CN111738332A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111738332A CN111738332A CN202010572722.XA CN202010572722A CN111738332A CN 111738332 A CN111738332 A CN 111738332A CN 202010572722 A CN202010572722 A CN 202010572722A CN 111738332 A CN111738332 A CN 111738332A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- landform
- submarine
- stratum
- 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
- 239000000758 substrate Substances 0.000 title claims abstract description 131
- 230000004927 fusion Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000011218 segmentation Effects 0.000 claims abstract description 117
- 238000012876 topography Methods 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 51
- 238000003709 image segmentation Methods 0.000 claims abstract description 15
- 238000013145 classification model Methods 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 175
- 239000010410 layer Substances 0.000 claims description 64
- 239000000463 material Substances 0.000 claims description 31
- 238000010845 search algorithm Methods 0.000 claims description 28
- 238000012216 screening Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000015572 biosynthetic process Effects 0.000 claims description 10
- 239000002344 surface layer Substances 0.000 claims description 9
- 238000010187 selection method Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 9
- 238000003066 decision tree Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000007635 classification algorithm Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 239000004576 sand Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007500 overflow downdraw method Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 239000004927 clay Substances 0.000 description 3
- 238000012850 discrimination method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- -1 gravels Substances 0.000 description 1
- 238000004770 highest occupied molecular orbital Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- 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]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了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。该方法包括:获取在统一空间坐标系下的海底地貌图像、海底地形图像和海底地层剖面图像;采用多分辨率图像分割算法对海底地貌图像进行分割;将海底地形图像、海底地层剖面图像分别与海底地貌分割图像叠加;提取海底地貌分割图像中每个地貌分割体的地貌特征、海底地形分割图像中每个地形分割体的地形特征和海底地层剖面分割图像中每个地层剖面分割体的地层特征;将地貌特征、地形特征和地层特征融合,得到融合特征量;将融合特征量输入至训练好的机器学习分类模型中,得到水下多源声学图像的底质分类结果。本发明能够实现水下底质的自动分类,且分类精度高。
Description
技术领域
本发明涉及水下声学图像分类技术领域,特别是涉及一种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。
背景技术
底质分类是指对海洋、湖泊、河流等水体底层物质(如泥、沙、粗砂、砾石、礁石等)的分类。水下底质分类对水下科学研究、资源开发、环境保护和水下维权具有重要意义。侧扫声呐、多波束声呐系统和浅地层剖面仪等多源探测是声学法底质分类的常用技术,通过对上述三类声学设备获取的多源声学图像进行分析和解译可实现底质类型的分类。
多源声学图像具有多维、多源、异构的特点,其提供的信息含义既有较大差别,又有良好的互补性。融合多源声学图像信息实现底质分类,具有单独使用任意一种或两种数据用于分类无法比拟的优势。这是因为侧扫声呐和多波束声呐系统可获取底质反向散射强度地貌图像、多波束声呐系统可获取水底地形合成地形图像(用不同灰度或色彩表示水底高程)、浅地层剖面仪可获取水底剖面声反射强度图像,即地层剖面图像。地貌、地形和地层剖面图像分别提供了水底二维、三维表面和三维剖面信息,三类数据的整合提供了多维度的声学特征信息,更有利于底质分类。
