CN115730247A - 多维度时空-频率域特征参量融合的海底底质分类方法 - Google Patents

Abstract

本发明公开了多维度时空‑频率域特征参量融合的海底底质分类方法，主要包括以下步骤：(1)进行系统误差改正、自适应角度响应改正等方面的精处理；(2)分别提取时空域和频率域特征参量，并对其进行融合处理；(3)在水池底铺设基岩、砾石、沙子、粘土、淤泥5种基本底质样本，通过多波束声呐扫测，分析回波信号并提取样本的时空和频域特征参量，建立特征参量数据库；(4)优选特征参量，融合深度学习网络和支持向量机，进行底质分类，做出分类精度评估，并根据相关功能，研制时空‑频率域特征参量融合的底质分类软件系统；(5)底质分类实验室验证与海上示范应用。通过以上步骤，可实现多维度时空‑频率域特征参量融合的海底底质分类。

Description

多维度时空-频率域特征参量融合的海底底质分类方法

技术领域

本发明涉及多维度时空-频率域特征参量融合的海底底质分类方法，特别涉及海底底质分类中的多维度时空-频率域特征参量融合。

背景技术

我国提出提高海洋资源开发能力，发展海洋经济，保护海洋生态环境，坚决维护国家海洋权益，建设海洋强国。建设海洋强国，不仅需要强大的海洋经济，而且还需要保护我国海洋权益的强大科技力量。在保护海洋权益方面，我国科研人员发挥着不可替代的重要作用，不断研究新国际环境下水下装备发展的重要战略，并且持续研究发展新型水下装备等。水下重要装备的发展和创新离不开水下环境信息的掌握，而海底底质又作为水下环境的重要部分，尤其是海底底质对水下声场通道的重要影响，作为新型水下重要装备研制必须顾及的重要参数。为此，掌握海底底质类型及其空间分布对水下重要装备的研制、海底环境的研究及海洋资源的探测都具有重要意义。声学海底底质分类，是目前最为常用的获取海底底质类型的方法，通过声呐遥感的方式记录返回的后向散射强度信息，进而通过分析获得海底底质类型，已经成为海洋科学中一个研究热点。相比于传统的实地采样方法，声学法在观测范围和效率上都有巨大的优势，是目前最有效的大区域海底底质分类的遥感方法。

(1)数据处理现状

多波束声呐数据的处理主要包括：①高精度高密度的声速剖面获取；②声线精确跟踪获得船体坐标系下波束脚印的准确坐标；③从波束脚印包络中以栅格方式提取所有的回波采样点；④质量控制；⑤对回波强度进行补偿，获得真正体现海底沉积物纯量的回波强度；⑥对声呐图像进行横纵向缝隙填补，得到灰度均衡、满足分辨率要求的多波束声呐图像。

针对多波束声呐数据的处理，国外研究机构和学者较早就进行了系统性的研究。1964年，美国通用仪器公司(GIC)率先研制出世界上第一代多波束测深系统(SASS)。该系统形成的窄波束在精度和分辨率方面明显优越于常规回声探测仪，但也存在着不足，其一，随着水深的增加，水深计算精度下降明显，海底覆盖宽度只有水深的0.78倍；其二，受计算机技术的约束，实时运算能力较差，测深波束数量也较少^[1]。在分析声速误差对多波束测深精度影响方面，加拿大学者Dinn和法国学者Helene等通过大量的实验数据研究验证了声速误差主要对多波束系统的波束指向角和波束路径产生较大影响，同时给出了具体的量化分析结果^[2]。Zhang等利用声速扰动矩阵和前阶EOF计算声速剖面重构系数，再采用模拟退火算法估计EOF重构系数，根据多波束测深得到的海底畸变构造目标函数，合理设置退火控制参数，最后重建声速剖面^[3]。Clarke教授提出声速剖面替代法，使用Look-Up Tables中的数据作为更有效的近似处理数据。Look-Up Tables代表的是参考了当地水位和传播时间的波束方向角^[4]。在检查异常测深数据方面，Ware等提出基于平均加权移动的深度滤波方法，该方法的假设条件为海底地形连续变化且缓慢，因为假设海底表面是光滑连续的，所以海底只有较低的(空间)频率变化，在扫测区域内就能够识别出深度值标准差异常的测深点^[5]。Mitchell利用拟合平面或曲面计算局部区域数据的标准差，然后通过比较该区域内的波束和计算所得的标准差进而确定异常值^[6]。Calder结合中值滤波和卡尔曼滤波两种方法进行平滑数据，并提出了CUBE算法，此方法能够高精度实时处理测深数据^[7]。Debese提出自适应曲面探测异常多波束数据的算法，此算法是通过时空属性和数据统计进行动态估计，减少了时间成本，最后利用模拟数据和实测数据比对进行验证^[8]。在声强增益方面，Foote等利用标准目标法(有限扩展测量)校正换能器近场的水柱声强数据，通过实验得到正确的校正参数，但是需要知道近场时间变化增益函数敏感度和饱和度限制^[9]。Dezhang等阐述了时间变化增益在多波束声强量化应用中的影响，并通过实验说明了这种影响的量化程度^[10]。在声呐图像缝隙填补方面，Chavez等运用Sensor-Specific算法纠正声呐图像中的几何畸变和放射性畸变^[11]。Chang等提出一种根据波束形状理论的缝隙修补算法，能够很好地填补线性缝隙和扇形缝隙，但是填补后痕迹较明显，还需要其他的灰度均衡算法进行处理才能得到很好的效果^[12]。

国内在多波束数据处理方面研究比较晚，但是也取得了很多研究成果。屈科提出一种基于内潮动力特征的浅海声速剖面构建新方法，在对现场实时测量依赖更小的情况下，基于HMB方法的声场预报及声层析结果与EOF方法一样好，而且HMB的获取更简单且直接关联海水的物理特性^[13]。袁浩等提出一种基于遗传算法优化BP神经网络(GeneticAlgorithm-BP Neural Network，GA-NN)模型反演声速剖面的声速改正方法。实验证明反演的声速剖面更适用于众源水深数据的声速改正，削弱了声速误差的影响，提高了众源水深数据的处理精度^[14]。姜薇提出一种在三维空间中求取声路径的高速声线追踪算法，该算法具有较高的运算速度和精确度，比传统三维算法更加简洁可靠，可应用于三维超声层析图像重建的散射修正^[15]。陆秀平提出一种改进的声线跟踪算法，即沿声线传播的圆弧路径进行积分来求取层内的平均声速，进而推导严密的多波束测深波束脚印位置的计算公式，但是此算法没有涉及波束初始入射角的计算^[16]。唐秋华在探讨多波束反向散射强度与海底沉积物类型关系的基础上，研究了影响反向散射强度的各种因素，并给出了消除这些影响的方法，但是并没有阐述波束脚印内回波强度的提取方式^[17]。毕自军等提出一种顾及传播曲面的高精度快速波束脚印位置归算算法，浅水和中深水区试验表明，该方法的交叉线检验精度与Caris相近,且均优于传统算法^[18]。王海栋提出基于抗差趋势面的多波束测深值异常检测算法，并分别利用抗差趋势面异常值检测和最小二乘两种方法对模拟和实测数据进行探测，通过实验证明抗差趋势面检测不仅有效，而且具有较好的实际应用价值^[19]。蒋立军基于声能方程阐述了侧扫声呐声强增益的方法，该方法包括时间增益控制、自动增益控制和手动增益控制^[20]。李全胜提出基于一定假设条件的非线性增强映射方法并对侧扫声呐图像进行声强增益，取得了很好的效果^[21]。张玉芳提出混合扫描线多边形填充算法，该算法采用链表和数组组合的数据结构，形成连续的填充轨迹，有效地提高时间效率^[22]。张志龙提出一种快速求取扫描线与轮廓线交点的算法，只需遍历2次便可求得所有交点，显著降低了算法的复杂度^[23]。徐胜攀提出一种改进的活性边表区域填充算法，甚至可以填充自相交多边形，在时间效率和空间效率方面都有显著的提高^[24]。综上所述，在多波束回波强度数据处理方面仍存在如下问题：

①海底反射模型的不完备性

目前的海底散射模型几乎没有考虑到海底浅地层沉积物的不均匀性和入射波束方位角对海底反向散射强度的影响，因此反向散射系数计算不精确，从而导致计算反向散射强度存在误差，进而导致沉积物分类的精度下降。

②声强增益较难控制

由于海况的复杂性，常利用经验公式对回波强度进行补偿，常出现补偿过强或补偿不足的情况，导致声呐图像往往不能反映海底沉积物真实的变化。

③波束初始入射角给定不准确

在传统声线跟踪模型中，波束初始入射角常用换能器提供的各波束分配角，或顾及了横摇角，把初始入射角当成分配角和横摇角之和。其实波束初始入射角受船体横摇角和纵摇角的影响，需顾及两者的影响方能精确计算出波束初始入射角，便于后期进行精确的声线跟踪。

④采样分辨率偏低

已有文献表明，海底分类采用的回波强度几乎均采用波束脚印内所有采样点回波强度的均值，这种提取方式在浅海区域可满足沉积物类别划分的分辨率要求，但在深海区域，难以满足。

⑤图像重采样存在不足

由于测量过程中受到船速、涌浪、海风等因素的影响，常出现Ping断面中的一些回波信号丢失、或者连续Ping断面相互交错等现象，在声呐图像中常伴有条带缝隙和扇形缝隙，目前的重采样方法尚不能很好地满足灰度均衡和对地貌的代表性要求。

