基于声呐图像特征的海底底质类型分类方法研究

发布时间：2020-06-06 13:46

【摘要】：随着声呐技术的发展,研究学者发现通过其获取的图像中包含了较为丰富的底质特征信息,据此可以了解底质类型,并作为水下勘测、反演地貌和军事作战的新型辅助手段。本课题基于声呐成像基本原理及影响因素,针对其特征,研究分析了多种去噪增强、特征提取及分类识别技术。根据方法优缺点及仿真结果选出合适的处理方法,形成一个基于海底底质声呐图像处理与分析的完整体系,对于海底研究具有深远的意义和价值。首先,简单介绍了本课题研究海底底质声呐图像处理和分类的目的及意义,分析了国内外对海底底质声呐探测及图像分类的研究现状和进展,并结合探测系统工作原理阐述声呐图像生成过程,以及本课题所用样本数据集的来源。其次,考虑影响海底底质声呐图像分辨率的主要因素以及噪声来源和性质,针对性地分析研究适用于声呐图像的多种预处理方法,通过分析研究及仿真效果对比,选用排序自适应中值滤波算法对其进行降噪处理。同时考虑图像分辨率低、对比度较差等情况,采用基于Curvelet变换域的自适应增强方法再对其进行处理,在提高纹理细节特征及整体对比度方面有明显优势。再次,为了提高图像识别分类的精准度,需要在此之前进行有效的特征提取处理,根据海底底质声呐图像特有的边缘、纹理及统计信息,本文先后引用尺度不变特征转换、灰度共生矩阵及改进的灰度-基元共生矩阵三种方法进行研究及仿真。方法一简洁方便,提取速度较快,方法二提取的特征矩阵更能代表不同底质,本文提出的方法三应用并结合Canny边缘提取算法与灰度-基元共生矩阵法,将边缘形状统计特征与灰度相关性有机结合,更准确地提取特征信息。三种方法从多方面入手,有利于匹配不同类型分类器以达到更好的分类识别效果。最后,本文引用SVM、BP、CNN三种分类算法对海底底质声呐图像进行分类研究,并针对性地匹配了较合适的特征提取方法。通过分析对比,CNN模型获得准确率较高,更适用于海底底质声呐图像分类处理,故选用其作为最终分类方法。通过参数动态调节,将分类准确率提升至98.1%,最后借助Tensorboard展示出模型框架组成及准确率可视化曲线,效果良好,验证了CNN模型在海底底质声呐图像识别分类上具有较高应用价值和研究意义。
【图文】：

声呐图像,侧扫声呐,系统探测

C分辨元 2.1 侧扫声呐换能器工作简图及示意收发合置原理，每次发射声波完成后波[17]。随着船的航行，在水下载体不时利用计算机连续记录返回的数据信脉冲的幅度。这些幅值与每一点的回录数值越大对应回波强度越大。侧扫谱上灰暗或者明亮的区域表示声波从海行逐 ping 拼接，生成二维声呐图像并声波频率范围是 100kHz 至 800kHZ，会变窄，所以频率的设置可根据需求声呐图像，中间最亮的线称为发射线各有一条距离较稳定的海面线和一条灰度强弱的变化代表了回波强度大小一般不产生回波。

示意图,单波束,声呐图像,多波束系统

提升信息准确性；外围辅助模块主要块将最终成果以各类产品形式进行输出，，并输出相统是由单波束声呐演变而来，相比后者，前者在一海底探测点信息。新型的多波束声呐系统一般兼容 Mills 交叉技术，不仅能获取海底点的深度，还可性、精准性著称[20]。单波束多波束图 2.3 单波束、多波束声波散射示意图
【学位授予单位】：哈尔滨工程大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;U666.7

【相似文献】