CN117953314A - 一种多维特征优选海洋底质分类方法及系统 - Google Patents

一种多维特征优选海洋底质分类方法及系统 Download PDF

Info

Publication number
CN117953314A
CN117953314A CN202410349576.2A CN202410349576A CN117953314A CN 117953314 A CN117953314 A CN 117953314A CN 202410349576 A CN202410349576 A CN 202410349576A CN 117953314 A CN117953314 A CN 117953314A
Authority
CN
China
Prior art keywords
image
feature
scattering intensity
topographic
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410349576.2A
Other languages
English (en)
Other versions
CN117953314B (zh
Inventor
鲍晶晶
张贻雄
官鸿达
李慧滢
吴承强
郑勇玲
卢惠泉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Third Institute of Oceanography MNR
Original Assignee
Xiamen University
Third Institute of Oceanography MNR
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen University, Third Institute of Oceanography MNR filed Critical Xiamen University
Priority to CN202410349576.2A priority Critical patent/CN117953314B/zh
Publication of CN117953314A publication Critical patent/CN117953314A/zh
Application granted granted Critical
Publication of CN117953314B publication Critical patent/CN117953314B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble 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
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/05—Underwater scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明设计一种多维特征优选海洋底质分类方法及系统，结合多波束后向散射强度数据和多波束实测水深数据，设置不同的特征提取方法；将提取的特征及底质类别标签送入随机森林模型训练，根据预测结果对特征进行优选，确定最优特征集合；根据最优特征集合训练随机森林模型，以完成对海洋底质的分类。本发明通过对数据的解构和多维特征的优选，能完成像素级的识别任务，且分类结果较为准确。