(2)分类器现状

1)支持向量机

支持向量机是Vapnik在1995年提出的一种基于统计学习理论的机器学习方法，可成功地解决机器学习中存在的高维问题和局部极值问题，具有很好的推广能力^[25]。Smola系统研究了SVM的学习机理及其在分类中的应用，在完善SVM非线性算法方面做出了较大的贡献^[26]。Kim等首先将Bagging学习算法引入到支持向量机集成分类中，通过实验发现支持向量机集成的性能远高于单个支持向量机^[27]。卢增祥等提出交互式支持向量机学习算法，并应用于文本信息过滤中，对支持向量机的训练进行优化，姬张建将混沌粒子群理论应用于SVM参数的选取中，并与传统的拟合算法如二次曲面法、多面函数法进行了比较，比较结果表明了其精度更优^[28]。张家树提出一种时空混沌序列的局域支持向量机预测方法，对嵌入维数和邻近个数不敏感，相比全局支持向量机、局域零阶预测、局域线性预测具有更好的预测性能^[29]。

虽然对支持向量机采用改进方法取得了一定成效，但是仍然存在着一些不足：①一次只允许两个类进行分类；②参数选择较难；③对于多分类情况，现有的核函数不一定能够映射到高维空间进行分类。

2)BP神经网络

BP神经网络是由Rumelhart和Mcclelland于1986年提出，是一个典型的前馈反向误差传播网络，在建模、时间序列分析、模式识别等方面得到了广泛的应用^[30]。Takase提出在标准误差函数中加入一个惩罚项，可提高网络的容错能力^[31]。Yam提出了基于线性代数方法和Cauchy不等式的最优权值初始化方法，使得输出神经元都处在非饱和区域，并显著加快了收敛速度^[32]。Zweiri提出三项BP算法，有效解决了避免陷入局部极小值和收敛速度慢的问题^[33]。Kim等兼顾网络结构和连接权值优化、并进行特征降维，确定特征和参数之后，利用遗传算法挑选特征值并训练神经网络^[34]。杨斌等通过引入可求解大规模线性方程组的共轭梯度法，提出一种基于LM(Levenberg-Marquardt)的前馈网络学习算法，此算法既具有LM方法的快速收敛性，又降低了LM法的计算复杂度，学习精度和推广预测能力较好^[35]。郝培锋通过对BP神经网络的隐层节点数和训练样本空间的研究，得出一种可随训练样本空间进行变换的网络结构，进而使网络结构得到简化^[36]。

虽然对BP神经网络采用改进方法取得了一些成效，但是仍然存在着一些不足：①容易陷入局部极小值；②误差平面陡峭处网络振荡厉害；③初始值设置和网络结构设计不当容易造成网络不收敛。④隐层节点数设置需要依靠经验，节点数过多会造成网络复杂，节点过少网络收敛过慢，精度不高。

(3)多波束声呐底质分类现状

1956年Biot从理论上完全确定声速等参数与多孔液态饱和介质的物质粒度、孔隙率和含水量等有联系，在完善海底沉积层声学理论方面做出了较大的贡献^[37,38]。1956年Hamilton等通过实验手段测量圣地亚哥湾沉积层的声学参数，获得了关于密度与声速、P波速度与横波速度比的研究成果^[39]。1976年Jakeman等利用K分布方法模拟海底侧扫声呐图像的概率分布模型，通过分布参数对海底沉积物进行分类，但是K分布方法比较依赖于聚类中心的确定，若聚类中心位置不精确，会影响到分类的精度，并且类别边界不容易划分^[40]。1980年Hamilton系统研究了海底沉积物的声学特性，提出了一种简单且实用的粘弹模型，并根据收集的数据资料得到大量的经验公式^[41]。1994年Wadhams等认为用分形维统计声呐数据的特征值需要足够多的样本数量，才能比较准确地把沉积物类型区别出来^[42]。1997年Clarke等利用海底沉积物反向散射角度响应对海底进行真实的沉积物分类^[43]。2000年Tegowski等利用回波信号的分形特性对海底沉积物进行了分类^[44]。2002年Anderson等通过海底特征如沉积物颗粒度、沉积物密度、海床粗糙性、基岩、海底生物和海底坡度研究海底海洋生物环境^[45]，但是大部分情况下通过这些海底特征进行分类出现沉积物类型不连续的现象。2005年Jaroslaw利用回波散射强度、光谱长度和回波包络的分形维数特征值作为K均值分析的参数对波罗的海波兰经济区中研究区域的波束脚印平均回波强度进行分类，由于针对每个波束包络平均回波强度作分类，分类分辨率不是太高^[46]。2009年Fonseca等提出结合图像镶嵌和海底回波反射角度分析技术对斯坦顿海岸研究区域海底沉积物进行分类，利用高分辨率的镶嵌技术提高了反射角分析的分辨率，但是还未能在纹理空间和角度响应空间方面同时自动分割图像^[47]。2010年Giovanni等利用测深数据、散射强度数据以及散射强度的角度响应研究了沉积物颗粒度、海底水草分布与散射强度之间的关系。2011年Lucieer等利用FCM聚类分析和基于对象分割技术对新西兰库克海峡某区域的海底沉积物的多波束数据及其物理特性分为砾石、沙、泥、淤泥四类^[48]。2020年Ji等提出一种基于随机森林模型优选的多波束后向散射数据海底沉积物分类方法，总体分类精度和Kappa系数分别达到86.20％和0.834^[49]。Wang等提出基于粒度参数的XGBoost算法近海海底沉积物分类研究方法，实验证明该模型预测的砂土、砂质粉砂、粉砂和淤泥的分类结果是可靠的^[50]。2021年Cui等提出一种基于模糊排序特征优化的海底沉积物分类深度学习模型，基于该模型实现了10种类型沉积物的准确预测^[51]。

在国内，一些专家学者在沉积物分类领域也进行了相关的研究，2002年唐秋华等介绍了Simrad Triton海底沉积物分类软件，并用实例说明了此软件在海底沉积物分类中的应用^[52]。2005年魏长寿等应用Beyes统计分类方法实现对海底沉积物的自动分类识别，但是对含有砾石和基岩的砂沉积物，砾石和基岩界线不是很清楚^[53]。2006年徐铭等应用相平面轨迹统计方法对实验站点的高频海底回波数据进行分析，建立了相平面轨迹中的相点一阶中心矩随入射角变化规律为特征的分类理论模型，进而对海底沉积物进行分类，并取得了较好的分类效果，但是没有明确这种方法在宽带声信号数据方面的分类情况^[54]。2007年朱艳采用统计特征分类的方法，分别从时域、频域、时频分析三个方面采用不同的方法对沉积物类型进行分类，通过实验表明，通过离散小波变换获取的模极大值结合奇异值方法，计算出来的特征值的类内紧致性和类间可分性较好^[55]。2007年唐秋华等(2007)应用遗传算法结合LVQ神经网络对海底沉积物进行分类^[56]。2009年唐秋华等采用遗传算法优化BP神经网络初始值的方法应用于海底沉积物分类，能够快速有效地识别出基岩、砾石、砂、细砂和泥等沉积物类型^[57]。2012年熊明宽等利用优化参数的SVM对海底沉积物进行分类，能够识别出砂、礁石、泥，识别精度高于80％^[58]。2019年金绍华等提出了基于反向散射强度三维概率密度图的海底底质分类方法，该方法能直观表达多波束条带覆盖区内不同海底底质类型的数量，有效判断不同海底底质类型的边界，实现海底底质类型的快速识别^[59]。2021年赵梅等从降低反演参数维数入手，提出一种基于海底单参数(小掠射角下海底反射损失随掠射角的变化率)的频域反演方法，并用于沉积物分类^[60]。2021年纪雪等针对多波束声学底质分类中底质类型多样化、类型之间差异较小等分类难点问题，提出一种GA-SVM-AdaBoost底质分类算法，总体分类精度高达到92.19％，优于SVM、GA-SVM、基于单层决策树的AdaBoost分类模型^[61]。2021年阳凡林等针对目前分类特征来源较单一及分类器结构简单等问题，提出一种基于深层卷积神经网络(CNN)实现地形辅助的多波束海底底质分类方法，实验证明该模型算法总体分类精度达到94.86％，Kappa系数为0.93，精度具有明显优势，效率也较高^[62]。

综上所述，尽管众多国内外学者对多波束沉积物分类进行了很多研究，但是还存在如下不足：

(1)利用回波强度统计特性进行沉积物分类，统计特性较少，对混合沉积物难以区别；

(2)在利用图像纹理进行沉积物分类时，虽然纹理特征较多，但是对成像质量要求较高，做监督分类时，样本质量不高和分类器的拟合精度较低都会对沉积物分类造成影响。

发明内容

本发明要解决的技术问题是针对目前采用低维度的时空域或者频率域特征参量进行底质分类时精度不高而且混合像素难以准确分类的问题，提出多维度的时空-频率域特征参量融合的海底底质分类方法。首先通过多波束声呐数据结构解译后，进行系统误差改正、三维声线精确跟踪、声照面积改正、传播损失改正方面的精处理；其次，分别提取时空域和频率域特征参量，并将时空域和频率域特征参量进行融合处理；再次，建立基岩、砾石、沙子、粘土、淤泥5种基本底质样本回波信号的特征库；然后，通过对特征参量优选，并融合深度学习和支持向量机，进行底质样本训练和全图分类，做出底质分类精度评估，同时，研制海底底质分类软件系统；最后，对海底底质分类方法进行实验室验证与海上示范应用。