目前,现有的使用多源声学图像信息实现水下底质分类的方法有人工判别法、通用融合方法和图像融合方法。人工判别法是通过人工综合判读的方式对侧扫声呐、多波束和浅地层剖面等多源声学数据进行水下调查与底质分类,该方法已经在国内外水下调查工作中得到了广泛的应用,但这种方式的信息融合依赖判别人员的经验,判别过程不易回溯,且大范围应用时工作量巨大,分类精度与有待提高。多源声学图像信息的通用融合方法是建立在多源信息融合理论上的,其本质是实现多源、异构声学图像数据的空间集成,即将多源声学图像按照其空间关系集成在统一的坐标系下,该方法是以多源声学数据的集成框架研究为主,但是并未形成针对水下底质分类等具体应用为核心的融合方法及系统,无法实现基于多源声学图像信息的自动化水下底质分类。多源声学数据的图像融合方法更重要的目的是通过融合获取更高质量的图像数据或有用信息,其主要集中在数据层面融合多源声学图像以改善数据质量,对于浅地层剖面数据提供的海底地层剖面信息未能实现有效融合与利用。
由此可知,现有技术的本质是多维、多源、异构的各类声学图像数据集成而非信息融合,或者进行海底地貌、地形数据配准及图像融合以形成更优质的海底图像,然后采用以人工判别方法为主的方式进行水下底质分类,且现有技术的适用数据主要是海底地貌、地形数据中的一类或两类,对于第三类,即浅地层剖面数据未能实现有效融合与利用。因此,亟待一种能够满足水下底质的自动分类的应用需求,并提高水下底质自动分类精度的多源声学图像底质分类方法出现。
发明内容
基于此,有必要提供一种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,以实现水下底质的自动分类,提高水下底质自动分类的分类精度。
为实现上述目的,本发明提供了如下方案:
基于特征级融合的水下多源声学图像底质分类方法,包括:
获取海底地貌图像、海底地形图像和海底地层剖面图像;所述海底地貌图像、所述海底地形图像和所述海底地层剖面图像为在统一空间坐标系下的图像;
采用多分辨率图像分割算法对所述海底地貌图像进行分割,得到海底地貌分割图像;所述海底地貌分割图像包括多个地貌分割体;
将所述海底地形图像与所述海底地貌分割图像叠加,将所述海底地层剖面图像与所述海底地貌分割图像叠加,得到海底地形分割图像和海底地层剖面分割图像;所述海底地形分割图像包括多个地形分割体;所述海底地层剖面分割图像包括多个地层剖面分割体;
提取所述海底地貌分割图像中每个地貌分割体的地貌特征;所述地貌特征包括水底地貌的灰度统计特征、水底地貌的灰度共生矩阵特征、水底地貌的基于高阶统计量的不变矩特征和水底地貌的分形维数特征;
提取所述海底地形分割图像中每个地形分割体的地形特征;所述地形特征包括水底坡度统计特征、水底坡向统计特征、水底表面曲率统计特征和水底地表的分形维数特征;
提取所述海底地层剖面分割图像中每个地层剖面分割体的地层特征;所述地层特征包括界面线特征量、界面层特征量和表层剖面特征量;所述界面线特征量表示水体底质界面线的复杂度;所述界面层特征量为水体底质界面层的灰度均值;所述表层剖面特征量包括表层剖面的灰度统计特征和表层剖面的垂向纹理特征;
将所述地貌特征、所述地形特征和所述地层特征融合,得到融合特征量;
将所述融合特征量输入至训练好的机器学习分类模型中,得到水下多源声学图像的底质分类结果。
本发明还提供了基于特征级融合的水下多源声学图像底质分类系统,包括:
图像获取模块,用于获取海底地貌图像、海底地形图像和海底地层剖面图像;所述海底地貌图像、所述海底地形图像和所述海底地层剖面图像为在统一空间坐标系下的图像;
图像分割模块,用于采用多分辨率图像分割算法对所述海底地貌图像进行分割,得到海底地貌分割图像;所述海底地貌分割图像包括多个地貌分割体;
图像叠加模块,用于将所述海底地形图像与所述海底地貌分割图像叠加,将所述海底地层剖面图像与所述海底地貌分割图像叠加,得到海底地形分割图像和海底地层剖面分割图像;所述海底地形分割图像包括多个地形分割体;所述海底地层剖面分割图像包括多个地层剖面分割体;
地貌特征提取模块,用于提取所述海底地貌分割图像中每个地貌分割体的地貌特征;所述地貌特征包括水底地貌的灰度统计特征、水底地貌的灰度共生矩阵特征、水底地貌的基于高阶统计量的不变矩特征和水底地貌的分形维数特征;
地形特征提取模块,用于提取所述海底地形分割图像中每个地形分割体的地形特征;所述地形特征包括水底坡度统计特征、水底坡向统计特征、水底表面曲率统计特征和水底地表的分形维数特征;
地层特征提取模块,用于提取所述海底地层剖面分割图像中每个地层剖面分割体的地层特征;所述地层特征包括界面线特征量、界面层特征量和表层剖面特征量;所述界面线特征量表示水体底质界面线的复杂度;所述界面层特征量为水体底质界面层的灰度均值;所述表层剖面特征量包括表层剖面的灰度统计特征和表层剖面的垂向纹理特征;
融合模块,用于将所述地貌特征、所述地形特征和所述地层特征融合,得到融合特征量;
分类模块,用于将所述融合特征量输入至训练好的机器学习分类模型中,得到水下多源声学图像的底质分类结果。
与现有技术相比,本发明的有益效果是:
本发明提出了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。该方法首先获取在统一空间坐标系下的海底地貌图像、海底地形图像和海底地层剖面图像,基于对海底地貌图像的分割,得到海底地貌分割图像、海底地形分割图像和海底地层剖面分割图像;再提取海底地貌分割图像中每个地貌分割体的地貌特征、海底地形分割图像中每个地形分割体的地形特征和海底地层剖面分割图像中每个地层剖面分割体的地层特征,并将地貌特征、地形特征和地层特征融合,得到融合特征量;最后将融合特征量输入至训练好的机器学习分类模型中,得到水下多源声学图像的底质分类结果。本发明融合了地貌、地形和地层三种主题的数据,满足了水下底质的自动分类的应用需求,提高了水下底质自动分类的分类精度。
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基于特征级融合的水下多源声学图像底质分类方法的流程图;
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3基于特征级融合的水下多源声学图像底质分类系统的结构示意图。
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
参见图1,本实施例的基于特征级融合的水下多源声学图像底质分类方法,包括:
步骤S1:获取海底地貌图像、海底地形图像和海底地层剖面图像;所述海底地貌图像、所述海底地形图像和所述海底地层剖面图像为在统一空间坐标系下的图像。
步骤S2:采用多分辨率图像分割算法对所述海底地貌图像进行分割,得到海底地貌分割图像。所述海底地貌分割图像包括多个地貌分割体。
步骤S3:将所述海底地形图像与所述海底地貌分割图像叠加,将所述海底地层剖面图像与所述海底地貌分割图像叠加,得到海底地形分割图像和海底地层剖面分割图像。所述海底地形分割图像包括多个地形分割体;所述海底地层剖面分割图像包括多个地层剖面分割体。
步骤S4:提取所述海底地貌分割图像中每个地貌分割体的地貌特征;所述地貌特征包括水底地貌的灰度统计特征、水底地貌的灰度共生矩阵特征、水底地貌的基于高阶统计量的不变矩特征和水底地貌的分形维数特征。
步骤S5:提取所述海底地形分割图像中每个地形分割体的地形特征;所述地形特征包括水底坡度统计特征、水底坡向统计特征、水底表面曲率统计特征和水底地表的分形维数特征。
