CN111738277A - 一种水下浅地层剖面图像特征提取方法及系统 - Google Patents
一种水下浅地层剖面图像特征提取方法及系统 Download PDFInfo
- Publication number
- CN111738277A CN111738277A CN202010572716.4A CN202010572716A CN111738277A CN 111738277 A CN111738277 A CN 111738277A CN 202010572716 A CN202010572716 A CN 202010572716A CN 111738277 A CN111738277 A CN 111738277A
- Authority
- CN
- China
- Prior art keywords
- shallow
- water body
- characteristic quantity
- interface line
- characteristic
- 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
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- 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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种水下浅地层剖面图像特征提取方法及系统。该方法包括:确定浅地层剖面图像中的水体底质界面线、水体底质界面层和浅表层剖面;由水体底质界面线确定浅地层剖面图像的界面线特征量;界面线特征量表示水体底质界面线的复杂度;由水体底质界面层确定浅地层剖面图像的界面层特征量;界面层特征量为水体底质界面层的灰度均值;由浅表层剖面确定浅地层剖面图像的浅表层剖面特征量;浅表层剖面特征量包括浅表层剖面的灰度统计特征和浅表层剖面的垂向纹理特征;将界面线特征量、界面层特征量和浅表层剖面特征量确定为水下浅地层剖面图像的特征提取结果。本发明能够高效、准确地实现水下浅地层剖面图像的特征提取。
Description
技术领域
本发明涉及图像特征提取技术领域,特别是涉及一种水下浅地层剖面图像特征提取方法及系统。
背景技术
浅地层剖面系统主要由浅地层剖面仪主机、记录计算机、缆线、电源构成的甲板系统和载有换能器的水下拖鱼以及拖缆构成,并配有用于定位的GPS设备,有时还会使用回声测深仪获取高精度的海底高程信息,以进行浅地层剖面测量结果的校准。
浅地层剖面仪进行数据采集时,换能器以特定方式向其正下方海底发射一定频率的声脉冲,该声脉冲在海水和沉积层中传播,在声阻抗存在一定差异的相邻两层界面处发生反射和透射,一部分能量形成反射信号到达换能器被记录下来,另一部分能量发生透射继续向下传输,在每个界面都以同样的方式透射、反射并被记录,直到返回的声脉冲能量衰减至无法检测。海底声脉冲形成的回波信号按时间顺序依次返回,被换能器接收并转化为电信号传递给主机,经过信号的解算得到浅地层剖面的回波强度采样信息。
浅地层剖面原始数据一般以呯(Ping)为单位记录每一次声脉冲返回的声反射信号时间序列,再通过变换得到回波信号的振幅,按照一定的色彩映射规则按照Ping序列号依次排列可形成浅层剖面图像。
浅地层剖面图像主要反映两类海底特性,一是海底地形起伏,据此可判断是否有突出于平均海底面的特殊地物;二是海底剖面的声阻抗特性,据此可区分其扫描的正下方区域底质类型及其变化。浅地层剖面图像可为基于侧扫声呐和多波束系统图像的海洋底质分类提供更多的参考信息,既可作为海底自动分类的依据,也可作为分类结果的验证数据。而在海底自动分类时,地层剖面图像特征提取尤为重要。
浅地层剖面仪获取的水底浅层剖面图像主要通过点状、线状或面状元素体现底质的垂直分布特点。目前,基于浅层剖面图像的底质分类主要采用人工经验判读方法,少数利用计算机辅助分层或通过灰度转假彩色方法显示地层结构,因此,目前缺乏一种能够高效、准确地实现水下浅地层剖面图像特征提取的方法,以用于实现浅层剖面图像的底质的自动分类。
发明内容
基于此,有必要提供一种水下浅地层剖面图像特征提取方法及系统,以高效、准确地实现水下浅地层剖面图像的定量化特征提取。
为实现上述目的,本发明提供了如下方案:
一种水下浅地层剖面图像特征提取方法,包括:
获取浅地层剖面图像;所述浅地层剖面图像是由多列子图像构成;所述子图像包括连续的多呯声反射信号时间序列;
确定所述浅地层剖面图像中的水体底质界面线、水体底质界面层和浅表层剖面;所述水体底质界面线为所述浅地层剖面图像中表示水体的像素与表示底质的像素之间的分界线;所述水体底质界面层为所述浅地层剖面图像中,位于所述水体底质界面线之下设定宽度范围内的像素构成的层;
由所述水体底质界面线确定所述浅地层剖面图像的界面线特征量;所述界面线特征量表示所述水体底质界面线的复杂度;所述水体底质界面线的复杂度采用所述水体底质界面线上各目标分界点与对应邻域内的所有分界点连线的斜率值的标准差表示;所述目标分界点为所述水体底质界面线上任意一个分界点;
由所述水体底质界面层确定所述浅地层剖面图像的界面层特征量;所述界面层特征量为所述水体底质界面层的灰度均值;
由所述浅表层剖面确定所述浅地层剖面图像的浅表层剖面特征量;所述浅表层剖面特征量包括所述浅表层剖面的灰度统计特征和所述浅表层剖面的垂向纹理特征;
将所述界面线特征量、所述界面层特征量和所述浅表层剖面特征量确定为水下浅地层剖面图像的特征提取结果。
可选的,在所述将所述界面线特征量、所述界面层特征量和所述浅表层剖面特征量确定为水下浅地层剖面图像的特征提取结果之后,还包括:
基于距离算法对所述特征提取结果进行聚类,得到多个特征簇;每个所述特征簇内的特征量之间的距离均小于设定距离;
从各所述特征簇内均任选一个特征量组成特征量集合;
将所述特征量集合确定为水下浅地层剖面图像的特征筛选结果。
可选的,在所述将所述特征量集合确定为水下浅地层剖面图像的特征筛选结果之后,还包括:
采用全局搜索算法或最大相关最小冗余算法,对所述特征筛选结果进行特征选择,得到水下浅地层剖面图像的特征选择结果。