为达到上述目的，本发明提供的多维度时空-频率域特征参量融合的海底底质分类方法，包括以下步骤：

(1)通过多波束声呐数据结构解译后，进行系统误差改正、三维声线精确跟踪、声照面积改正、传播损失改正、顾及地形和底质变化的自适应角度响应改正、反向散射强度数据的地形校正、测深数据残余误差削弱及条带镶嵌方面的精处理；

(2)分别提取时空域特征参量(角度响应特征参量、相平面轨迹分布特征参量、分形维数特征参量、图像纹理特征参量)和频率域特征参量(Contourlet变换特征参量、曲波变换特征参量)，通过子集预处理、融合运算和约简降维步骤将时空域和频率域特征参量进行融合处理；

(3)在实验室水池底部铺设一定面积的基岩、砾石、沙子、粘土、淤泥5种基本底质样本，通过多波束声呐定点垂直扫测或者移动扫测水池底部底质，将回波信号进行分析并获取底质的时空和频域特征参量，每种底质类型的每个特征参量做标记，并输入到相应的特征参量数据库中；

(4)通过特征参量优选方法对时空-频率域多维特征参量进行优选，并融合深度学习和支持向量机作为分类器，然后进行底质样本训练和全图分类，再做出底质分类精度评估，根据各模块开发功能要求，研制时空-频率域多维特征量融合的海底底质分类软件系统；以及

(5)海底底质分类实验室验证与海上示范应用。

在本发明的一个实施例中，其中：

(1)所述进行系统误差改正是仪器观测误差、安装误差、静态与动态吃水改正误差等各种系统误差的改正；

(2)所述三维声线精确跟踪是顾及船体姿态，对三维声线进行精确跟踪；

(3)所述声照面积改正是顾及地形因素的影响，对声照面积进行改正；

(4)所述传播损失改正是通过多波束换能器增益处理和声学模型后处理对反向散射强度进行传播损失改正；

(5)所述顾及地形和底质变化的自适应角度响应改正是顾及地形和底质变化的因素，分离海底地形和底质对角度响应的影响，而且可根据海底底质变化设置统计窗口进行自适应角度响应改正；

(6)所述反向散射强度数据的地形校正是削弱海底地形对反向散射强度数据的影响，对其进行相应的改正；

(7)所述测深数据残余误差削弱是针对测深数据中难以消除的系统误差而遗留的残余误差，往往造成条带边缘呈现“笑脸”或“哭脸”现象，利用小波变换对原始回波数据进行分解，重构测深数据；

(8)条带镶嵌方面的精处理是在条带镶嵌方面，首先对相邻条带图像进行基于特征的图像配准，然后再进行像素级的图像融合处理。

在本发明的一个实施例中，其中：

(1)所述提取时空域特征参量是提取时空域特征参量，包括角度响应特征参量、相平面轨迹分布特征参量、分形维数特征参量、图像纹理特征参量；

(2)所述提取频率域特征参量，包括Contourlet变换特征参量、曲波变换特征参量；

(3)所述时空域和频率域特征参量融合是通过子集预处理、融合运算和约简降维步骤实现。

在本发明的一个实施例中，建立基岩、砾石、沙子、粘土、淤泥5种基本底质样本库，通过多波束声呐定点垂直扫测或者移动扫测水池底部底质，将回波信号进行分析并获取底质的时空和频域特征参量，每种底质类型的每个特征参量做标记，并输入到相应的特征参量数据库中，主要包括以下步骤：

(1)所述建立基岩、砾石、沙子、粘土、淤泥5种基本底质样本库是在实验室水池底部一定面积内铺设基岩、砾石、沙子、粘土、淤泥5种基本底质；

(2)所述通过多波束声呐定点垂直扫测或者移动扫测水池底部底质是通过多波束声呐定点垂直扫测或者移动扫测水池底部底质，采集回波信号并进行相关分析；

(3)所述将回波信号进行分析并获取底质的时空和频域特征参量是提取回波信号的时空-频率域特征参量；

(4)所述每种底质类型的每个特征参量做标记，并输入到相应的特征参量数据库中是将各种底质相关特征参量的特征值输入到底质样本库中。

在本发明的一个实施例中，通过特征参量优选方法对时空-频率域多维特征参量进行优选，并融合深度学习和支持向量机作为分类器，然后进行底质样本训练和全图分类，再做出底质分类精度评估，根据各模块开发功能要求，研制时空-频率域多维特征量融合的海底底质分类软件系统，主要包括以下步骤：

(1)对时空-频率域多维特征参量进行优选；

(2)将深度学习与SVM方法相结合，即从输入到最后一层隐含层，利用深度学习方法，通过无监督学习，将原始数据重新表征，实现特征的自动提取，然后将最后一层隐含层的输出作为SVM分类器的输入，通过SVM方法进行训练分类识别；

(3)选取70％样本作为训练，30％样本作为检核，然后根据训练结果对整体的多波束声呐图像进行底质分类；

(4)分别采用总体分类正确率、Kappa系数、实地抓斗验证对底质分类结果进行评估；

(5)研制底质分类软件系统，功能模块包括工程管理、数据解译、数据精处理、特征参量提取、分类器改进、底质分类。

在本发明的一个实施例中，海底底质分类实验室验证与海上示范应用，主要包括以下步骤：

(1)海底底质分类实验室验证，在实验室水池底部铺满各种底质，并将多波束声呐扫描图像进行地理编码和底质分类，根据分类图中的坐标抽样验证；

(2)针对海上示范应用，先采样多波束声呐测深仪扫测并构建图像，然后对声呐图像进行底质分类，再通过实地抓斗的坐标和底质类型，与底质分类图作比对，进行分类精度评估。

通过上面的描述可以发现，本发明要解决的技术问题主要包括如下几个方面：

(1)对多波束声呐测深数据和反向散射强度数据进行了系统误差改正、三维声线精确跟踪、顾及地形和底质变化的自适应角度响应改正等精处理；

(2)通过特征级融合方法对时空域和频率域的特征参量进行了融合处理；

(3)对传统的深度学习和SVM分类方法进行改进，并对两者分类器进行融合。

而通过上述本发明的技术方案，本发明达到的有益效果是：

(1)通过对多波束声呐数据的精处理，获得了真实度较高的测深数据和反向散射强度数据；以及

(2)提取时空-频率域特征参量，并对它们进行特征级融合，能够显著提高海底底质分类的精度，尤其对混合像元的底质分类。

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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的顾及姿态的自适应多波束三维声线精确跟踪流程；

图2是本发明的有效声照射面积计算流程；

图3是本发明的影响传播损失主要因素；

图4是本发明的多波束声呐数据传播损失改正流程；

图5是本发明的角度响应曲线及其参数；

图6是本发明的残余误差对于单个脉冲数据对应海底地形的综合影响；

图7是本发明的削弱边缘波束残余误差的流程图；

图8是本发明的重叠区域线性渐变的权值；

图9是本发明的拉普拉斯法图像融合示意图；

图10是本发明的小波变换法融合示意图；

图11是本发明的不同底质的平均反向散射强度随入射角变化规律；

图12是本发明的各种信号的相平面轨迹；

图13是本发明的Contourlet变换滤波器组结构图；

图14是本发明的Contourlet变换频率分解图；

图15是本发明的Curvelet频域分块图；

图16是本发明的海底底质声学特征参量库建立流程；

图17是本发明的两个区间的关系；

图18是本发明的深度学习结合SVM的多层分类模型；

图19是本发明的多维度时空-频率域特征参量融合的海底底质分类软件系统架构。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。

首先，本发明涉及如下技术术语：

1.多波束测深系统

同时获得数十个甚至上百个相邻窄波束的回声测深系统。一般由窄波束回声测深设备(包括换能器、测量船摇摆的传感装置、收发机等)和回声处理设备(包括计算机、数字磁带机、数字打印机、横向深度剖面显示器、实时等深线数字绘图仪、系统控制键盘等)两大部分组成^[63]。

2.海底底质分类

在多波束或侧扫声呐的反向散射强度数据的基础上，选取某些自聚度和分辨力较显著的特征参量对回波信号提取相关的特征值，并利用分类器对底质样本训练，之后根据训练结果再对声呐图像进行底质分类的技术方法^[62]。

本发明多维度时空-频率域特征参量融合的海底底质分类方法，主要包括以下步骤：

(1)通过多波束声呐数据结构解译后，进行系统误差改正、三维声线精确跟踪、声照面积改正、传播损失改正、顾及地形和底质变化的自适应角度响应改正、反向散射强度数据的地形校正、测深数据残余误差削弱及条带镶嵌方面的精处理；

(2)分别提取时空域特征参量(角度响应特征参量、相平面轨迹分布特征参量、分形维数特征参量、图像纹理特征参量)和频率域特征参量(Contourlet变换特征参量、曲波变换特征参量)，通过子集预处理、融合运算和约简降维步骤将时空域和频率域特征参量进行融合处理；

(3)在实验室水池底部铺设一定面积的基岩、砾石、沙子、粘土、淤泥5种基本底质样本，通过多波束声呐定点垂直扫测或者移动扫测水池底部底质，将回波信号进行分析并获取底质的时空和频域特征参量，每种底质类型的每个特征参量做标记，并输入到相应的特征参量数据库中；

