CN111709386B - 一种水下浅地层剖面图像底质分类方法及*** - Google Patents
一种水下浅地层剖面图像底质分类方法及*** Download PDFInfo
- Publication number
- CN111709386B CN111709386B CN202010573356.XA CN202010573356A CN111709386B CN 111709386 B CN111709386 B CN 111709386B CN 202010573356 A CN202010573356 A CN 202010573356A CN 111709386 B CN111709386 B CN 111709386B
- Authority
- CN
- China
- Prior art keywords
- test
- image
- sub
- substrate
- shallow stratum
- 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
Links
- 239000000758 substrate Substances 0.000 title claims abstract description 234
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012360 testing method Methods 0.000 claims abstract description 342
- 239000010410 layer Substances 0.000 claims abstract description 106
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 103
- 238000000605 extraction Methods 0.000 claims abstract description 62
- 239000002344 surface layer Substances 0.000 claims abstract description 48
- 238000010801 machine learning Methods 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims description 23
- 238000013145 classification model Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 22
- 238000005070 sampling Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 238000010606 normalization Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000001914 filtration Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 239000004927 clay Substances 0.000 description 4
- 230000001629 suppression Effects 0.000 description 4
- 238000012876 topography Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000003825 pressing Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Acoustics & Sound (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种水下浅地层剖面图像底质分类方法及***。该方法包括:获取浅地层剖面测试图像;确定测试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;依据测试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对每列测试子图像进行特征提取,得到浅地层测试特征提取集合;浅地层测试特征提取集合包括多列测试子图像的界面线测试特征量、界面层测试特征量和表层剖面测试特征量;依据浅地层测试特征提取集合,采用基于滑动窗口的机器学习法得到浅地层剖面测试图像的底质分类结果。本发发明能够提高水下浅地层剖面图像底质分类的分类精度。
