[发明专利]一种基于高斯混合模型的宽吻海豚click信号检测方法

说明书

本发明公开了一种基于高斯混合模型的宽吻海豚click信号检测方法，使用加窗傅里叶变换对采集的海洋信号进行时频分析，得到海洋声音信号的初始信号时频图，使得后续步骤实现简单，快捷；使用高斯混合模型的软聚类方法，对海洋声音信号进行二聚类，增加了检测的灵活性；检测结果准确性高，完整性好，可以类比用于检测各种海豚的声音信号。

技术领域

本发明属于声音信号处理技术领域，具体涉及一种基于高斯混合模型的宽吻海豚click信号检测方法。

背景技术

时频分析技术是数字信号处理的研究内容之一，常用于信号处理、故障诊断和特征提取等领域，能够清楚地描述了信号频率随时间变化的关系。短时傅立叶变换基本思想是对信号加滑动时间窗(截断)，并对窗内信号做傅立叶变换，得到信号的频率域数据。加窗实质是用一个所谓的窗函数与原始的时域信号作乘积的过程，使得相乘后的信号似乎更好地满足傅立叶变换的周期性要求。

聚类是机器学习中“无监督学习”的一部分，常与数据挖掘、主成分分析和图像分割等学科关联研究。在“无监督学习”中，训练样本的标记信息是未知的，目标是通过对无标记训练样本的学习来揭示数据的内在性质，为进一步的数据分析提供基础。聚类是将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。传统的聚类分析算法有基于划分的方法、基于层次的方法、基于密度的方法、基于网格的方法和基于模型的方法。其中最常用的是基于划分的K-均值聚类方法和K-中心点聚类方法，还有基于模型的高斯混合模型聚类方法。K-均值聚类方法和K-中心点聚类方法的结果是每个数据点被划分到某一个聚类簇中，而高斯混合模型聚类方法的结果是这些数据点被划分到每个聚类簇的概率。因此，K-均值聚类方法和K-中心点聚类方法统称为硬聚类，高斯混合模型聚类方法被称为软聚类。

高斯混合模型就是用高斯概率密度函数精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数形成的模型。简单来说，高斯混合模型就是若干个高斯概率密度函数的线性组合。如果一个图像的目标区域和背景区域相差比较大，且目标区域和背景区域在灰度上有一定的差距，则该图像的灰度直方图呈现双峰-谷形状，其中一个峰对应目标，另一个峰对应背景。而对于复杂图像而言，图像的直方图通常是多峰的，即对应多个高斯概率密度函数，就是高斯混合模型中的一个高斯分布。高斯混合模型聚类是通过对这些高斯分布的划分，将数据划分到不同的聚类簇。

二值化技术是数字图像处理领域最常用的技术之一，常用于图像预处理、边缘检测和图像分割等研究领域。图像二值化是指将图像灰度值在0到255范围内的像素点的灰度值设置为0或255，去掉中间的过渡像素，即整个图像呈现出非黑即白的视觉效果。图像二值化最常用的方法就是设置一个阈值T，用T将图像的像素点分为两部分，大于T的目标对象集和小于T的背景集。根据阈值选取方式的不同，图像二值化方法分为固定阈值方法和自适应阈值方法。顾名思义，固定阈值方法就是设置一个固定阈值不随图像的变化而改变，自适应阈值方法就是根据图像像素点的灰度分布自适应的计算一个最佳阈值。尽管到目前为止，二值化阈值的选取方法数以百计，但仍没有一个通用的方法对各种各样的图像都能达到最理像的效果。

发明内容

本发明的目的在于提供一种基于高斯混合模型的宽吻海豚click信号检测方法，能够提取清楚完整的检测宽吻海豚click信号。

本发明采用的技术方案为，一种基于高斯混合模型的宽吻海豚click信号检测方法，具体按照以下步骤实施：

步骤1、采集海洋中的声音信号，利用时频分析技术将海洋中的声音信号的时间域信息与频率域信息联合分析，得到该信号的时频数据，并作出初始信号时频图，根据初始信号时频图得到能量强度；

步骤2、选取能量强度作为聚类的样本空间，使用高斯混合模型聚类方法对样本空间进行二聚类，得到两个聚类簇；