可选的,所述基于距离算法对所述特征提取结果进行聚类,得到多个特征簇,具体包括:
计算所述特征提取结果中每两个特征量之间的相关系数;
依据所述相关系数,采用凝聚层次聚类算法对所述特征提取结果进行聚类,得到多个特征簇。
可选的,所述由所述水体底质界面线确定所述浅地层剖面图像的界面线特征量,具体包括:
由所述水体底质界面线,计算目标分界点与目标分界点邻域内的分界点连线的斜率,
其中,kid为目标分界点(xi,yi)与目标分界点邻域内的分界点(xi+d,yi+d)连线的斜率,xi为水体底质界面线上的第i个分界点的所属序列标号,yi为水体底质界面线上的第i个分界点对应的水深值,xi+d为水体底质界面线上的第i+d个分界点的所属序列标号,yi+d为水体底质界面线上的第i+d个分界点对应的水深值,d为(xi,yi)与(xi+d,yi+d)相距的列数;
由目标分界点与目标分界点邻域内的所有分界点连线的斜率,计算分界点连线斜率的均值,
其中,μi为分界点连线斜率的均值,w为目标分界点的邻域;
由目标分界点与目标分界点邻域内的所有分界点连线的斜率以及所述分界点连线斜率的均值,计算标准差,
其中,si为目标分界点与其邻域内各分界点连线斜率的标准差,si表征水体底质界面线的复杂度。
本发明还提供了一种水下浅地层剖面图像特征提取系统,包括:
图像获取模块,用于获取浅地层剖面图像;所述浅地层剖面图像是由多列子图像构成;所述子图像包括连续的多呯声反射信号时间序列;
分层模块,用于确定所述浅地层剖面图像中的水体底质界面线、水体底质界面层和浅表层剖面;所述水体底质界面线为所述浅地层剖面图像中表示水体的像素与表示底质的像素之间的分界线;所述水体底质界面层为所述浅地层剖面图像中,位于所述水体底质界面线之下设定宽度范围内的像素构成的层;
界面线特征量确定模块,用于由所述水体底质界面线确定所述浅地层剖面图像的界面线特征量;所述界面线特征量表示所述水体底质界面线的复杂度;所述水体底质界面线的复杂度采用所述水体底质界面线上各目标分界点与对应邻域内的所有分界点连线的斜率值的标准差表示;所述目标分界点为所述水体底质界面线上任意一个分界点;
界面层特征量确定模块,用于由所述水体底质界面层确定所述浅地层剖面图像的界面层特征量;所述界面层特征量为所述水体底质界面层的灰度均值;浅表层剖面特征量模块,用于由所述浅表层剖面确定所述浅地层剖面图像的浅表层剖面特征量;所述浅表层剖面特征量包括所述浅表层剖面的灰度统计特征和所述浅表层剖面的垂向纹理特征;
特征提取结果确定模块,用于将所述界面线特征量、所述界面层特征量和所述浅表层剖面特征量确定为水下浅地层剖面图像的特征提取结果。
可选的,所述水下浅地层剖面图像特征提取系统还包括:
聚类模块,用于基于距离算法对所述特征提取结果进行聚类,得到多个特征簇;每个所述特征簇内的特征量之间的距离均小于设定距离;
特征量集合确定模块,用于从各所述特征簇内均任选一个特征量组成特征量集合;
特征筛选结果确定模块,用于将所述特征量集合确定为水下浅地层剖面图像的特征筛选结果。
可选的,所述水下浅地层剖面图像特征提取系统还包括:
特征选择模块,用于采用全局搜索算法或最大相关最小冗余算法,对所述特征筛选结果进行特征选择,得到水下浅地层剖面图像的特征选择结果。
可选的,所述聚类模块,具体包括:
相关系数计算单元,用于计算所述特征提取结果中每两个特征量之间的相关系数;
特征簇确定单元,用于依据所述相关系数,采用凝聚层次聚类算法对所述特征提取结果进行聚类,得到多个特征簇。
可选的,所述界面线特征量确定模块,具体包括:
斜率计算单元,用于由所述水体底质界面线,计算目标分界点与目标分界点邻域内的分界点连线的斜率,
其中,kid为目标分界点(xi,yi)与目标分界点邻域内的分界点(xi+d,yi+d)连线的斜率,xi为水体底质界面线上的第i个分界点的所属序列标号,yi为水体底质界面线上的第i个分界点对应的水深值,xi+d为水体底质界面线上的第i+d个分界点的所属序列标号,yi+d为水体底质界面线上的第i+d个分界点对应的水深值,d为(xi,yi)与(xi+d,yi+d)相距的列数;
均值计算单元,用于由目标分界点与目标分界点邻域内的所有分界点连线的斜率,计算分界点连线斜率的均值,
其中,μi为分界点连线斜率的均值,w为目标分界点的邻域;;
标准差计算单元,用于由目标分界点与目标分界点邻域内的所有分界点连线的斜率以及所述分界点连线斜率的均值,计算标准差,
其中,Si为目标分界点与其邻域内各分界点连线斜率的标准差,Si表征水体底质界面线的复杂度。
与现有技术相比,本发明的有益效果是:
本发明提出了一种水下浅地层剖面图像特征提取方法及系统。该方法包括:确定浅地层剖面图像中的水体底质界面线、水体底质界面层和浅表层剖面;由水体底质界面线确定浅地层剖面图像的界面线特征量;界面线特征量表示水体底质界面线的复杂度;由水体底质界面层确定浅地层剖面图像的界面层特征量;界面层特征量为水体底质界面层的灰度均值;由浅表层剖面确定浅地层剖面图像的浅表层剖面特征量;浅表层剖面特征量包括浅表层剖面的灰度统计特征和浅表层剖面的垂向纹理特征(通过灰度共生矩阵GLCM衍生的特征量);将界面线特征量、界面层特征量和浅表层剖面特征量确定为水下浅地层剖面图像的特征提取结果。本发明能够高效、准确地实现水下浅地层剖面图像的特征提取,进而实现浅层剖面图像的底质的自动分类,提高底质分类的效率和精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1一种水下浅地层剖面图像特征提取方法的流程图;
图2为本发明实施例2水下浅地层剖面图像层界检测结果图;
图3为本发明实施例2浅层剖面图像特征示意图;
图4为本发明实施例2两类底质的水体底质界面线的复杂度曲线图;
图5为本发明实施例2强风化砂岩和淤泥质粘土两类底质的浅表层剖面内灰度值的垂向变化规律图;
图6为本发明实施例2浅层剖面图像12个特征量的特征聚类结果图;
图7为本发明实施例3一种水下浅地层剖面图像特征提取系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明实施例一种水下浅地层剖面图像特征提取方法的流程图。
参见图1,本实施例的水下浅地层剖面图像特征提取方法,包括:
步骤S1:获取浅地层剖面图像;所述浅地层剖面图像是由多列子图像构成;所述子图像包括连续的多呯声反射信号时间序列。
步骤S2:确定所述浅地层剖面图像中的水体底质界面线、水体底质界面层和浅表层剖面。
所述水体底质界面线为所述浅地层剖面图像中表示水体的像素与表示底质的像素之间的分界线;所述水体底质界面层为所述浅地层剖面图像中,位于所述水体底质界面线之下设定宽度范围内的像素构成的层;所述水体底质界面层的厚度与所述浅地层剖面图像的数据源有关,通常大于1像素且小于整个剖面图像高度的5%,可约1~10像素。
该步骤中,采用“人工判别层界检测方法”,或采用比较成熟的图像边缘检测算法(如Roberts、Sobel、Prewitt、Laplacian、Canny等自动边缘检测算法)对所述浅地层剖面图像的各层进行划分。
步骤S3:由所述水体底质界面线确定所述浅地层剖面图像的界面线特征量;所述界面线特征量表示所述水体底质界面线的复杂度;所述水体底质界面线的复杂度采用所述水体底质界面线上各目标分界点与对应邻域内的所有分界点连线的斜率值的标准差表示。
所述目标分界点为所述水体底质界面线上任意一个分界点。
所述步骤S3,具体包括:
31)由所述水体底质界面线,计算目标分界点与目标分界点邻域内的分界点连线的斜率,
其中,kid为目标分界点(xi,yi)与目标分界点邻域内的分界点(xi+d,yi+d)连线的斜率,xi为水体底质界面线上的第i个分界点的所属序列标号,yi为水体底质界面线上的第i个分界点对应的水深值,xi+d为水体底质界面线上的第i+d个分界点的所属序列标号,yi+d为水体底质界面线上的第i+d个分界点对应的水深值,d为(xi,yi)与(xi+d,yi+d)相距的列数。
32)由目标分界点与目标分界点邻域内的所有分界点连线的斜率,计算分界点连线斜率的均值,
其中,μi为分界点连线斜率的均值,w为目标分界点的邻域。
33)由目标分界点与目标分界点邻域内的所有分界点连线的斜率以及所述分界点连线斜率的均值,计算标准差,
其中,si为目标分界点与其邻域内各分界点连线斜率的标准差,si表征水体底质界面线的复杂度。
步骤S4:由所述水体底质界面层确定所述浅地层剖面图像的界面层特征量;所述界面层特征量为所述水体底质界面层的灰度均值。
步骤S5:由所述浅表层剖面确定所述浅地层剖面图像的浅表层剖面特征量;所述浅表层剖面特征量包括所述浅表层剖面的灰度统计特征和所述浅表层剖面的垂向纹理特征。
所述浅表层剖面的灰度统计特征为所述浅表层剖面的灰度均值;所述浅表层剖面的垂向纹理特征为设定θ=90°,计算灰度共生矩阵(GLCM),然后根据GLCM计算的9个特征量,其分别为浅表层剖面的角二阶矩、对比度、相关系数、逆差矩、同质性、熵、方差、簇阴影和簇显著性。
具体的,图像的垂向纹理特征用灰度共生矩阵(GLCM)表示,其定义为灰度分别为i和j,连线与水平正方向夹角为θ,距离为d的两个像素在整个图像中出现的频率pij(d,θ)构成的矩阵。其表达式如下:
pij(d,θ)=#{(k,l),(m,n)∈(Ly×Lx)|ρ((k,l),(m,n))=d,
A((k,l),(m,n))=θ,f(k,l)=i,f(m,n)=j}
其中,#为计数符号,Lx和Ly分别表示图像的水平和垂直宽度范围,(k,l)和(m,n)表示两个像素在图像中的坐标,ρ((k,l),(m,n))表示这两个像素之间的距离,A((k,l),(m,n))表示这两个像素连线与水平正方向(通常为水平向右方向)的夹角,f(k,l)和f(m,n)分别表示其对应的灰度值,pij(d,θ)为整个图像中满足等式右侧条件的像素个数。若图像的灰度级为N,则其生成的GLCM大小即为N×N。
当给定距离d和夹角θ时,相应的GLCM元素以下用p(i,j)表示(i,j∈[1,N]),定义GLCM的行元素与列元素之和构成的数组分别为px和py,即
对p(i,j)进行统计,则得到整个图像的特征,特征表达式如下:
1)角二阶矩(Angular Second Moment,ASM)/能量(Energy)
角二阶矩也被称作能量,GLCM中元素的取值越集中,即图像某方向上的灰度值一致性越大,则角二阶矩的值越大。
2)对比度/反差度(Contrast,CONT)
GLCM的对比度可衡量图像中某方向上灰度值的差异,灰度差异性越大则对比度越大。
3)相关系数(Correlation,CORR)
其中,μx和μy分别表示数组px和py的均值,σx和σy分别表示数组px和py的标准差。GLCM的相关系数可衡量图像中像素灰度的线性相关性,在图像中的某方向上,像素灰度值的线性变化规律越明显则相关系数越大。
4)逆差矩/惯性矩(Inverse Difference Moment,IDM)
逆差矩也称为“惯性矩”,可衡量图像的局部均一性。图像中具有相同或相近灰度值的区域越多,则逆差矩越大。
5)同质性(Homogeneity,HOM)
图像中具有相同或相近灰度值的区域越多,则表示同质性越好。
6)熵(Entropy,ENT)
GLCM的熵可衡量图像纹理的随机性,图像中的纹理分布越无规律或者同质性越差则GLCM的熵越大。
7)方差(Variance,VAR)
GLCM的方差可衡量图像的异质性(Heterogeneity),这种特征与同质性(Homogeneity)相反,图像某方向上的像素灰度值偏离其平均值越大则方差越大。GLCM的方差不具有空间频率属性,因此其方差与对比度不同,即方差越大对比度越大,反之则不一定成立。
8)簇阴影(Cluster Shade,CSHA)
GLCM的簇阴影可衡量GLCM的偏度(Skewness),图像灰度分布的不对称性越强,则簇阴影的值越大。
9)簇显著性(Cluster Prominence,CPRO)
GLCM的簇显著性可衡量GLCM元素的集中度,图像的灰度值变化越大,则簇显著性的值越大。
GLCM特征的提取需要规定统计共生的两个像素之间的距离d(单位为像素)和其连线与水平方向的夹角θ,基于水下底质空间分布的尺度考虑,取d=5像素,θ=90°计算灰度共生矩阵。然后,分别计算上述9个特征量,它们分别是:角二阶矩、对比度、相关系数、逆差矩、同质性、熵、方差、簇阴影、簇显著性。
步骤S6:将所述界面线特征量、所述界面层特征量和所述浅表层剖面特征量确定为水下浅地层剖面图像的特征提取结果。