Description
技术领域
本发明涉及海底浅地层图像分类领域,特别是涉及一种水下浅地层剖面图像底质分类方法及***。
背景技术
浅地层剖面***主要由浅地层剖面仪主机、记录计算机、缆线、电源构成的甲板***和载有换能器的水下拖鱼以及拖缆构成,并配有用于定位的GPS设备,有时还会使用回声测深仪获取高精度的海底高程信息,以进行浅地层剖面测量结果的校准。
浅地层剖面仪进行数据采集时,换能器以特定方式向其正下方海底发射一定频率的声脉冲,该声脉冲在海水和沉积层中传播,在声阻抗存在一定差异的相邻两层界面处发生反射和透射,一部分能量形成反射信号到达换能器被记录下来,另一部分能量发生透射继续向下传输,在每个界面都以同样的方式透射、反射并被记录,直到返回的声脉冲能量衰减至无法检测。海底声脉冲形成的回波信号按时间顺序依次返回,被换能器接收并转化为电信号传递给主机,经过信号的解算得到浅地层剖面的回波强度采样信息。
浅地层剖面原始数据一般以呯(Ping)为单位记录每一次声脉冲返回的声反射信号时间序列,再通过变换得到回波信号的振幅,按照一定的色彩映射规则按照Ping序列号依次排列可形成浅层剖面图像。
浅地层剖面图像主要反映两类海底特性,一是海底地形起伏,据此可判断是否有突出于平均海底面的特殊地物;二是海底剖面的声阻抗特性,据此可区分其扫描的正下方区域底质类型及其变化。浅地层剖面图像可为基于侧扫声呐和多波束***图像的海洋底质分类提供更多的参考信息,既可作为海底自动分类的依据,也可作为分类结果的验证数据。
浅地层剖面仪是进行大范围海洋底质分类的重要仪器。目前,通常采用以下两类方法实现水下浅地层剖面图像的底质分类。一类方法是基于浅地层剖面仪获取的浅层剖面图像,主要依赖人工目视解译判别底质类型并进行底质分类制图,该方法依赖底质判别者的经验,数据处理效率较低,且解译过程不易回溯,容易造成错判或漏判,不适用于大范围底质分类制图;另一类方法是基于浅地层剖面仪单次Ping测量信号进行底质类别的识别,但该方案的问题在于对单次Ping测量噪声的影响无法消除,也未利用底质剖面图像的空间信息,因此底质分类精度不高。
发明内容
基于此,有必要提供一种水下浅地层剖面图像底质分类方法及***,以提高水下浅地层剖面图像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:
一种水下浅地层剖面图像底质分类方法,包括:
获取浅地层剖面测试图像;所述浅地层剖面测试图像是由多列测试子图像构成;所述测试子图像包括连续的多呯声反射信号时间测试序列;
确定所述测试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层;
依据所述测试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层对每列所述测试子图像进行特征提取,得到浅地层测试特征提取集合;所述浅地层测试特征提取集合包括多列所述测试子图像的界面线测试特征量、界面层测试特征量和表层剖面测试特征量;所述界面线测试特征量表示所述测试浅地层剖面图像中的水体底质界面线的复杂度;所述界面层测试特征量为所述测试浅地层剖面图像中的水体底质界面层的灰度均值;所述表层剖面测试特征量包括所述测试浅地层剖面图像中的表层剖面的灰度统计特征和所述测试浅地层剖面图像中的垂向纹理特征;
依据所述浅地层测试特征提取集合,采用基于滑动窗口的机器学习法得到浅地层剖面测试图像的底质分类结果。
本发明还提供了一种水下浅地层剖面图像底质分类***,包括:
图像获取模块,用于获取浅地层剖面测试图像;所述浅地层剖面测试图像是由多列测试子图像构成;所述测试子图像包括连续的多呯声反射信号时间测试序列;
界面确定模块,用于确定所述测试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层;
特征提取模块,用于依据所述测试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层对每列所述测试子图像进行特征提取,得到浅地层测试特征提取集合;所述浅地层测试特征提取集合包括多列所述测试子图像的界面线测试特征量、界面层测试特征量和表层剖面测试特征量;所述界面线测试特征量表示所述测试浅地层剖面图像中的水体底质界面线的复杂度;所述界面层测试特征量为所述测试浅地层剖面图像中的水体底质界面层的灰度均值;所述表层剖面测试特征量包括所述测试浅地层剖面图像中的表层剖面的灰度统计特征和所述测试浅地层剖面图像中的垂向纹理特征;
