[go: up one dir, main page]

CN111738278B - 一种水下多源声学图像特征提取方法及系统 - Google Patents

一种水下多源声学图像特征提取方法及系统 Download PDF

Info

Publication number
CN111738278B
CN111738278B CN202010572719.8A CN202010572719A CN111738278B CN 111738278 B CN111738278 B CN 111738278B CN 202010572719 A CN202010572719 A CN 202010572719A CN 111738278 B CN111738278 B CN 111738278B
Authority
CN
China
Prior art keywords
feature
stratum
image
feature quantity
underwater
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.)
Active
Application number
CN202010572719.8A
Other languages
English (en)
Other versions
CN111738278A (zh
Inventor
张金良
雷添杰
李政伟
陈曦
沈蔚
李超群
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.)
Yellow River Engineering Consulting Co Ltd
Original Assignee
Yellow River Engineering Consulting Co Ltd
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 Yellow River Engineering Consulting Co Ltd filed Critical Yellow River Engineering Consulting Co Ltd
Priority to CN202010572719.8A priority Critical patent/CN111738278B/zh
Publication of CN111738278A publication Critical patent/CN111738278A/zh
Application granted granted Critical
Publication of CN111738278B publication Critical patent/CN111738278B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种水下多源声学特征提取方法及系统。该方法包括：提取水底地貌图像的地貌特征量、水底地形图像的地形特征量和水底地层图像的地层特征量；地形特征量包括水底坡度、水底坡向、水底表面曲率和水底地表的分形维数特征；地层特征量包括界面线特征量、界面层特征量和表层剖面特征量；界面线特征量表示水体底质界面线的复杂度；界面层特征量为水体底质界面层的灰度均值；表层剖面特征量包括表层剖面的灰度统计特征和表层剖面的垂向纹理特征；将地貌特征量、地形特征量和地层特征量确定为多源声学特征集合。本发明实现了多源声学特征的提取，地貌、地形、地层特征量形成互补，使得特征提取更加全面，用于后续底质分类时，分类精度高。