Description

一种多维特征优选海洋底质分类方法及系统
技术领域
本发明涉及海洋测量与测绘工程技术领域，特别涉及一种多维特征优选海洋底质分类方法及系统。
背景技术
海底沉积物分布作为海底地形地貌的重要信息，不仅用于指导海底石油等矿产资源的勘探开发，而且为沉积动力学的研究提供了宝贵数据。
多波束声呐系统作为一项高精度海底地形地貌探测技术，能快速、高精度地获取海底信息。它在测深的同时，也记录了后向散射强度数据，这些数据显示了海底的各种地形地貌和结构特征，能够用于底质分类研究。
目前海洋底质分类研究中，通常采用后向散射强度数据形成多波束后向散射图像，然后基于多波束后向散射图像进行海洋底质分类。由于海洋环境的复杂性，多波束后向散射强度图像往往存在噪声，而且单一数据驱动下的海洋底质分类结果准确度并不理想。
发明内容
针对上述技术问题，本发明的目的在于提供一种多维特征优选海洋底质分类方法及系统，以提高分类结果的准确度。
为实现上述目的，本发明采用如下技术方案是：
一种多维特征优选海洋底质分类方法，其包括以下步骤：
步骤1、基于海底的多波束后向散射强度数据获取纹理特征；
步骤2、基于海底的多波束实测水深数据获取地形特征；
步骤3、将纹理特征和地形特征构成特征集合，同时，将其海洋底质类型作为标签，以此构建数据集；其中，海洋底质类型包括粗砂、粉砂、细砂、中砂；
步骤4、使用随机森林模型对步骤3得到的数据集进行特征优选，根据得到的优选特征集合重新构建优选数据集；
步骤5、基于优选数据集训练随机森林模型，并调节模型参数，得到最优随机森林模型；
步骤6、对于待检测的海洋底质数据，利用最优随机森林模型进行识别，得到分类结果；
待检测的海洋底质数据是指由待检测的海底多波束后向散射强度数据中提取的纹理特征、以及由待检测的海底多波束实测水深数据中提取的地形特征。
所述步骤1具体包括以下子步骤：
步骤1.1、基于海底的多波束后向散射强度数据获取散射强度图像；
步骤1.2、使用灰度共生矩阵提取散射强度图像的纹理特征矩阵；具体如下：
步骤1.21、在散射强度图像中以样本坐标为中心框选出新的散射强度图像并构建灰度共生矩阵；新的散射强度图像尺寸小于原散射强度图像；
步骤1.22、根据步骤1.21得到的灰度共生矩阵，计算纹理特征矩阵；
步骤1.3、使用与纹理特征矩阵的尺寸相同的卷积核处理纹理特征矩阵，得到纹理特征。
所述海底的多波束后向散射强度数据包含海底测量样本的经纬度坐标和对应的散射强度值；构建散射强度图像时，将经纬度坐标映射到图像像素坐标，散射强度值映射到图像像素值，得到散射强度图像，然后对散射强度图像进行增强处理，得到最终的散射强度图像。
所述步骤1.22中计算灰度共生矩阵的纹理特征矩阵包括：均值Mean、协方差Var、同质性Homo、反差Contrast、差异性Diss、熵Entropy、角二阶矩ASM、自相关Cor和能量E，计算公式如下：
；
；
；
；
；
；
；
；
；
其中，N是图像的灰度级别，d代表像素对的距离，代表像素对的弧度，i、j表示像素点的灰度级；/>代表给定/>条件下，像素对的像素级分别为i和j的概率。
所述步骤2具体包括以下子步骤：步骤2.1、基于海底的多波束实测水深数据获取地形特征图像；
所述步骤2.1中包括如下子步骤：
步骤2.11、将多波束实测水深数据中的经纬度坐标映射到图像像素坐标，水深映射到图像像素值，以此构建水深图像；
步骤2.12、利用步骤2.11构建的水深图像计算地形特征，地形特征包括水深、坡向、坡度、粗糙度；
步骤2.13、将步骤2.12计算得到的地形特征数据映射到相应像素位置以构建地形特征图像，并对地形特征图像进行增强处理；
步骤2.2、使用卷积核处理增强处理后的地形特征图像得到地形特征。
所述步骤2.12中， 坡度slope、坡向aspect、粗糙度roughness的计算公式分别为：
；
其中，D代表水深，是目标位置，/>代表某一相邻位置点的水深，/>代表该点与相邻点之间的水平距离；
；
其中，代表图像中紧邻目标位置正下方位置点的水深，/>代表图像中紧邻目标位置正上方位置点的水深，/>代表图像中紧邻目标位置左侧位置点的水深，代表图像中紧邻目标位置右侧位置点的水深；
；
其中，slope代表目标位置的坡度。
所述步骤2.2具体如下：
以样本位置为中心对地形特征图像进行框选得到新的地形特征图，其中，新的地形特征图的尺寸小于增强处理后的地形图特征；然后采用与新的地形图特征的尺寸相同的卷积核处理新的地形图特征，得到地形特征。
所述步骤4中包括如下子步骤：
步骤4.1、基于步骤3得到的数据集训练随机森林模型，并调节模型参数达到最优；
步骤4.2、在步骤4.1得到的模型参数下基于随机袋外误差使用随机森林模型对特征重要性进行排序；
步骤4.3、以重要性最高的前n维特征为基础，逐一增加特征维，基于得到的特征组合，分别评估其模型分类准确度，然后选出分类准确度最高的最优特征组合；