步骤S6:提取所述海底地层剖面分割图像中每个地层剖面分割体的地层特征;所述地层特征包括界面线特征量、界面层特征量和表层剖面特征量;所述界面线特征量表示水体底质界面线的复杂度;所述界面层特征量为水体底质界面层的灰度均值;所述表层剖面特征量包括表层剖面的灰度统计特征和表层剖面的垂向纹理特征。所述步骤S6,具体包括:
61)确定所述海底地层剖面分割图像中的水体底质界面线、水体底质界面层和表层剖面。
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。
62)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。该步骤具体包括:
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。
63)由所述水体底质界面层确定每个地层剖面分割体的界面层特征量。
64)由所述表层剖面确定每个地层剖面分割体的表层剖面特征量。
所述表层剖面特征量包括所述表层剖面的灰度统计特征和所述表层剖面的垂向纹理特征。
所述表层剖面的灰度统计特征为所述表层剖面的灰度均值;所述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。
65)将所述界面线特征量、所述界面层特征量和所述表层剖面特征量确定为所述海底地层剖面分割图像的地层特征。
步骤S7:将所述地貌特征、所述地形特征和所述地层特征融合,得到融合特征量。所述步骤S7,具体包括:
71)对所述地貌特征、所述地形特征和所述地层特征分别进行特征筛选。
该步骤,具体包括:
基于距离算法对所述地貌特征进行聚类,得到多个地貌特征簇;每个所述地貌特征簇内的特征量之间的距离均小于第一设定距离;从各所述地貌特征簇内均任选一个特征量组成地貌特征量集合。基于距离算法对所述地形特征进行聚类,得到多个地形特征簇;每个所述地形特征簇内的特征量之间的距离均小于第二设定距离;从各所述地形特征簇内均任选一个特征量组成地形特征量集合。基于距离算法对所述地层特征进行聚类,得到多个地层特征簇;每个所述地层特征簇内的特征量之间的距离均小于第三设定距离;从各所述地层特征簇内均任选一个特征量组成地层特征量集合。
72)对所述地貌特征量集合、所述地形特征量集合和所述地层特征量集合分别进行特征选择。该步骤,具体包括:
采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法,对所述地貌特征量集合进行特征选择,得到地貌特征选择集合。采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法,对所述地形特征量集合进行特征选择,得到地形特征选择集合。采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法,对所述地层特征量集合进行特征选择,得到地层特征选择集合。
73)对特征选择后的特征量进行特征融合。
将所述地貌特征选择集合、所述地形特征选择集合和所述地层特征选择集合融合,得到融合特征量。
步骤S8:将所述融合特征量输入至训练好的机器学习分类模型中,得到水下多源声学图像的底质分类结果。
实施例2
本实施例的基于特征级融合的水下多源声学图像底质分类方法的构思为:
(1)数据结构统一,即将原始的海底多源声学探测数据转化为声学图像,从而构成集成的声学探测空间数据库。常用的海底声学图像可按照主题不同分为海底地貌图像、海底地形图像和海底浅地层剖面图像。其中,海底地貌图像是指通过侧扫声呐或多波束声呐系统获取海底反向散射强度记录形成的灰度图像;海底地形图像是指通过多波束声呐系统获取的水底高程值并用灰度或色彩表示形成的地形图像;海底浅地层剖面图像是指通过浅地层剖面仪获取水底剖面声反射强度记录形成的灰度图像。上述不同主题的多源声学图像可通过各类声学设备自带的软件实现图像输出。
(2)空间坐标统一,即根据数据获取时的空间位置,确定不同主题的多源声学图像各像素对应的空间位置,包括经纬度坐标、海底高程或底质深度,从而将多源声学图像融合到统一坐标系下的数据库中。上述不同主题的多源声学图像各像素对应的空间位置可通过各类声学设备自带的软件得到。
(3)信息维度统一,即基于声学应用数据库中的海底多源声学图像数据进行特征提取、特征融合和特征分类,从而将具有不同空间维度的多源声学图像信息在特征空间或分类决策空间进行统一。上述特征提取、特征融合和特征分类过程可通过特定的特征提取、特征选择和基于特征的分类算法来实现。其中,基于融合的特征数据集进行水下底质分类可得到特征级融合的分类结果。
本实施例的基于特征级融合的水下多源声学图像底质分类方法的具体为:
步骤一:多源声学数据获取
将原始的海底多源声学探测数据转化为声学图像,从而构成集成的声学探测空间数据库。常用的海底声学图像可按照主题不同分为海底地貌图像、海底地形图像和海底浅地层剖面图像。其中,海底地貌图像是指通过侧扫声呐或多波束声呐系统获取海底反向散射强度记录形成的灰度图像;海底地形图像是指通过多波束声呐系统获取的水底高程值并用灰度或色彩表示形成的地形图像;海底浅地层剖面图像是指通过浅地层剖面仪获取水底剖面声反射强度记录形成的灰度图像。上述不同主题的多源声学图像可通过各类声学设备自带的软件实现图像输出。
步骤二:多源声学数据坐标换算
根据数据获取时的空间位置,确定不同主题的多源声学图像各像素对应的空间位置,包括经纬度坐标、海底高程或底质深度,从而将多源声学图像融合到统一坐标系下的数据库中。上述不同主题的多源声学图像各像素对应的空间位置可通过各类声学设备自带的软件得到。
步骤三:对海底地貌图像进行多尺度分割
本实施例采用多分辨率分割(Multiresolution Segmentation)算法进行海底地貌图像的多尺度分割,分割结果为相互独立的块状图斑,各图斑(分割体)将作为后续过程中特征提取和分类的基本单元。多分辨率分割算法是一种现有的分割算法,可采用eCognition影像分析软件实现。
将过上述步骤可得到海底地貌分割图像,再通过将海底地形图像与海底地貌分割图像叠加,由于水下地层剖面图像描述的是浅地层剖面仪垂直投影正下方的底质分层情况,因此将海底地层剖面图像对应的测量线与海底地貌分割图像叠加,得到海底地形分割图像和海底地层剖面分割图像。
步骤四:多源声学图像的特征提取
1、海底地貌分割图像的特征提取
本实施例中,主要从海底地貌分割图像中提取灰度统计特征、灰度共生矩阵特征、基于高阶统计量的不变矩特征和分形维数特征,共36个特征。具体的:第一类9个灰度统计特征,分别为:图像的灰度均值、图像的灰度标准差、图像灰度直方图的偏度、图像灰度直方图的峰度、图像灰度直方图的能量、图像灰度直方图的熵、图像灰度直方图的变异系数、图像灰度直方图的中位数、图像灰度直方图的四分位距;第二类18个灰度共生矩阵(GrayLevel Co-occurrence Matrix,GLCM)特征量,分别为:角二阶矩、对比度、相关系数、逆差矩、同质性、熵、方差、簇阴影、簇显著性这9个特征量在0°,45°,90°,135°共4个角度上的最大值、最小值(共18个特征量);第三类8个基于高阶统计量的不变矩特征;第四类1个基于盒计数法的分形维数特征。本实施例中的上述36个特征可以基于现有的计算方法得到,在此不再赘述。
2、海底地形分割图像的特征提取