Description

一种水下多源声学图像特征提取方法及系统
技术领域
本发明涉及水下声学图像分析与处理领域，特别是涉及一种水下多源声学特征提取方法及系统。
背景技术
底质分类是指对海洋、湖泊、河流等水体底层物质(如泥、沙、粗砂、砾石、礁石等)的分类。底质分类对科学研究、资源开发环境保护和权维具有重要意义。侧扫声呐、多波束声呐系统和浅地层剖面仪等多源探测是声学法底质分类的常用技术，这三类声学设备获取的主要数据是多源的声学图像，通过对多源图像的分析和解译可实现底质类型的分类。
具有代表性的多源声学图像主要包括侧扫声呐和多波束声呐系统获取的底质反向散射强度地貌图像、多波束声呐系统获取的水底地形合成地形图像(用不同灰度或色彩表示水底高程)、浅地层剖面仪获取的水底剖面声反射强度图像，即地层剖面图像。
目前，通常以地貌图像为研究对象，实现底质分类，但是使用地貌图像特征仅能描述水底两维纹理信息，信息量非常有限，而基于地形图像和地层剖面图像的特征提取方法较少，无法与提取的地貌特征形成互补，不利于面向底质分类的应用，导致现有底质分类的精度不高。基于此，亟待一种水下多源声学特征提取方法出现，以实现多种类型图像的特征提取。
发明内容
基于此，有必要提供一种水下多源声学特征提取方法及系统，以实现地貌图像、地形图像、地层剖面图像三种类型图像的特征提取，进而提高后续底质分类的分类精度。
为实现上述目的，本发明提供了如下方案：
一种水下多源声学特征提取方法，包括：
获取水底地貌图像、水底地形图像和水底地层图像；
对所述水底地貌图像、所述水底地形图像和所述水底地层图像分别进行图像分割，得到多个地貌分割单元、多个地形分割单元和多个地层剖面分割单元；
对各所述地貌分割单元进行特征提取，得到地貌特征量；所述地貌特征量包括水底地貌图像的灰度统计特征、水底地貌图像的灰度共生矩阵特征、水底地貌图像的基于高阶统计量的不变矩特征和水底地貌图像的分形维数特征；
对各所述地形分割单元进行特征提取，得到地形特征量；所述地形特征量包括水底坡度统计特征、水底坡向统计特征、水底表面曲率统计特征和水底地表的分形维数特征；
对各所述地层剖面分割单元进行特征提取，得到地层特征量；所述地层特征量包括界面线特征量、界面层特征量和表层剖面特征量；所述界面线特征量表示水体底质界面线的复杂度；所述界面层特征量为水体底质界面层的灰度均值；所述表层剖面特征量包括表层剖面的灰度统计特征和表层剖面的垂向纹理特征；
将所述地貌特征量、所述地形特征量和所述地层特征量确定为多源声学特征集合。
本发明还提供了一种水下多源声学特征提取系统，包括：
图像获取模块，用于获取水底地貌图像、水底地形图像和水底地层图像；
图像分割模块，用于对所述水底地貌图像、所述水底地形图像和所述水底地层图像分别进行图像分割，得到多个地貌分割单元、多个地形分割单元和多个地层剖面分割单元；
地貌特征量提取模块，用于对各所述地貌分割单元进行特征提取，得到地貌特征量；所述地貌特征量包括水底地貌图像的灰度统计特征、水底地貌图像的灰度共生矩阵特征、水底地貌图像的基于高阶统计量的不变矩特征和水底地貌图像的分形维数特征；
地形特征量提取模块，用于对各所述地形分割单元进行特征提取，得到地形特征量；所述地形特征量包括水底坡度统计特征、水底坡向统计特征、水底表面曲率统计特征和水底地表的分形维数特征；
地层特征量提取模块，用于对各所述地层剖面分割单元进行特征提取，得到地层特征量；所述地层特征量包括界面线特征量、界面层特征量和表层剖面特征量；所述界面线特征量表示水体底质界面线的复杂度；所述界面层特征量为水体底质界面层的灰度均值；所述表层剖面特征量包括表层剖面的灰度统计特征和表层剖面的垂向纹理特征；
多源声学特征确定模块，用于将所述地貌特征量、所述地形特征量和所述地层特征量确定为多源声学特征集合。
与现有技术相比，本发明的有益效果是：
本发明提出了一种水下多源声学特征提取方法及系统，该方法不仅提取地貌特征量，还包括水底坡度统计特征、水底坡向统计特征、水底表面曲率统计特征和水底地表的分形维数特征的地形特征量，以及包括界面线特征量、界面层特征量和表层剖面特征量的地层特征量；将地貌特征量、地形特征量和地层特征量确定为多源声学特征集合，其基于地貌图像、地形图像、地层剖面图像，实现了多源声学特征的提取，地貌特征量、地形特征量、地层特征量形成互补，使得特征提取更加全面，用于后续底质分类时，能够提高分类精度。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1水下多源声学特征提取方法的流程图；
图2为本发明实施例2水下多源声学特征提取方法的流程图；
图3为本发明实施例2水下浅地层剖面图像层界检测结果图；
图4为本发明实施例2浅层剖面图像特征示意图；
图5为本发明实施例2两类底质的水体底质界面线的复杂度曲线图；
图6为本发明实施例2强风化砂岩和淤泥质粘土两类底质的表层剖面内灰度值的垂向变化规律图；
图7为本发明实施例3水下多源声学特征提取系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明实施例1水下多源声学特征提取方法的流程图。参见图1，本实施例的种水下多源声学特征提取方法，包括：
步骤S1：获取水底地貌图像、水底地形图像和水底地层图像。
本实施例中，所述水底地层图像是由多列子图像构成；每列所述子图像对应一呯声反射信号时间序列。
步骤S2：对所述水底地貌图像、所述水底地形图像和所述水底地层图像分别进行图像分割，得到多个地貌分割单元、多个地形分割单元和多个地层剖面分割单元。地貌分割单和地形分割单元对应空间连续、互不重叠且具有相近的图像灰度特征的局部图像分块，全部图像分割单元完整覆盖整个水底地貌或地形图像。地层剖面分割单元对应空间连续、互不重叠且具有相近的图像灰度特征的若干列子图像，全部图像分割单元完整覆盖整个水底地层图像。
对水底地貌图像、水底地形图像进行图像分割(Image Segmentation)的目的是将具有相同或者相似特征的像素合并成一个对象，并以对象为影像处理的基本单元。在该步骤中，可以采用的图像分割方法有：阈值法(例如：Ostu法等)、边缘检测法(例如：Sobel算子、Laplace算子法等)、区域法(例如：分水岭法、种子区域生长法等)、聚类法(例如：Mean-shift算法、Turbo pixels算法等)、水平集方法(例如：Snake模型法等)、基于图论的方法(例如Normalized Cuts算法、Graph Cuts算法、马尔科夫随机场法等)、基于分类的方法(例如：QEM法、FCN方法等)以及基于分形网络演化的分割方法等。本实施例中，采用了eCognition影像分析软件提供的多尺度分割(Multiscale Segmentation)工具进行图像分割。所述多尺度分割方法是基于分形网络演化方法(Fraetal Net Evolution Approach，FNEA)开发的。首先设定分割尺度(Scale)、形状(Shape)权重、光谱异质性(Compactness)权重以及波段权重(Image LayerWeights)四个基本参数。
所述步骤S2，具体包括：
21)对于仅有单一波段的声学图像，波段权重设定为1或默认值。
22)对于Shape权重参数和Compactness权重参数，其取值范围是0～1.0，确定参数前分别取两组参数不同组合进行测试，然后，通过分割结果进行人工判断，在分割体边界的规则程度和分割体内部的灰度均质性方面做出平衡，使分割单元形状尽量规则，但对分布形状不同的地物(如块状的礁石和成片的细砂)有一定的区分性，例如取Shape权重wshape＝0.5，Compactness权重wcompact＝0.7。
23)对于分割尺度(Scale)参数，其取值范围是1到无穷大，需在确定形状和光谱异质性权重之后分别取不同的分割尺度参数值进行测试，然后，通过分割结果进行人工判断，在分割对象的平均面积(不应太大)和对象灰度值的平均标准差(不应太小)之间做出权衡，例如通过多次测试取分割尺度Scale＝180。
24)将所述分割尺度(Scale)、形状(Shape)权重、光谱异质性(Compactness)权重以及波段权重(Image Layer Weights)四个参数作为多尺度分割参数，对所述水底地貌或地形图像进行尺度分割结果确定为地貌分割单元和地形分割单元。
25)对于水底地层图像，直接使用固定的分割尺度将图像分为空间连续、互不重叠且具有相近的图像灰度特征的若干列子图像，所述若干列子图像确定为地层剖面分割单元。
步骤S3：对各所述地貌分割单元进行特征提取，得到地貌特征量；所述地貌特征量包括水底地貌图像的灰度统计特征、水底地貌图像的灰度共生矩阵特征、水底地貌图像的基于高阶统计量的不变矩特征和水底地貌图像的分形维数特征。
其中，统计特征包括均值(Mean)、标准差(Standard Deviation)、偏度(Skewness)、峰度(Grey-level Kurtosis)、能量(Energy)、熵(Entropy)、变异系数(Coefficient of Variation)、灰度直方图的中位数(Median)、灰度直方图的四分位数(Quartile)等9个统计特征量。
灰度共生矩阵特征是指：定义距离d和夹角θ参数后，计算图像的灰度共生矩阵(GLCM)后，根据GLCM衍生出的角二阶矩(Angular Second Moment，ASM)、对比度(Contrast，CONT)、相关系数(Correlation，CORR)、逆差矩(Inverse Difference Moment，IDM)、同质性(Homogeneity，HOM)、熵(Entropy，ENT)、方差(Variance，VAR)、簇阴影(Cluster Shade，CSHA)、簇显著性(Cluster Prominence，CPRO)共9类特征量，当给定夹角θ分别取4个角度，分别是0°，45°，90°，135°进行计算，即总共得到36个GLCM特征量。