(4)通过特征参量优选方法对时空-频率域多维特征参量进行优选，并融合深度学习和支持向量机作为分类器，然后进行底质样本训练和全图分类，再做出底质分类精度评估，根据各模块开发功能要求，研制时空-频率域多维特征量融合的海底底质分类软件系统；

(5)海底底质分类实验室验证与海上示范应用。

参见图1至图19所示，现在对本发明的具体实施方式进行如下详细描述：

(1)总体技术方案

首先通过多波束声呐数据结构解译后，进行系统误差改正、三维声线精确跟踪、声照面积改正、传播损失改正、等方面的精处理；其次，分别提取时空域和频率域特征参量，并将时空域和频率域特征参量进行融合处理；再次，建立基岩、砾石、沙子、粘土、淤泥5种基本底质样本回波信号的特征库；然后，通过对特征参量优选，并融合深度学习和支持向量机，进行底质样本训练和全图分类，做出底质分类精度评估，同时，研制海底底质分类软件系统；最后，对海底底质分类方法进行实验室验证与海上示范应用。

(2)多波束声呐数据精处理

1)多波束测深系统误差改正

多波束测深系统是一个由多传感器组成的综合测量系统，测深数据质量不但取决于测深传感器自身的先进性，还与其他辅助测量设备的技术性能和海洋环境效应有关，多波束测深误差具有显著的多源性。除粗差之外，多波束测深还会受到一系列系统性和随机性误差的影响，产生这类误差的主要因素有：①仪器观测误差，如回波信号检测误差、声线跟踪计算误差等；②测深传感器安装校准剩余误差；③定位引起的位置误差；④GPS天线与换能器中心不重合引起的偏心误差；⑤静态与动态吃水改正误差；⑥声速剖面观测与代表误差；⑦姿态传感器观测误差；⑧姿态改正误差；⑨测深与定位不同步引起的时延误差；⑩潮汐改正误差。在上述误差源中，由于它们各自的变化特性和量值大小各异，它们对测深结果的影响方式也各不相同。为此，在数据处理过程中，需要通过建立相应的数学模型和补偿方法来减弱上述误差源的影响，获取高精度的多波束声呐数据。

2)顾及姿态的自适应多波束三维声线精确跟踪方法

在多波束测深中，每个波束在海底投射点的坐标均基于一定的声线跟踪模型获得的，声线跟踪精度直接影响着多波束的测深精度。实际数据处理发现，声线跟踪常会带来一些测深假象，并导致海底地形异常。根据声线跟踪原理，影响声线跟踪精度的主要因素有声速剖面误差、波束初始入射角误差和声线跟踪模型误差。声速剖面误差是影响测深精度的第一误差源，包括声速测量误差和声速代表性误差，可以借助高精度声速剖面仪和施测一定密度的声速剖面来消除；基于层内常梯度的声线跟踪方法，由于目前的声线跟踪均未考虑水平声速的变化，在大入射角的边缘波束仍会引起较大的跟踪误差，此外，在大深度测区，声速剖面层数过多会引起跟踪效率极低，根据垂直声速变化特征进行自适应合并层数进而获取效率更高而又不失去精度的声速剖面，为此，需要研究顾及水平声速变化的自适应常梯度声学跟踪方法，将顾及水平声速梯度后的时间传播延迟表示为式(1)，声速梯度分为东方向梯度δCe和北方向梯度δCn，D为换能器到测点的垂直水深，es和ns为换能器在慢度模型坐标系中的东方向和北方向分量，esf和nsf为测点在慢度模型坐标系中的东方向和北方向分量。在获得实际的时间延迟和水平声速梯度后，其它步骤按照传统的声线跟踪方法执行。实际应用中发现，消除了上述2个因素影响后，测深结果仍不理想，尤其是在深水区多波束测量中。分析认为，主要由于目前声线跟踪方法中的波束初始入射角计算未顾及或未完全顾及船姿因素所致。

顾及姿态的多波束声线精确跟踪方法的基本思路，首先根据网格布设方案获取与多波束测量时间同步的各站点声速剖面数据，然后综合船体姿态精确计算波束初始入射角的问题，最后通过顾及水平声速变化的常梯度声线跟踪模型计算出每个波束脚印的三维坐标。声线跟踪流程如图1所示。

3)声照面积改正

有效声照射区域在航迹方向上的长度由发射波束宽度和实际传播路径确定；在航迹正横方向上的长度受控于接收波束宽度、脉冲宽度、声速、波束入射角及实际传播路径。由于海底地形起伏，航迹方向上的长度及航迹正横方向上的长度又会受到海底倾角的影响。图2列出了计算有效声照射面积的流程。

通过推导海底倾角对航迹方向及航迹正横方向有效声照射长度的影响，得到顾及海底局部倾斜的有效声照射面积的计算公式，其中海底坡面在航迹方向及航迹正横方向的海底倾角是准确计算有效声照射面积的关键因素。

4)传播损失改正

现有的反向散射强度传播损失改正方法主要有多波束换能器增益处理和声学模型后处理，多波束换能器增益是通过时间变化增益(time varied gain,TVG)减少传播损失的影响。声学模型法主要是通过声传播公式推导回波强度与海洋环境参数的关系。波束传播损失与波束的传播路径密切相关，未考虑声速剖面对波束传播路径的影响。而传统的传播损失与波束的传播路径密切相关，TVG改正方法忽略了海水介质中环境参数的动态性，而传统的多波束传播损失声学模型通常只考虑了纯净海水黏滞性对波束传播的影响，未考虑混浊海水中悬浮颗粒物对海水黏滞性的影响，在复杂海洋环境下适应性较弱，改正效果不理想。

顾及混浊水域中悬浮颗粒物对黏滞吸收的作用，研究一种混浊水域多波束声传播损失改正模型，针对海洋环境参数的动态性，对每个波束分层计算传播损失，最后将各层传播损失累计，获得每个波束的传播损失。

传播损失由扩展损失和吸收损失两部分构成，图3展示了影响传播损失的主要因素。扩展损失是由声波本身的传播特性决定的，声波在传播过程中波阵面不断扩大，单位面积能量减少，衰减的速率与波阵面的表面积成正比。对于多波束声呐系统发射的球面波，其衰减的速率与传播距离平方成正比。吸收损失的本质是声传播过程中部分声能转化为其他能量(如热能)，且不可逆，主要包括化学弛豫吸收和黏滞吸收，弛豫吸收是指海水中的分子在声波作用下发生离解和缔合，消耗声波的能量，黏滞吸收是由于惯性黏滞作用将速度梯度能量转化为热能而产生的能量损失。

①TVG改正

在水深测量过程中多波束系统会自动添加固定增益(Fixed Gain)及时间变化增益，即根据信号发射后的时间长短对返回信号进行放大处理。

T_tvg＝S_plgR+2αR/1000+G(2)

式中，α为吸收系数(dB/km)，R为斜距(m)，S_p为扩展损失系数，G为固定增益。

时间增益是另一种形式的传播损失改正，吸收系数α和传播损失系数S_p是用户在进行初始设置时输入的参数值，与测区真实的吸收系数是不同的，存在着一定的不确定性和局限性，因此需要对采集到的回波强度进行去除TVG改正，在数据后处理中重新计算传播损失。

②声波传播损失模型改正

由于传统的改正方法未考虑混浊海水中颗粒物对传播损失的影响，没有完全去除传播损失。因此，如何处理悬浮颗粒物对吸收损失的影响是混浊海水传播损失计算的关键。在此，从声学机理出发，重新构建了多波束声呐数据吸收损失计算模型，使用水体温度对海洋环境参数进行自适应分层，然后基于声速，对每个波束分层计算吸收系数和传播距离，最后将各层传播损失累计，得到每个波束的传播损失，改正流程图如图4所示。

综合考虑海水中悬浮颗粒物造成的黏滞损失、扩展损失、弛豫损失，则改进的传播损失声学模型为：

5)顾及地形变化的角度响应自适应改正

针对多波束反向散射强度数据(Backscatter Strength，BS)在采集过程中受到声学散射机理而产生的角度响应(Angular Response，AR)影响，而目前声学硬件方面尚未完美解决且现有后处理改正方法在复杂海底底质环境下适应性较差，尤其在高入射角区域的改正效果甚为不理想的问题，为此，研究一种基于散射强度的自适应角度响应改正模型。首先需要在初始反向散射强度数据中剔除地形影响的反向散射强度值(如式(5)所示)；其次获取连续脉冲(Ping)平均散射强度数据的角度响应曲线；再次使用高斯拟合方法对角度响应曲线进行平滑拟合处理，进而对其解算二阶导数提取角度响应模型改正参数；最后给出顾及高入射角区域的单Ping反向散射强度数据的分段处理改正模型。

散射强度值是海底底质的真实反映，同时它也与波束入射角存在着相关性。散射强度值与波束入射角之间的变化规律如图5所示。由波束散射机理可知，散射强度主要有三种散射变化模式，分别为镜面反射区域(D₁，小于30°)、漫反射区域(D₂，介于30°到50°之间)以及高入射角区域(D₃，高于50°)。在不同的入射角区域，散射强度有着不同的变化规律，其中在镜面反射区以及高入射角区散射强度主要遵循线性变化，而在漫反射区则是遵循Lambert法则变化。为了更好地描述这一变化特征，借助几类参数来表述角度响应模式，分别为：边界角(A₁₂、A₂₃)、平均反向散射强度(BS₁、BS₂、BS₃)、以及角度响应曲线斜率(k₁、k₂、k₃)，这三类角度响应参数可以从角度响应曲线中提取。