作为一种可选的实施方式,在所述步骤S6之后,还包括:
基于距离算法对所述特征提取结果进行聚类,得到多个特征簇;每个所述特征簇内的特征量之间的距离均小于设定距离。具体为:计算所述特征提取结果中每两个特征量之间的相关系数;依据所述相关系数,采用凝聚层次聚类算法对所述特征提取结果进行聚类,得到多个特征簇。
从各所述特征簇内均任选一个特征量组成特征量集合。
将所述特征量集合确定为水下浅地层剖面图像的特征筛选结果。
作为一种可选的实施方式,在所述将所述特征量集合确定为水下浅地层剖面图像的特征筛选结果之后,还包括:
采用全局搜索算法或最大相关最小冗余算法,对所述特征筛选结果进行特征选择,得到水下浅地层剖面图像的特征选择结果。
本实施例提供的水下浅地层剖面图像特征提取方法能够高效、准确地实现水下浅地层剖面图像的特征提取,进而实现浅层剖面图像的底质的自动分类,提高底质分类的效率和精度。
下面提供了一个更为具体的实施方式。
实施例2
本实施例提供的一种水下浅地层剖面图像特征提取方法包括如下步骤:
步骤一:浅地层剖面图像特征定量描述
在提取浅层剖面图像特征前,需要先对浅地层剖面图像分层,即判读浅地层剖面图像所描述的水体-底质界面线和各界面层之间的分界线,如图2所示。由于水底浅层剖面图像的特殊性,图像的每一列是单独获取的,每列称为一个呯(Ping)单元。图2中横坐标表示序列号,纵坐标表示水深值。
然后,可提取下列图像特征量。
(1)水体-底质界面线的复杂度(界面线特征量)
浅层剖面图像中的水体-底质界面线可描绘水底地形剖面特征,界面线平滑且横向连接性越好,则表明水底越平坦或起伏越小。假设判读出的水体-底质界面线上各点坐标用(xi,yi)表示,其中xi表示分界点的水平坐标(Ping序列号),即分界点的所属序列标号,yi表示分界点的水深值(i=1,2,…,n,n为浅层剖面图像的列数),经过点(xi,yi)到与之相距为d列的分界点(xi+d,yi+d)的直线斜率为:
实验表明,受到水体-底质界面线提取误差的影响,相邻两点(即d=1)的连线斜率变化规律性差,无法衡量某点(xi,yi)所处水底表面的复杂度。因此,本实施例提出新的界面线复杂度的度量指标:在给定的邻域w内,距离分界点(xi,yi)距离不大于w的所有分界点与该分界点连线斜率kid的标准差si。以si作为该点的复杂度指标,公式如下:
其中,μi为分界点(xi,yi)与邻域w内所有分界点连线的斜率的均值,即分界点均值。分界点标准差si越大表明分界点(xi,yi)附近的界面线起伏越大,复杂度越高;反之,si越小表明起伏越小,复杂度越低。
图3为本发明实施例2浅层剖面图像特征示意图。图4展示了两类底质的水体底质界面线的复杂度曲线。其中,图3中左侧方框(a)内的表层底质为强风化砂岩,该框的水体底质界面线及其复杂度曲线分别如图4的(a)部分所示,图4的(a)部分中竖直的线表示海水-底质界面深度,曲线表示界面线复杂度;图3中右侧方框(b)内的表层底质为淤泥质粘土,该框的水体底质界面线及其复杂度曲线分别如图4的(b)部分所示,图4的(b)部分中竖直的线表示海水-底质界面深度,曲线表示界面线复杂度。
(2)水体-底质界面层的灰度均值(界面层特征量)
在浅层剖面图像中,水体-底质界面处往往存在一层较薄的强反射层,称之为“界面层”。界面层上方的入射介质均为水体,该层内回波信号的强度不同则意味着水底表层的声阻抗不同,因此界面层的灰度值可作为分辨不同底质类型的指标之一。本实施例取该层的灰度均值作为界面层的特征量,灰度均值的计算原理为
n为图像灰度级减1,例如,图像灰度级为256,则n=255;ri为相应的灰度值;p(ri)为图像灰度值ri出现的概率或频率;灰度均值相当于灰度值的一阶原点矩。
(3)浅表层剖面内的灰度均值(浅表层剖面的灰度统计特征)
浅层剖面图像中,在水体-底质界面层以下一般为表层底质的剖面图像,称之为“浅表层剖面”,该剖面的厚度反映了表层介质的厚度,其灰度值则反映了表层介质内部的声阻抗特性。对于不同的表层底质,其对应的剖面层图像灰度值、灰度值相近区域的聚集、分散或平行分布特征也会有所不同。其中,最为显著的特征之一是浅表层剖面内的灰度均值,其计算原理同上式。
(4)9个浅表层剖面内的垂直方向纹理特征(浅表层剖面的垂向纹理特征)
浅表层剖面的另一显著特征是其灰度的垂直方向纹理。根据浅地层剖面仪的工作原理可知,声信号在地层内传播过程中受到介质层体散射影响会出现强度的衰减,在浅层剖面图像中则反映为层内灰度值的垂直梯度变化。声信号强度随深度衰减越快则图像灰度值的垂直梯度越大,反之,衰减越慢则灰度值的垂直梯度越小。声信号衰减的程度与介质类型有关,因此灰度垂直梯度不同的区域表明剖面介质类型不同。一般来说,泥底质具有较高的孔隙度和含水量,对声信号的反射和衰减作用较小,透射能力较强;砂底质则有较大的反射和衰减作用,透射能力较弱。利用图像的灰度共生矩阵(GLCM)可以确定图像特定方向的纹理分布情况,本实施例提取GLCM的9个特征量,分别是:角二阶矩、对比度、相关系数、逆差矩、同质性、熵、方差、簇阴影、簇显著性。对于GLCM的方向角θ,取θ=-90°,即以水平向下方向统计不同灰度像元之间的共生关系,共生的两个像元之间的距离d应根据浅层剖面图像的垂直分辨率确定。图5的(a)部分和(b)部分分别展示了强风化砂岩和淤泥质粘土两类底质的浅表层剖面内灰度值的垂向变化规律。
本实施中还将来自渤海某实验区浅层剖面图像作为样本数据,用于浅层剖面图像特征提取。首先,根据预处理结果随机提取了强风化砂岩、卵石、淤泥质粘土、粉砂共4类底质各30段剖面图像,每段图像包含50Ping数据用于上述12个特征量的提取。在采用上述步骤一完成了浅地层剖面图像的特征提取,最终得到海底浅地层剖面图像的界面线特征量、界面层特征量、浅表层剖面的灰度统计特征和浅表层剖面的垂向纹理特征4类特征量,这四类特征共包含12个特征量形成初始地形特征集合,如表1所示。为了进一步提高提取的特征的准确性,以更好的用于后期分类,在此基础上,对着12个特征量形成初始地形特征集合进行进一步的特征筛选。
表1初始地形特征集合
上表中海水底质界面线代表海底表面,采用“_LS”作为符号尾部标记;海水-底质界面层是在浅层剖面图像中海水-底质界面以下存在的一层较薄的强反射层,采用“_L0”作为符号尾部标记;海水-底质界面层以下为海洋表层底质体散射形成的浅表层剖面层,采用“_L1”作为符号尾部标记。
