,并进行迭代检测与剔除,直至检测数据不存在非极大值。
4.根据权利要求1所述的基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法,其特征在于:S2中均值滤波为选定一元素点为中心,创建一个n*n的基准窗口,该窗口覆盖中心元素点的附近元素,取其灰度均值作为中心元素的灰度值,并滑动遍历完整幅图像;高斯噪声出现坐标随机,其均值为0,使用均值滤波对浅剖数据中高斯噪声进行消除。
5.根据权利要求1所述的基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法,其特征在于:S2中值滤波则是选取一元素,以该元素为中心点,取该元素附近n*n范围内的灰度数据为一个基准窗口,将窗口中的元素按灰度大小排序,取中间的元素值作为中心元素的值;中值滤波算法可以较完整的保留图像的细节,消除图像中的椒盐噪声。
6.根据权利要求1所述的基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法,其特征在于:利用灰度共生矩阵计算特征值包括常用的特征值有角二阶矩、对比度、熵、相关性。
7.根据权利要求1所述的基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法,其特征在于:S3层界提取计算纹理特征值之前,为减少灰度共生矩阵的统计工作量,在不丢失图像信息的基础上可将256级的纹理数据压缩成16级;其次在16级压缩图像上构造一个一定大小基准窗口,统计灰度值为i,坐标为(x1,y1)与偏离该点角度为0°,45°,90°,135°方向上,间隔为1的灰度j点在整个灰度矩阵中出现的次数,将所有可能出现的情况统计成一个矩阵,该矩阵就是灰度共生矩阵,完成一个基准窗口的计算后,将基准窗口按一步间隔移动,从左到右,从上到下,直到遍历完整幅图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910661154.8A CN110378921B (zh) | 2019-07-22 | 2019-07-22 | 基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910661154.8A CN110378921B (zh) | 2019-07-22 | 2019-07-22 | 基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378921A CN110378921A (zh) | 2019-10-25 |
CN110378921B true CN110378921B (zh) | 2023-03-14 |
Family
ID=68254717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910661154.8A Active CN110378921B (zh) | 2019-07-22 | 2019-07-22 | 基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378921B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110716234B (zh) * | 2019-11-07 | 2021-10-19 | 中国科学院声学研究所东海研究站 | 一种用于海底底质识别的声学数据获取方法 |
CN111709386B (zh) * | 2020-06-22 | 2023-05-12 | 中国科学院空天信息创新研究院 | 一种水下浅地层剖面图像底质分类方法及系统 |
CN111738277B (zh) * | 2020-06-22 | 2023-06-23 | 黄河勘测规划设计研究院有限公司 | 一种水下浅地层剖面图像特征提取方法及系统 |
CN111965698B (zh) * | 2020-08-28 | 2021-04-23 | 广州海洋地质调查局 | 一种浅地层层界提取方法及处理终端 |
CN112546671B (zh) * | 2020-12-16 | 2022-06-28 | 中国计量大学上虞高等研究院有限公司 | 一种基于机器视觉分液识别的连续萃取控制装置和方法 |
CN115542331B (zh) * | 2022-09-23 | 2023-04-07 | 江苏海洋大学 | 一种基于浅剖声强数据的淤泥层厚度自动提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530641A (zh) * | 2013-09-30 | 2014-01-22 | 西安空间无线电技术研究所 | 一种高速实时图像共生矩阵角二阶距的实现方法 |
CN108428239A (zh) * | 2018-03-20 | 2018-08-21 | 东南大学 | 基于图像纹理特征提取的智能割草机边界识别方法 |
CN108665468A (zh) * | 2017-11-10 | 2018-10-16 | 三峡大学 | 一种基于降维灰度纹理-形状矩阵提取直线塔绝缘子串的装置及方法 |
CN108802727A (zh) * | 2018-04-13 | 2018-11-13 | 长沙理工大学 | 一种顾及流变参数的时序InSAR公路形变监测模型及解算方法 |
-
2019
- 2019-07-22 CN CN201910661154.8A patent/CN110378921B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530641A (zh) * | 2013-09-30 | 2014-01-22 | 西安空间无线电技术研究所 | 一种高速实时图像共生矩阵角二阶距的实现方法 |
CN108665468A (zh) * | 2017-11-10 | 2018-10-16 | 三峡大学 | 一种基于降维灰度纹理-形状矩阵提取直线塔绝缘子串的装置及方法 |
CN108428239A (zh) * | 2018-03-20 | 2018-08-21 | 东南大学 | 基于图像纹理特征提取的智能割草机边界识别方法 |
CN108802727A (zh) * | 2018-04-13 | 2018-11-13 | 长沙理工大学 | 一种顾及流变参数的时序InSAR公路形变监测模型及解算方法 |
Non-Patent Citations (1)
Title |
---|
基于图像处理技术的浅地层层界划分方法;赵建虎等;《中国矿业大学学报》;20160315(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110378921A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378921B (zh) | 基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法 | |
CN110378308B (zh) | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 | |
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 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN110443128B (zh) | 一种基于surf特征点精确匹配的指静脉识别方法 | |
CN103903237B (zh) | 一种前扫声纳图像序列拼接方法 | |
CN110208859A (zh) | 基于超声成像的油基泥浆井裂缝定量参数智能计算方法 | |
CN108985304B (zh) | 一种基于浅剖数据的沉积层结构自动提取方法 | |
CN109211198A (zh) | 一种基于三目视觉的智能目标检测和测量系统及方法 | |
CN102830404A (zh) | 基于距离像的激光成像雷达地面目标识别方法 | |
CN104700420A (zh) | 基于Hough变换的椭圆检测方法、系统和虫卵识别方法 | |
CN111080696A (zh) | 一种基于计算机视觉的水下海参识别及定位方法 | |
CN101551467A (zh) | 一种基于边界检测的初至波自动拾取方法 | |
CN107563296B (zh) | 基岩海岸岸线的提取方法及系统 | |
CN114627367A (zh) | 一种侧扫声呐图像的海底线探测方法 | |
CN110728691B (zh) | 一种基于多时相水边线的海岸线自动判别方法 | |
CN108537116A (zh) | 一种基于多尺度特征的海岸线二级类型提取方法及系统 | |
CN114743059B (zh) | 一种综合地形地貌特征的海底地理实体自动分类方法 | |
CN115640546A (zh) | 一种图像与特征信息融合的岩性识别方法 | |
Huvenne et al. | Detailed mapping of shallow-water environments using image texture analysis on sidescan sonar and multibeam backscatter imagery | |
CN113589294A (zh) | 一种水下浅地层剖面数据的处理方法、系统、设备及介质 | |
Fakiris et al. | Sonar Class: A MATLAB toolbox for the classification of side scan sonar imagery, using local textural and reverberational characteristics | |
Wang et al. | Bottom Tracking Method Based on LOG/Canny and the Threshold Method for Side-scan Sonar. | |
CN111046726A (zh) | 一种基于ai智能视觉的水下海参识别及定位方法 |
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 |