底质分类模块,用于依据所述浅地层测试特征提取集合,采用基于滑动窗口的机器学习法得到浅地层剖面测试图像的底质分类结果。
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浅地层剖面图像底质分类方法及***。该方法依据测试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对测试子图像进行特征提取,得到浅地层测试特征提取集合;浅地层测试特征提取集合包括多列测试子图像的界面线测试特征量、界面层测试特征量和表层剖面测试特征量;其采用自动化方法提取浅地层剖面图像的多层定量特征参数,为定量化、自动化底质分类提供了很好的特征集合。该方法依据浅地层测试特征提取集合,采用基于滑动窗口的机器学习法得到浅地层剖面测试图像的底质分类结果,其基于自动提取的图像特征进行自动底质分类,该分类方法效率较高且能够直接得到整条浅地层剖面图像测线扫描过的底质类型,避免了人工目视解译效率较低、严重依赖判别者经验和分类精度不足的问题,能够有效提高基于浅地层剖面数据大范围底质分类及制图的效率和精度。
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1一种水下浅地层剖面图像底质分类方法的流程图;
图2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3为本发明实施例2浅地层剖面测线与钻孔的相对位置图;
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2浅层剖面图像12个特征量的特征聚类结果图;
图8为本发明实施例3一种水下浅地层剖面图像底质分类***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。
图1为本发明实施例1一种水下浅地层剖面图像底质分类方法的流程图。
参见图1,本实施例的水下浅地层剖面图像底质分类方法包括:
步骤S1:获取浅地层剖面测试图像;所述浅地层剖面测试图像是由多列测试子图像构成;所述测试子图像包括连续的多呯声反射信号时间测试序列。
步骤S2:确定所述测试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。
本实施例中采用多次波压制与层界自动检测方法确定所述测试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。
步骤S3:依据所述测试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层对每列所述测试子图像进行特征提取,得到浅地层测试特征提取集合。
所述浅地层测试特征提取集合包括多列所述测试子图像的界面线测试特征量、界面层测试特征量和表层剖面测试特征量;所述界面线测试特征量表示所述测试浅地层剖面图像中的水体底质界面线的复杂度;所述界面层测试特征量为所述测试浅地层剖面图像中的水体底质界面层的灰度均值;所述表层剖面测试特征量包括所述测试浅地层剖面图像中的表层剖面的灰度统计特征和所述测试浅地层剖面图像中的垂向纹理特征。
所述步骤S3,具体包括:
31)由所述测试浅地层剖面图像中的水体底质界面线确定所述测试浅地层剖面图像的界面线测试特征量。所述界面线测试特征量包括分界点均值和分界点标准差;所述分界点均值为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的均值;所述分界点标准差为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的标准差;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。
32)由所述测试浅地层剖面图像中的水体底质界面层确定所述测试浅地层剖面图像的界面层测试特征量。
33)由所述测试浅地层剖面图像中的表层剖面层确定所述测试浅地层剖面图像的表层剖面测试特征量。
34)将所有列测试子图像的界面线测试特征量、界面层测试特征量和表层剖面测试特征量确定为浅地层测试特征提取集合。
步骤S4:依据所述浅地层测试特征提取集合,采用基于滑动窗口的机器学习法得到浅地层剖面测试图像的底质分类结果。
所述步骤S4,具体包括:
41)将所述浅地层剖面训练图像划分为多个窗口;一个所述窗口对应一列训练子图像;所述窗口的宽度是根据所述浅地层剖面训练图像中底质在空间上连续分布的区域直径和所述浅地层剖面训练图像的水平分辨率确定的。