步骤二:浅地层剖面图像特征筛选。
对于底质分类等应用,用于分类的特征量应尽量避免相关,以降低一些分类算法过度训练的可能性,此外,采用过多的特征量将带来信息冗余和巨大的计算量成本,这对于分类算法的应用是不利的,而过少的特征量又无法提供足够多的信息用于分类,影响分类结果的精度。因此,本实施例给出了一种基于相关性聚类的特征筛选方法以达到消除高度相关的特征量、减少分类计算成本的目的,其主要过程包括4部分:数据归一化、特征量相关性评价、基于相关性指标的特征聚类和基于聚类结果的特征筛选。
(1)数据归一化
步骤一得到的各类特征量是基于不同的统计方法得到的,因此,各特征量的值域和量纲存在差异。为了消除这种差异性便于数据比较,应对数据进行归一化。
数据统计中常用的归一化方法包括:最值归一化方法(Min-Max Normalization,MMN)、标准分数归一化方法(z-Score Normalization,ZSN)、中值归一化方法(MedianNormalization,MDN)等,本实施例采用最值归一化方法,即最大最小值归一化,计算方法如下:
其中,X为原始特征量值,Xmax、Xmin分别为原始特征量中的最大、最小值,X*为特征量归一化后的结果。MMN方法将各特征量线性变换至[0,1]区间,且仅需记录每个原始特征量的最大、最小值即可随时将归一化后的数据还原。
(2)特征量的相关性评价
本实施例根据这些特征量归一化后的数据特点,采用了Speraman相关系数进行评价,其计算公式如下:
(3)基于相关性指标的特征聚类
特征聚类的目的是将相关性较高的特征量聚集在一起,并认为其在某种程度上可以相互替代。凝聚层次聚类是一种典型的聚类方法,其策略是以每一个对象作为一个簇(Cluster),根据一定的规则将这些簇逐步合并为更大的簇,直到所有对象全部合并或满足某个终止条件为止。凝聚层次聚类的核心问题是确定簇合并的规则,即定义簇之间的距离,并以距离越近的簇越优先合并。上文给出特征量之间的相关系数rs(x,y)的计算方法,因此可直接以如下公式作为特征量之间的距离定义:
d(x,y)=1-rs(x,y),
其中,x、y(x≠y)表示任意两个被度量的特征量,rs(x,y)为其相关系数。因为有-1≤rs(x,y)≤1,所以根据d(x,y)的定义可知两个特征量之间的正相关性越强则其距离越近,负相关性越强则其距离越远。基于相关系数的凝聚层次聚类算法可描述如下:
Step1:以每一个特征量作为初始簇,根据相关系数rs(x,y)计算两特征量之间的距离d(x,y)。
Step2:在d(x,y)中找到距离最小的值dmin(x,y)及其对应的两个特征量簇x、y;将其合并为一个新的簇z。
Step3:若合并的特征量簇z不包含所有的初始簇,则重新计算z与其他未被包含的簇之间的相关系数,更新距离矩阵中的d(x,y)。
Step4:重复Step2至Step3,直到合并的簇z包含所有的初始簇,或者距离矩阵d(x,y)的所有元素都小于给定的阈值Td。
(4)基于聚类结果的特征筛选
设定阈值Td,并列举该阈值水平下完成合并的各簇所包含的所有初始特征量,并认为在该阈值水平下合并为同一簇的每个初始特征量均可代表整个簇。从各簇中筛选一个初始特征量作为代表,淘汰其它特征量,由此筛选出的特征量集合即为筛选后的特征集合。特征筛选可带有一定的经验性,通常以便于计算为准则,有时也应考虑所选特征量对异常数据的敏感性。根据上述公式可知,通常情况下阈值Td越低保留的特征量越多。
本实施例中,在上一步骤得到初始地形特征集合的基础上,计算初始地形特征集合中任意两个特征量的Spearman相关系数可得到行列数为12×12的相关系数矩阵。再根据该步骤中描述的算法,同样取阈值Td=0.2对12个浅层剖面图像特征量进行聚类,结果如图6所示。
以上结果表明,表1给出的12个特征量可合并为5项,其中,浅表层剖面(L1)的垂向GLCM纹理特征量之间具有较强的相关性。基于计算的便利性,本文筛选出的5个特征量如下(不分先后顺序):界面线的复杂度(Complexity_LS)、界面层的灰度均值(Mean_L0)、浅表层剖面的灰度均值(Mean_L1),以及浅表层剖面垂向方向的GLCM同质性(GLCM_HOM_L1)和对比度(GLCM_CONT_L1)。各个聚类包含的初始特征量以及经过特征筛选保留的特征量如表2所示。为了进一步提高提取的特征的准确性,以更好的用于后期分类,在此基础上,对这5个特征量形成特征筛选集合进行进一步的特征选择。
表2浅层剖面图像12个特征量的特征筛选结果
步骤三:浅地层剖面图像特征选择
特征选择是从一组特征中挑选出一些最有效的特征以降低特征空间维数的过程。在基于多特征的图像分类过程中,特征选择也是关键问题之一。不论是采用监督分类(Supervised Classification)还是非监督分类(Unsupervised Classification)策略,所选特征子集是否包含与类别无关或冗余的特征量将直接影响分类效果。
本实施例中将上述步骤中得到的特征筛选结合作为初始集合,其中包含的浅层剖面图像特征量名称及编号如下:
1.界面线的复杂度(Complexity_LS);2.海水-底质界面层的灰度均值(Mean_L0);3.浅表层剖面内的灰度均值(Mean_L1);浅表层剖面垂向方向的GLCM特征:4.同质性(GLCM_HOM_L1),5.对比度(GLCM_CONT_L1)。
由于筛选后的浅层剖面图像特征量较少,因此本实施例直接采用全局搜索算法计算最优特征组合,结果如表3所示:
表3特征选择结果
由上表可知,采用浅层剖面图像的上述全部5个特征量所得的分类精度最高。
本实施例提供的水下浅地层剖面图像特征提取方法能够高效、准确地实现水下浅地层剖面图像的特征提取,进而实现浅层剖面图像的底质的自动分类,提高底质分类的效率和精度。
实施例3
本发明还提供了一种水下浅地层剖面图像特征提取系统,图7为本发明实施例3一种水下浅地层剖面图像特征提取系统的结构示意图。
参见图7,本实施例中的水下浅地层剖面图像特征提取系统,包括:
图像获取模块701,用于获取浅地层剖面图像;所述浅地层剖面图像是由多列子图像构成;所述子图像包括连续的多呯声反射信号时间序列。