步骤4.4、根据得到的最优特征组合重新构建优选数据集。
一种多维特征优选海洋底质分类系统，其包括：
图像获取模块，基于多波束后向散射强度数据获取散射强度图像；基于多波束实测水深数据获取地形特征图像；
特征提取模块，基于散射强度图像构建灰度共生矩阵，并计算灰度共生矩阵的纹理特征矩阵，然后使用卷积核从纹理特征举证中提取纹理特征；使用卷积核从地形特征图像中提取地形特征；
特征优选模块，将特征提取模块得到的纹理特征和地形特征构成特征集合，将对应的海洋底质类型作为标签构建数据集；然后使用随机森林模型对数据集进行特征优选，根据得到的优选特征集合重新构建优选数据集；
模型训练模块，基于特征优选模块得到的优选数据集训练随机森林模型并调节模型参数到最优，得到最优随机森林模型；
识别模块，对于待检测的海洋底质数据，利用模型训练模块得到的最优随机森林模型进行识别，得到分类结果；其中，待检测的海洋底质数据是指由待检测的海底多波束后向散射强度数据中提取的纹理特征、以及由待检测的海底多波束实测水深数据中提取的地形特征。
所述图像获取模块获取散射强度图像具体如下：
海底的多波束后向散射强度数据包含海底测量样本的经纬度坐标和对应的散射强度值；构建散射强度图像时，将经纬度坐标映射到图像像素坐标，散射强度值映射到图像像素值，得到散射强度图像；然后对散射强度图像进行增强处理，得到最终的散射强度图像；
所述图像获取模块获取地形特征图像具体如下：
将多波束实测水深数据中的经纬度坐标映射到图像像素坐标，水深映射到图像像素值，以此构建水深图像；然后利用构建的水深图像计算地形特征，地形特征包括水深、坡向、坡度、粗糙度；接着将得到的地形特征数据映射到相应像素位置以构建地形特征图像，并对地形特征图像进行增强处理，得到最终的地形特征图像。
所述地形特征中的坡度slope、坡向aspect、粗糙度roughness的计算公式分别为：
；
其中，D代表水深，是目标位置，/>代表某一相邻位置点的水深，/>代表该点与相邻点之间的水平距离；
；
其中，代表图像中紧邻目标位置正下方位置点的水深，/>代表图像中紧邻目标位置正上方位置点的水深，/>代表图像中紧邻目标位置左侧位置点的水深，代表图像中紧邻目标位置右侧位置点的水深；
；
其中，slope代表目标位置的坡度。
所述特征提取模块获取纹理特征的过程具体如下：
在散射强度图像中以样本坐标为中心框选出新的散射强度图像并构建多组灰度共生矩阵，其中，新的散射强度图像尺寸小于原散射强度图像；然后，根据灰度共生矩阵计算纹理特征矩阵；最后，使用与纹理特征矩阵的尺寸相同的卷积核处理纹理特征矩阵，得到纹理特征。
所述灰度共生矩阵的纹理特征矩阵包括：均值Mean、协方差Var、同质性Homo、反差Contrast、差异性Diss、熵Entropy、角二阶矩ASM、自相关Cor和能量E，计算公式如下：
；
；
；
；
；
；
；
；
；
其中，N是图像的灰度级别，d代表像素对的距离，代表像素对的弧度，i、j表示像素点的灰度级；/>代表给定/>条件下，像素对的像素级分别为i和j的概率。
所述特征优选模块进行特征优选的过程具体如下：
采用数据集训练随机森林模型，并调节模型参数达到最优；在得到的模型参数下基于随机袋外误差使用随机森林模型对特征重要性进行排序；然后以重要性最高的前n维特征为基础，逐一增加特征维，基于得到的特征组合，分别评估其模型分类准确度，并选出分类准确度最高的最优特征组合；根据得到的最优特征组合重新构建优选数据集。
采用上述方案后，本发明基于多波束后向散射强度数据和多波束实测水深数据提取纹理特征和地形特征，并将纹理特征和地形特征结合相应的海洋底质类别标签形成数据集；然后通过随机森林对数据集中特征重要性进行评估，筛选出优选数据集，从而去除冗余特征，提升特征表达效率和鲁棒性；最后基于优选数据集对随机森林模型进行训练并调参以达到模型最佳识别准确率，有效增强模型的泛化能力及识别效率。本发明通过对数据的结构和多维特征的优选，能完成海洋底质的识别任务，且分类结果准确。
附图说明
图 1为本发明方法实施例的流程示意图；
图 2为本发明系统实施例的流程示意图；
图 3为本发明得到的散射强度图像、地形特征图像及纹理特征图像；
图 4为本发明得到的底质分类结果图。
具体实施方式
为了使本发明所提供的技术方案更加清晰明了，以下结合本发明实施例及附图，对本发明进行更加详细、完整地描述。应当理解，以下所描述的具体实施方式仅用于进一步解释本发明，并不是全部的实施方式，同时也不用于限定本发明保护的范围。
本发明的实施例提供了一种多维特征优选海洋底质分类方法，如图1所示，包括以下步骤：
步骤1、基于海底的多波束后向散射强度数据获取纹理特征。
上述步骤1具体包括以下子步骤：
步骤1.1、基于海底的多波束后向散射强度数据获取散射强度图像。