不同区域的散射强度数据，减去自适应模型计算出的改正值，再加上漫反射区域的平均散射强度，即可实现反向散射强度数据的改正以及归一化，如式(4)所示。

BS_n＝BS-BS_m+BS_mean (4)

其中，BS_n为最终自适应模型改正后的散射强度数据，BS为原始记录的散射强度数据，BS_m为多波束反向散射强度数据的角度响应改正数值，BS_mean为D₂区域的散射强度数据平均值。在此，主要研究如何构建自适应的多波束角度响应改正模型。

6)反向散射强度数据的地形校正

由于水下地形的起伏，引起倾斜地表与多波束声呐波束入射角相对位置和几何取向的变化，导致声呐系统接收的反向散射数据不仅与海底沉积物类型相关，还决定于波束入射角与不规则地形的共同影响。这种影响会造成同种地物类型的反向散射强度值产生巨大差异，给海底地质分类带来困扰。因此，必须对反向散射强度数据进行地形校正，消除地形的干扰，使反向散射数据成为与地形和波束入射角无关的，仅表征地物本身信息的真实反向散射强度数据。

多波束声呐地形校正的基本思想是：将倾斜发射的声呐波束到达倾斜地表得到的反向散射强度，校正到波束垂直发射到水平地表的情况，消除波束发射开角和地形起伏对同类地物反向散射强度的共同影响，使声呐系统接收的散射强度能够真实表征海底底质本身的特征。

由于声呐系统总是以分贝(10lg)为声强单位，根据声强的定义，多波束声呐地形校正公式为：

式中，BS_H为地形改正后的反向散射强度，BS_T为地形改正前的反向散射强度，BS_t为地形影响的反向散射强度，n为声速剖面的层数，i为波束入射角，α为海底床表地形坡度角。

7)基于地形频谱特征的测深数据残余误差削弱方法

在多波束声呐测量和数据处理中，尽管对声速、姿态、换能器和姿态传感器安装偏差等进行了严格测量，并进行了严格改正，但是在最终的测深数据中，边缘波束的测深数据质量依然较差。通过分析认为，该问题主要是由于各观测要素的残余误差对测深的综合影响造成。这种综合影响具有系统性，随水深增加而增加，并且在边缘波束表现更为显著，以及在深海会进一步加剧，这些误差因素的残余误差的影响是系统性的，并且共同导致了地形的异常现象，如图6所示，而现有方法尚不能对其进行有效地消除。为此，在分析残余误差综合影响产生机理的基础上，研究基于海底地形频谱特征的残余误差综合影响削弱方法。

下面提出了一种利用海底地形与测深数据的频谱信息来削弱残余误差的综合影响的方法，该方法主要包括三个步骤：

步骤1：从原始记录的测深数据中分离低频项L和高频项S

边缘波束的低频项L可以通过小波变换或者离散傅里叶变换(Discrete FourierTransform,DFT)法提取得到。而对应的高频项S可通过在原始测深数据中减去趋势项L得到。

步骤2：重建真实海底地形趋势L₀

在数据处理过程中，需要首先提取相邻测线同一地形断面下对应两个脉冲的中央波束数据，其次利用对应两个脉冲的中央波束数据通过线性内插进行重构得到L₀。

步骤3：融合真实海底趋势L₀与微地形S

结合真实海底地形L₀和微地形S，使得真实的海底地形可以得以复原，如下式所示：

T＝L₀+S (6)

在真实海底地形T中，边缘波束的测深数据被改正后的数据替换，因而残余误差的影响得到减弱。上述整个数据处理流程如图7所示。

8)条带镶嵌

①图像配准

图像配准方法很多，广义上可分为两类：基于区域灰度信息的图像配准和基于特征的图像配准。

a)基于区域灰度信息的图像配准方法

相同尺寸图像之间的相似程度可以通过它们灰度分布的相关统计参量大小进行判断。基于灰度信息的图像配准方法，常在待配准图像上选择一系列的区块图像，对各区块图像，按照一定的方式搜索参考图像，并不断计算其与当前搜索区域图像的相似度，相似度最大位置区域即为该区块的配准区域。当实现多个区块配准以后，便可以求解两幅图像之间的变换模型。

常用的相似度测量参数有：两幅图像灰度的平方差之和、相关性、序贯相似度检测、互相关、位相关、互信息等。

b)基于特征的图像配准方法

基于特征的图像配准方法不是直接利用图像的像素值，而是通过像素分布特征导出图像的特征，利用这些特征信息建立图像之间的变换关系进行配准。对于不同特性的图像，选择图像中容易提取并且能够在一定程度上代表待配准图像相似性的特征信息作为配准的依据。基于特征的图像配准方法包括特征提取和特征匹配两个过程。

特征提取时提取两幅图像公共区域的特征，理想的特征应当对旋转、平移、明暗、缩放等变化都具有较好的一致性，如轮廓边缘、角点、交叉点、闭合区域中心等。比较常见的特征检测方法有，多尺度小波边缘点提取，Harris、Forstner及Moracec等算子的角点检测，LOG特征线提取，SIFT局部特征提取等。

②图像融合

图像融合是为了解决重叠区域多源图像的统一问题。图像融合多为像素级别处理，融合效果的好坏与配准精度有很大的关系，但从融合算法自身角度讲，好的融合方法应当尽可能的保留原图像信息，同时消除重叠区域的拼接痕迹。目前基于像素级图像融合的方法主要有：加权平均法、主成分分析法、拉普拉斯金字塔法和小波变换法。

a)加权平均融合法

若参考图像、待配准图像和融合后图像的灰度值分别为f₁(x,y)、f₂(x,y)和f₃(x,y)，依据加权平均融合法则有：

上式中d₁，d₂均为权值，它们之间的关系为d₁+d₂＝1，d₁∈(0,1)，d₂∈(0,1)。在两幅图像的重叠部分d₁由1逐渐变为0，而d₂则由0逐渐变为1，由此实现重叠区域的平滑过度。其权值变化示意如图8所示。

加权平均融合是一种最直接融合方法，该算法简单，运算速度快，提高了融合图像的信噪比，但也模糊了重叠区域部分目标的轮廓特征。

b)主成分分析法

主成分分析(Principal Component Analysis，PCA)是采用降维思想，将多个分量转化为少数几个综合变量。采用该方法进行图像融合时，先对图像进行主分量变换，计算出变换矩阵，通过该矩阵将图像数据变换为一组新的图像数据，这样提高了图像的主成分特征，构造出的每个新特征都是原特征的线性函数。主成分分析法的变换公式为：

Y＝TX(8)

上式中X为待变换图像的数据矩阵，Y为变换后图像的数据矩阵，T为变换矩阵。采用主成分分析法进行融合，可以尽可能多地保留图像的细节信息，使获得的融合图像包含丰富的细节信息。

c)拉普拉斯金字塔法

拉普拉斯金字塔法是首先对源图像进行拉普拉斯金字塔变换以获得各图像分解后的系数表示，然后采用一定的融合规则对获得的系数表示进行融合处理得到一个融合后的系数表示，最后通过图像逆变换获得融合后的图像。

图像的拉普拉斯金字塔是建立在高斯金字塔变换技术上的，一般而言，拉普拉斯金字塔的建立可分为三个部分：低通滤波及降采样、插值膨胀及低通平滑滤波、图像相减。

d)小波变换法

小波变换法是首先对源图像进行小波分解，获得不同频率的分量，即获得一系列子图像，然后在变换域上进行特征选择创建融合图像，最后进行图像重构得到融合图像，其融合过程如图10所示。

基于小波变换的融合效果取决于所选用的融合规则和融合算子，现有的融合规则和融合算子分为两类：基于像素点的融合方式和基于区域特征的融合方式。前者是采用适当的融合规则和算子对分解获得的子图像中像素点的灰度值进行融合，以此作为融合图像对应像素点的灰度值。后者是在以像素点为中心的窗口区域中，计算该区域像素点的方差值，将方差最大的像素点的灰度值赋给融合图像对应的像素点的灰度值。

(3)海底底质时空-频率域声学特征参量提取及融合

1)时空域特征参量提取

①角度响应特征参量

由于实测反向散射强度数据集的离散性以及不同底质类型海底反向散射强度数值可能相当等原因，实际上不能仅通过反向散射强度值来预测海底底质类型，也就是说，海底反向散射强度与底质类型之间存在一对多的关系。研究发现不同海底底质其反向散射强度随入射角的变化曲线形状不同，根据这一特性可以进行底质分类研究。

对于不同的海底底质，平均反向散射强度随入射角的变化曲线形状不同，如图10所示。由图10可知，淤泥质海底和砂质海底的反向散射强度在中央波束附近变化剧烈，有陡峭的尖峰；基岩海底反向散射强度值相对较大，但在中央波束附近变化平缓；从理论上讲，入射角增加，反向散射强度值减小，但实际中，由于数据处理的非理想化过程，在整个曲线上，不时出现微小的波动(残余误差)，这部分影响很难消除。因此，特征参数提取时应注意残余误差对特征参数的影响。

角度响应特征参量的提取拟采用非线性最小二乘拟合法，整个角度范围内反向散射强度的参数模型：

B_s(θ)＝10log(Aexp(-αθ²)+Bcos^βθ)(9)

