基于多维度声学特征优选的多波束海底底质分类

海底表层底质分布信息的准确获取在构建海洋基础地理数据库中发挥着重要作用。目前,多波束是实现大范围海底底质分类的有效手段之一,基于多波束测深和反向散射强度数据所派生的声学特征被广泛应用于底质分类建模。然而,随着特征维度的增加,特征空间中存在的无关和冗余特征严重影响底质分类精度。为了定量评估声学特征对底质类别的表征能力,并消除无效特征对分类结果的干扰,本文提出了基于多维度声学特征优选的海底底质分类方法。首先,结合实际底质样本的物理属性对多维特征进行排序和优选,排除冗余和无关特征。其次,分别应用支持向量机、随机森林和深度信念网络构建海底底质监督分类模型。通过利用爱尔兰海南部多波束调查数据和实地取样信息进行试验,结果表明提出方法对海底底质的总体分类精度和Kappa系数分别最高达到了86.20%和0.834,相较于主成分分析和熵指标特征选择方法有明显提高,突出了该方法在海底底质探测及制图的应用潜力。

多特征主成分分析与声图相结合的海底底质分类

通过提取多种回声特征构造全特征向量,并对全特征向量进行主成分分析,计算出对底质分类贡献率最大的特征组,实现海底底质的分类.采用两种分类方法对胶州湾实测数据进行比较,可得出下列结论:应用多特征主成分分析与声图相结合的分类结果优于单纯使用声纳图像的分类结果.

基于二次反锐化掩模的多特征侧扫声纳成像海底底质分类

提出了一种二次反锐化掩模算子(QUM),用于从图像中提取等比重的边缘和细节信息.把图像的平均边缘细节量(QUM)、平均纹理能量(TEM)和标准差(σ)相结合,构成本文的三维特征矢量(QUM,TEM,σ),用于对侧扫声纳海底图像进行底质分类.利用该特征矢量(QUM,TEM,σ)对泥、沙、石三种类型海底的150幅侧扫声纳图像进行分类实验,获得了最高96.7%、最低90.7%的识别率,而利用常用的灰阶共生矩阵方法的分类识别率为87.3%,表明本文方法能较好地用于海底底质分类.

多波束海底底质分类软件Simrad Triton的应用

研究了利用声学信号对海底底质自动分类的技术。介绍了挪威Simrad公司海底底质分类软件Triton的分类原理 ,它所应用的分类方法及其软件的体系结构。最后 ,用实例来说明SimradTriton在海底底质分类中的应用。

基于K-L变换的自组织竞争神经网络在海底底质分类中的应用

针对海底质地的特点,利用灰度纹理共生矩阵作为特征参数,K-L变换对海底底质图像进行降维,采用自组织竞争神经网络对图像进行自动分类,对各分类方法精度进行对比。以海底侧扫声纳图像为例,通过实测数据验算,取得理想的效果。

基于多波束背向散射数据的海底底质分类

基于精细处理后的多波束数据生成背向散射影像图,利用灰度纹理共生阵提取影像纹理特征参数,采用支持向量机的神经网络(SVM)对背向散射影像进行底质分类研究。通过实测大面积、海量数据对该方法进行评价和验证,结果表明,该方法可获得比传统分类方法更高的分类精度,这种面状的分类弥补了传统点状分类的缺陷,使得大规模、大范围、高效快速的海底底质分类成为可能,为海洋地质调查、海洋工程建设、海底矿产资源开发等提供一种新型的科学的技术方法和可靠的地质基础资料。

基于粒子群优化算法的SVM神经网络在海底底质分类中的应用

针对海底质地的特点,利用底质图像的灰度纹理共生矩阵和灰度均值作为特征参数,采用粒子群优化算法训练支持向量机的神经网络(SVM),对海底底质图像进行自动分类。本文以海底侧扫声纳图像为例,通过实测数据验算,取得了理想的效果。

基于相空间方法的海底底质分类

基于相空间重构方法,从海底回波信号的相平面和相空间中提取了三个特征量:一阶距、相似序列重复度和熵,应用于海底底质分类。通过对海上实验数据的分析表明:这三个特征参数能有效地将两类海底分开,结果与海底采样分析吻合良好。

基于声纳图像纹理特征的海底底质分类方法研究

一般不同底质的海底声纳图的纹理特征不同。重点分析了不同底质声纳图像纹理特征的差异,为底质分类的实现提供了基础。并提取了海底声纳图像的灰度共生矩阵,将灰度共生矩阵的统计特征作为特征向量。最后应用自组织迭代(ISODATA)分类算法依据对特征向量进行分类,从而实现了海底底质的划分。

海底底质分类反向散射强度三维概率密度法

反向散射强度随入射角变化信息蕴含海底底质特性,是多波束海底底质分类的重要数据源。目前,多波束海底底质分类主要提取平均反向散射强度随入射角的变化信息或基于声呐图像,没有综合考虑两者的相关信息。本文综合考虑平均反向散射强度随入射角变化信息及其概率密度分布,绘制三维概率密度图,提出了基于反向散射强度三维概率密度图的海底底质分类方法。实例计算结果表明:该方法能直观表达多波束条带覆盖区内不同海底底质类型的数量,有效判断不同海底底质类型的边界,实现海底底质类型的快速识别。