海底的多波束后向散射强度数据一般为XYZ文件格式，其包含海底测量样本的经纬度坐标和对应的散射强度值。构建散射强度图像时，将经纬度坐标映射到图像像素坐标，散射强度值映射到图像像素值，得到散射强度图像，然后对散射强度图像进行增强处理，以改善图像的视觉质量，使图像在视觉上更加清晰、易于分析，提高图像的视觉效果和信息内容。得到的散射强度图像如图3中的图a所示。
本实施例中，增强处理包括滤波、线性变换、直方图均衡化等，增强后的图像能够更好地展现细节，增强对比度，并减少噪声以及其他视觉干扰因素。其中，滤波采取高斯滤波方式，线性变换为：将像素值线性变换拉伸到范围内，并将图像的数据类型变换为uint8。
步骤1.2、使用灰度共生矩阵提取散射强度图像的纹理特征矩阵。具体如下：
步骤1.21、在散射强度图像中以样本坐标为中心框选出新的散射强度图像并构建灰度共生矩阵；新的散射强度图像尺寸小于原散射强度图像。
本实施例中，框选出的散射强度图像尺寸为。
构建灰度共生矩阵时，采用多组灰度共生矩阵以保证所提取特征对不同尺度纹理的表达能力及其旋转不变性，其中，d代表像素对的距离，/>代表像素对的弧度。本实施例中，取d为10、32、54，/>为0、/>、/>、/>，共12组灰度共生举证/>。
步骤1.22、根据步骤1.21得到的灰度共生矩阵，计算纹理特征矩阵。
具体地，灰度共生矩阵的纹理特征矩阵包括：均值Mean、协方差Var、同质性Homo、反差Contrast、差异性Diss、熵Entropy、角二阶矩ASM、自相关Cor和能量E。计算公式如下：
；
；
；
；
；
；
；
；
；
其中，N是图像的灰度级别，d代表像素对的距离，代表像素对的弧度，i、j表示像素点的灰度级；/>代表给定/>条件下，像素对的像素级分别为i和j的概率。
步骤1.3、使用与纹理特征矩阵的尺寸相同的卷积核处理纹理特征矩阵，得到纹理特征。
本实施例中，各纹理特征矩阵尺寸为，卷积核尺寸与其相同。
步骤2、基于海底的多波束实测水深数据获取地形特征。
上述步骤2具体包括以下子步骤：
步骤2.1、基于海底的多波束实测水深数据获取地形特征图像。
海底的多波束实测水深数据一般为XYZ文件格式，其包含海底的经纬度坐标信息及其对应的水深数据。
所述步骤2.1中包括如下子步骤：
步骤2.11、将多波束实测水深数据中的经纬度坐标映射到图像像素坐标，水深映射到图像像素值，以此构建水深图像。
本实施例对水深图像的增强处理包括滤波、线性变换、直方图均衡化等。其中，滤波采取高斯滤波方式，线性变换为：将像素值线性变换拉伸到范围内，图像数据类型为uint8。
步骤2.12、利用步骤2.11构建的水深图像计算地形特征，地形特征包括水深、坡向、坡度、粗糙度等。
其中，坡度slope、坡向aspect、粗糙度roughness的公式分别为：
；
其中，D代表水深，是目标位置，/>代表某一相邻位置点的水深，/>代表该点与相邻点之间的水平距离；
；
其中，代表图像中紧邻目标位置正下方位置点的水深，/>代表图像中紧邻目标位置正上方位置点的水深，/>代表图像中紧邻目标位置左侧位置点的水深，代表图像中紧邻目标位置右侧位置点的水深；
；
其中，slope代表目标位置的坡度。
步骤2.13、将步骤2.12计算得到的地形特征数据映射到相应像素位置以构建地形特征图像，并对地形特征图像进行增强处理。
该步骤2.13中的增强处理同样包括滤波、线性变换、直方图均衡化等。
步骤2.2、使用卷积核处理增强处理后的地形特征图像得到地形特征；
具体地，以样本位置为中心对地形特征图像（增强处理后的）进行框选得到新的地形特征图，其中，新的地形特征图的尺寸小于增强处理后的地形图特征。然后采用与新的地形图特征的尺寸相同的卷积核处理新的地形图特征，得到地形特征。
本实施例中框选出的尺寸为，卷积核尺寸与其相同。
步骤3、将纹理特征和地形特征（如图3中的b-f所示）构成特征集合，同时，将其海洋底质类型作为标签，以此构建数据集。
本实施例中，海洋底质类型包括粗砂、粉砂、细砂、中砂。
步骤4、使用随机森林模型对步骤3得到的数据集进行特征优选，根据得到的优选特征集合重新构建优选数据集。
所述步骤4中包括如下子步骤：
步骤4.1、基于步骤3得到的数据集训练随机森林模型，并调节模型参数达到最优。
本实施例中，调节的模型参数包括决策树的数量和树的最大深度。
步骤4.2、在步骤4.1得到的参数下基于随机袋外（OOB）误差使用随机森林模型对特征重要性进行排序。
步骤4.3、以重要性最高的前n维特征为基础，逐一增加特征维，基于得到的特征组合，分别评估其模型分类准确度，然后选出分类准确度最高的最优特征组合；
步骤4.4、根据得到的最优特征组合重新构建优选数据集。
步骤5、基于优选数据集训练随机森林模型，并调节模型参数，以此得到最优随机森林模型；
本实施例中调节的模型参数包括决策树的数量和树的最大深度。