式中，B_s为海底反向散射强度；θ为海底入射角；A、B、α和β为模型参数。该模型在垂直入射角附近趋于近似的Kirchoff模型，在其他角度区域遵从近似的Lambert法则。

基于最小二乘原理拟合特征参数，上式的数学模型为：

式中，x_data为给定的输入数据向量，文中为海底入射角θ的观测向量；y_data为与x_data对应的观测向量，即θ角对应的海底反向散射强度观测值；F(x,x_data)为目标函数，即B_s(θ)；x为函数的拟合系数向量，这里为A、B、α和β；n为观测向量的长度。对函数拟合系数的求解转化为无约束非线性规划问题求解。

②相平面轨迹分布特征参量

相平面法是用来求解低维动力学系统的一种图解法。对一个二阶微分系统，如下式：

x″+f(x′,x)＝0 (11)

(式中x′≡dx/dt，分别以x和x′为横、纵坐标所构成的平面就是相平面。在此，x和x′分别取声压信号和声压信号的时间微分信号。

图12中每一个实点称作一个相点，代表每个采样时间点的信号在相平面上的分布。相平面直观的给出每个信号的特点，入射信号和散射信号的相点向内旋转随时间聚集；噪声信号的相点分布无规律，散乱分布于相平面。

相平面轨迹分布特征参量主要有2个，最大距离特征量和距离分布特征量。

a)最大距离特征量

入射信号、散射信号和噪声信号相平面中的相点到中心点的距离定义为相点距离，如下式：

式中，α＝in,r,n分别表示入射信号、反射/散射信号以及噪声信号。符号“-”代表信号在所取时间段上的平均值，由此

代表相平面的中心点。

对每一组信号分别求出散射信号最大距离和入射信号最大距离的比值，如下式：

式中，

代表时域最大值。P1作为相平面方法海底分类的第一个特征量。

b)距离分布特征量

对入射信号、散射信号和噪声信号相平面中的相点到中心点的距离做统计。分别计算散射信号和入射信号中相点点距超过噪声信号相点点距最大值部分所占自身的比例。

式中，

同样代表时域最大值，P代表计算括号内变量满足后面条件的百分率。P2作为相平面法进行海底分类的第二个特征量。

③分形维数特征参量

分形几何中，分形维数d是一个描述分形对空间填充程度的统计量。数学定义如下：设ε为小立方体的长度，N(ε)为用此小立方体覆盖被测形体所得的数目，分形维数d为：

分形维定义有很多方法，比如豪斯多夫维数、计盒维数和分配维数等，本文采用差分计盒维数(differential box-counting,DBC)计算分形维数。

对于一副M×M大小的图像，将其看作三维空间。其中，坐标(x，y)表示原图像像素的坐标位置，z坐标表示灰度值，将原二维图像划分为s×s大小的网格，s可取2～M/2之间的任意整数值，即1＜s≤M/2，则r＝s/M。设置s×s×h的盒子覆盖该s×s网格，其中，盒子的高度h满足G/h＝M/s，G为图像的灰度等级数目。若第(i,j)个网格像素的最大和最小灰度落入覆盖该网格一列盒子的第l和第k个盒子内部，则：

n_r(i,j)＝l-k+1(16)

式中，n_r(i,j)表示覆盖第(i,j)网格的盒子数。覆盖整个图像的盒子数N_r为所有n_r(i,j)之和，为：

取不同r计算相应的N，利用式(18)线性拟合计算log(N_r)相对于log(1/r)的斜率，为：

④图像纹理特征参量

图像纹理特征参量可选取均值、标准差、三阶矩、一致性、熵、矩、几何000矩、几何025矩、几何050矩、几何075矩、几何100矩、灰度共生矩阵、直方图均值、直方图方差、直方图归一化方差、直方图偏度和直方图峰度等。

2)频率域特征参量提取

频域处理方法主要有基于傅里叶变换的算法、基于小波变换的算法等。二者在图像增强时都易产生“振铃”现象。此外，基于傅里叶变换的算法会造成细节信息损失，基于小波变换的增强方法通过在变换域中对小波系数进行处理，增强图像部分细节的同时有效地抑制了图像噪声。但是由一维小波张成的二维可分离小波基只有有限的方向，不能很好地表示图像中的方向信息，细节信息的增强明显不足。

①Contourlet变换特征参量

2002年Donoho和Vetterli在继承小波多尺度分析思想的基础上提出一种新的非自适应的方向多尺度分析方法——Contourlet变换，它能在任意尺度上实现任意方向的分解，擅长描述图像中的轮廓和方向性纹理信息，很好地弥补了小波变换的不足。

Contourlet变换的基本思想是首先用一个类似小波的多尺度分解捕捉边缘奇异点，再根据方向信息将位置相近的奇异点汇集成轮廓段。采用拉普拉斯塔式滤波器结构(Laplacian Pyramid,LP)对图像进行多分辨率分解来捕捉奇异点，接着由二维方向滤波器组(Directional Filter Bank,DFB)将同方向的奇异点合成线，Contourlet变换的最终结果是用类似于线段(Contour segment)的基结构来逼近图像，这也是之所以称之为Contourlet变换的原因。LP和DFB都具备完全重构特性，其组合而成的离散Contourlet变换也能实现完全重构。

图13给出了离散Contourlet变换的滤波器组结构图。原始图像经多层分解可得到多尺度多方向的子带图像。图14则给出了一种Contourlet频域分解图(l＝3)。在实际应用中，方向数一般随着尺度增大而增多。

i)低频特征量

Haralick等人提出用灰度共生矩阵(CLGM)来描述纹理统计特征，它能反映出图像灰度关于方向、相邻间隔、变化幅度的综合信息，是分析图像的局部模式及其排列规则的基础，因此得到了广泛的应用。灰度共生矩阵描述图像中给定方向。上间距为d的像素对的灰阶联合分布。其实质是从图像灰度为i的像素(x,y)出发，统计与其距离为d、灰度为j的像素(x+Δx,y+Δy)同时出现的频度：C(i,j,d,θ)。数学表达式为:

C(i,j,d,θ)＝{[(x,y),(x+Δx,y+Δy)/f(x,y)＝i；f(x+Δx,y+Δy)＝j]} (19)

式中,x,y＝0,1,2,…,N-1是图像的像素坐标；i,j＝0,1,2,…,L-1是图像的灰度级；Δx，Δy是位置偏移量；d为灰度共生矩阵的生成步长；θ为生成方向，取0°,45°,90°,135°。

在海底声呐图像的Contourlet变换域可通过计算Contourlet系数的对比度、逆差矩和角二阶矩来得到声呐图像的低频特征量。

ii)高频特征量

选择标准差作为细纹理的能量测度：

式中,x_i是方向子带系数，n是子带系数个数，x是该子带系数的均值。Contourlet变换域各方向子带系数的标准差反映了不同分辨率、不同方向上海底的不平度，反映了不同海底声纳图像的细纹理。

②曲波变换特征参量

曲波(Curvelet)变换是由Cande E J和Donoho D J于1999年提出，它保留了小波方法多尺度的特点，但与小波变换不同的是，除了尺度和位移参量，曲波还增加了一个方向参量，因而具有更好的方向辨识能力。2005年Candes E J等将曲波变换算法进行了改进(即快速曲波变换，又称第2代Curvelet变换)，大大降低了数据的冗余度，提高了运算速度。

第2代Curvelet变换，在时域中，Curvelet基的支撑区间满足宽度等于长度的平方，称为各向异性尺度关系(anisotropy scaling relation,ASR)；在频域中，Curvelet基支撑区间表现为“楔子”，如图15的黑色部分，其中，j表示尺度，整个Curvelet变换是由精细尺度下的方向元素和粗度尺度下各向同性的小波组成的。

在此，拟采用基于Wrapping的快速离散Curvelet变换(fast discrete curvelettransform,FDCT)实现算法，在具体实现时对任意区域通过周期化技术一一映射到原点的仿射区域。该方法先变换到频域，然后再频域中进行局部化，在采用2DIFFT得到Curvelet系数。

3)多维度时空-频率域特征参量融合

在基于多源特征级信息融合的海底底质目标识别中，理论上信息融合层级越低，系统获得的目标特性就会越全面，融合识别性能也就趟好。然而，当融合层级变低时，融合面临的数据量、算法复杂度等都会急剧増大，鲁棒性也会因更多数据的细微差异而变差，这又反过来使融合结果变得不可靠。特征级融合被认为是既获得了最优融合效果，又克服了融合数据量大、计算复杂、鲁棒性差的最佳融合层次。

橫式识别领域，特征级融合可简单的描述为一个以最大化目标分类性能为目的，将反映目标不同观测面的多个特征子集进行数学关联、分析、组合以形成一个统一融合识别特征向量的过程。假设各待融合特征子集分别为X_i∈R^pi×m(i＝1,2,…,n)，其中，p_i为各子集的特征维数，m为各子集的样本数目，则数学上特征级融合可表示为一个寻找最优融合策略f(·)，使得基于f(·)获得的融合子集X_fusion的分类性能景大化的过程，即：

式中，P(·)代表特征子集的分类性能评价函数，f(·)代表所示的特征级融合广义框架。

f(·)框架通常包含如下三个基本的功能子模块：子集预处理模块、融合运算模块和约简降维模块。如果以β，φ，γ三个算子分别表示上述各功能子模块，那么应用中β，φ，γ算子包含的基本任务和主要实现途径又可分别描述为：