42)将所述浅地层测试特征提取集合输入至训练好的机器学习分类模型中,得到每个所述窗口的窗口类别;所述窗口类别为所述窗口对应的图像的底质类别。所述训练好的机器学习分类模型不限于某种类型,本实施例中的所述训练好的机器学习分类模型可以为K-近邻法分类模型、支持向量机分类模型、决策树分类模型或随机森林分类模型等。所述训练好的机器学习分类模型的训练样本来自从采样区域图像中以相同的窗口划分参数和特征提取方法获取的特征提取集合,其中训练样本类别标识来自物探资料或有人工判别结果;所述采样区域图像为与测试图像相同的水域中有物探资料或有人工判别确定底质类别的区域浅地层剖面图像。
43)判断每相邻两个所述窗口的窗口类别是否相同。
44)若相邻两个所述窗口的窗口类别不相同,则将窗口类别不同的相邻的两个窗口确定为目标窗口,并将所述目标窗口对应的图像以设定步长划分为k个子窗口;所述子窗口的宽度与所述窗口的宽度相等;其中,2wh/k>1,wh为窗口的宽度;相邻所述子窗口之间有设定的重叠区域;所述重叠区域的宽度为wh(1-2/k)的取整值;这样保证了每个滑动窗口的宽度不变,提取的特征量不受窗口尺度效应变化的影响。
45)将所述浅地层测试特征提取集合中与所述目标窗口对应的界面线测试特征量、界面层测试特征量和表层剖面测试特征量,输入至所述训练好的机器学习分类模型中,得到每个所述子窗口的子窗口类别;所述子窗口类别为所述子窗口对应的图像的底质类别。
46)判断每相邻两个所述子窗口的子窗口类别是否相同。
47)若相邻两个所述子窗口的子窗口类别不相同,则将子窗口类别不同的相邻的两个子窗口确定为目标窗口,继续划分子窗口并对子窗口分类,直至2wh/k≤1,得到浅地层剖面测试图像的底质分类结果。
作为一种可选的实施方式,在步骤S4之后还包括:对所述浅地层剖面测试图像的底质分类结果进行空间连续性处理。所述对所述浅地层剖面测试图像的底质分类结果进行空间连续性处理,具体包括:
根据所述浅地层剖面测试图像的底质分类结果,判断当前列测试子图像p的底质类别与相邻列测试子图像的底质类别是否相同。若当前列测试子图像p的底质类别为第一类别,第p-a列测试子图像至第p-1列测试子图像的底质类别均为所述第一类别,第p+1列测试子图像至第p+b列测试子图像的底质类别均为第二类别,第p+b+1列测试子图像的底质类别为所述第一类别,且b≤Th时,则将第p+1列测试子图像至第p+b列测试子图像的底质类别确定为第一类别;Th为设定空间异质性阈值,1≤a<p,b>1。
作为一种可选实施方式,在步骤S3之后,且在步骤S4之前,还包括对浅地层测试特征提取集合进行特征筛选。该步骤具体为:
基于距离算法对所述浅地层测试特征提取集合进行聚类,得到多个测试特征簇;每个所述测试特征簇内的特征量之间的距离均小于设定距离。
从各所述测试特征簇内均任选一个特征量组成测试特征量集合。
将所述测试特征量集合确定为水下浅地层剖面图像的测试特征筛选结果。
作为一种可选实施方式,在特征筛选步骤之后,还包括对测试特征筛选结果进行特征选择。该步骤具体为:
采用全局优化算法对所述测试特征筛选结果进行特征选择,得到利用所选分类模型及训练样本数据,分类精度最高的特征组合;进而确定水下浅地层剖面图像的测试特征选择结果。
下面提供了一个更为具体的实施例。
实施例2
本实施例中的水下浅地层剖面图像底质分类方法,具体包括如下步骤:
1、浅地层剖面图像的预处理
浅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。
(1)原始数据滤波
进行浅地层剖面图像采集时,期望得到的信号是水底或地层信息,但是浅地层剖面仪测得的信号不仅包含有效信号,还包含了测量船自身噪声和海洋环境噪声、多次波等干扰信号,因此需要进行数据滤波以消除干扰信息。
(2)回波增益补偿
水底或地层的声反射信号强度会随传播时间或距离而衰减,通常可采用自动增益控制(AGC)或时变增益补偿(TVG)等方法对信号强度进行调制。经过滤波和增益补偿后的浅地层剖面数据直接反映了每个采样点对应的声反射强度。将声反射强度数据以不同灰度值表示即可形成初步的浅层剖面图像。但此时的图像各像素不包含显式的深度和地理坐标等位置信息,需要额外补充位置信息。
(3)采样点深度的计算
浅地层剖面原始数据的每Ping记录是按照时间序列采样得到的声反射信号瞬时振幅,因此需要根据采样点的时序确定对应的深度。一种方式是根据已知声速剖面数据,结合采样点对应的声信号传播时间计算深度,但是海底底质中的声传播速度通常难以得到,只能根据经验给出声速参数或结合钻孔数据进行声速测定;另一种方式是假定介质中的声速为一个常量,直接将采样点对应的声信号传播时间乘以该值得到深度,这种方法虽然不影响浅地层剖面声图像的形成,但随深度增加测深误差将增大。