分层模块702,用于确定所述浅地层剖面图像中的水体底质界面线、水体底质界面层和浅表层剖面。所述水体底质界面线为所述浅地层剖面图像中表示水体的像素与表示底质的像素之间的分界线;所述水体底质界面层为所述浅地层剖面图像中,位于所述水体底质界面线之下设定宽度范围内的像素构成的层。
界面线特征量确定模块703,用于由所述水体底质界面线确定所述浅地层剖面图像的界面线特征量;所述界面线特征量表示所述水体底质界面线的复杂度;所述水体底质界面线的复杂度采用所述水体底质界面线上各目标分界点与对应邻域内的所有分界点连线的斜率值的标准差表示;所述目标分界点为所述水体底质界面线上任意一个分界点。
界面层特征量确定模块704,用于由所述水体底质界面层确定所述浅地层剖面图像的界面层特征量;所述界面层特征量为所述水体底质界面层的灰度均值。
浅表层剖面特征量模块705,用于由所述浅表层剖面确定所述浅地层剖面图像的浅表层剖面特征量;所述浅表层剖面特征量包括所述浅表层剖面的灰度统计特征和所述浅表层剖面的垂向纹理特征。
特征提取结果确定模块706,用于将所述界面线特征量、所述界面层特征量和所述浅表层剖面特征量确定为水下浅地层剖面图像的特征提取结果。
作为一种可选的实施方式,所述水下浅地层剖面图像特征提取系统还包括:
聚类模块,用于基于距离算法对所述特征提取结果进行聚类,得到多个特征簇;每个所述特征簇内的特征量之间的距离均小于设定距离。
特征量集合确定模块,用于从各所述特征簇内均任选一个特征量组成特征量集合。
特征筛选结果确定模块,用于将所述特征量集合确定为水下浅地层剖面图像的特征筛选结果。
作为一种可选的实施方式,所述水下浅地层剖面图像特征提取系统还包括:
特征选择模块,用于采用全局搜索算法或最大相关最小冗余算法,对所述特征筛选结果进行特征选择,得到水下浅地层剖面图像的特征选择结果。
作为一种可选的实施方式,所述聚类模块,具体包括:
相关系数计算单元,用于计算所述特征提取结果中每两个特征量之间的相关系数。
特征簇确定单元,用于依据所述相关系数,采用凝聚层次聚类算法对所述特征提取结果进行聚类,得到多个特征簇。
作为一种可选的实施方式,所述界面线特征量确定模块703,具体包括:
斜率计算单元,用于由所述水体底质界面线,计算目标分界点与目标分界点邻域内的分界点连线的斜率,
其中,kid为目标分界点(xi,yi)与目标分界点邻域内的分界点(xi+d,yi+d)连线的斜率,xi为水体底质界面线上的第i个分界点的所属序列标号,yi为水体底质界面线上的第i个分界点对应的水深值,xi+d为水体底质界面线上的第i+d个分界点的所属序列标号,yi+d为水体底质界面线上的第i+d个分界点对应的水深值,d为(xi,yi)与(xi+d,yi+d)相距的列数。
均值计算单元,用于由目标分界点与目标分界点邻域内的所有分界点连线的斜率,计算分界点连线斜率的均值,
其中,μi为分界点连线斜率的均值,w为目标分界点的邻域;;
标准差计算单元,用于由目标分界点与目标分界点邻域内的所有分界点连线的斜率以及所述分界点连线斜率的均值,计算标准差,
其中,si为目标分界点与其邻域内各分界点连线斜率的标准差,si表征水体底质界面线的复杂度。
本实施例提供的水下浅地层剖面图像特征提取系统能够高效、准确地实现水下浅地层剖面图像的特征提取,进而实现浅层剖面图像的底质的自动分类,提高底质分类的效率和精度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
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;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种水下浅地层剖面图像特征提取方法,其特征在于,包括:
获取浅地层剖面图像;所述浅地层剖面图像是由多列子图像构成;所述子图像包括连续的多呯声反射信号时间序列;
确定所述浅地层剖面图像中的水体底质界面线、水体底质界面层和浅表层剖面;所述水体底质界面线为所述浅地层剖面图像中表示水体的像素与表示底质的像素之间的分界线;所述水体底质界面层为所述浅地层剖面图像中,位于所述水体底质界面线之下设定宽度范围内的像素构成的层;
由所述水体底质界面线确定所述浅地层剖面图像的界面线特征量;所述界面线特征量表示所述水体底质界面线的复杂度;所述水体底质界面线的复杂度采用所述水体底质界面线上各目标分界点与对应邻域内的所有分界点连线的斜率值的标准差表示;所述目标分界点为所述水体底质界面线上任意一个分界点;
由所述水体底质界面层确定所述浅地层剖面图像的界面层特征量;所述界面层特征量为所述水体底质界面层的灰度均值;
由所述浅表层剖面确定所述浅地层剖面图像的浅表层剖面特征量;所述浅表层剖面特征量包括所述浅表层剖面的灰度统计特征和所述浅表层剖面的垂向纹理特征;
将所述界面线特征量、所述界面层特征量和所述浅表层剖面特征量确定为水下浅地层剖面图像的特征提取结果。
2.根据权利要求1所述的一种水下浅地层剖面图像特征提取方法,其特征在于,在所述将所述界面线特征量、所述界面层特征量和所述浅表层剖面特征量确定为水下浅地层剖面图像的特征提取结果之后,还包括:
基于距离算法对所述特征提取结果进行聚类,得到多个特征簇;每个所述特征簇内的特征量之间的距离均小于设定距离;
从各所述特征簇内均任选一个特征量组成特征量集合;
将所述特征量集合确定为水下浅地层剖面图像的特征筛选结果。
3.根据权利要求2所述的一种水下浅地层剖面图像特征提取方法,其特征在于,在所述将所述特征量集合确定为水下浅地层剖面图像的特征筛选结果之后,还包括:
采用全局搜索算法或最大相关最小冗余算法,对所述特征筛选结果进行特征选择,得到水下浅地层剖面图像的特征选择结果。
4.根据权利要求2所述的一种水下浅地层剖面图像特征提取方法,其特征在于,所述基于距离算法对所述特征提取结果进行聚类,得到多个特征簇,具体包括:
计算所述特征提取结果中每两个特征量之间的相关系数;
依据所述相关系数,采用凝聚层次聚类算法对所述特征提取结果进行聚类,得到多个特征簇。
5.根据权利要求1所述的一种水下浅地层剖面图像特征提取方法,其特征在于,所述由所述水体底质界面线确定所述浅地层剖面图像的界面线特征量,具体包括:
由所述水体底质界面线,计算目标分界点与目标分界点邻域内的分界点连线的斜率,
其中,kid为目标分界点(xi,yi)与目标分界点邻域内的分界点(xi+d,yi+d)连线的斜率,xi为水体底质界面线上的第i个分界点的所属序列标号,yi为水体底质界面线上的第i个分界点对应的水深值,xi+d为水体底质界面线上的第i+d个分界点的所属序列标号,yi+d为水体底质界面线上的第i+d个分界点对应的水深值,d为(xi,yi)与(xi+d,yi+d)相距的列数;
由目标分界点与目标分界点邻域内的所有分界点连线的斜率,计算分界点连线斜率的均值,
其中,μi为分界点连线斜率的均值,w为目标分界点的邻域;
由目标分界点与目标分界点邻域内的所有分界点连线的斜率以及所述分界点连线斜率的均值,计算标准差,
其中,si为目标分界点与其邻域内各分界点连线斜率的标准差,si表征水体底质界面线的复杂度。
6.一种水下浅地层剖面图像特征提取系统,其特征在于,包括:
图像获取模块,用于获取浅地层剖面图像;所述浅地层剖面图像是由多列子图像构成;所述子图像包括连续的多呯声反射信号时间序列;
分层模块,用于确定所述浅地层剖面图像中的水体底质界面线、水体底质界面层和浅表层剖面;所述水体底质界面线为所述浅地层剖面图像中表示水体的像素与表示底质的像素之间的分界线;所述水体底质界面层为所述浅地层剖面图像中,位于所述水体底质界面线之下设定宽度范围内的像素构成的层;
界面线特征量确定模块,用于由所述水体底质界面线确定所述浅地层剖面图像的界面线特征量;所述界面线特征量表示所述水体底质界面线的复杂度;所述水体底质界面线的复杂度采用所述水体底质界面线上各目标分界点与对应邻域内的所有分界点连线的斜率值的标准差表示;所述目标分界点为所述水体底质界面线上任意一个分界点;
界面层特征量确定模块,用于由所述水体底质界面层确定所述浅地层剖面图像的界面层特征量;所述界面层特征量为所述水体底质界面层的灰度均值;
浅表层剖面特征量模块,用于由所述浅表层剖面确定所述浅地层剖面图像的浅表层剖面特征量;所述浅表层剖面特征量包括所述浅表层剖面的灰度统计特征和所述浅表层剖面的垂向纹理特征;
特征提取结果确定模块,用于将所述界面线特征量、所述界面层特征量和所述浅表层剖面特征量确定为水下浅地层剖面图像的特征提取结果。
7.根据权利要求6所述的一种水下浅地层剖面图像特征提取系统,其特征在于,还包括:
聚类模块,用于基于距离算法对所述特征提取结果进行聚类,得到多个特征簇;每个所述特征簇内的特征量之间的距离均小于设定距离;
特征量集合确定模块,用于从各所述特征簇内均任选一个特征量组成特征量集合;
特征筛选结果确定模块,用于将所述特征量集合确定为水下浅地层剖面图像的特征筛选结果。
8.根据权利要求7所述的一种水下浅地层剖面图像特征提取系统,其特征在于,还包括:
特征选择模块,用于采用全局搜索算法或最大相关最小冗余算法,对所述特征筛选结果进行特征选择,得到水下浅地层剖面图像的特征选择结果。
9.根据权利要求7所述的一种水下浅地层剖面图像特征提取系统,其特征在于,所述聚类模块,具体包括:
相关系数计算单元,用于计算所述特征提取结果中每两个特征量之间的相关系数;
特征簇确定单元,用于依据所述相关系数,采用凝聚层次聚类算法对所述特征提取结果进行聚类,得到多个特征簇。
10.根据权利要求6所述的一种水下浅地层剖面图像特征提取系统,其特征在于,所述界面线特征量确定模块,具体包括:
斜率计算单元,用于由所述水体底质界面线,计算目标分界点与目标分界点邻域内的分界点连线的斜率,
其中,kid为目标分界点(xi,yi)与目标分界点邻域内的分界点(xi+d,yi+d)连线的斜率,xi为水体底质界面线上的第i个分界点的所属序列标号,yi为水体底质界面线上的第i个分界点对应的水深值,xi+d为水体底质界面线上的第i+d个分界点的所属序列标号,yi+d为水体底质界面线上的第i+d个分界点对应的水深值,d为(xi,yi)与(xi+d,yi+d)相距的列数;
均值计算单元,用于由目标分界点与目标分界点邻域内的所有分界点连线的斜率,计算分界点连线斜率的均值,
其中,μi为分界点连线斜率的均值,w为目标分界点的邻域;;
标准差计算单元,用于由目标分界点与目标分界点邻域内的所有分界点连线的斜率以及所述分界点连线斜率的均值,计算标准差,
其中,si为目标分界点与其邻域内各分界点连线斜率的标准差,si表征水体底质界面线的复杂度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010572716.4A CN111738277B (zh) | 2020-06-22 | 2020-06-22 | 一种水下浅地层剖面图像特征提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010572716.4A CN111738277B (zh) | 2020-06-22 | 2020-06-22 | 一种水下浅地层剖面图像特征提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738277A true CN111738277A (zh) | 2020-10-02 |
CN111738277B CN111738277B (zh) | 2023-06-23 |
Family
ID=72650281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010572716.4A Active CN111738277B (zh) | 2020-06-22 | 2020-06-22 | 一种水下浅地层剖面图像特征提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738277B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9092691B1 (en) * | 2014-07-18 | 2015-07-28 | Median Technologies | System for computing quantitative biomarkers of texture features in tomographic images |