步骤6、对于待检测的海洋底质数据，利用最优随机森林模型进行识别，得到分类结果，图4所示为本发明的分类结果实例。
海洋底质数据为纹理特征和地形特征，待检测的海洋底质数据是指由待检测的海底多波束后向散射强度数据中提取的纹理特征、以及由待检测的海底多波束实测水深数据中提取的地形特征。
本发明的上述技术方案可以基于多波束数据对海洋底质进行特征提取，并对提取特征进行优选，最终基于优选特征对海洋底质进行种类识别。对多波束数据的利用及提取特征的优选大大提高了分类的准确度，可以实现像素级的分类精度，有助于实际海洋探测相关工作的开展。
基于同一发明构思，本发明的实施例还提供了一种多维特征优选海洋底质分类系统，如图2所示，包括：
图像获取模块，基于多波束后向散射强度数据获取散射强度图像；基于多波束实测水深数据获取地形特征图像。
图像获取模块获取散射强度图像具体如下：
海底的多波束后向散射强度数据包含海底测量样本的经纬度坐标和对应的散射强度值。构建散射强度图像时，将经纬度坐标映射到图像像素坐标，散射强度值映射到图像像素值，得到散射强度图像；然后对散射强度图像进行增强处理，得到最终的散射强度图像。
图像获取模块获取地形特征图像具体如下：
将多波束实测水深数据中的经纬度坐标映射到图像像素坐标，水深映射到图像像素值，以此构建水深图像；然后利用构建的水深图像计算地形特征，地形特征包括水深、坡向、坡度、粗糙度等；接着将得到的地形特征数据映射到相应像素位置以构建地形特征图像，并对地形特征图像进行增强处理，得到最终的地形特征图像。
其中，坡度slope、坡向aspect、粗糙度roughness的公式分别为：
；
其中，D代表水深，是目标位置，/>代表某一相邻位置点的水深，/>代表该点与相邻点之间的水平距离；
；
其中，代表图像中紧邻目标位置正下方位置点的水深，/>代表图像中紧邻目标位置正上方位置点的水深，/>代表图像中紧邻目标位置左侧位置点的水深，代表图像中紧邻目标位置右侧位置点的水深；
；
其中，slope代表目标位置的坡度。
特征提取模块，基于散射强度图像构建灰度共生矩阵，并计算灰度共生矩阵的纹理特征矩阵，然后使用卷积核从纹理特征举证中提取纹理特征；使用卷积核从地形特征图像中提取地形特征。
特征提取模块获取纹理特征的过程具体如下：
在散射强度图像中以样本坐标为中心框选出新的散射强度图像并构建多组灰度共生矩阵，以保证所提取特征对不同尺度纹理的表达能力及其旋转不变性，其中，新的散射强度图像尺寸小于原散射强度图像；然后，根据灰度共生矩阵计算纹理特征矩阵；最后，使用与纹理特征矩阵的尺寸相同的卷积核处理纹理特征矩阵，得到纹理特征。
具体地，灰度共生矩阵的纹理特征矩阵包括：均值Mean、协方差Var、同质性Homo、反差Contrast、差异性Diss、熵Entropy、角二阶矩ASM、自相关Cor和能量E。计算公式如下：
；
；
；
；
；
；
；
；
；
其中，N是图像的灰度级别，d代表像素对的距离，代表像素对的弧度，i、j表示像素点的灰度级；/>代表给定/>条件下，像素对的像素级分别为i和j的概率。
特征优选模块，将特征提取模块得到的纹理特征和地形特征构成特征集合，将对应的海洋底质类型作为标签构建数据集；然后使用随机森林模型对数据集进行特征优选，根据得到的优选特征集合重新构建优选数据集。
特征优选模块进行特征优选的过程具体如下：采用数据集训练随机森林模型，并调节模型参数达到最优；在得到的模型参数下基于随机袋外误差使用随机森林模型对特征重要性进行排序；然后以重要性最高的前n维特征为基础，逐一增加特征维，基于得到的特征组合，分别评估其模型分类准确度，并选出分类准确度最高的最优特征组合；根据得到的最优特征组合重新构建优选数据集。
调节的模型参数包括决策树的数量和树的最大深度。
模型训练模块，基于特征优选模块得到的优选数据集训练随机森林模型并调节模型参数到最优，得到最优随机森林模型。
识别模块，对于待检测的海洋底质数据，利用模型训练模块得到的最优随机森林模型进行识别，得到分类结果。其中，待检测的海洋底质数据是指由待检测的海底多波束后向散射强度数据中提取的纹理特征、以及由待检测的海底多波束实测水深数据中提取的地形特征。
综上，本发明的关键在于，本发明基于多波束后向散射强度数据和多波束实测水深数据提取纹理特征和地形特征，并将纹理特征和地形特征结合相应的海洋底质类别标签形成数据集；然后通过随机森林对数据集中特征重要性进行评估，筛选出优选数据集，从而去除冗余特征，提升特征表达效率和鲁棒性；最后基于优选数据集对随机森林模型进行训练并调参以达到模型最佳识别准确率，有效增强模型的泛化能力及识别效率。本发明通过对数据的结构和多维特征的优选，能完成海洋底质的识别任务，且分类结果准确。
以上所述，仅为本发明较佳的实施例，并非对本发明的实施方式作任何限制，故凡是依据本发明的技术实质，所作的任何修改、等同替换、改进等，均应属于本发明的保护范围内。