(4)Ping数据定位
浅层剖面图像上的像素点只体现相对深度而不直观体现平面坐标,因此,应将实时GPS数据与Ping数据记录进行匹配,以确定浅层剖面图像每一列像素对应的地理坐标。
2、层界检测方法
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。
(1)算法描述
以下以常见的采用灰度值越低表示越高反射率的浅层剖面图像为例,具体算法如下:
Step1.通过人工在浅层剖面图像中判读,提取若干组真实地层界面与对应多次波的位置,并分别拟合真实界面与第1,2,…,m次回波的位置形成的m个一元一次函数。根据多次波的形成原理可知,多次波在整幅浅层剖面图像中对应的深度与真实地层界面的深度有稳定的一次函数关系,因此仅需要人工选取3至5组数据即可完成拟合。又由于多次波能量衰减,图像中出现的多次波层数有限,因此m的值相对较小。
Step2.对经过初步处理的浅层剖面图像逐Ping提取灰度值(得到图像的单列灰度值序列),对该Ping灰度值数据进行滑动平均滤波。由此可得到较平滑的单Ping时序采样灰度值曲线以便于特征点的提取。
Step3.根据滤波后的单Ping时序采样灰度值曲线,通过给定的阈值提取可能为层界的特征点,具体方法如下:
1)计算单Ping灰度时序曲线的一阶差分序列ΔXi,公式如下:
ΔXi=Xi+1-Xi
其中,Xi表示该Ping对应图像列第i个像素的灰度值,i=1,2,…,n-1,n为该Ping对应的像素总数(即浅层剖面图像的像素行数)。
2)计算该Ping各点的特征值F(Xi),F(Xi)可定义如下:
3)通过给定的全局阈值T,提取所有满足F(Xi)≤T的Xi。Max{Xi}为表示该Ping对应图像列所有像素最大的灰度值,全局阈值T通常为小于0的值,一般可通过多次试验确定,通过不断调整阈值T,可确定包含真实层界或多次波的单Ping时序采样区间,即Xi的序列。
4)当存在连续的若干Xi均满足上述条件,则筛选出其中特征值最小者作为特征点,由此得到的特征点对应的所有可能的真实层界或多次波形成的层界。
Step4.进行多次波压制。根据Step1得到的m个一元一次函数判断Step3提取的特征点是否为其它特征点对应的多次波。若是多次波,则检测相应特征点对应的整个波形范围,将该波形通过归一化方式消除,由此完成对单Ping灰度值的多次波压制。由于一元一次函数拟合存在误差,在判断过程中应设置一定的容差。所述的归一化方式消除多次波,是指通过检测整个波形范围的始末点灰度,用灰度值序列的线性插值结果替换原有包含多次波的灰度值序列,从而将多次波形成的虚假信号消除。
Step5.逐Ping重复Step2到Step4的过程,再将压制后的Ping时序采样灰度值还原至图像,由此得到完成了多次波压制并进行了中值滤波的浅层剖面图像。若保留每Ping数据中未被压制处理的特征点,则这些特征点为可能的真实层界面。
经过上述步骤后,即可实现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2所示,图2中横坐标表示序列号,纵坐标表示水深值。
3、浅地层剖面图像特征提取
(1)水体-底质界面线的复杂度(界面线测试特征量)
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,该图中测试图像对应于该图底层灰阶图像;呯对应于该图底层灰阶图像的每一列像素;子图像对应于图中方框标出的部分,子图像的高度等于测试图像的高度,宽度可根据需要和划分的精细程度自行设定,一般需要大于10像素。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。
(2)水体-底质界面层的灰度均值(界面层测试特征量)
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。
(3)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。
(4)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。
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:
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。