基于高阶统计量的不变矩特征是指：基于代数不变量引入矩不变量，并导出的8种不变矩统计量。
步骤S4：对各所述地形分割单元进行特征提取，得到地形特征量；所述地形特征量包括水底坡度统计特征、水底坡向统计特征、水底表面曲率统计特征和水底地表的分形维数特征。
步骤S5：对各所述地层剖面分割单元进行特征提取，得到地层特征量；所述地层特征量包括界面线特征量、界面层特征量和表层剖面特征量。
所述界面线特征量表示水体底质界面线的复杂度；所述界面层特征量为水体底质界面层的灰度均值；所述表层剖面特征量包括表层剖面的灰度统计特征和表层剖面的垂向纹理特征。其中，垂向纹理特征为取夹角θ＝90°计算，得到的9个GLCM特征量。
所述步骤S5，具体包括：
51)确定所述浅地层剖面图像中的水体底质界面线、水体底质界面层和浅表层剖面。
所述水体底质界面线为所述浅地层剖面图像中表示水体的像素与表示底质的像素之间的分界线；所述水体底质界面层为所述浅地层剖面图像中，位于所述水体底质界面线之下设定宽度范围内的像素构成的层；所述水体底质界面层的厚度与所述浅地层剖面图像的数据源有关，通常大于1像素且小于整个剖面图像高度的5％，可约1～10像素。
该步骤中，采用“人工判别层界检测方法”，或采用比较成熟的图像边缘检测算法(如Roberts、Sobel、Prewitt、Laplacian、Canny等自动边缘检测算法)对所述浅地层剖面图像的各层进行划分。
52)由所述水体底质界面线确定所述浅地层剖面图像的界面线特征量；所述界面线特征量表示所述水体底质界面线的复杂度；所述水体底质界面线的复杂度采用所述水体底质界面线上各目标分界点与对应邻域内的所有分界点连线的斜率值的标准差表示。
所述目标分界点为所述水体底质界面线上任意一个分界点。
该步骤，具体为：
由所述水体底质界面线，计算目标分界点与目标分界点邻域内的分界点连线的斜率，
其中，kid为目标分界点(xi,yi)与目标分界点邻域内的分界点(xi+d,yi+d)连线的斜率，xi为水体底质界面线上的第i个分界点的所属序列标号，yi为水体底质界面线上的第i个分界点对应的水深值，xi+d为水体底质界面线上的第i+d个分界点的所属序列标号，yi+d为水体底质界面线上的第i+d个分界点对应的水深值，d为(xi,yi)与(xi+d,yi+d)相距的列数。
由目标分界点与目标分界点邻域内的所有分界点连线的斜率，计算分界点连线斜率的均值，
其中，μi为分界点连线斜率的均值，w为目标分界点的邻域。
由目标分界点与目标分界点邻域内的所有分界点连线的斜率以及所述分界点连线斜率的均值，计算标准差，
其中，si为目标分界点与其邻域内各分界点连线斜率的标准差，si表征水体底质界面线的复杂度。
53)由所述水体底质界面层确定所述水底地层图像的界面层特征量；所述水体底质界面层是指在水下浅地层剖面图像中，所述水体底质界面线之下的一层厚度均一的像素构成的层，该层的厚度与所述水下浅地层剖面图像的数据源有关，通常大于1像素且小于整个剖面图像高度的5％，所述界面层特征量为所述水体底质界面层的灰度均值。
54)由所述表层剖面确定所述水底地层图像的表层剖面特征量；所述表层剖面特征量包括所述表层剖面的灰度统计特征和所述表层剖面的垂向纹理特征。
所述浅表层剖面的灰度统计特征为所述浅表层剖面的灰度均值；所述浅表层剖面的垂向纹理特征为设定θ＝90°，计算灰度共生矩阵(GLCM)，然后根据GLCM计算的9个特征量，其分别为浅表层剖面的角二阶矩、对比度、相关系数、逆差矩、同质性、熵、方差、簇阴影和簇显著性。
具体的，图像的垂向纹理特征用灰度共生矩阵(GLCM)表示，其定义为灰度分别为i和j，连线与水平正方向夹角为θ，距离为d的两个像素在整个图像中出现的频率pij(d,θ)构成的矩阵。其表达式如下：
pij(d,θ)＝#{(k,l),(m,n)∈(Ly×Lx)|ρ((k,l),(m,n))＝d,
A((k,l),(m,n))＝θ,f(k,l)＝i,f(m,n)＝j}
其中，#为计数符号，Lx和Ly分别表示图像的水平和垂直宽度范围，(k,l)和(m,n)表示两个像素在图像中的坐标，ρ((k,l),(m,n))表示这两个像素之间的距离，A((k,l),(m,n))表示这两个像素连线与水平正方向(通常为水平向右方向)的夹角，f(k,l)和f(m,n)分别表示其对应的灰度值，pij(d,θ)为整个图像中满足等式右侧条件的像素个数。若图像的灰度级为N，则其生成的GLCM大小即为N×N。
当给定距离d和夹角θ时，相应的GLCM元素以下用p(i,j)表示(i,j∈[1,N])，定义GLCM的行元素与列元素之和构成的数组分别为px和py，即
对p(i,j)进行统计，则得到整个图像的特征，特征表达式如下：
1)角二阶矩(Angular Second Moment，ASM)/能量(Energy)
角二阶矩也被称作能量，GLCM中元素的取值越集中，即图像某方向上的灰度值一致性越大，则角二阶矩的值越大。
2)对比度/反差度(Contrast，CONT)
GLCM的对比度可衡量图像中某方向上灰度值的差异，灰度差异性越大则对比度越大。
3)相关系数(Correlation，CORR)
其中，μx和μy分别表示数组px和py的均值，σx和σy分别表示数组px和py的标准差。GLCM的相关系数可衡量图像中像素灰度的线性相关性，在图像中的某方向上，像素灰度值的线性变化规律越明显则相关系数越大。
4)逆差矩/惯性矩(Inverse Difference Moment，IDM)
逆差矩也称为“惯性矩”，可衡量图像的局部均一性。图像中具有相同或相近灰度值的区域越多，则逆差矩越大。
5)同质性(Homogeneity，HOM)
图像中具有相同或相近灰度值的区域越多，则表示同质性越好。
6)熵(Entropy，ENT)
GLCM的熵可衡量图像纹理的随机性，图像中的纹理分布越无规律或者同质性越差则GLCM的熵越大。
7)方差(Variance，VAR)
GLCM的方差可衡量图像的异质性(Heterogeneity)，这种特征与同质性(Homogeneity)相反，图像某方向上的像素灰度值偏离其平均值越大则方差越大。GLCM的方差不具有空间频率属性，因此其方差与对比度不同，即方差越大对比度越大，反之则不一定成立。
8)簇阴影(Cluster Shade，CSHA)
GLCM的簇阴影可衡量GLCM的偏度(Skewness)，图像灰度分布的不对称性越强，则簇阴影的值越大。
9)簇显著性(Cluster Prominence，CPRO)
GLCM的簇显著性可衡量GLCM元素的集中度，图像的灰度值变化越大，则簇显著性的值越大。
GLCM特征的提取需要规定统计共生的两个像素之间的距离d(单位为像素)和其连线与水平方向的夹角θ，基于水下底质空间分布的尺度考虑，取d＝5像素，θ＝90°计算灰度共生矩阵。然后，分别计算上述9个特征量，它们分别是：角二阶矩、对比度、相关系数、逆差矩、同质性、熵、方差、簇阴影、簇显著性。
55)将所述界面线特征量、所述界面层特征量和所述表层剖面特征量确定为所述水底地层图像的地层特征量。
步骤S6：将所述地貌特征量、所述地形特征量和所述地层特征量确定为多源声学特征集合。
提取的特征量过多时，将为底质分类带来过高的计算量和干扰信息，而且若不降低特征量之间冗余度，将不利于提高底质分类精度，为了得到更准确的特征，本实施例还对上述得到的源声学特征集合进行了进一步的特征筛选和特征选择。
首先，对上述得到的多源声学特征集合进行特征筛选，具体为：
1)基于距离算法对所述地貌特征量进行聚类，得到多个地貌特征量簇；每个所述地貌特征量簇内的特征量之间的距离均小于第一设定距离；从各所述地貌特征量簇内均任选一个特征量组成地貌特征量集合。该步骤中，基于距离算法对所述地貌特征量进行聚类，得到多个地貌特征量簇，具体为：计算所述地貌特征量中每两个特征量之间的Speraman相关系数作为距离；依据所述相关系数，采用凝聚层次聚类算法对所述地貌特征量进行聚类，得到多个地貌特征量簇。
2)基于距离算法对所述地形特征量进行聚类，得到多个地形特征量簇；每个所述地形特征量簇内的特征量之间的距离均小于第二设定距离；从各所述地形特征量簇内均任选一个特征量组成地形特征量集合。聚类原理同步骤1)。
3)基于距离算法对所述地层特征量进行聚类，得到多个地层特征量簇；每个所述地层特征量簇内的特征量之间的距离均小于第三设定距离；从各所述地层特征量簇内均任选一个特征量组成地层特征量集合。聚类原理同步骤1)。
4)将所述地貌特征量集合、所述地形特征量集合和所述地层特征量集合确定为特征筛选后的多源声学特征集合。
第一设定距离、第二设定距离和第三设定距离可以相等，也可以不等。
然后，对上述得到的特征筛选后的多源声学特征集合进行特征选择，具体为：
1)采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法，对所述地貌特征量集合进行特征选择，得到地貌特征量选择集合。
2)采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法，对所述地形特征量集合进行特征选择，得到地形特征量选择集合。
3)采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法，对所述地层特征量集合进行特征选择，得到地层特征量选择集合。