海底地形图像主要来自多波束声呐系统测量得到的水深数据(Bathymetry),通过水深数据可构建水下数字表面模型(Digital Surface Model,DSM)。根据水下DSM可衍生计算坡度、坡向和曲率等数据以突出某些地形特征,这些数据一般是根据水底地形格网或图像的像素及其较小邻域计算得到的。本实施例提取海底地形分割图像的水底坡度(水底坡度的均值和水底坡度的标准差)、水底坡向(水底坡向标准差、水底坡向偏度、水底坡向的灰度共生矩阵的角二阶矩、对比度、相关系数和方差的各向最大值)、水底表面曲率(水底表面曲率的均值、水底表面曲率的标准差)和水底地表的分形维数特征,共11个特征。
(1)2个水底坡度(Slope)相关统计特征
坡度可用每个像素到与其相邻像素方向上高程值的最大变化率进行描述。例如,取一个像素周围的8像素邻域对应的高程值进行统计,该像素与邻域像元的高程差h与两像素距离d的比值h/d即为这两像素间的高程值变化率,在8像素邻域内找到最大的高程值变化率即为坡度,坡度角θ则可定义为:
θ=max{arctan(h/d)}。
坡度的绝对值越小表示地势越接近水平。坡度可较好地描述水底地形的起伏程度,对于礁石等造成水底起伏变化较大的底质具有较好的辨识能力,也可用于辨别平坦地形以推测砾石、泥等底质的分布。本实施例基于多波束测深数据计算水底坡度,并提取水底坡度的均值和水底坡度的标准差两类统计特征。
(2)6个坡向(Aspect)相关统计特征
坡向可被视为坡度的方向,即每个像素到其相邻像素方向上高程值变化率最大的下坡方向。坡向可用0°到360°的平面角度(与正北方向的夹角)表示。水底坡面的具体方向性并不易用于区分底质类型,但是从水底坡向图像中可以很清晰地识别礁石、沙波以及地质构造形成的地形褶皱,这表明坡向的纹理统计信息对礁石、沙波等与底质有关地形有较好的识别能力。本实施例基于多波束测深数据计算水底坡向,并提取坡向数据的标准差、偏度以及灰度共生矩阵的角二阶矩、对比度、相关系数和方差的各向最大值共6个特征量。
(3)2个曲率(Curvature)相关统计特征
对一个像素及其周围3×3窗口内的高程值进行多项式拟合,再对得到的表面多项式方程求二阶导数即得到地形的曲率。沿坡度方向的曲率称为剖面曲率(ProfileCurvature),垂直于坡度方向的曲率称为平面曲率(Planform Curvature)。曲率可用于描述水底凸起或凹陷的形状特征,曲率大于0表示表面上凸,小于0表示表面下凹。
曲率的绝对值越大表示表面变化越剧烈,曲率为0则表示表面平坦。从曲率图像中可以很清晰地识别礁石等底质类型。本实施例基于多波束测深数据计算水底表面曲率,并提取曲率数据的均值和标准差两个统计特征。
(4)1个水底地表的分形维数特征
分形维数原本用于描述地理实体的形态复杂度,因此也适用于对水底地形DSM图像的区域性描述。
3、海底浅地层剖面分割图像的特征提取
(1)浅地层剖面图像的预处理
浅地层剖面图像常被用于人工判读,因此其预处理过程相对简单,主要包括原始数据滤波、回波增益补偿、采样点深度计算和呯(Ping)数据定位等过程。获取浅地层剖面图像后,直接使用固定的分割尺度将图像分为空间连续、互不重叠且具有相近的图像灰度特征的若干列子图像,所述若干列子图像确定为所述水底地层图像的图像分割单元。
(2)层界检测方法
本实施例中采用多次波压制完成浅底层剖面图像预处理,再采用人工判别层界检测方法,或图像边缘检测算法如:Roberts、Sobel、Prewitt、Laplacian、Canny等自动边缘检测方法确定所述水底地层图像中的水体底质界面线、水体底质界面层和表层剖面。下面采用一次函数拟合的预测相减法快速实现浅层剖面图像的多次波压制,最终实现了对海底浅地层剖面分割图像中的水体底质界面线、水体底质界面层和表层剖面的确定,如图2所示,图2中横坐标表示序列号,纵坐标表示水深值。
(3)特征提取
根据图像分割单元,分别提取水下浅地层剖面图像每个图像分割单元的以下特征量。
(a)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。
(b)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。
(c)表层剖面内的灰度均值(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“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表层剖面内的灰度均值,其计算原理同上式。
(d)9个表层剖面内的垂直方向纹理特征(表层剖面的垂向纹理特征)
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表层剖面内灰度值的垂向变化规律。
步骤五:多源声学图像的特征筛选
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
步骤四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。本实施例采用最值归一化方法,即最大最小值归一化实现归一化
(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
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。
下面基于上述原理,对地貌特征、地形特征和所述地层特征进一步筛选。
首先,设置Td=0.2(相关系数阈值为0.8),对地貌特征进行特征筛选,采用上述特征筛选的方法筛选出仅包含12个特征量的特征集合即可代表初始的36个特征量,筛选后的特征集合规模因此降低为初始特征量数目的三分之一,达到了消除冗余特征量,同时降低特征量相关性的目的。
根据实验数据,本实施例筛选出的12个特征量如下(不分先后顺序):图像灰度值的均值(Mean)、标准差(Std)、偏度(Skewness)、能量(Energy);灰度共生矩阵特征中的角二阶矩(GLCM_max_ASM)、对比度(GLCM_max_CONT)、相关系数(GLCM_max_CORR)和方差(GLCM_max_VAR)的各向最大值;Hu不变矩统计量中的I2(Inv_m2)、I3(Inv_m3)和I4(Inv_m4);以及分形维数(Fractal_dim)。这12个特征量构成地貌特征量集合。
然后,设置Td=0.2(相关系数阈值为0.8),对地形特征进行特征筛选,采用上述特征筛选的方法得到在原始的11个特征量中,除坡度均值(Mean_Slope)与地形DSM分形维数特征(Fractal_dim_DSM)具有较高的相关性(相关系数为0.91),其他特征量两两之间的相关系数均不高于0.8。考虑到计算的便利性,保留坡度均值特征。由此,本实施例经过特征筛选保留的地形特征量共10个,包括:坡度特征的均值(Mean_Slope)、标准差(Std_Slope);坡向特征的标准差(Std_Aspect)、坡向统计直方图的偏度(Skewness_Aspect)、坡向共生矩阵的角二阶矩(GLCM_max_ASM)、对比度(GLCM_max_CONT)、相关系数(GLCM_max_CORR)、方差(GLCM_max_VAR)的各向最大值;地形曲率的均值(Mean_Curvature)和标准差(Std_Curvature)。这11个特征向量构成地形特征量集合。
