基于图像的海底含油沉积物特征识别算法

发布时间：2022-01-01 05:17

　　多波束声纳数据可以被处理以获得水下声纳图像。支持向量机（SVM）和卷积神经网络（CNN）都是传统的目标分类和检测方法。关于海底含油沉积物特征识别这一问题,本文分别设计了支持向量机和卷积神经网络算法,对水下声纳图像进行目标特征的提取识别。经过两种方法试验的对比,在同一海域提取样本的情况下,支持向量机在识别含油沉积物的精度和速度上优于卷积神经网络。 

【文章来源】：新型工业化. 2020,10(02)

【文章页数】：6 页

【参考文献】：
期刊论文
[1]基于深度学习的目标检测技术研究进展[J]. 吴振刚,许青林,喻梁文.  新型工业化. 2019(10)
[2]基于卷积神经网络的彩色图像声呐目标检测[J]. 王晓,关志强,王静,王永强.  计算机应用. 2019(S1)
[3]基于HOG和SVM的船舶图像分类算法[J]. 吴映铮,杨柳涛.  上海船舶运输科学研究所学报. 2019(01)
[4]多特征混合核SVM模型的遥感影像变化检测[J]. 刘义志,赖华荣,张丁旺,刘飞鹏,蒋小蕾,曹庆安.  国土资源遥感. 2019(01)
[5]基于计算机视觉的商场人流量检测系统的设计[J]. 薛振北,李泽滔.  新型工业化. 2018(08)
[6]基于卷积神经网络的多层级目标检测方法[J]. 吴亚熙,岑峰.  软件. 2018(04)
[7]基于岩石图像深度学习的岩性自动识别与分类方法[J]. 张野,李明超,韩帅.  岩石学报. 2018(02)
[8]卷积神经网络架构及其应用的研究[J]. 刘方园,王水花,张煜东.  新型工业化. 2017(11)
[9]基于卷积神经网络的手势识别算法设计与实现[J]. 张斌,孙旭飞,吴一鹏.  微型机与应用. 2017(20)
[10]基于BP神经网络和SVM的分类方法研究[J]. 王宏涛,孙剑伟.  软件. 2015(11)

硕士论文
[1]基于SVM的图像分类算法[D]. 高晗.吉林大学 2019
[2]基于改进支持向量机的卷积神经网络图像识别方法研究[D]. 刘杰.河南大学 2018



本文编号：3561699