4)采用最大相关最小冗余算法(Minimum Redundancy Maximum Relevance，mRMR)时，若可选择的特征量有n个，则计算选择特征量个数为1到n等不同设定下的特征选择集合；采用全局搜索算法或启发式搜索算法时，以给定的分类器(如K-近邻分类器、贝叶斯分类器、决策树分类器、支持向量机分类器、随机森林分类器等)在随机选取的样本中分类总体精度最高为优化目标，确定最终的特征选择集合。
5)将所述地貌特征量选择集合、所述地形特征量选择集合和所述地层特征量选择集合确定为特征选择后的多源声学特征集合。
下面提供了一个更为具体的实施例。
实施例2
图2为本发明实施例2水下多源声学特征提取方法的流程图。参见图2，本实施例的水下多源声学特征提取方法，其处理的对象是三类声学传感器获取的水底多源声学图像，包括：侧扫声呐、多波束声呐系统、浅地层剖面仪等设备分别获取的水底地貌图像、水底地形图像和水底地层剖面图像。本实施例的思路为：第一步是对于多源声学图像的特征提取；第二步是对提取的多源声学图像特征进行特征筛选；第三步是基于筛选后的声学图像特征进行特征选择以得到最优特征子集。
步骤一：多源声学图像的特征提取
1、水底地貌图像的特征提取
侧扫声呐和多波束声呐系统获取数据后，将测量数据转化为水底地貌图像。水底地貌图像通常用灰度(灰阶)表示水底底质的反向散射强度，根据灰度强弱及其相邻区域的纹理规律可进行底质类型的判断。本实施例中，对水底地貌图像采用多尺度分割方法，确定分割参数后进行图像分割，得到图像分割单元。然后从水底地貌图像的每个图像分割单元中提取灰度统计特征、灰度共生矩阵特征、基于高阶统计量的不变矩特征和分形维数特征，共36个特征。具体的：第一类9个灰度统计特征，分别为：图像的灰度均值、图像的灰度标准差、图像灰度直方图的偏度、图像灰度直方图的峰度、图像灰度直方图的能量、图像灰度直方图的熵、图像灰度直方图的变异系数、图像灰度直方图的中位数、图像灰度直方图的四分位距；第二类18个灰度共生矩阵(Gray Level Co-occurrence Matrix，GLCM)特征量，分别为：角二阶矩、对比度、相关系数、逆差矩、同质性、熵、方差、簇阴影、簇显著性这9个特征量在0°，45°，90°，135°共4个角度上的最大值、最小值(共18个特征量)；第三类8个基于高阶统计量的不变矩特征；第四类1个基于盒计数法的分形维数特征。本实施例中的上述36个特征可以基于现有的计算方法得到，在此不再赘述。
2、水底地形图像的特征提取
水底地形图像主要来自多波束声呐系统测量得到的水深数据(Bathymetry)，通过水深数据可构建水下数字表面模型(Digital Surface Model，DSM)。根据水下DSM可衍生计算坡度、坡向和曲率等数据以突出某些地形特征量，这些数据一般是根据水底地形格网或图像的像素及其较小邻域计算得到的。本实施例对水底地形图像采用多尺度分割方法，确定分割参数后进行图像分割，得到图像分割单元。然后提取水底地形图像每个图像分割单元的水底坡度(水底坡度的均值和水底坡度的标准差)、水底坡向(水底坡向标准差、水底坡向偏度、水底坡向的灰度共生矩阵的角二阶矩、对比度、相关系数和方差的各向最大值)、水底表面曲率(水底表面曲率的均值、水底表面曲率的标准差)和水底地表的分形维数特征，共11个特征。
(1)2个水底坡度(Slope)相关统计特征
坡度可用每个像素到与其相邻像素方向上高程值的最大变化率进行描述。例如，取一个像素周围的8像素邻域对应的高程值进行统计，该像素与邻域像元的高程差h与两像素距离d的比值h/d即为这两像素间的高程值变化率，在8像素邻域内找到最大的高程值变化率即为坡度，坡度角θ则可定义为：
θ＝max{arctan(h/d)}。
坡度的绝对值越小表示地势越接近水平。坡度可较好地描述水底地形的起伏程度，对于礁石等造成水底起伏变化较大的底质具有较好的辨识能力，也可用于辨别平坦地形以推测砾石、泥等底质的分布。本实施例基于多波束测深数据计算水底坡度，并提取水底坡度的均值和水底坡度的标准差两类统计特征。
(2)6个坡向(Aspect)相关统计特征
坡向可被视为坡度的方向，即每个像素到其相邻像素方向上高程值变化率最大的下坡方向。坡向可用0°到360°的平面角度(与正北方向的夹角)表示。水底坡面的具体方向性并不易用于区分底质类型，但是从水底坡向图像中可以很清晰地识别礁石、沙波以及地质构造形成的地形褶皱，这表明坡向的纹理统计信息对礁石、沙波等与底质有关地形有较好的识别能力。本实施例基于多波束测深数据计算水底坡向，并提取坡向数据的标准差、偏度以及灰度共生矩阵的角二阶矩、对比度、相关系数和方差的各向最大值共6个特征量。
(3)2个曲率(Curvature)相关统计特征
对一个像素及其周围3×3窗口内的高程值进行多项式拟合，再对得到的表面多项式方程求二阶导数即得到地形的曲率。沿坡度方向的曲率称为剖面曲率(ProfileCurvature)，垂直于坡度方向的曲率称为平面曲率(Planform Curvature)。曲率可用于描述水底凸起或凹陷的形状特征，曲率大于0表示表面上凸，小于0表示表面下凹。
曲率的绝对值越大表示表面变化越剧烈，曲率为0则表示表面平坦。从曲率图像中可以很清晰地识别礁石等底质类型。本实施例基于多波束测深数据计算水底表面曲率，并提取曲率数据的均值和标准差两个统计特征。
(4)1个水底地表的分形维数特征
分形维数原本用于描述地理实体的形态复杂度，因此也适用于对水底地形DSM图像的区域性描述。
3、水底浅地层剖面图像的特征提取
(1)浅地层剖面图像的预处理
浅地层剖面图像常被用于人工判读，因此其预处理过程相对简单，主要包括原始数据滤波、回波增益补偿、采样点深度计算和呯(Ping)数据定位等过程。获取浅地层剖面图像后，直接使用固定的分割尺度将图像分为空间连续、互不重叠且具有相近的图像灰度特征的若干列子图像，所述若干列子图像确定为所述水底地层图像的图像分割单元。
(2)层界检测方法
在提取浅层剖面图像特征前，需要先对浅地层剖面图像分层，即判读浅地层剖面图像所描述的水体-底质界面线和各界面层之间的分界线。根据浅层剖面图像的特点，采用多次波压制与层界自动检测方法确定浅地层剖面图像中的水体底质界面线、水体底质界面层和表层剖面。
多次波在浅层剖面图像中形成的层界容易影响对剖面地层的正确划分，而对浅层剖面图像层界的准确检测是基于其图像进行自动底质分类的基础。常用的多次波压制方法包括：滤波法、预测相减法、稀疏反演法等，由于浅层剖面图像测量深度有限，多次波主要由海底地层与海面之间多次反射形成，本实施例采用一次函数拟合的预测相减法快速实现浅层剖面图像的多次波压制，最终实现了对浅地层剖面图像中的水体底质界面线、水体底质界面层和表层剖面的确定，如图3所示，图3中横坐标表示序列号，纵坐标表示水深值。
(3)特征提取
根据图像分割单元，分别提取水下浅地层剖面图像每个图像分割单元的以下特征量。
(a)水体-底质界面线的复杂度(界面线特征量)
浅层剖面图像中的水体-底质界面线可描绘水底地形剖面特征，界面线平滑且横向连接性越好，则表明水底越平坦或起伏越小。假设判读出的水体-底质界面线上各点坐标用(xi,yi)表示，其中xi表示分界点的水平坐标(Ping序列号)，即分界点的所属序列标号，yi表示分界点的水深值(i＝1,2,…,n，n为浅层剖面图像的列数)，经过点(xi,yi)到与之相距为d列的分界点(xi+d,yi+d)的直线斜率为：
实验表明，受到水体-底质界面线提取误差的影响，相邻两点(即d＝1)的连线斜率变化规律性差，无法衡量某点(xi,yi)所处水底表面的复杂度。因此，本实施例提出新的界面线复杂度的度量指标：在给定的邻域w内，距离分界点(xi,yi)距离不大于w的所有分界点与该分界点连线斜率kid的标准差si。以si作为该点的复杂度指标，公式如下：
其中，μi为分界点(xi,yi)与邻域w内所有分界点连线的斜率的均值，即分界点均值。分界点标准差si越大表明分界点(xi,yi)附近的界面线起伏越大，复杂度越高；反之，si越小表明起伏越小，复杂度越低。
图4为本发明实施例2浅层剖面图像特征示意图。图5展示了两类底质的水体底质界面线的复杂度曲线。其中，图4中左侧方框(a)内的表层底质为强风化砂岩，该框的水体底质界面线及其复杂度曲线分别如图5的(a)部分所示，图5的(a)部分中竖直的线表示海水-底质界面深度，曲线表示界面线复杂度；图4中右侧方框(b)内的表层底质为淤泥质粘土，该框的水体底质界面线及其复杂度曲线分别如图5的(b)部分所示，图5的(b)部分中竖直的线表示海水-底质界面深度，曲线表示界面线复杂度。
(b)水体-底质界面层的灰度均值(界面层特征量)
在浅层剖面图像中，水体-底质界面处往往存在一层较薄的强反射层，称之为“界面层”。界面层上方的入射介质均为水体，该层内回波信号的强度不同则意味着水底表层的声阻抗不同，因此界面层的灰度值可作为分辨不同底质类型的指标之一。本实施例取该层的灰度均值作为界面层的特征量，灰度均值的计算原理为
n为图像灰度级减1，例如，图像灰度级为256，则n＝255；ri为相应的灰度值；p(ri)为图像灰度值ri出现的概率或频率；灰度均值相当于灰度值的一阶原点矩。
(c)表层剖面内的灰度均值(表层剖面的灰度统计特征)
浅层剖面图像中，在水体-底质界面层以下一般为表层底质的剖面图像，称之为“表层剖面”，该剖面的厚度反映了表层介质的厚度，其灰度值则反映了表层介质内部的声阻抗特性。对于不同的表层底质，其对应的剖面层图像灰度值、灰度值相近区域的聚集、分散或平行分布特征也会有所不同。其中，最为显著的特征之一是表层剖面内的灰度均值，其计算原理同上式。
(d)9个表层剖面内的垂直方向纹理特征(表层剖面的垂向纹理特征)