Claims (10)

1.一种多维特征优选海洋底质分类方法，其特征在于，包括以下步骤：
步骤1、基于海底的多波束后向散射强度数据获取纹理特征；
步骤2、基于海底的多波束实测水深数据获取地形特征；
步骤3、将纹理特征和地形特征构成特征集合，同时，将其海洋底质类型作为标签，以此构建数据集；其中，海洋底质类型包括粗砂、粉砂、细砂、中砂；
步骤4、使用随机森林模型对步骤3得到的数据集进行特征优选，根据得到的优选特征集合重新构建优选数据集；
步骤5、基于优选数据集训练随机森林模型，并调节模型参数，得到最优随机森林模型；
步骤6、对于待检测的海洋底质数据，利用最优随机森林模型进行识别，得到分类结果；
待检测的海洋底质数据是指由待检测的海底多波束后向散射强度数据中提取的纹理特征、以及由待检测的海底多波束实测水深数据中提取的地形特征。
2.根据权利要求1所述的一种多维特征优选海洋底质分类方法，其特征在于，所述步骤1具体包括以下子步骤：
步骤1.1、基于海底的多波束后向散射强度数据获取散射强度图像；
步骤1.2、使用灰度共生矩阵提取散射强度图像的纹理特征矩阵；具体如下：
步骤1.21、在散射强度图像中以样本坐标为中心框选出新的散射强度图像并构建灰度共生矩阵；新的散射强度图像尺寸小于原散射强度图像；
步骤1.22、根据步骤1.21得到的灰度共生矩阵，计算纹理特征矩阵；
步骤1.3、使用与纹理特征矩阵的尺寸相同的卷积核处理纹理特征矩阵，得到纹理特征。
3.根据权利要求2所述的一种多维特征优选海洋底质分类方法，其特征在于，所述海底的多波束后向散射强度数据包含海底测量样本的经纬度坐标和对应的散射强度值；构建散射强度图像时，将经纬度坐标映射到图像像素坐标，散射强度值映射到图像像素值，得到散射强度图像，然后对散射强度图像进行增强处理，得到最终的散射强度图像。
4.根据权利要求2所述的一种多维特征优选海洋底质分类方法，其特征在于，所述步骤1.22中计算灰度共生矩阵的纹理特征矩阵包括：均值Mean、协方差Var、同质性Homo、反差Contrast、差异性Diss、熵Entropy、角二阶矩ASM、自相关Cor和能量E，计算公式如下：
；
；
；
；
；
；
；
；
；
其中，N是图像的灰度级别，d代表像素对的距离，代表像素对的弧度，i、j表示像素点的灰度级；/>代表给定/>条件下，像素对的像素级分别为i和j的概率。
5.根据权利要求1所述的一种多维特征优选海洋底质分类方法，其特征在于，所述步骤2具体包括以下子步骤：
步骤2.1、基于海底的多波束实测水深数据获取地形特征图像；
所述步骤2.1中包括如下子步骤：
步骤2.11、将多波束实测水深数据中的经纬度坐标映射到图像像素坐标，水深映射到图像像素值，以此构建水深图像；
步骤2.12、利用步骤2.11构建的水深图像计算地形特征，地形特征包括水深、坡向、坡度、粗糙度；
步骤2.13、将步骤2.12计算得到的地形特征数据映射到相应像素位置以构建地形特征图像，并对地形特征图像进行增强处理；
步骤2.2、使用卷积核处理增强处理后的地形特征图像得到地形特征；
以样本位置为中心对地形特征图像进行框选得到新的地形特征图，其中，新的地形特征图的尺寸小于增强处理后的地形图特征；然后采用与新的地形图特征的尺寸相同的卷积核处理新的地形图特征，得到地形特征；
所述步骤2.12中， 坡度slope、坡向aspect、粗糙度roughness的计算公式分别为：
；
其中，D代表水深，是目标位置，/>代表某一相邻位置点的水深，/>代表该点与相邻点之间的水平距离；
；
其中，代表图像中紧邻目标位置正下方位置点的水深，/>代表图像中紧邻目标位置正上方位置点的水深，/>代表图像中紧邻目标位置左侧位置点的水深，/>代表图像中紧邻目标位置右侧位置点的水深；
；
其中，slope代表目标位置的坡度。
6.根据权利要求1所述的一种多维特征优选海洋底质分类方法，其特征在于，所述步骤4中包括如下子步骤：
步骤4.1、基于步骤3得到的数据集训练随机森林模型，并调节模型参数达到最优；
步骤4.2、在步骤4.1得到的模型参数下基于随机袋外误差使用随机森林模型对特征重要性进行排序；
步骤4.3、以重要性最高的前n维特征为基础，逐一增加特征维，基于得到的特征组合，分别评估其模型分类准确度，然后选出分类准确度最高的最优特征组合；
步骤4.4、根据得到的最优特征组合重新构建优选数据集。
7.一种多维特征优选海洋底质分类系统，其特征在于，包括：
图像获取模块，基于多波束后向散射强度数据获取散射强度图像；基于多波束实测水深数据获取地形特征图像；
特征提取模块，基于散射强度图像构建灰度共生矩阵，并计算灰度共生矩阵的纹理特征矩阵，然后使用卷积核从纹理特征举证中提取纹理特征；使用卷积核从地形特征图像中提取地形特征；
特征优选模块，将特征提取模块得到的纹理特征和地形特征构成特征集合，将对应的海洋底质类型作为标签构建数据集；然后使用随机森林模型对数据集进行特征优选，根据得到的优选特征集合重新构建优选数据集；
模型训练模块，基于特征优选模块得到的优选数据集训练随机森林模型并调节模型参数到最优，得到最优随机森林模型；
识别模块，对于待检测的海洋底质数据，利用模型训练模块得到的最优随机森林模型进行识别，得到分类结果；其中，待检测的海洋底质数据是指由待检测的海底多波束后向散射强度数据中提取的纹理特征、以及由待检测的海底多波束实测水深数据中提取的地形特征。
8.根据权利要求7所述的一种多维特征优选海洋底质分类系统，其特征在于，所述图像获取模块获取散射强度图像具体如下：
海底的多波束后向散射强度数据包含海底测量样本的经纬度坐标和对应的散射强度值；构建散射强度图像时，将经纬度坐标映射到图像像素坐标，散射强度值映射到图像像素值，得到散射强度图像；然后对散射强度图像进行增强处理，得到最终的散射强度图像；
所述图像获取模块获取地形特征图像具体如下：
将多波束实测水深数据中的经纬度坐标映射到图像像素坐标，水深映射到图像像素值，以此构建水深图像；然后利用构建的水深图像计算地形特征，地形特征包括水深、坡向、坡度、粗糙度；接着将得到的地形特征数据映射到相应像素位置以构建地形特征图像，并对地形特征图像进行增强处理，得到最终的地形特征图像；
所述地形特征中的坡度slope、坡向aspect、粗糙度roughness的计算公式分别为：
；
其中，D代表水深，是目标位置，/>代表某一相邻位置点的水深，/>代表该点与相邻点之间的水平距离；
；
其中，代表图像中紧邻目标位置正下方位置点的水深，/>代表图像中紧邻目标位置正上方位置点的水深，/>代表图像中紧邻目标位置左侧位置点的水深，/>代表图像中紧邻目标位置右侧位置点的水深；
；
其中，slope代表目标位置的坡度。
9.根据权利要求7所述的一种多维特征优选海洋底质分类系统，其特征在于，所述特征提取模块获取纹理特征的过程具体如下：
在散射强度图像中以样本坐标为中心框选出新的散射强度图像并构建多组灰度共生矩阵，其中，新的散射强度图像尺寸小于原散射强度图像；然后，根据灰度共生矩阵计算纹理特征矩阵；最后，使用与纹理特征矩阵的尺寸相同的卷积核处理纹理特征矩阵，得到纹理特征；
所述灰度共生矩阵的纹理特征矩阵包括：均值Mean、协方差Var、同质性Homo、反差Contrast、差异性Diss、熵Entropy、角二阶矩ASM、自相关Cor和能量E，计算公式如下：
；
；
；
；
；
；
；
；
；
其中，N是图像的灰度级别，d代表像素对的距离，代表像素对的弧度，i、j表示像素点的灰度级；/>代表给定/>条件下，像素对的像素级分别为i和j的概率。
10.根据权利要求7所述的一种多维特征优选海洋底质分类系统，其特征在于，所述特征优选模块进行特征优选的过程具体如下：
采用数据集训练随机森林模型，并调节模型参数达到最优；在得到的模型参数下基于随机袋外误差使用随机森林模型对特征重要性进行排序；然后以重要性最高的前n维特征为基础，逐一增加特征维，基于得到的特征组合，分别评估其模型分类准确度，并选出分类准确度最高的最优特征组合；根据得到的最优特征组合重新构建优选数据集。
CN202410349576.2A 2024-03-26 2024-03-26 一种多维特征优选海洋底质分类方法及系统 Active CN117953314B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410349576.2A CN117953314B (zh) 2024-03-26 2024-03-26 一种多维特征优选海洋底质分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410349576.2A CN117953314B (zh) 2024-03-26 2024-03-26 一种多维特征优选海洋底质分类方法及系统

