[发明专利]一种基于卷积神经网络的海底底质声呐图像分类方法

说明书

本发明公开了一种基于卷积神经网络的海底底质声呐图像分类方法，属于图像分类技术领域。具体为获取海底底质声呐图像、对图像进行去噪、增强等预处理，基于Canny算法边缘形状提取，生成灰度‑基元共生矩阵，构建卷积神经网络分类器结构及样本集，训练神经网络，获得分类模型并实现海底底质声呐图像分类。本发明着手于海底底质声呐图像的图形学特征，解决了使用单一方法的缺点，通过卷积神经网络分类器结构自身的学习策略对不同类型海底底质情况进行学习和训练，最终得到具备分类功能的分类模型，达到对海底底质声呐图像进行快速、准确分类的目的。

技术领域

本发明属于图像分类技术领域，具体涉及一种基于卷积神经网络的海底底质声呐图像分类方法。

背景技术

随着声呐技术的迅速发展，海底底质声呐图像能够包含较为丰富的海底地貌及底质特征信息，根据海底底质声呐图像反演海底地形地貌，对于海底探究、水下作战、沉船打捞及深海保护具有重要意义，目前海底底质声呐图像的分类也成为了研究热点。但受水下复杂声场环境和声呐设备性能的限制，声呐图像具有斑点噪声干扰严重、边缘特征模糊、对比度低和亮度不均等问题，这是海底底质声呐图像处理和底质分类反演研究中急需关注的问题。

现在应用较为广泛的分类方法按照分类原理可分为非监督分类和有监督分类两类。非监督分类主要有基于最邻近规则的试探法、K-means均值算法、自组织映射(Self-organizing Maps,SOM)神经网络等。有监督分类主要有最小距离、极大似然、支持向量机(Support Vector Machine,SVM)分类器和BP(Back Propagation)神经网络等。Marsh和Brown利用SOM神经网络实现了对海底底质的分类识别，但SOM神经网络作为无监督分类网络计算复杂度高且容易产生错误分类。对于大型海底底质图像一般应用具有先验知识的有监督分类技术进行分类研究。徐超的《多波束测深声呐海底底质分类技术研究》论文(哈尔滨工程大学博士论文2014年6月)中对多源信息特征提取方法及其分类性能进行研究。首先以多波束海底声呐图像为数据源研究基于数据概率分布特性的特征提取方法，基于灰度共生矩阵的纹理特征提取方法以及基于功率谱比的Pace特征提取方法，之后将各特征提取方法得到的特征量构成3组特征向量，并利用SVM分类器对各特征向量整体的分类能力进行综合分析，最后对其性能进行仿真分析以及试验数据的检验，该方法对砂、砾质砂、砂质砾、泥质砂质砾以及岩石5种类型样本数据的总体分类正确率可达91.95％。但是该方法需要在分类前做多种特征提取及结合工作，SVM泛化能力较弱，对训练样本要求较高，由于运算过程涉及大量矩阵的存储因而占用内存较大，运算时间较长，并不适用于大量海底底质声呐图像数据的分类处理。

近年来，许多国内外学者应用多种人工神经网络方法实现了对海底底质的分类识别。Chakraborty等应用自组织特征映射(SOFM)及学习向量量化(LVQ)神经网络方法对海底底质的分类识别进行了研究，唐秋华在《基于改进BP神经网络的海底底质分类》期刊(海洋测绘2009年9月第29卷第5期)中将GA与BP神经网络有效结合起来，实现了对海底基岩、砾石、砂、细砂以及泥等底质类型的自动分类识别，其中基岩、砾石、砂、细砂和泥的分类精度分别为92.2％、81.9％、89.3％、85.9％、88.2％。但是LVQ神经网络无法充分利用神经元并对初值敏感；BP神经网络存在收敛速度慢，初始化参数较为随机，易陷入局部最优等问题，算法运算效率不高，特别是网络层数较多，复杂度较大时，训练时间较长。

发明内容

本发明的目的是为了解决现有技术在海底底质声呐图像分类方面泛化能力较弱、训练时间较长、对训练样本质量要求较高的问题，提出一种基于卷积神经网络的海底底质声呐图像分类方法，所述方法具体包括步骤：

步骤一、获取N张第一海底底质声呐图像，所述的N张第一海底底质声呐图像构成海底底质声呐图像集，分别对每张所获取的第一海底底质声呐图像进行分割，获取具有单一海底底质情况的第二海底底质声呐图像；

步骤二、分别对每张第二海底底质声呐图像进行预处理，获取第三海底底质声呐图像。