接下来,同样设置Td=0.2(相关系数阈值为0.8),对地层特征进行特征筛选,采用上述特征筛选的方法将给出的12个特征量合并为5项,其中,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,本实施例筛选出的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)、表层剖面的灰度均值(Mean_L1),以及表层剖面垂向方向的GLCM同质性(GLCM_HOM_L1)和对比度(GLCM_CONT_L1)。这5个特征向量构成地层特征量集合。
再将经上述筛选后得到的地貌特征量集合、地形特征量集合和地层特征量集合确定为特征筛选后的多源声学特征集合。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,对上述特征筛选后的多源声学特征集合进行进一步的特征选择。
步骤六:多源声学图像的特征选择
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。
(1)特征选择方法一:基于全局搜索的特征选择方法
本实施例可采用穷举搜索的方法计算多源声学图像特征的最优特征子集,并以穷举结果为标准评价其他特征选择方法的效果。基于穷举搜索的特征选择算法可描述如下:
Step1:根据原始特征量的个数,生成所有特征量的组合,形成全部特征组合的查找表。
Step2:依据上述查找表逐一确定当前特征子集,再基于给定的分类算法采用交叉验证(Cross-validation)方法计算当前特征子集的平均分类精度。
Step3:完成查找表遍历和分类精度计算后,从中选择满足要求的特征子集。
(2)特征选择方法二:基于最大相关最小冗余算法(mRMR)的特征选择方法
最大相关最小冗余算法(Minimum Redundancy Maximum Relevance,mRMR)是一种基于信息度量的Filter式特征选择方法,该方法是一种现有算法,在此不再赘述。
(3)特征选择方法三:基于启发式搜索算法的特征选择方法
基于启发式搜索算法的特征选择方法,通过最优化目标函数的方法逐步增减所选特征量从而寻找更优的特征组合,直至接近或找到最优特征组合集,从而减少了全局搜索所需的巨大计算量。常用的启发式搜索算法如粒子群算法、蚁群算法、遗传算法、模拟退火算法等。其共性在于需要预先给定目标函数、初始条件和搜索终止条件。本实施例中可采用任何一种启发式搜索算法,所设定的目标函数为所选的特征组合在给定的分类器和随机测试样本中达到最大的总体分类精度;所给的初始条件为基于最大相关最小冗余算法(mRMR)的特征选择方法得到的不同特征量规模下的特征组合;所给的搜索终止条件为在给定的连续搜索次数下目标函数值(即总体分类精度)不再提高。由此最终得到的特征组合可保证不差于mRMR特征选择方法给出的结果,并甚至可搜索到全局最优的特征组合。
在实际应用时,可以根据不同的需求,选择上述任一方法实现对筛选后的的特征的进一步选择。
经过上述步骤三-步骤六,实现了对不同主题的多源声学图像的特征提取、特征筛选和特征选择,然后将不同主题数据的特征量合并为特征集合,用于水下底质分类。本实施例用于底质分类的融合特征量包括的地貌图像特征、地形图像特征和地层图像特征,分别如表1、表2和表3所示。
表1地貌图像特征
表2地形图像特征
表3地层图像特征
步骤七:底质分类
基于每一个分割体对应的地貌、地形和地层图像特征,可利用训练样本图像的相应特征特征进行分类器训练,然后对待分类样本进行分类,得到每个分割体的底质分类结果。其中,分类器的选择包括但不限于以下5种。
(1)K-近邻分类(K-NearestNeighbors classification,KNN)。KNN算法通过测量不同特征值之间的距离进行分类。(2)朴素贝叶斯分类(Naive Bayesianclassification)。朴素贝叶斯分类算法根据被分类样本的特征在各类别中出现的后验概率最大者判断样本所属类别。(3)决策树分类(Decision Tree Classification)。决策树分类算法通过自上而下构造多个弱分类器形成的树状结构达到根据特征进行分类的目的。其中,CART算法是优选的一种决策树分类算法。(4)支持向量机分类(SupportVectorMachine,SVM)。该算法具有泛化错误率低和计算开销小的特点。为了解决低维空间线性不可分数据的分类问题,SVM算法通过引入核函数,将高维属性空间中的内积运算用低维空间的核函数代替,从而避免了维数提升造成的计算困难。基于高斯核函数(Gaussian Kernel,也称RBF核)的支持向量机分类,是一种优选的算法。(5)随机森林分类(Random Forest,RF)。RF分类器是由多个决策树构成的集成学习(Ensemble Learning)分类算法,根据其中的决策树分类结果进行多数投票得到最终的分类结果。
通过对上述分类器的训练,得到训练好的机器学习分类模型。将上述表1、表2和表3中的特征构成的融合特征量输入至训练好的机器学习分类模型中,即可得到水下多源声学图像的底质分类结果。本实施例中的训练好的机器学习分类模型为训练好的K-近邻分类器、训练好的朴素贝叶斯分类器、训练好的决策树分类器、训练好的支持向量机分类器或训练好的随机森林分类器。
实施例3
本发明还提供了基于特征级融合的水下多源声学图像底质分类系统,参见图6,本实施例的基于特征级融合的水下多源声学图像底质分类系统包括:
图像获取模块601,用于获取海底地貌图像、海底地形图像和海底地层剖面图像;所述海底地貌图像、所述海底地形图像和所述海底地层剖面图像为在统一空间坐标系下的图像。
图像分割模块602,用于采用多分辨率图像分割算法对所述海底地貌图像进行分割,得到海底地貌分割图像;所述海底地貌分割图像包括多个地貌分割体。
图像叠加模块603,用于将所述海底地形图像与所述海底地貌分割图像叠加,将所述海底地层剖面图像与所述海底地貌分割图像叠加,得到海底地形分割图像和海底地层剖面分割图像;所述海底地形分割图像包括多个地形分割体;所述海底地层剖面分割图像包括多个地层剖面分割体。
地貌特征提取模块604,用于提取所述海底地貌分割图像中每个地貌分割体的地貌特征;所述地貌特征包括水底地貌的灰度统计特征、水底地貌的灰度共生矩阵特征、水底地貌的基于高阶统计量的不变矩特征和水底地貌的分形维数特征。
地形特征提取模块605,用于提取所述海底地形分割图像中每个地形分割体的地形特征;所述地形特征包括水底坡度统计特征、水底坡向统计特征、水底表面曲率统计特征和水底地表的分形维数特征。
地层特征提取模块606,用于提取所述海底地层剖面分割图像中每个地层剖面分割体的地层特征;所述地层特征包括界面线特征量、界面层特征量和表层剖面特征量;所述界面线特征量表示水体底质界面线的复杂度;所述界面层特征量为水体底质界面层的灰度均值;所述表层剖面特征量包括表层剖面的灰度统计特征和表层剖面的垂向纹理特征。
融合模块607,用于将所述地貌特征、所述地形特征和所述地层特征根据空间叠加关系进行融合,属于同一地貌图像分割体的所选地貌、地形和地层特征确定为该分割体的融合特征量。