Publications (2)

Publication Number Publication Date
CN117953314A true CN117953314A (zh) 2024-04-30
CN117953314B CN117953314B (zh) 2024-07-19

Family

ID=90803319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410349576.2A Active CN117953314B (zh) 2024-03-26 2024-03-26 一种多维特征优选海洋底质分类方法及系统

Country Status (1)

Country Link
CN (1) CN117953314B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118212513A (zh) * 2024-05-22 2024-06-18 青岛海洋地质研究所 一种基于多要素数据机器学习的海底矿物探测方法
CN118277842A (zh) * 2024-06-04 2024-07-02 山东科技大学 基于深海多波束水体底回波信息的底质分类方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006162294A (ja) * 2004-12-02 2006-06-22 Furuno Electric Co Ltd 底質探知装置
JP2013228261A (ja) * 2012-04-25 2013-11-07 Arc Geo Support Co Ltd 水底の底質の推定方法
KR101339678B1 (ko) * 2013-08-14 2013-12-10 한국수산자원관리공단 갯녹음 실태조사를 위한 암반,비암반 면적 산출방법
CN109086824A (zh) * 2018-08-01 2018-12-25 哈尔滨工程大学 一种基于卷积神经网络的海底底质声呐图像分类方法
CN109448038A (zh) * 2018-11-06 2019-03-08 哈尔滨工程大学 基于drlbp和随机森林的海底底质声呐图像特征提取方法
CN111709487A (zh) * 2020-06-22 2020-09-25 中国科学院空天信息创新研究院 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
CN111738332A (zh) * 2020-06-22 2020-10-02 黄河勘测规划设计研究院有限公司 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
CN111738278A (zh) * 2020-06-22 2020-10-02 黄河勘测规划设计研究院有限公司 一种水下多源声学图像特征提取方法及系统
CN115187855A (zh) * 2022-07-29 2022-10-14 哈尔滨工程大学 一种海底底质声呐图像分类方法
CN115730247A (zh) * 2022-11-28 2023-03-03 中国科学院深海科学与工程研究所 多维度时空-频率域特征参量融合的海底底质分类方法
CN116630715A (zh) * 2023-05-30 2023-08-22 武汉大学 基于背散射强度图像的面向对象海底底质分类方法及系统
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