表层剖面的另一显著特征是其灰度的垂直方向纹理。根据浅地层剖面仪的工作原理可知，声信号在地层内传播过程中受到介质层体散射影响会出现强度的衰减，在浅层剖面图像中则反映为层内灰度值的垂直梯度变化。声信号强度随深度衰减越快则图像灰度值的垂直梯度越大，反之，衰减越慢则灰度值的垂直梯度越小。声信号衰减的程度与介质类型有关，因此灰度垂直梯度不同的区域表明剖面介质类型不同。一般来说，泥底质具有较高的孔隙度和含水量，对声信号的反射和衰减作用较小，透射能力较强；砂底质则有较大的反射和衰减作用，透射能力较弱。利用图像的灰度共生矩阵(GLCM)可以确定图像特定方向的纹理分布情况，本实施例提取GLCM的9个特征量，分别是：角二阶矩、对比度、相关系数、逆差矩、同质性、熵、方差、簇阴影、簇显著性。对于GLCM的方向角θ，取θ＝-90°，即以水平向下方向统计不同灰度像元之间的共生关系，共生的两个像元之间的距离d应根据浅层剖面图像的垂直分辨率确定。图6的(a)部分和(b)部分分别展示了强风化砂岩和淤泥质粘土两类底质的表层剖面内灰度值的垂向变化规律。
本实施中还将来自渤海某实验区浅层剖面图像作为样本数据，用于浅层剖面图像特征提取。首先，根据预处理结果随机提取了强风化砂岩、卵石、淤泥质粘土、粉砂共4类底质各30段剖面图像，每段图像包含50Ping数据用于上述12个特征量的提取。在采用上述步骤(3)完成了浅地层剖面图像的特征提取，最终得到海底浅地层剖面图像的界面线特征量、界面层特征量、表层剖面的灰度统计特征和表层剖面的垂向纹理特征4类特征量，这四类特征共包含12个特征量，如表1所示。
表1地层特征量
步骤二：多源声学图像的特征筛选
本实施例给出了一种基于相关性聚类的特征筛选方法以达到消除高度相关的特征量、减少分类计算成本的目的，其主要过程包括4部分：数据归一化、特征量相关性评价、基于相关性指标的特征聚类和基于聚类结果的特征筛选。
(1)数据归一化
步骤一得到的各类特征量是基于不同的统计方法得到的，因此，各特征量的值域和量纲存在差异。为了消除这种差异性便于数据比较，应对数据进行归一化。
数据统计中常用的归一化方法包括：最值归一化方法(Min-Max Normalization，MMN)、标准分数归一化方法(z-Score Normalization，ZSN)、中值归一化方法(MedianNormalization，MDN)等，本实施例采用最值归一化方法，即最大最小值归一化，计算方法如下：
其中，X为原始特征量值，Xmax、Xmin分别为原始特征量中的最大、最小值，X*为特征量归一化后的结果。MMN方法将各特征量线性变换至[0,1]区间，且仅需记录每个原始特征量的最大、最小值即可随时将归一化后的数据还原。
(2)特征量的相关性评价
研究两个变量之间的相关性，可以从一定程度反映变量之间的可替代性，即一个变量的值可以通过另一个变量的某种数学变换近似得到。
本实施例根据这些特征量归一化后的数据特点，采用了Speraman相关系数进行评价，其计算公式如下：
其中，n为变量的样本个数，xi、yi分别为两组变量排序后原始数据的位置序号，或称之为秩。分别为xi、yi的均值。
(3)基于相关性指标的特征聚类
特征聚类的目的是将相关性较高的特征量聚集在一起，并认为其在某种程度上可以相互替代。凝聚层次聚类是一种典型的聚类方法，其策略是以每一个对象作为一个簇(Cluster)，根据一定的规则将这些簇逐步合并为更大的簇，直到所有对象全部合并或满足某个终止条件为止。凝聚层次聚类的核心问题是确定簇合并的规则，即定义簇之间的距离，并以距离越近的簇越优先合并。上文给出特征量之间的相关系数rs(x,y)的计算方法，因此可直接以如下公式作为特征量之间的距离定义：
d(x,y)＝1-rs(x,y)，
其中，x、y(x≠y)表示任意两个被度量的特征量，rs(x,y)为其相关系数。因为有-1≤rs(x,y)≤1，所以根据d(x,y)的定义可知两个特征量之间的正相关性越强则其距离越近，负相关性越强则其距离越远。基于相关系数的凝聚层次聚类算法可描述如下：
Step1：以每一个特征量作为初始簇，根据相关系数rs(x,y)计算两特征量之间的距离d(x,y)。
Step2：在d(x,y)中找到距离最小的值dmin(x,y)及其对应的两个特征量簇x、y；将其合并为一个新的簇z。
Step3：若合并的特征量簇z不包含所有的初始簇，则重新计算z与其他未被包含的簇之间的相关系数，更新距离矩阵中的d(x,y)。
Step4：重复Step2至Step3，直到合并的簇z包含所有的初始簇，或者距离矩阵d(x,y)的所有元素都小于给定的阈值Td。
(4)基于聚类结果的特征筛选
设定阈值Td，并列举该阈值水平下完成合并的各簇所包含的所有初始特征量，并认为在该阈值水平下合并为同一簇的每个初始特征量均可代表整个簇。从各簇中筛选一个初始特征量作为代表，淘汰其它特征量，由此筛选出的特征量集合即为筛选后的特征集合。特征筛选可带有一定的经验性，通常以便于计算为准则，有时也应考虑所选特征量对异常数据的敏感性。根据上述公式可知，通常情况下阈值Td越低保留的特征量越多。
下面基于上述原理，对地貌特征量、地形特征量和所述地层特征量进行进一步筛选。
首先，设置Td＝0.2(相关系数阈值为0.8)，对地貌特征量进行特征筛选，采用上述特征筛选的方法筛选出仅包含12个特征量的特征集合即可代表初始的36个特征量，筛选后的特征集合规模因此降低为初始特征量数目的三分之一，达到了消除冗余特征量，同时降低特征量相关性的目的。
根据实验数据，本实施例筛选出的12个特征量如下(不分先后顺序)：图像灰度值的均值(Mean)、标准差(Std)、偏度(Skewness)、能量(Energy)；灰度共生矩阵特征中的角二阶矩(GLCM_max_ASM)、对比度(GLCM_max_CONT)、相关系数(GLCM_max_CORR)和方差(GLCM_max_VAR)的各向最大值；Hu不变矩统计量中的I2(Inv_m2)、I3(Inv_m3)和I4(Inv_m4)；以及分形维数(Fractal_dim)。这12个特征量构成地貌特征量集合。
然后，设置Td＝0.2(相关系数阈值为0.8)，对地形特征量进行特征筛选，采用上述特征筛选的方法得到在原始的11个特征量中，除坡度均值(Mean_Slope)与地形DSM分形维数特征(Fractal_dim_DSM)具有较高的相关性(相关系数为0.91)，其他特征量两两之间的相关系数均不高于0.8。考虑到计算的便利性，保留坡度均值特征。由此，本实施例经过特征筛选保留的地形特征量共10个，包括：坡度特征的均值(Mean_Slope)、标准差(Std_Slope)；坡向特征的标准差(Std_Aspect)、坡向统计直方图的偏度(Skewness_Aspect)、坡向共生矩阵的角二阶矩(GLCM_max_ASM)、对比度(GLCM_max_CONT)、相关系数(GLCM_max_CORR)、方差(GLCM_max_VAR)的各向最大值；地形曲率的均值(Mean_Curvature)和标准差(Std_Curvature)。这11个特征向量构成地形特征量集合。
接下来，同样设置Td＝0.2(相关系数阈值为0.8)，对地层特征量进行特征筛选，采用上述特征筛选的方法将给出的12个特征量合并为5项，其中，表层剖面(L1)的垂向GLCM纹理特征量之间具有较强的相关性。基于计算的便利性，本实施例筛选出的5个特征量如下(不分先后顺序)：界面线的复杂度(Complexity_LS)、界面层的灰度均值(Mean_L0)、表层剖面的灰度均值(Mean_L1)，以及表层剖面垂向方向的GLCM同质性(GLCM_HOM_L1)和对比度(GLCM_CONT_L1)。这5个特征向量构成地层特征量集合。
再将经上述筛选后得到的地貌特征量集合、地形特征量集合和地层特征量集合确定为特征筛选后的多源声学特征集合。为了进一步提高提取的特征的准确性，以更好的用于后期分类，在此基础上，对上述特征筛选后的多源声学特征集合进行进一步的特征选择。
步骤三：多源声学图像的特征选择
特征选择是从一组特征中挑选出一些最有效的特征以降低特征空间维数的过程。在基于多特征的图像分类过程中，特征选择也是关键问题之一。不论是采用监督分类(Supervised Classification)还是非监督分类(Unsupervised Classification)策略，所选特征子集是否包含与类别无关或冗余的特征量将直接影响分类效果。
(1)特征选择方法一：基于全局搜索的特征选择方法
Wrapper式特征选择生成特征子集的方法主要有全局搜索、随机搜索和启发式搜索三类。一般认为全局搜索方法能找到全局最优的特征子集，但计算量较大；随机搜索和启发式搜索方法能在一定程度上减少计算量，但无法保证在有限的计算时间内找到全局最优的特征子集。对于本实施例来说，经过步骤二特征筛选后得到的地貌、地形和浅层剖面图像特征集合最多仅包含12个特征量，若使用基于全局搜索的Wrapper式特征选择最多需要进行212＝4096次分类精度测试(包括特征子集为空的情况)，在实验条件下其计算规模是可接受的，而且从实现的简便性和效用来说，在这种情况下Wrapper式全局搜索反而是时间成本最低的方式(搜索算法简单、易实现)。
因此，本实施例首先采用穷举搜索的方法计算多源声学图像特征的最优特征子集，并以穷举结果为标准评价其他特征选择方法的效果。基于穷举搜索的特征选择算法可描述如下：
Step1：根据原始特征量的个数，生成所有特征量的组合，形成全部特征组合的查找表。
Step2：依据上述查找表逐一确定当前特征子集，再基于给定的分类算法采用交叉验证(Cross-validation)方法计算当前特征子集的平均分类精度。