分类模块608,用于将所述融合特征量输入至训练好的机器学习分类模型中,得到水下多源声学图像的底质分类结果。
作为一种可选的实施方式,所述地层特征提取模块606,具体包括:
界面确定单元,用于确定所述海底地层剖面分割图像中的水体底质界面线、水体底质界面层和表层剖面。界面线特征量确定单元,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。界面层特征量确定单元,用于由所述水体底质界面层确定每个地层剖面分割体的界面层特征量。表层剖面特征量确定单元,用于由所述表层剖面确定每个地层剖面分割体的表层剖面特征量。地层特征确定单元,用于将所述界面线特征量、所述界面层特征量和所述表层剖面特征量确定为所述海底地层剖面分割图像的地层特征。
作为一种可选的实施方式,所述界面线特征量确定单元,具体包括:
斜率计算子单元,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。
分界点均值计算子单元,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。
分界点标准差计算子单元,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。
作为一种可选的实施方式,所述融合模块607,具体包括:
第一聚类单元,用于基于距离算法对所述地貌特征进行聚类,得到多个地貌特征簇;每个所述地貌特征簇内的特征量之间的距离均小于第一设定距离。地貌特征筛选单元,用于从各所述地貌特征簇内均任选一个特征量组成地貌特征量集合。第二聚类单元,用于基于距离算法对所述地形特征进行聚类,得到多个地形特征簇;每个所述地形特征簇内的特征量之间的距离均小于第二设定距离。地形特征筛选单元,用于从各所述地形特征簇内均任选一个特征量组成地形特征量集合。第三聚类单元,用于基于距离算法对所述地层特征进行聚类,得到多个地层特征簇;每个所述地层特征簇内的特征量之间的距离均小于第三设定距离。地层特征筛选单元,用于从各所述地层特征簇内均任选一个特征量组成地层特征量集合。融合单元,用于将所述地貌特征量集合、所述地形特征量集合和所述地层特征量集合融合,得到融合特征量。
作为一种可选的实施方式,所述融合单元,具体包括:
第一选择子单元,用于采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法,对所述地貌特征量集合进行特征选择,得到地貌特征选择集合。第二选择子单元,用于采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法,对所述地形特征量集合进行特征选择,得到地形特征选择集合。第三选择子单元,用于采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法,对所述地层特征量集合进行特征选择,得到地层特征选择集合。融合子单元,用于根据空间叠加关系进行融合,将属于同一地貌图像分割体的所述地貌特征选择集合、所述地形特征选择集合和所述地层特征选择集合融合,得到融合特征量。
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.基于特征级融合的水下多源声学图像底质分类方法,其特征在于,包括:
获取海底地貌图像、海底地形图像和海底地层剖面图像;所述海底地貌图像、所述海底地形图像和所述海底地层剖面图像为在统一空间坐标系下的图像;
采用多分辨率图像分割算法对所述海底地貌图像进行分割,得到海底地貌分割图像;所述海底地貌分割图像包括多个地貌分割体;
将所述海底地形图像与所述海底地貌分割图像叠加,将所述海底地层剖面图像与所述海底地貌分割图像叠加,得到海底地形分割图像和海底地层剖面分割图像;所述海底地形分割图像包括多个地形分割体;所述海底地层剖面分割图像包括多个地层剖面分割体;
提取所述海底地貌分割图像中每个地貌分割体的地貌特征;所述地貌特征包括水底地貌的灰度统计特征、水底地貌的灰度共生矩阵特征、水底地貌的基于高阶统计量的不变矩特征和水底地貌的分形维数特征;
提取所述海底地形分割图像中每个地形分割体的地形特征;所述地形特征包括水底坡度统计特征、水底坡向统计特征、水底表面曲率统计特征和水底地表的分形维数特征;
提取所述海底地层剖面分割图像中每个地层剖面分割体的地层特征;所述地层特征包括界面线特征量、界面层特征量和表层剖面特征量;所述界面线特征量表示水体底质界面线的复杂度;所述界面层特征量为水体底质界面层的灰度均值;所述表层剖面特征量包括表层剖面的灰度统计特征和表层剖面的垂向纹理特征;
将所述地貌特征、所述地形特征和所述地层特征融合,得到融合特征量;
将所述融合特征量输入至训练好的机器学习分类模型中,得到水下多源声学图像的底质分类结果。
2.根据权利要求1所述的基于特征级融合的水下多源声学图像底质分类方法,其特征在于,所述提取所述海底地层剖面分割图像中每个地层剖面分割体的地层特征,具体包括:
确定所述海底地层剖面分割图像中的水体底质界面线、水体底质界面层和表层剖面;
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每个地层剖面分割体的界面层特征量;
由所述表层剖面确定每个地层剖面分割体的表层剖面特征量;
将所述界面线特征量、所述界面层特征量和所述表层剖面特征量确定为所述海底地层剖面分割图像的地层特征。
3.根据权利要求2所述的基于特征级融合的水下多源声学图像底质分类方法,其特征在于,所述由所述水体底质界面线确定每个地层剖面分割体的界面线特征量,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。
4.根据权利要求1所述的基于特征级融合的水下多源声学图像底质分类方法,其特征在于,所述将所述地貌特征、所述地形特征和所述地层特征融合,得到融合特征量,具体包括:
基于距离算法对所述地貌特征进行聚类,得到多个地貌特征簇;每个所述地貌特征簇内的特征量之间的距离均小于第一设定距离;
从各所述地貌特征簇内均任选一个特征量组成地貌特征量集合;
基于距离算法对所述地形特征进行聚类,得到多个地形特征簇;每个所述地形特征簇内的特征量之间的距离均小于第二设定距离;
从各所述地形特征簇内均任选一个特征量组成地形特征量集合;
基于距离算法对所述地层特征进行聚类,得到多个地层特征簇;每个所述地层特征簇内的特征量之间的距离均小于第三设定距离;
从各所述地层特征簇内均任选一个特征量组成地层特征量集合;
将所述地貌特征量集合、所述地形特征量集合和所述地层特征量集合融合,得到融合特征量。
5.根据权利要求4所述的基于特征级融合的水下多源声学图像底质分类方法,其特征在于,所述将所述地貌特征量集合、所述地形特征量集合和所述地层特征量集合融合,得到融合特征量,具体包括:
采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法,对所述地貌特征量集合进行特征选择,得到地貌特征选择集合;
采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法,对所述地形特征量集合进行特征选择,得到地形特征选择集合;