子集预处理算子β：特征融合前的准备工作。功能是对各待融合特征子集进行去物理意义、去量纲、归一化和中也化处理，避免不同特征子集因数量级差异、物理意义差异而影响后续特征融合效果。目前，常用的特征子集预处理算子主要有：Min-Max归一化、Z-Score标准化和正切估计子等。

融合运算子φ：特征融合框架的核心。对应一个多输入单输出函数，用于发现各待融合特征子集中包含的关于目标识别的相似性信息和互补性信息，然后对相似性信息进行纵向归并、对互补性信息进行横向拓展，得到一个特征变量互不相关的最优识别特征向量。目前，常见的多特征子集特征融合运算子主要有：基于“形式”组合的串/并特征融合算子、基于统计相关分析的投影特征融合算子、基于隐式函数(神经网络类)的特征融合算子和基于样本关系度量矩阵的特征融合算子四类。

约简降维算子γ：特征融合过程的补充或保障。当用于融合后所获高维融合特征子集的约简降维时，算子γ作为特征融合的一种补充运算，用于缩减融合特征维数，提高后续机器学习效率；当用于融合前对各原始恃征子集进行鲁棒“净化”预化理时，算子γ是特征融合实施的一种保障，用于剔除各待融合子集中包含的干扰、冗余、无用和模糊特征元素，避免后续融合过程出现“噪声元素干扰融合空间”、“矩阵奇异”、“高维小样本”和“过拟合”等融合问题。目前，常见的特征子集约简降维算子主要有两类：一类是基于二次投影运算的约简降维算子，例如：PCA、LDA、ISOMAP、局部线性嵌入LLE等；另一类是基于特征选择的约简降维算子，例如：过滤式特征优选Filter、封装式特征优选Wrapper、组合式特征优选Embedded Selection等。

(4)海底底质声学特征参量库构建

在实验室分别对基岩、砾石、沙子、粘土、淤泥5种基本底质样本进行建库，步骤为：首先在实验室水池底部铺设一定面积的底质；然后通过多波束声呐定点垂直扫测或者移动扫测水池底部的底质；扫测结束后对多波束声呐采集的回波信号进行分析，获取底质的时空和频域特征参量，每种底质类型的每个特征参量做标记，并输入到相应的特征参量数据库中，具体流程如图16所示。

(5)海底底质分类

1)时空-频率域多维特征量优选研究

两个区间的关系可归纳成图17中的三种情况。三种关系的重叠率δ定义为：

统计特征的这两个性能参数都是基于两个区间的重叠率定义的。统计特征的自聚度指统计特征表达同种类别底质的一致性程度，用ρ(p)表示第p种统计特征的自聚度。分辨力则是表示统计特征在表达不同类别底质时的相异程度，用χ(p)表示第p种统计特征的分辨力。统计特征的自聚度和分辨力越高则越利于底质分类。所以自聚度和分辨力可以作为表达统计特征的底质分类能力的两个性能参数。

第p种统计特征在第t种底质类型的自聚度ρ(p,t)定义为第t种底质的各取样站点的优选样本的第p种统计特征分布区间两两的重叠率的最小值，如果第t种底质类型只有一个取样的样本，则ρ(p,t)＝0.5。

δ_ij(p,t)表示第i个取样站点的第t种底质类型的优选样本的第p种统计特征分布区间与第j个取样站点的同类型的优选样本的同种统计特征的分布区间的的重叠率。

而第p种统计特征的自聚度ρ(p)为其在各种底质类型表现的均值：

T为底质类型的数量。

第p种统计特征的分辨力χ(p)定义为1减去各种底质类型的优选样本的第p种统计特征的分布区间两两比较的重叠率的均值：

δ_st(p)表示第s种底质类型的优选样本的第p种统计特征分布区间与第t种底质类型的优选样本的同种统计特征的分布区间的的重叠率。

下一步统计特征的挑剔标准的制定基于ρ(p)，χ(p)的均值和标准差进行，如果第p种统计特征的两个性能参数ρ(p)，χ(p)的值相对于标准差低于均值大多，则认为第p种统计特征是不好的统计特征。因为均值和标准差很容易受到一些极小值的影响而变得很不稳定，所以补充规定：

1)在计算ρ(p)时，当ρ(p,t)＝0的数量超过总数量T的50％，则ρ(p)＝0；

2)在计算χ(p)时，当δ_st(p)＝0的数量超过总数量C² _T的80％，则χ(p)＝0；

3)在计算ρ(p)，χ(p)的均值和标准差时忽略为0的值。对式(26)的第3条判据忽略ρ(p)，χ(p)其一为0的统计特征。

如果第p种统计特征符合下列剔除标准之一则认为第p种统计特征为劣质统计特征：

式中，μ_ρ为ρ(p)的均值，σ_ρ为ρ(p)的标准差。μ_χ为χ(p)的均值，σ_χ为χ(p)的标准差。μ_(χ-ρ)为(χ-ρ)的均值，σ_(χ-ρ)为(χ-ρ)的标准差。这些值的计算都忽略ρ(p)，χ(p)其一为0的统计特征。式(26)第3个判据是强调统计特征在表达各个取样站点同类底质类型的一致性要强，剔除那些ρ(p)相对太小而χ(p)又相对太大的统计特征，这些统计特征对分类器正确工作产生较大的影响。

2)融合深度学习和支持向量机的分类器研究

卷积神经网络(convolutional neuron networks，CNN)由一个或多个卷积层和顶端的全连通层组成，并且包括相关权值和池化层(pooling layer)，这种结构使得CNN能够利用输入数据的二维结构。与其他深层结构相比较，卷积神经网络在图像和语音应用中显示出了优异的结果。卷积神经网络还可以使用标准的反向传播算法进行训练，并且，由于具有较少的参数估计，相比其他深度结构更容易训练。

支持向量机由Vapnik于1995年在统计学习理论的基础上提出，与过去一般的机器学习方法相比，具有如下特点：首先，由于传统的机器学习方法是基于经验风险最小化的原则，对于有限的样本个数，泛化能力不足，而SVM以VC维和结构风险最小化为基础，具有良好的泛化能力，在解决小样本问题中表现出明显的优势；其次，在解决高维问题中，神经网络往往容易陷入局部极值，SVM的基本思想是通过使分类间隔最大化来求解最优的分类面，算法最终转化为解一个凸二次规划的优化问题，得到的将是全局最优解；第三，SVM通过引入核函数，通过非线性变换变换到高维特征空间，算法的复杂程度与样本的维数没有关系，只和样本数有关；第四，支持向量机在结构上类似于三层的前馈神经网络，隐含层节点数由支持向量所确定，通过解凸二次规划的优化问题，可以同时得到隐含层节点数和权值向量。

尽管支持向量机在理论和应用中具有很多优点，但其在结构上是浅层结构，可以看成具有一层隐含层，对复杂函数的表示能力有限。而深度网络由于具有多隐含层的结构，每一个隐含层可以对上一层的输出进行非线性变换，可以以更简洁的方式表达复杂的函数关系，因此具有优异的特征学习能力，从而有利于可视化或者分类。

将深度学习与SVM方法相结合，构建如图18用于分类的多层模型。从输入到最后一层隐含层，利用深度学习方法，通过无监督学习，将原始数据重新表征，实现特征的自动提取，然后将最后一层隐含层的输出作为SVM分类器的输入，通过SVM方法进行训练分类识别。

训练深度学习结合SVM的多层分类模型，设网络有l个隐含层，输入层的维度为m维，隐含层维度分别为n₁,n₂,n₃,…，n_l，深度越深，训练所需的时间越长。整个网络的训练流程如下：

①首先训练第一个RBM网络，即用输入层m维和第一个隐含层1n维构成的RBM网络。输入为原始的输入数据，根据前面讲述关于RBM的训练以及权值和偏置的优化过程，训练第一个RBM，并得到训练样本在隐含层的输出值，以及相应的权值和偏置。

②利用步骤①中隐含层的输出值作为第2个RBM网络训练的输入值，用第一个RBM的输出与第二层隐含层构成输入层为1n维和隐含层为2n维的RBM网络，但是固定步骤①的权值和偏置不变。同步骤①中的方法，计算出隐含层的输出值、权值和偏置。依次类推，用同样的方法训练接下来的第3个RBM网络、第4个RBM网络直到l个网络全部结束。

③将上面多个训练好的RBM连接在一起组成新的网络，并将网络展开，分成encoder和decoder部分。encoder部分为将整个网络从原始数据输入到最后一个RBM网络的输出的正向传播构成的网络，decoder部分为将整个网络从最后一个RBM网络到重构的原始输入数据的反向传播构成的网络，其权值和偏置为步骤①和②得到的值，给这个新网络赋初值。

④新网络中最后的输出和最初的输入节点数是相同的，将最初的原始输入数据作为网络理论的重构的输出标签，采用BP算法计算网络的代价函数和代价函数的偏导数，然后采用共轭梯度下降法优化整个新网络，得到优化的网络权值和偏置。以上整个训练过程都是无监督的，因为数据的标签为原始的输入数据。