顾及声图纹理特征的海底底质分类方法研究

针对目前海底底质分类要素单一造成的底质分类类别不够细致和底质信息获取效率低等问题,提出一种顾及声图纹理特征的海底底质分类方法,综合利用海底底质来源、地理等属性以及声图纹理特征等分类要素,进一步细化海底底质类别,解决了海底底质分类信息混淆或表达不充分等问题。实例数据分析表明,该分类方法克服了传统方法单一考虑底质粒度信息的缺点,可以真实反映海底底质的时空变化特性以及一定范围内的表面起伏特征,并且所包含的海底底质分类信息量更全面,从而可以为用户提供直接形象的海底底质信息。

介绍几种典型的海底底质分类技术

本文主要介绍了四家海洋仪器公司的最新海底底质分类技术。它们分别利用多波束的反向散射强度数据、单波束的回声波形结构数据和旁侧声纳数据。采用了多参数统计分析、波形结构分析和影像属性分析等方法，实现了快速、高效、大面积地对海底底质进行间接的分类。尽管它们的技术各不相同，但都可以分为监督分类方式和非监督分类方式。

海底底质分类软件QTC SwathView在海洋测绘中的应用研究

本文简要介绍当前的海底底质分类技术,详细叙述了海底底质分类软件QTC SwathView的技术原理和一般处理过程,探讨其在海洋测绘领域的应用前景。

联合特征选择与改进集成学习模型的海底底质分类

针对侧扫声呐获取类型复杂的海底底质数据分类问题,提出联合特征选择与改进Stacking模型的数据自驱动分类方法。该方法首先在海底散射数据多域态特征的基础上采用ReliefF算法提取有效的低维度特征,然后将人工鱼群算法与Stacking模型结合形成改进集成学习分类器,完成海底底质分类。海上数据处理结果表明该方法可对多种海底底质类型进行分类,分类准确率、Kappa系数和F1-score分别达到85.55%,0.857和0.887,证明了该方法的有效性。

基于多尺度纹理特征的海底底质样本增强方法

针对多波束海底底质分类模型构建受限于样本和特征对海底底质类型表征不足、模型稳定性差等问题,利用多尺度滑动窗口法提取声学纹理特征,结合K-均值聚类分析其精度,实现了多尺度纹理特征的优选,并利用多尺度纹理特征并辅以地形特征结合SLIC样本增强方法,实现了底质样本的有效扩充。同时,利用随机森林、BP神经网络、K最邻近、支持向量机等4种经典监督分类模型训练预测和评估所扩充的样本数据,最终总体分类精度均达到90%以上,kappa系数达到0.85以上。

多波束声呐海底底质半监督学习分类方法

多波束测深声呐的反向散射数据中包含海底表层的声学信息,可以用来进行海底表层底质分类。但实际中通过物理采样获得大范围的底质类型的标签信息所需成本过高,制约了传统监督分类算法的性能。针对实际应用中只拥有大量无标签数据和少量有标签数据的情况,文章提出了基于自动编码器预训练以及伪标签自训练的半监督学习底质分类算法。利用2018年和2019年两次同一海域实验采集的多波束测深声呐反向散射数据,对所提算法进行了验证。数据处理结果表明,相比仅利用有标签数据的监督分类算法,提出的半监督学习分类算法保证分类准确率的同时所需的有标签数据更少。自动编码器预训练的半监督学习分类方法在有标签样本数量极少时的准确率仍高于75%。

基于相平面轨迹方法的海底底质分类研究

提出了基于相平面轨迹的海底底质分类的方法,从海底回波信号的相平面轨迹中提取两个特征量:最大距离特征量和距离分布特征量。利用这两个量的统计特征来完成对不同海底的分类,并将该方法应用于处理海上实验数据。结果表明:该方法可靠地识别出了两种相近(沙-粉沙-粘土与粉沙质粘土)但不相同的海底底质类型,说明这种方法用在海底底质分类是可行有效的。

海底声学底质分类技术的研究现状与前景

对海底声学底质分类技术的研究现状进行了分析。介绍了目前典型的底质分类设备、软件以及可采取的分类方法,探讨了我国开展海底声学底质分类技术研究、开发的可行性与具体实现的思路。

海底声呐图像智能底质分类技术研究综述

海底声呐图像底质分类技术是指利用多波束、侧扫声呐等设备获取海底图像进行浅表层地质属性信息的反演和预测。综合运用水声学、图像处理以及机器学习的相关理论,声学海底底质分类技术能够快速、准确地识别海底底质类型。通过回顾国内外发展历程,对利用声学图像进行海底底质分类的关键技术进行了总结,从声学海底底质分类的关系模型、海底声呐图像的特征表达和分类模型构建三个方面介绍了领域内的研究进展和主要方法,重点分析了不同模型和方法的原理、技术特点和适用场合,并结合卷积神经网络对深度学习方法在海底底质分类中的应用进行了讨论。最后,对海底声呐图像底质分类技术的研究方向和发展趋势进行了归纳和展望。