采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法,对所述地层特征量集合进行特征选择,得到地层特征选择集合;
将所述地貌特征选择集合、所述地形特征选择集合和所述地层特征选择集合融合,得到融合特征量。
6.基于特征级融合的水下多源声学图像底质分类系统,其特征在于,包括:
图像获取模块,用于获取海底地貌图像、海底地形图像和海底地层剖面图像;所述海底地貌图像、所述海底地形图像和所述海底地层剖面图像为在统一空间坐标系下的图像;
图像分割模块,用于采用多分辨率图像分割算法对所述海底地貌图像进行分割,得到海底地貌分割图像;所述海底地貌分割图像包括多个地貌分割体;
图像叠加模块,用于将所述海底地形图像与所述海底地貌分割图像叠加,将所述海底地层剖面图像与所述海底地貌分割图像叠加,得到海底地形分割图像和海底地层剖面分割图像;所述海底地形分割图像包括多个地形分割体;所述海底地层剖面分割图像包括多个地层剖面分割体;
地貌特征提取模块,用于提取所述海底地貌分割图像中每个地貌分割体的地貌特征;所述地貌特征包括水底地貌的灰度统计特征、水底地貌的灰度共生矩阵特征、水底地貌的基于高阶统计量的不变矩特征和水底地貌的分形维数特征;
地形特征提取模块,用于提取所述海底地形分割图像中每个地形分割体的地形特征;所述地形特征包括水底坡度统计特征、水底坡向统计特征、水底表面曲率统计特征和水底地表的分形维数特征;
地层特征提取模块,用于提取所述海底地层剖面分割图像中每个地层剖面分割体的地层特征;所述地层特征包括界面线特征量、界面层特征量和表层剖面特征量;所述界面线特征量表示水体底质界面线的复杂度;所述界面层特征量为水体底质界面层的灰度均值;所述表层剖面特征量包括表层剖面的灰度统计特征和表层剖面的垂向纹理特征;
融合模块,用于将所述地貌特征、所述地形特征和所述地层特征融合,得到融合特征量;
分类模块,用于将所述融合特征量输入至训练好的机器学习分类模型中,得到水下多源声学图像的底质分类结果。
7.根据权利要求6所述的基于特征级融合的水下多源声学图像底质分类系统,其特征在于,所述地层特征提取模块,具体包括:
界面确定单元,用于确定所述海底地层剖面分割图像中的水体底质界面线、水体底质界面层和表层剖面;
界面线特征量确定单元,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;
界面层特征量确定单元,用于由所述水体底质界面层确定每个地层剖面分割体的界面层特征量;
表层剖面特征量确定单元,用于由所述表层剖面确定每个地层剖面分割体的表层剖面特征量;
地层特征确定单元,用于将所述界面线特征量、所述界面层特征量和所述表层剖面特征量确定为所述海底地层剖面分割图像的地层特征。
8.根据权利要求7所述的基于特征级融合的水下多源声学图像底质分类系统,其特征在于,所述界面线特征量确定单元,具体包括:
斜率计算子单元,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;
分界点均值计算子单元,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;
分界点标准差计算子单元,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。
9.根据权利要求6所述的基于特征级融合的水下多源声学图像底质分类系统,其特征在于,所述融合模块,具体包括:
第一聚类单元,用于基于距离算法对所述地貌特征进行聚类,得到多个地貌特征簇;每个所述地貌特征簇内的特征量之间的距离均小于第一设定距离;
地貌特征筛选单元,用于从各所述地貌特征簇内均任选一个特征量组成地貌特征量集合;
第二聚类单元,用于基于距离算法对所述地形特征进行聚类,得到多个地形特征簇;每个所述地形特征簇内的特征量之间的距离均小于第二设定距离;
地形特征筛选单元,用于从各所述地形特征簇内均任选一个特征量组成地形特征量集合;
第三聚类单元,用于基于距离算法对所述地层特征进行聚类,得到多个地层特征簇;每个所述地层特征簇内的特征量之间的距离均小于第三设定距离;
地层特征筛选单元,用于从各所述地层特征簇内均任选一个特征量组成地层特征量集合;
融合单元,用于将所述地貌特征量集合、所述地形特征量集合和所述地层特征量集合融合,得到融合特征量。
10.根据权利要求9所述的基于特征级融合的水下多源声学图像底质分类系统,其特征在于,所述融合单元,具体包括:
第一选择子单元,用于采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法,对所述地貌特征量集合进行特征选择,得到地貌特征选择集合;
第二选择子单元,用于采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法,对所述地形特征量集合进行特征选择,得到地形特征选择集合;
第三选择子单元,用于采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法,对所述地层特征量集合进行特征选择,得到地层特征选择集合;
融合子单元,用于根据空间叠加关系进行融合,将属于同一地貌图像分割体的所述地貌特征选择集合、所述地形特征选择集合和所述地层特征选择集合融合,得到融合特征量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010572722.XA CN111738332B (zh) | 2020-06-22 | 2020-06-22 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010572722.XA CN111738332B (zh) | 2020-06-22 | 2020-06-22 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738332A true CN111738332A (zh) | 2020-10-02 |
CN111738332B CN111738332B (zh) | 2024-06-04 |
Family
ID=72650311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010572722.XA Active CN111738332B (zh) | 2020-06-22 | 2020-06-22 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738332B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182896A (zh) * | 2020-10-10 | 2021-01-05 | 北京理工大学 | 一种地形地貌局部环境复杂度计算方法 |
CN116299306A (zh) * | 2023-05-23 | 2023-06-23 | 威海凯思信息科技有限公司 | 一种海洋地貌图像处理方法及装置 |
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 |