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006162294A (ja) * 2004-12-02 2006-06-22 Furuno Electric Co Ltd 底質探知装置
JP2013228261A (ja) * 2012-04-25 2013-11-07 Arc Geo Support Co Ltd 水底の底質の推定方法
KR101339678B1 (ko) * 2013-08-14 2013-12-10 한국수산자원관리공단 갯녹음 실태조사를 위한 암반,비암반 면적 산출방법
CN109086824A (zh) * 2018-08-01 2018-12-25 哈尔滨工程大学 一种基于卷积神经网络的海底底质声呐图像分类方法
CN109448038A (zh) * 2018-11-06 2019-03-08 哈尔滨工程大学 基于drlbp和随机森林的海底底质声呐图像特征提取方法
CN111709487A (zh) * 2020-06-22 2020-09-25 中国科学院空天信息创新研究院 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
CN111738332A (zh) * 2020-06-22 2020-10-02 黄河勘测规划设计研究院有限公司 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
CN111738278A (zh) * 2020-06-22 2020-10-02 黄河勘测规划设计研究院有限公司 一种水下多源声学图像特征提取方法及系统
CN115187855A (zh) * 2022-07-29 2022-10-14 哈尔滨工程大学 一种海底底质声呐图像分类方法
CN115730247A (zh) * 2022-11-28 2023-03-03 中国科学院深海科学与工程研究所 多维度时空-频率域特征参量融合的海底底质分类方法
CN116630715A (zh) * 2023-05-30 2023-08-22 武汉大学 基于背散射强度图像的面向对象海底底质分类方法及系统
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
阳凡林，朱正任，李家彪，冯成凯，邢喆，吴自银: ""利用深层卷积神经网络实现地形辅助的多波束海底底质分类"", 《测绘学报》, no. 1, 31 January 2021 (2021-01-31) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118212513A (zh) * 2024-05-22 2024-06-18 青岛海洋地质研究所 一种基于多要素数据机器学习的海底矿物探测方法
CN118212513B (zh) * 2024-05-22 2024-08-23 青岛海洋地质研究所 一种基于多要素数据机器学习的海底矿物探测方法
CN118277842A (zh) * 2024-06-04 2024-07-02 山东科技大学 基于深海多波束水体底回波信息的底质分类方法及系统

Also Published As

Publication number Publication date
CN117953314B (zh) 2024-07-19

Similar Documents

Publication Publication Date Title
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
CN117953314B (zh) 一种多维特征优选海洋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
CN107239751B (zh) 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法
CN109840483B (zh) 一种滑坡裂缝检测与识别的方法及装置
CN108564115A (zh) 基于全卷积gan的半监督极化sar地物分类方法
CN111626993A (zh) 一种基于嵌入式FEFnet网络的图像自动检测计数方法及系统
CN111008664B (zh) 一种基于空谱联合特征的高光谱海冰检测方法
CN103020649A (zh) 一种基于纹理信息的森林类型识别方法
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
CN107729926A (zh) 一种基于高维空间变换的数据扩增方法、机器识别系统
CN114821229B (zh) 基于条件生成对抗网络的水下声学数据集增广方法及系统
CN112200163B (zh) 水下底栖生物检测方法及系统
CN107977621A (zh) 沉船识别模型构建方法、装置、电子设备及存储介质
CN108388899B (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
Wang et al. IDUDL: Incremental double unsupervised deep learning model for marine aquaculture SAR images segmentation
Yulin et al. Wreckage target recognition in side-scan sonar images based on an improved faster r-cnn model
CN114821358A (zh) 光学遥感图像海上舰船目标提取与识别方法
CN116071664A (zh) 基于改进CenterNet网络的SAR图像舰船检测方法
CN111738278A (zh) 一种水下多源声学图像特征提取方法及系统
CN117351371A (zh) 一种基于深度学习的遥感图像目标检测方法
CN116434064A (zh) 一种基于SK-UNet深度学习网络的遥感影像大豆种植区域提取方法
CN115223033A (zh) 一种合成孔径声呐图像目标分类方法及系统
Chang et al. Phytoplankton feature extraction from microscopic images based on surf-pca
Shang et al. Optimal Scale Determination for Object-Based Backscatter Image Analysis in Seafloor Substrate Classification Based on Classification Uncertainty

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