CN107688180A (zh) * | 2017-07-28 | 2018-02-13 | 河南工程学院 | 基于探地雷达的活动断裂浅地表层空间分布探测方法 |
CN110378921A (zh) * | 2019-07-22 | 2019-10-25 | 江苏海洋大学 | 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 |
-
2020
- 2020-06-22 CN CN202010572716.4A patent/CN111738277B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9092691B1 (en) * | 2014-07-18 | 2015-07-28 | Median Technologies | System for computing quantitative biomarkers of texture features in tomographic images |
CN107688180A (zh) * | 2017-07-28 | 2018-02-13 | 河南工程学院 | 基于探地雷达的活动断裂浅地表层空间分布探测方法 |
CN110378921A (zh) * | 2019-07-22 | 2019-10-25 | 江苏海洋大学 | 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 |
Non-Patent Citations (1)
Title |
---|
孟皓凡;蒋廷臣;杨志翔;张俊杰;杨雯彦;王圣;: "基于流变特性与纹理特征的底质层界智能识别", 海洋测绘, no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
CN111738277B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709386B (zh) | 一种水下浅地层剖面图像底质分类方法及系统 | |
Marsh et al. | Neural network classification of multibeam backscatter and bathymetry data from Stanton Bank (Area IV) | |
CN109086824B (zh) | 一种基于卷积神经网络的海底底质声呐图像分类方法 | |
Preston | Automated acoustic seabed classification of multibeam images of Stanton Banks | |
Ji et al. | Seabed sediment classification using multibeam backscatter data based on the selecting optimal random forest model | |
CN110969624A (zh) | 一种激光雷达三维点云分割方法 | |
CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
CN111709487B (zh) | 基于决策级融合的水下多源声学图像底质分类方法及系统 | |
CN113643275B (zh) | 一种基于无监督流形分割的超声波缺陷检测方法 | |
CN109214084A (zh) | 孔压静力触探海底土层划分方法及系统 | |
CN112861919A (zh) | 一种基于改进YOLOv3-tiny的水下声纳图像目标检测方法 | |
Zhu et al. | DNN-based seabed classification using differently weighted MBES multifeatures | |
EP3938814A1 (en) | Automated facies classification from well logs | |
Blondel | Segmentation of the Mid-Atlantic Ridge south of the Azores, based on acoustic classification of TOBI data | |
Sun et al. | Probabilistic neural network based seabed sediment recognition method for side-scan sonar imagery | |
CN103425992A (zh) | 一种基于合成孔径声纳图像的海底底质分类方法及系统 | |
CN111738277B (zh) | 一种水下浅地层剖面图像特征提取方法及系统 | |
Fakiris et al. | Quantification of regions of interest in swath sonar backscatter images using grey-level and shape geometry descriptors: The TargAn software | |
CN108388899A (zh) | 一种基于纹理特征与形状特征相融合的水声图像特征提取方法 | |
CN115880189B (zh) | 一种海底地形多波束点云滤波方法 | |
CN107330569A (zh) | 基于模拟退火的静力触探土层自动识别方法 | |
Xiong et al. | Singularity-exponent-domain image feature transform | |
CN111738278B (zh) | 一种水下多源声学图像特征提取方法及系统 | |
CN111738332B (zh) | 基于特征级融合的水下多源声学图像底质分类方法及系统 | |
CN113673355A (zh) | 一种海浪波谱仪回波波形分类方法 |
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 |