Step3：完成查找表遍历和分类精度计算后，从中选择满足要求的特征子集。
(2)特征选择方法二：基于最大相关最小冗余算法(mRMR)的特征选择方法
最大相关最小冗余算法(Minimum Redundancy Maximum Relevance，mRMR)是一种基于信息度量的Filter式特征选择方法，该方法是一种现有算法，在此不再赘述。
(3)特征选择方法三：基于启发式搜索算法的特征选择方法
在更为一般的情况下，当初始特征集合的规模较大时，基于穷举搜索的Wrapper式特征选择方法需要很大的计算量，而Filter式特征选择又无法确保得到的特征子集最有利于分类，将Filter式特征选择方法与Wrapper式启发搜索特征子集的方法结合则是一种可行的方案。基于启发式搜索算法的特征选择方法，通过最优化目标函数的方法逐步增减所选特征量从而寻找更优的特征组合，直至接近或找到最优特征组合集，从而减少了全局搜索所需的巨大计算量。常用的启发式搜索算法如粒子群算法、蚁群算法、遗传算法、模拟退火算法等。其共性在于需要预先给定目标函数、初始条件和搜索终止条件。本实施例中可采用任何一种启发式搜索算法，所设定的目标函数为所选的特征组合在给定的分类器和随机测试样本中达到最大的总体分类精度；所给的初始条件为基于最大相关最小冗余算法(mRMR)的特征选择方法得到的不同特征量规模下的特征组合；所给的搜索终止条件为在给定的连续搜索次数下目标函数值(即总体分类精度)不再提高。由此最终得到的特征组合可保证不差于mRMR特征选择方法给出的结果，并甚至可搜索到全局最优的特征组合。
在实际应用时，可以根据不同的需求，选择上述任一方法实现对筛选后的特征集进一步选择。采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法，对所地貌特征量集合进行特征选择，得到地貌特征量选择集合；采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法，对地形特征量集合进行特征选择，得到地形特征量选择集合；采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法，对地层特征量集合进行特征选择，得到地层特征量选择集合；最终将地貌特征量选择集合、地形特征量选择集合和地层特征量选择集合确定为特征选择后的多源声学特征集合。
本实施例的水下多源声学特征提取方法，不仅较全面地汇集了地貌图像特征提取方法，还新增了地形图像和地层剖面图像特征的自动提取方法，为定量化、自动化提取多源声学图像信息提供了指标体系。除此之外，本实施例特别针对底质分类应用，给出了多源声学图像的特征选择方法，从而能够根据不同样本和数据来源，动态选择最优特征子集，以提高底质自动分类精度，为基于相似区域和数据进行底质分类的工作流程提供特征提取的参照指标体系。与传统的基于地貌图像的特征提取和特征选择方法相比，本实施例适用于更多类型的多源声学图像，针对不同类型数据可有效降低特征量冗余度，提高底质分类过程的计算效率，并提高分类精度。
实施例3
本实施例提供了一种水下多源声学特征提取系统，图7为本发明实施例3水下多源声学特征提取系统的结构示意图。参见图7，水下多源声学特征提取系统包括：
图像获取模块701，用于获取水底地貌图像、水底地形图像和水底地层剖面图像。
图像分割模块702，用于对所述水底地貌图像、所述水底地形图像和所述水底地层图像分别进行图像分割，得到多个地貌分割单元、多个地形分割单元和多个地层剖面分割单元。
地貌特征量模块703，用于对各所述地貌分割单元进行特征提取，得到地貌特征量；所述地貌特征量包括水底地貌图像的灰度统计特征、水底地貌图像的灰度共生矩阵特征、水底地貌图像的基于高阶统计量的不变矩特征和水底地貌图像的分形维数特征。
地形特征量提取模块704，用于对各所述地形分割单元进行特征提取，得到地形特征量；所述地形特征量包括水底坡度统计特征、水底坡向统计特征、水底表面曲率统计特征和水底地表的分形维数特征。
地层特征量提取模块705，用于对各所述地层剖面分割单元进行特征提取，得到地层特征量；所述地层特征量包括界面线特征量、界面层特征量和表层剖面特征量；所述界面线特征量表示水体底质界面线的复杂度；所述界面层特征量为水体底质界面层的灰度均值；所述表层剖面特征量包括表层剖面的灰度统计特征和表层剖面的垂向纹理特征。
多源声学特征确定模块706，用于将所述地貌特征量、所述地形特征量和所述地层特征量确定为多源声学特征集合。
作为一种可选的实施方式，所述地层特征量提取模块705，具体包括：
界面确定单元，用于确定所述水底地层图像中的水体底质界面线、水体底质界面层和表层剖面。
界面线特征量确定单元，用于由所述水体底质界面线确定所述浅地层剖面图像的界面线特征量；所述界面线特征量表示所述水体底质界面线的复杂度；所述水体底质界面线的复杂度采用所述水体底质界面线上各目标分界点与对应邻域内的所有分界点连线的斜率值的标准差表示；所述目标分界点为所述水体底质界面线上任意一个分界点。
界面层特征量确定单元，用于由所述水体底质界面层确定所述水底地层图像的界面层特征量。
表层剖面特征量确定单元，用于由所述表层剖面确定所述水底地层图像的表层剖面特征量。
地层特征量确定单元，用于将所述界面线特征量、所述界面层特征量和所述表层剖面特征量确定为所述水底地层图像的地层特征量。
作为一种可选的实施方式，所述界面线特征量确定单元，具体包括：
斜率计算子单元，用于由所述水体底质界面线，计算目标分界点与目标分界点邻域内的分界点连线的斜率，
其中，kid为目标分界点(xi,yi)与目标分界点邻域内的分界点(xi+d,yi+d)连线的斜率，xi为水体底质界面线上的第i个分界点的所属序列标号，yi为水体底质界面线上的第i个分界点对应的水深值，xi+d为水体底质界面线上的第i+d个分界点的所属序列标号，yi+d为水体底质界面线上的第i+d个分界点对应的水深值，d为(xi,yi)与(xi+d,yi+d)相距的列数。
分界点均值计算子单元，用于由目标分界点与目标分界点邻域内的所有分界点连线的斜率，计算分界点连线斜率的均值，
其中，μi为分界点连线斜率的均值，w为目标分界点的邻域。
分界点标准差计算子单元，用于由目标分界点与目标分界点邻域内的所有分界点连线的斜率以及所述分界点连线斜率的均值，计算标准差，
其中，si为目标分界点与其邻域内各分界点连线斜率的标准差，si表征水体底质界面线的复杂度。
作为一种可选的实施方式，所述水下多源声学特征提取系统还包括：
第一聚类模块，用于基于距离算法对所述地貌特征量进行聚类，得到多个地貌特征量簇；每个所述地貌特征量簇内的特征量之间的距离均小于第一设定距离。
地貌特征量筛选模块，用于从各所述地貌特征量簇内均任选一个特征量组成地貌特征量集合。
第二聚类模块，用于基于距离算法对所述地形特征量进行聚类，得到多个地形特征量簇；每个所述地形特征量簇内的特征量之间的距离均小于第二设定距离。
地形特征量筛选模块，用于从各所述地形特征量簇内均任选一个特征量组成地形特征量集合。
第三聚类模块，用于基于距离算法对所述地层特征量进行聚类，得到多个地层特征量簇；每个所述地层特征量簇内的特征量之间的距离均小于第三设定距离。
地层特征量筛选模块，用于从各所述地层特征量簇内均任选一个特征量组成地层特征量集合。
特征筛选集合确定模块，用于将所述地貌特征量集合、所述地形特征量集合和所述地层特征量集合确定为特征筛选后的多源声学特征集合。
作为一种可选的实施方式，所述水下多源声学特征提取系统还包括：
第一选择模块，用于采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法，对所述地貌特征量集合进行特征选择，得到地貌特征量选择集合。
第二选择模块，用于采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法，对所述地形特征量集合进行特征选择，得到地形特征量选择集合。
第三选择模块，用于采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法，对所述地层特征量集合进行特征选择，得到地层特征量选择集合。
特征选择集合确定模块，用于将所述地貌特征量选择集合、所述地形特征量选择集合和所述地层特征量选择集合确定为特征选择后的多源声学特征集合。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种水下多源声学特征提取方法，其特征在于，包括：
获取水底地貌图像、水底地形图像和水底地层图像；
对所述水底地貌图像、所述水底地形图像和所述水底地层图像分别进行图像分割，得到多个地貌分割单元、多个地形分割单元和多个地层剖面分割单元；
对各所述地貌分割单元进行特征提取，得到地貌特征量；所述地貌特征量包括水底地貌图像的灰度统计特征、水底地貌图像的灰度共生矩阵特征、水底地貌图像的基于高阶统计量的不变矩特征和水底地貌图像的分形维数特征；
对各所述地形分割单元进行特征提取，得到地形特征量；所述地形特征量包括水底坡度统计特征、水底坡向统计特征、水底表面曲率统计特征和水底地表的分形维数特征；
对各所述地层剖面分割单元进行特征提取，得到地层特征量；所述地层特征量包括界面线特征量、界面层特征量和表层剖面特征量；所述界面线特征量表示水体底质界面线的复杂度；所述界面层特征量为水体底质界面层的灰度均值；所述表层剖面特征量包括表层剖面的灰度统计特征和表层剖面的垂向纹理特征；
将所述地貌特征量、所述地形特征量和所述地层特征量确定为多源声学特征集合。