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。在采用上述步骤一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、界面层特征、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个特征量形成初始地形特征集合,如表1所示。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,对着12个特征量形成初始地形特征集合进行进一步的特征筛选。
表1初始地形特征集合
上表中海水底质界面线代表海底表面,采用“_LS”作为符号尾部标记;海水-底质界面层是在浅层剖面图像中海水-底质界面以下存在的一层较薄的强反射层,采用“_L0”作为符号尾部标记;海水-底质界面层以下为海洋表层底质体散射形成的表层剖面层,采用“_L1”作为符号尾部标记。
4、浅地层剖面图像特征筛选
对于底质分类等应用,用于分类的特征量应尽量避免相关,以降低一些分类算法过度训练的可能性,此外,采用过多的特征量将带来信息冗余和巨大的计算量成本,这对于分类算法的应用是不利的,而过少的特征量又无法提供足够多的信息用于分类,影响分类结果的精度。因此,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
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:
(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。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。
(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。
本实施例中,在上一步骤得到归一化的12个浅层剖面图像特征量的基础上,计算任意两个特征量的Spearman相关系数可得到行列数为12×12的相关系数矩阵。再根据该步骤中描述的算法,取阈值Td=0.2对12个浅层剖面图像特征量进行聚类,结果如图7所示。
以上结果表明,表3给出的12个特征量可合并为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,本文筛选出的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)。各个聚类包含的初始特征量以及经过特征筛选保留的特征量如表2所示。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,对这5个特征量形成特征筛选集合进行进一步的特征选择。
表2浅层剖面图像12个特征量的特征筛选结果
5、浅地层剖面图像特征选择
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还是非监督分类策略,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。
本实施例中将上述步骤中得到的特征筛选结合作为初始集合,其中包含的浅层剖面图像特征量名称及编号如下:
1.界面线的复杂度(Complexity_LS);2.海水-底质界面层的灰度均值(Mean_L0);3.表层剖面内的灰度均值(Mean_L1);表层剖面垂向方向的GLCM特征:4.同质性(GLCM_HOM_L1),5.对比度(GLCM_CONT_L1)。
本实施例中的可选特征子集有25种组合方式,因此直接采用采用全局搜索算法计算最优特征组合,选择不同规模的特征子集下最优分类精度,结果如表3所示:
表3特征选择结果
由上表可知,采用浅层剖面图像的特征子集规模为5,即包含上述全部5个特征量所得的分类精度最高。
6、基于滑动窗口的浅地层剖面图像分类
(1)浅地层剖面图像“窗口”的划分
本实施例中的“窗口”意为浅层剖面图像中连续的若干Ping记录,Ping的数量即为窗口的宽度,窗口的高度等于浅层剖面图像的高度(图像中像素的行数)。直观地理解,浅层剖面图像的“窗口”即为图像中给定宽度的若干列像素构成的剖面图像片段。
浅层剖面图像窗口的宽度设定需要根据经验和数据的实际情况确定——既不能太窄使提取的特征量失去代表性,也不能太宽以免包含不同的底质类型。一种估计窗口的宽度大致范围的方法是根据被分类的底质在空间上连续分布的区域直径d和浅层剖面图像的水平分辨率σh,计算两者的比值即rh=d/σh,该值代表了一片连续分布的底质在浅层剖面图像中的列数,即占据的Ping数。根据经验,若rh/3≥20,则窗口的宽度wh取[20,rh/3]比较合适,也就是说窗口宽度应大于20才能比较有效地提取剖面特征量,一片连续分布的底质至少应有3个以上窗口覆盖才能被比较准确地分辨出来。
