基于分形纹理特征的侧扫声呐图像沉船识别方法研究

为提高侧扫声呐图像中沉船等目标信息的识别精度和识别效率,根据盒维数、毯维数与多重分形谱的侧扫声呐图像纹理特征提取算法,构建了基于分形纹理特征的Adaboost级联分类器沉船目标识别流程。结合实测侧扫声呐图像数据进行水下沉船识别实验,并与灰度共生矩阵和Tamura纹理特征的识别结果进行对比。研究表明,基于分形纹理特征的识别方法综合考虑了图像全局与局部纹理特征,且不依赖人工选取阈值参数与特征向量,可有效提高目标识别精度和识别效率。

侧扫声呐图像纹理特征在分析沉船识别中的应用

侧扫声呐是一种具备测量范围广泛、分辨率高等诸多优点的技术,常被用于水下沉船识别、水下能源勘探以及河流航道疏浚等工作。本文以长江流域荆江河段的沉船识别为例,对侧扫声呐图像纹理特征在沉船识别分析中的应用作了相关的分析与研究,以便为相关应用提供一些理论上的借鉴。

卷积神经网络识别侧扫声呐影像的研究

卷积神经网络是当前应用最广泛的图像识别算法,利用大量数据对网络进行训练,即可达到快速、高效地对图像进行识别的目的。由于卷积神经网络结构众多,且同一数据在不同网络表现也不尽相同,为了选择适用于分析沉船声呐数据的网络,使用Python搭建LeNet-5、AlexNet、VGG、GoogLeNet、ResNet系列(ResNet50、ResNet101、ResNet152)、DenseNet系列(DenSeNet121、DenSeNet169、DenSeNet201、DenSeNet264)六种共11个卷积神经网络结构,以侧扫声呐沉船影像为数据集进行实验。结果表明,DenSeNet121是6种网络中最适合用于水下沉船图像识别的网络结构。