2.根据权利要求1所述的一种水下多源声学特征提取方法，其特征在于，所述对各所述地层剖面分割单元进行特征提取，得到地层特征量，具体包括：
确定所述水底地层图像中的水体底质界面线、水体底质界面层和表层剖面；
由所述水体底质界面线确定所述水底地层图像的界面线特征量；所述界面线特征量表示所述水体底质界面线的复杂度；所述水体底质界面线的复杂度采用所述水体底质界面线上各目标分界点与对应邻域内的所有分界点连线的斜率值的标准差表示；所述目标分界点为所述水体底质界面线上任意一个分界点；
由所述水体底质界面层确定所述水底地层图像的界面层特征量；
由所述表层剖面确定所述水底地层图像的表层剖面特征量；
将所述界面线特征量、所述界面层特征量和所述表层剖面特征量确定为所述水底地层图像的地层特征量。
3.根据权利要求2所述的一种水下多源声学特征提取方法，其特征在于，所述由所述水体底质界面线确定所述水底地层图像的界面线特征量，具体包括：
由所述水体底质界面线，计算目标分界点与目标分界点邻域内的分界点连线的斜率，
其中，kid为目标分界点(xi,yi)与目标分界点邻域内的分界点(xi+d,yi+d)连线的斜率，xi为水体底质界面线上的第i个分界点的所属序列标号，yi为水体底质界面线上的第i个分界点对应的水深值，xi+d为水体底质界面线上的第i+d个分界点的所属序列标号，yi+d为水体底质界面线上的第i+d个分界点对应的水深值，d为(xi,yi)与(xi+d,yi+d)相距的列数；
由目标分界点与目标分界点邻域内的所有分界点连线的斜率，计算分界点连线斜率的均值，
其中，μi为分界点连线斜率的均值，w为目标分界点的邻域；
由目标分界点与目标分界点邻域内的所有分界点连线的斜率以及所述分界点连线斜率的均值，计算标准差，
其中，si为目标分界点与其邻域内各分界点连线斜率的标准差，si表征水体底质界面线的复杂度。
4.根据权利要求1所述的一种水下多源声学特征提取方法，其特征在于，在所述将所述地貌特征量、所述地形特征量和所述地层特征量确定为多源声学特征集合之后，还包括：
基于距离算法对所述地貌特征量进行聚类，得到多个地貌特征量簇；每个所述地貌特征量簇内的特征量之间的距离均小于第一设定距离；
从各所述地貌特征量簇内均任选一个特征量组成地貌特征量集合；
基于距离算法对所述地形特征量进行聚类，得到多个地形特征量簇；每个所述地形特征量簇内的特征量之间的距离均小于第二设定距离；
从各所述地形特征量簇内均任选一个特征量组成地形特征量集合；
基于距离算法对所述地层特征量进行聚类，得到多个地层特征量簇；每个所述地层特征量簇内的特征量之间的距离均小于第三设定距离；
从各所述地层特征量簇内均任选一个特征量组成地层特征量集合；
将所述地貌特征量集合、所述地形特征量集合和所述地层特征量集合确定为特征筛选后的多源声学特征集合。
5.根据权利要求4所述的一种水下多源声学特征提取方法，其特征在于，在所述将所述地貌特征量集合、所述地形特征量集合和所述地层特征量集合确定为特征筛选后的多源声学特征集合之后，还包括：
采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法，对所述地貌特征量集合进行特征选择，得到地貌特征量选择集合；
采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法，对所述地形特征量集合进行特征选择，得到地形特征量选择集合；
采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法，对所述地层特征量集合进行特征选择，得到地层特征量选择集合；
将所述地貌特征量选择集合、所述地形特征量选择集合和所述地层特征量选择集合确定为特征选择后的多源声学特征集合。
6.一种水下多源声学特征提取系统，其特征在于，包括：
图像获取模块，用于获取水底地貌图像、水底地形图像和水底地层图像；
图像分割模块，用于对所述水底地貌图像、所述水底地形图像和所述水底地层图像分别进行图像分割，得到多个地貌分割单元、多个地形分割单元和多个地层剖面分割单元；
地貌特征量模块，用于对各所述地貌分割单元进行特征提取，得到地貌特征量；所述地貌特征量包括水底地貌图像的灰度统计特征、水底地貌图像的灰度共生矩阵特征、水底地貌图像的基于高阶统计量的不变矩特征和水底地貌图像的分形维数特征；
地形特征量提取模块，用于对各所述地形分割单元进行特征提取，得到地形特征量；所述地形特征量包括水底坡度统计特征、水底坡向统计特征、水底表面曲率统计特征和水底地表的分形维数特征；
地层特征量提取模块，用于对各所述地层剖面分割单元进行特征提取，得到地层特征量；所述地层特征量包括界面线特征量、界面层特征量和表层剖面特征量；所述界面线特征量表示水体底质界面线的复杂度；所述界面层特征量为水体底质界面层的灰度均值；所述表层剖面特征量包括表层剖面的灰度统计特征和表层剖面的垂向纹理特征；
多源声学特征确定模块，用于将所述地貌特征量、所述地形特征量和所述地层特征量确定为多源声学特征集合。
7.根据权利要求6所述的一种水下多源声学特征提取系统，其特征在于，所述地层特征量提取模块，具体包括：
界面确定单元，用于确定所述水底地层图像中的水体底质界面线、水体底质界面层和表层剖面；
界面线特征量确定单元，用于由所述水体底质界面线确定所述水底地层图像的界面线特征量；所述界面线特征量表示所述水体底质界面线的复杂度；所述水体底质界面线的复杂度采用所述水体底质界面线上各目标分界点与对应邻域内的所有分界点连线的斜率值的标准差表示；所述目标分界点为所述水体底质界面线上任意一个分界点；
界面层特征量确定单元，用于由所述水体底质界面层确定所述水底地层图像的界面层特征量；
表层剖面特征量确定单元，用于由所述表层剖面确定所述水底地层图像的表层剖面特征量；
地层特征量确定单元，用于将所述界面线特征量、所述界面层特征量和所述表层剖面特征量确定为所述水底地层图像的地层特征量。
8.根据权利要求7所述的一种水下多源声学特征提取系统，其特征在于，所述界面线特征量确定单元，具体包括：
斜率计算子单元，用于由所述水体底质界面线，计算目标分界点与目标分界点邻域内的分界点连线的斜率，
其中，kid为目标分界点(xi,yi)与目标分界点邻域内的分界点(xi+d,yi+d)连线的斜率，xi为水体底质界面线上的第i个分界点的所属序列标号，yi为水体底质界面线上的第i个分界点对应的水深值，xi+d为水体底质界面线上的第i+d个分界点的所属序列标号，yi+d为水体底质界面线上的第i+d个分界点对应的水深值，d为(xi,yi)与(xi+d,yi+d)相距的列数；
分界点均值计算子单元，用于由目标分界点与目标分界点邻域内的所有分界点连线的斜率，计算分界点连线斜率的均值，
其中，μi为分界点连线斜率的均值，w为目标分界点的邻域；
分界点标准差计算子单元，用于由目标分界点与目标分界点邻域内的所有分界点连线的斜率以及所述分界点连线斜率的均值，计算标准差，
其中，si为目标分界点与其邻域内各分界点连线斜率的标准差，si表征水体底质界面线的复杂度。
9.根据权利要求6所述的一种水下多源声学特征提取系统，其特征在于，还包括：
第一聚类模块，用于基于距离算法对所述地貌特征量进行聚类，得到多个地貌特征量簇；每个所述地貌特征量簇内的特征量之间的距离均小于第一设定距离；
地貌特征量筛选模块，用于从各所述地貌特征量簇内均任选一个特征量组成地貌特征量集合；
第二聚类模块，用于基于距离算法对所述地形特征量进行聚类，得到多个地形特征量簇；每个所述地形特征量簇内的特征量之间的距离均小于第二设定距离；
地形特征量筛选模块，用于从各所述地形特征量簇内均任选一个特征量组成地形特征量集合；
第三聚类模块，用于基于距离算法对所述地层特征量进行聚类，得到多个地层特征量簇；每个所述地层特征量簇内的特征量之间的距离均小于第三设定距离；
地层特征量筛选模块，用于从各所述地层特征量簇内均任选一个特征量组成地层特征量集合；
特征筛选集合确定模块，用于将所述地貌特征量集合、所述地形特征量集合和所述地层特征量集合确定为特征筛选后的多源声学特征集合。
10.根据权利要求9所述的一种水下多源声学特征提取系统，其特征在于，还包括：
第一选择模块，用于采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法，对所述地貌特征量集合进行特征选择，得到地貌特征量选择集合；
第二选择模块，用于采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法，对所述地形特征量集合进行特征选择，得到地形特征量选择集合；
第三选择模块，用于采用全局搜索算法、最大相关最小冗余算法或启发式搜索算法，对所述地层特征量集合进行特征选择，得到地层特征量选择集合；
特征选择集合确定模块，用于将所述地貌特征量选择集合、所述地形特征量选择集合和所述地层特征量选择集合确定为特征选择后的多源声学特征集合。
CN202010572719.8A 2020-06-22 2020-06-22 一种水下多源声学图像特征提取方法及系统 Active CN111738278B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010572719.8A CN111738278B (zh) 2020-06-22 2020-06-22 一种水下多源声学图像特征提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010572719.8A CN111738278B (zh) 2020-06-22 2020-06-22 一种水下多源声学图像特征提取方法及系统