(2)基于滑动窗口的浅地层剖面图像分类方法
基于滑动窗口的浅层剖面图像底质分类过程可描述如下:
Step1:根据经验和浅地层剖面数据的分辨率信息确定滑动窗口的宽度wh,该宽度在整个分类过程中是不变的。
Step2:紧密相邻地或有一定重叠地将浅层剖面图像划分为若干窗口,使得所有窗口完全覆盖图像。
Step3:对每个窗口提取图像的特征量,作为训练样本和特征选择依据的浅层剖面局部图像也是采用窗口法确定的。因此,可以将一部分图像窗口作为训练样本进行人工判别和特征量提取,再用于分类器的训练,剩余部分作为被分类的对象。
Step4:根据各窗口提取的特征量,用训练好的分类器完成分类,再还原到原浅层剖面图像的相应位置则得到剖面图像的初步分类结果。
Step5:底质变化边界的精确划分。使用滑动窗口方法确定底质类别变化的边界位置。具体做法是:按照Step2划分的窗口顺序,将各窗口的分类结果依次排列,假设{c1,c2,…,cn}表示窗口1,2,…,n的初始分类结果(窗口的序号相邻表示位置也相邻),n为划分的窗口总数。若上述序列中有ci≠ci+1(i=1,2,…,n-1)表明若分类结果无误,则在这两个窗口之间存在底质类别变化的边界,那么在这两个窗口范围内有重叠地划分k个子窗口,子窗口宽度可与原窗口相同。
Step6:对k个子窗口再进行分类,将分类结果赋给原浅层剖面图像中相应位置的每一个Ping。也就是说Step5中找到的编号为i至i+1的窗口范围内,每个Ping将得到1至k个不等的分类结果,窗口重叠越多则得到的分类结果越多。
Step7:采用多数投票法(MajorVoting)确定上述每个Ping对应的底质类别。由此可将底质类别变化边界的判定精度提高至2wh/k,若该精度仍无法达到要求,则在类别不同的相邻Ping附近再次生成k个滑动子窗口,循环Step5至Step7,直到2wh/k≤1。
Step8:分类后处理。由于分类误差的存在,根据上述方法得到的分类结果在空间上存在不连续的情况,例如第p个Ping之前的类别为A,第p+1至第q个Ping中的类别为B,而第q+1个Ping以后的类别又是A,而q-p的值很小,不符合底质类别变化的空间尺度规律。在这种情况下,可设定空间异质性阈值Th,若有q-p≤Th则将p+1至第q个Ping的分类结果合并为A则可提高分类结果的空间连续性。
本实施例提出的上述算法中需要确定的3个参数,分别为窗口宽度wh、生成子窗口的数量k,以及用于分类后处理的空间异质性阈值Th。这3个参数可以根据经验确定。例如,设置窗口宽度wh=50、生成子窗口的数量k=20,空间异质性阈值Th=1.5wh=75。
本实施例中的水下浅地层剖面图像底质分类方法,采用自动化方法检测浅地层剖面图像的多次波和噪声信息,从而完成多次波压制与层界检测,使得图像效果更有利于底质分类解译;采用自动化方法提取浅地层剖面图像的多层定量特征参数,为定量化、自动化底质分类提供了很好的特征集合;基于自动提取的图像特征进行自动底质分类,该算法效率较高且能够直接得到整条浅地层剖面图像测线扫描过的底质类型,避免了人工目视解译效率较低、严重依赖判别者经验和分类精度不足的问题,能够有效提高基于浅地层剖面数据大范围底质分类及制图的效率和精度。
实施例3
图8为本发明实施例3一种水下浅地层剖面图像底质分类***的结构示意图。参见图8,本实施例的水下浅地层剖面图像底质分类***,包括:
图像获取模块801,用于获取浅地层剖面测试图像;所述浅地层剖面测试图像是由多列测试子图像构成;所述测试子图像包括连续的多呯声反射信号时间测试序列。
界面确定模块802,用于确定所述测试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。
特征提取模块803,用于依据所述测试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层对每列所述测试子图像进行特征提取,得到浅地层测试特征提取集合;所述浅地层测试特征提取集合包括多列所述测试子图像的界面线测试特征量、界面层测试特征量和表层剖面测试特征量;所述界面线测试特征量表示所述测试浅地层剖面图像中的水体底质界面线的复杂度;所述界面层测试特征量为所述测试浅地层剖面图像中的水体底质界面层的灰度均值;所述表层剖面测试特征量包括所述测试浅地层剖面图像中的表层剖面的灰度统计特征和所述测试浅地层剖面图像中的垂向纹理特征。
底质分类模块804,用于依据所述浅地层测试特征提取集合,采用基于滑动窗口的机器学习法得到浅地层剖面测试图像的底质分类结果。
