[发明专利]一种改进的全卷积神经网络的侧扫声纳图像特征提取方法

说明书

本发明提供一种改进的全卷积神经网络的侧扫声纳图像特征提取方法，数据集的获取，并将数据集分为训练集和测试集，对数据集的目标区域进行标注；以VGG16网络为基础网络，搭建全卷积网络模型，并改进FCN模型的跳层结构；训练改进的全卷积网络模型，即训练FCNB模型；用训练好的网络对测试集的数据进行特征提取；定性评价特征提取结果，对比分析改进后与改进前的网络的特征提取结果。本发明保留了更多的细节信息，克服了传统方法抗散斑能力差、效率低、速度慢以及准确率低的缺点；有利于方法的泛化使用；特征提取效果得到了明显提升，该方法收敛性更好，稳定性更高。

技术领域

本发明属于声纳图像特征提取技术领域，具体涉及一种改进的全卷积神经网络的侧扫声纳图像特征提取方法。

背景技术

侧扫声纳系统作为是水下探测最有效的传感器之一，诞生于上个世纪50年代末期，是探测海底地形地貌的重要工具。海底地形的声学探测与特征提取一直是水下工程、海洋渔业及水下通讯等领域的重要研究内容。因此，对声纳图像海底地形边缘轮廓特征提取方法的研究具有十分重要的意义。但直至目前，对声纳图像的特征提取和判读主要还是以人工为主，该方法速度慢、效率低且难以精确勾勒出海底地形的轮廓。随着科学技术的发展，大量获取高质量的海底地形的图像已经不再成为问题。面对数据量的迅速增加，人工判读的方式已经不能满足迅猛发展的现代科学技术的需求，因此探索一种智能化的声纳图像特征提取方法已经成为当前研究的热点问题。

近年来，深度学习技术飞速发展，研究人员已经将卷积神经网络应用到声纳图像的分类问题中。例如研究人员分别训练了四个不同的CNN网络用于声纳图像的二分类问题，然后采用4个网络融合的方式提升网络的性能，该方法虽然取得了较好的分类效果，但计算量大，网络结构与输入图片的尺寸相关，难以广泛运用。而且本发明中所研究的对声纳图像中的海底地形边缘轮廓的特征提取问题与普通的目标分类问题有所不同，该问题是对声纳图像中特定目标的特征提取，即实现声纳图像的像素级分类并且可视化分类的结果。从本质上来说该问题类似于计算机视觉的图像语义分割问题。针对视觉图像的语义分割问题，国内外学者提出了很多效果显著的深度学习网络。有研究人员首次提出全卷积神经网络(FCN)的语义分割算法，与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的特征图进行上采样,使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生一个预测,同时保留了原始输入图像中的空间信息,最后在上采样的特征图上进行逐像素分类，该网络的提出取得了图像分割领域的新突破，之后很多成功用于语义分割的深度学习模型均为该网络的变体。虽然这些深度模型在视觉图像领域的性能较好，但并不完全适合声纳图像的特征提取，主要有两方面的原因：首先由于水下探测环境的复杂性和特殊性，声纳图像相比于视觉图像，散斑噪声污染严重，且往往图像边缘残缺、轮廓不连续，这会导致获得准确的边缘特征十分困难。其次，FCN等深度网络的输出分辨率较低，存在信息丢失的问题，这对本就不连续的边缘轮廓的特征提取更加不利。

鉴于此，本发明从改进FCN网络结构的角度出发，提出一种基于改进的全卷积神经网络的侧扫声纳图像特征提取方法，通过在跳层结构中加入批量归一化层，预防梯度消失现象的发生，保留了更多的细节信息，改善了传统FCN方法边缘细节信息丢失严重的现象，能够准确定位目标边缘并使错断的目标边缘变得连续。

发明内容

本发明的目的在于提供了一种改进的全卷积神经网络的侧扫声纳图像特征提取方法，避免全卷积神经网络应用于海底地形边缘轮廓的特征提取时存在的严重细节信息丢失问题。

本发明的目的是这样实现的：

一种改进的全卷积神经网络的侧扫声纳图像特征提取方法，具体的实现步骤为：

步骤1.数据集的获取，并将数据集分为训练集和测试集，对数据集的目标区域进行标注；

步骤2.以VGG16网络为基础网络，搭建全卷积网络模型，即FCN模型，并改进FCN模型的跳层结构；