Publications (2)

Publication Number Publication Date
CN111738278A CN111738278A (zh) 2020-10-02
CN111738278B true CN111738278B (zh) 2024-06-04

Family

ID=72650299

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010572719.8A Active CN111738278B (zh) 2020-06-22 2020-06-22 一种水下多源声学图像特征提取方法及系统

Country Status (1)

Country Link
CN (1) CN111738278B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689403B (zh) * 2021-08-24 2023-09-19 中国科学院长春光学精密机械与物理研究所 基于特征间方位距的特征描述系统
CN116027392B (zh) * 2021-10-25 2025-09-05 中国石油化工股份有限公司 生物礁边界刻画方法、装置、介质及设备
CN114663434B (zh) * 2022-05-25 2022-08-23 国家海洋局北海海洋技术保障中心 一种侧扫声呐影像的阴影判别方法
CN117953314B (zh) * 2024-03-26 2024-07-19 自然资源部第三海洋研究所 一种多维特征优选海洋底质分类方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819023A (zh) * 2012-07-27 2012-12-12 中国地质大学（武汉） 基于LiDAR的复杂地质背景区滑坡识别的方法及系统
JP2015026369A (ja) * 2013-06-20 2015-02-05 株式会社パスコ 林相解析装置、林相解析方法及びプログラム
US9092691B1 (en) * 2014-07-18 2015-07-28 Median Technologies System for computing quantitative biomarkers of texture features in tomographic images

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819023A (zh) * 2012-07-27 2012-12-12 中国地质大学（武汉） 基于LiDAR的复杂地质背景区滑坡识别的方法及系统
JP2015026369A (ja) * 2013-06-20 2015-02-05 株式会社パスコ 林相解析装置、林相解析方法及びプログラム
US9092691B1 (en) * 2014-07-18 2015-07-28 Median Technologies System for computing quantitative biomarkers of texture features in tomographic images

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Teledyne Benthos TTV-301声学深拖系统在海底微地形地貌调查中的应用;郭军;冯强强;温明明;牟泽霖;曹明;万;王爱学;马金凤;;测绘工程(第10期);全文 *

Also Published As

Publication number Publication date
CN111738278A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
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
CN111738278B (zh) 一种水下多源声学图像特征提取方法及系统
CN111709487B (zh) 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
Marsh et al. Neural network classification of multibeam backscatter and bathymetry data from Stanton Bank (Area IV)
Zhang et al. Filtering airborne LiDAR data by embedding smoothness-constrained segmentation in progressive TIN densification
Lari et al. An adaptive approach for the segmentation and extraction of planar and linear/cylindrical features from laser scanning data
Fakiris et al. Object-based classification of sub-bottom profiling data for benthic habitat mapping. Comparison with sidescan and RoxAnn in a Greek shallow-water habitat
CN111340723A (zh) 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法
CN102005034A (zh) 基于区域聚类的遥感影像分割方法
CN109410265B (zh) 一种基于往期dem辅助的tin滤波改进算法
Taibi et al. Robust reservoir rock fracture recognition based on a new sparse feature learning and data training method
CN116486128B (zh) 基于optics算法的车载激光雷达点云不均匀密度聚类方法
CN102521831A (zh) 基于多尺度分形维和神经网络的机器人视觉图像分割方法
Shivhare et al. Automatic soil classification by using Gabor wavelet & support vector machine in digital image processing
Sun et al. Probabilistic neural network based seabed sediment recognition method for side-scan sonar imagery
Hu et al. A sample enhancement method based on simple linear iterative clustering superpixel segmentation applied to multibeam seabed classification
CN105160666B (zh) 基于非平稳分析与条件随机场的sar图像变化检测方法
CN111862778B (zh) 一种浅层岩性地质图生成方法、装置、储存介质及设备
CN114066815B (zh) 基于模糊c均值聚类的SAR图像变化检测方法
Chen et al. Segmentation-based hierarchical interpolation filter using both geometric and radiometric features for LiDAR point clouds over complex scenarios
Li et al. Point cloud-based pavement crack extraction using MSAC and KNN algorithm
Gu et al. Comparison of two novel methods for counting wheat ears in the field with terrestrial LiDAR
CN113343819B (zh) 一种高效的无人机载sar图像目标分割方法
CN115047523B (zh) 一种基于密度聚类算法的地震数据动校正方法
AU2023310356A1 (en) Method for the segmentation of seismic data of a subsurface location

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