⑤将最终得到的网络的权值和偏置，重新赋给从原始输入数据到最后一个RBM网络构成的网络中，这样便完成了特征的提取过程，最后一个RBM的输出便为提取的特征。

⑥用步骤⑤得到的输出训练SVM分类器，得到相应的SVM参数，如此，便完成了网络的训练阶段。

当用测试样本进行分类预测时，将样本输入先经过多层的RBM网络进行特征提取，然后输入到SVM分类器进行分类识别。

3)海底底质样本训练与全图分类，其中：

a)样本训练

在特征参量优选后，选择70％的样本进行训练，30％样本作为检核。将训练样本的结果作为内符合度评价，检核样本的结果作为外符合评价。

b)全图分类

通过样本训练和检核后，进而给多波束声呐图像进行全图分类。

4)海底底质分类精度评估

基于多波束声呐的海底底质分类中通常最终需要形成海底测区区域的分类图像，而其分类结果的可靠性，一般需要通过其实测海底底质类型的数据与该区域分类结果进行比较来对该分类算法的分类性能进行评价。拟采用总体分类正确率、Kappa系数、实地抓斗验证三种评价标准对底质分类性能进行评估。

a)总体分类正确率

总体分类正确率等于被正确分类的所有样本总数N_r除以总的样本数N，即OA＝N_r/N。

b)Kappa系数

Kappa系数体现了底质分类图像整体的误差性，是遥感分类领域对分类准确性的一种定量评价标准，可在误差矩阵的基础上计算得到。设底质类型用类别号表示为1,2,…,k，则误差矩阵为一个k×k矩阵。矩阵中第i行j列的数值x_ij表示为实际底质类型是j，而被分成是i类型的样本个数，而当i＝j，即矩阵主对角线上的值x_ij表示为被正确分类的个数。令x_i+与x_+i分别表示为对第i行和对第i列数值求和的结果，则可以将Kappa系数表示为：

Kappa数值越高说明分类结果图与真实类型间的一致性好，分类正确率高；反之，一致性也相应变差，分类正确率低。

c)实地抓斗验证

实地抓斗验证是海底底质分类中最直接最准确评估方法，可依据测区海底底质分布图开展每种底质类型进行N个站点抓斗取样工作，根据对应的坐标，评估实地取样类型和海底底质分类图相应位置的一致性，最后做出分类精度评定。

5)时空-频率域多维特征量融合的海底底质分类软件系统

时空-频率域多维特征量融合的海底底质分类软件系统框架如图19所示。

(6)海底底质分类实验室验证试验与海上示范应用

1)海底底质分类实验室验证试验

在实验室完成海底底质样本建库后，在水池底部建立一定面积的网格，网格需要进行地理编码。在不同的网格里面铺上不同种类的底质，通过多波束声呐对水池底部底质进行扫测，然后进行声呐成像，再通过分类器训练样本，最后对水池底部底质进行分类，并利用混淆矩阵对底质分类结果进行精度评定，同时也可通过网格图像分类结果和实际水池网格中的底质进行比对，计算出分类精度。

2)海底底质分类海上示范应用

在实验室底质分类验证的基础上，计划以科考船租用方式在海底底质类型丰富的海域进行多波束声呐扫测，完成声呐成像后进行底质分类，并在测区不同站点进行不同类型底质的抓斗取样，以验证海底底质分类的精度。

通过上面的描述，本领域的技术人员可以实施上述发明的技术方案，而且由此可见，本发明中解决了下列技术问题：

(1)对多波束声呐测深数据和反向散射强度数据进行了系统误差改正、三维声线精确跟踪、顾及地形和底质变化的自适应角度响应改正等精处理；

(2)通过特征级融合方法对时空域和频率域的特征参量进行了融合处理；

(3)对传统的深度学习和SVM分类方法进行改进，并对两者分类器进行融合。

另外，本发明的技术特点如下：

(1)通过对多波束声呐数据的精处理，获得了真实度较高的测深数据和反向散射强度数据；

(2)提取时空-频率域特征参量，并对它们进行特征级融合，能够显著提高海底底质分类的精度，尤其对混合像元的底质分类。

Claims (6)

1.多维度时空-频率域特征参量融合的海底底质分类方法，其特征在于，包括以下步骤：

1)通过多波束声呐数据结构解译后，进行系统误差改正、三维声线精确跟踪、声照面积改正、传播损失改正、顾及地形和底质变化的自适应角度响应改正、反向散射强度数据的地形校正、测深数据残余误差削弱及条带镶嵌方面的精处理；

2)分别提取时空域特征参量(角度响应特征参量、相平面轨迹分布特征参量、分形维数特征参量、图像纹理特征参量)和频率域特征参量(轮廓波(Contourlet)变换特征参量、曲波变换特征参量)，通过子集预处理、融合运算和约简降维步骤将时空域和频率域特征参量进行融合处理；

3)在实验室水池底部铺设一定面积的基岩、砾石、沙子、粘土、淤泥5种基本底质样本，通过多波束声呐定点垂直扫测或者移动扫测水池底部底质，将回波信号进行分析并获取底质的时空和频域特征参量，每种底质类型的每个特征参量做标记，并输入到相应的特征参量数据库中；

4)通过特征参量优选方法对时空-频率域多维特征参量进行优选，并融合深度学习和支持向量机作为分类器，然后进行底质样本训练和全图分类，再做出底质分类精度评估，根据各模块开发功能要求，研制时空-频率域多维特征量融合的海底底质分类软件系统；

5)海底底质分类实验室验证与海上示范应用。

2.如权利要求1所述的多维度时空-频率域特征参量融合的海底底质分类方法，其特征在于：

1)所述系统误差改正为仪器观测误差、安装误差、静态与动态吃水改正误差各种系统误差的改正；

2)所述三维声线精确跟踪是顾及船体姿态对三维声线进行精确跟踪；

3)所述声照面积改正是顾及地形因素的影响对声照面积进行改正；

4)所述传播损失改正是通过多波束换能器增益处理和声学模型后处理对反向散射强度进行传播损失改正；

5)所述顾及地形和底质变化的自适应角度响应改正是顾及地形和底质变化的因素，分离海底地形和底质对角度响应的影响，而且可根据海底底质变化设置统计窗口进行自适应角度响应改正；

6)所述反向散射强度数据的地形校正是削弱海底地形对反向散射强度数据的影响，对其进行相应的改正；

7)所述测深数据残余误差削弱是针对测深数据中难以消除的系统误差而遗留的残余误差，往往造成条带边缘呈现“笑脸”或“哭脸”现象，利用小波变换对原始回波数据进行分解，重构测深数据；

8)所述条带镶嵌方面的精处理是在条带镶嵌方面，首先对相邻条带图像进行基于特征的图像配准，然后再进行像素级的图像融合处理。

3.如权利要求1所述的多维度时空-频率域特征参量融合的海底底质分类方法，其特征在于：

1)所述提取时空域特征参量，提取包括角度响应特征参量、相平面轨迹分布特征参量、分形维数特征参量、图像纹理特征参量；

2)所述提取频率域特征参量，提取包括Contourlet变换特征参量、曲波变换特征参量；

3)所述时空域和频率域特征参量融合是通过子集预处理、融合运算和约简降维步骤实现。

4.如权利要求1所述的多维度时空-频率域特征参量融合的海底底质分类方法，其特征在于：

1)所述建立基岩、砾石、沙子、粘土、淤泥5种基本底质样本库是表示实验室水池底部一定面积内铺设基岩、砾石、沙子、粘土、淤泥5种基本底质；

2)所述通过多波束声呐定点垂直扫测或者移动扫测水池底部底质是采集回波信号并进行相关分析；

3)所述将回波信号进行分析并获取底质的时空和频域特征参量是提取回波信号的时空-频率域特征参量；

4)每种底质类型的每个特征参量做标记，并输入到相应的特征参量数据库中是将各种底质相关特征参量的特征值输入到底质样本库中。

5.如权利要求1所述的多维度时空-频率域特征参量融合的海底底质分类方法，其特征在于，所述通过特征参量优选方法对时空-频率域多维特征参量进行优选，并融合深度学习和支持向量机作为分类器，然后进行底质样本训练和全图分类，再做出底质分类精度评估，根据各模块开发功能要求，研制时空-频率域多维特征量融合的海底底质分类软件系统，具体包括以下步骤：

1)对时空-频率域多维特征参量进行优选；

2)将深度学习与支持向量机(SVM)方法相结合，即从输入到最后一层隐含层，利用深度学习方法，通过无监督学习，将原始数据重新表征，实现特征的自动提取，然后将最后一层隐含层的输出作为SVM分类器的输入，通过SVM方法进行训练分类识别；

3)选取70％样本作为训练，30％样本作为检核，然后根据训练结果对整体的多波束声呐图像进行底质分类；

4)分别采用总体分类正确率、卡帕(Kappa)系数、实地抓斗验证对底质分类结果进行评估；

5)研制底质分类软件系统，功能模块包括工程管理、数据解译、数据精处理、特征参量提取、分类器改进、底质分类。

6.如权利要求1所述的多维度时空-频率域特征参量融合的海底底质分类方法，其特征在于，所述海底底质分类实验室验证与海上示范应用，具体包括以下步骤：

1)海底底质分类实验室验证，在实验室水池底部铺满各种底质，并将多波束声呐扫描图像进行地理编码和底质分类，根据分类图中的坐标抽样验证；

2)针对海上示范应用，先采样多波束声呐测深仪扫测并构建图像，然后对声呐图像进行底质分类，再通过实地抓斗的坐标和底质类型，与底质分类图作比对，进行分类精度评估。

Images