CN117272134A (zh) * | 2023-09-01 | 2023-12-22 | 中国地质大学(武汉) | 深度学习模型、海底地貌分类模型构建方法及分类方法 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140254324A1 (en) * | 2013-03-11 | 2014-09-11 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | System and method for classification of objects from 3d reconstruction |
CN108388899A (zh) * | 2018-01-29 | 2018-08-10 | 哈尔滨工程大学 | 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 |
-
2020
- 2020-06-22 CN CN202010572722.XA patent/CN111738332B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140254324A1 (en) * | 2013-03-11 | 2014-09-11 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | System and method for classification of objects from 3d reconstruction |
CN108388899A (zh) * | 2018-01-29 | 2018-08-10 | 哈尔滨工程大学 | 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 |
Non-Patent Citations (1)
Title |
---|
郭军;冯强强;温明明;牟泽霖;曹明;万;王爱学;马金凤;: "Teledyne Benthos TTV-301声学深拖系统在海底微地形地貌调查中的应用", 测绘工程, no. 10 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182896A (zh) * | 2020-10-10 | 2021-01-05 | 北京理工大学 | 一种地形地貌局部环境复杂度计算方法 |
CN112182896B (zh) * | 2020-10-10 | 2024-02-09 | 北京理工大学 | 一种地形地貌局部环境复杂度计算方法 |
CN116299306A (zh) * | 2023-05-23 | 2023-06-23 | 威海凯思信息科技有限公司 | 一种海洋地貌图像处理方法及装置 |
CN116299306B (zh) * | 2023-05-23 | 2023-08-08 | 威海凯思信息科技有限公司 | 一种海洋地貌图像处理方法及装置 |
CN117272134A (zh) * | 2023-09-01 | 2023-12-22 | 中国地质大学(武汉) | 深度学习模型、海底地貌分类模型构建方法及分类方法 |
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 |
---|---|
CN111738332B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
CN110309860B (zh) | 基于卷积神经网络对肺结节的恶性程度进行分类的方法 | |
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 | |
Yin et al. | Hot region selection based on selective search and modified fuzzy C-means in remote sensing images | |
Wazarkar et al. | A survey on image data analysis through clustering techniques for real world applications | |
US7995055B1 (en) | Classifying objects in a scene | |
CN110766051A (zh) | 一种基于神经网络的肺结节形态学分类方法 | |
CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN111738278B (zh) | 一种水下多源声学图像特征提取方法及系统 | |
CN110309780A (zh) | 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别 | |
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 | |
CN103366371A (zh) | 基于k分布和纹理特征的sar图像分割方法 | |
Xu et al. | Feature-based constraint deep CNN method for mapping rainfall-induced landslides in remote regions with mountainous terrain: An application to Brazil | |
CN111709386A (zh) | 一种水下浅地层剖面图像底质分类方法及系统 | |
Sun et al. | Probabilistic neural network based seabed sediment recognition method for side-scan sonar imagery | |
Ruan et al. | Review of 3d point cloud data segmentation methods | |
CN111428627B (zh) | 一种山地地貌遥感提取方法及系统 | |
CN108776968B (zh) | 基于深度森林的sar图像变化检测方法 | |
CN110751652A (zh) | 基于巴氏距离和纹理模式度量的sar图像分割方法 | |
Ciecholewski | Review of Segmentation Methods for Coastline Detection in SAR Images | |
CN111738277B (zh) | 一种水下浅地层剖面图像特征提取方法及系统 | |
Alhamoud Alatrash et al. | Phase segmentation optimization of micro x-ray computed tomography reservoir rock images using machine learning techniques |
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 |