作为一种可选的实施方式,所述底质分类模块804,具体包括:
第一窗口划分单元,用于将所述浅地层剖面训练图像划分为多个窗口;一个所述窗口对应一列训练子图像;所述窗口的宽度是根据所述浅地层剖面训练图像中底质在空间上连续分布的区域直径和所述浅地层剖面训练图像的水平分辨率确定的。
分类器训练单元,用于机器学习分类模型的训练,得到训练好的机器学习分类模型;所述机器学习分类模型的训练数据来自人工判别或有物探资料对应的训练子图像,然后通过提取训练子图像的所述界面线特征、界面层特征和表层剖面特征,将上述特征量和训练子图像的实际类别作为输入数据用于机器学习分类模型的训练。
初步分类单元,用于将所述浅地层测试特征提取集合输入至训练好的机器学习分类模型中,得到每个所述窗口的窗口类别;所述窗口类别为所述窗口对应的图像的底质类别。
第一判断单元,用于判断每相邻两个所述窗口的窗口类别是否相同。
第二窗口换分单元,用于若相邻两个所述窗口的窗口类别不相同,则将窗口类别不同的相邻的两个窗口确定为目标窗口,并将所述目标窗口对应的图像以设定步长划分为k个子窗口;所述子窗口的宽度与所述窗口的宽度相等;其中,2wh/k>1,wh为窗口的宽度;相邻所述子窗口之间有设定的重叠区域;所述重叠区域的宽度为wh(1-2/k)的取整值。
二次分类单元,用于将所述浅地层测试特征提取集合中与所述目标窗口对应的界面线测试特征量、界面层测试特征量和表层剖面测试特征量,输入至所述训练好的机器学习分类模型中,得到每个所述子窗口的子窗口类别;所述子窗口类别为所述子窗口对应的图像的底质类别。
第二判断单元,用于判断每相邻两个所述子窗口的子窗口类别是否相同。
分类结果确定单元,用于若相邻两个所述子窗口的子窗口类别不相同,则将子窗口类别不同的相邻的两个子窗口确定为目标窗口,继续划分子窗口并对划分的子窗口分类,直至2wh/k≤1,得到浅地层剖面测试图像的底质分类结果。
作为一种可选的实施方式,所述水下浅地层剖面图像底质分类***,还包括连续性处理模块,用于对所述浅地层剖面测试图像的底质分类结果进行空间连续性处理。所述连续性处理模块,具体包括:
第三判断单元,用于根据所述浅地层剖面测试图像的底质分类结果,判断当前列测试子图像p的底质类别与相邻列测试子图像的底质类别是否相同。
连续性处理单元,用于若当前列测试子图像p的底质类别为第一类别,第p-a列测试子图像至第p-1列测试子图像的底质类别均为所述第一类别,第p+1列测试子图像至第p+b列测试子图像的底质类别均为第二类别,第p+b+1列测试子图像的底质类别为所述第一类别,且b≤Th时,则将第p+1列测试子图像至第p+b列测试子图像的底质类别确定为第一类别;Th为设定空间异质性阈值,1≤a<p,b>1。
作为一种可选的实施方式,所述特征提取模块具体包括:
界面线测试特征量确定单元,用于由所述测试浅地层剖面图像中的水体底质界面线确定所述测试浅地层剖面图像的界面线测试特征量;所述界面线测试特征量包括分界点均值和分界点标准差;所述分界点均值为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的均值;所述分界点标准差为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的标准差;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。
界面层测试特征量确定单元,用于由所述测试浅地层剖面图像中的水体底质界面层确定所述测试浅地层剖面图像的界面层测试特征量。
表层剖面测试特征量确定单元,用于由所述测试浅地层剖面图像中的表层剖面层确定所述测试浅地层剖面图像的表层剖面测试特征量。
测试特征提取集合确定单元,用于将所有列测试子图像的界面线测试特征量、界面层测试特征量和表层剖面测试特征量确定为浅地层测试特征提取集合。
作为一种可选的实施方式,所述由界面线测试特征量确定单元,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。
作为一种可选的实施方式,所述水下浅地层剖面图像底质分类***,还包括:
聚类模块,用于基于距离算法对所述浅地层测试特征提取集合进行聚类,得到多个测试特征簇;每个所述测试特征簇内的特征量之间的距离均小于设定距离。
测试特征量集合确定模块,用于从各所述测试特征簇内均任选一个特征量组成测试特征量集合。
特征筛选确定模块,用于将所述测试特征量集合确定为水下浅地层剖面图像的测试特征筛选结果。
作为一种可选的实施方式,所述水下浅地层剖面图像底质分类***,还包括:
特征选择模块,用于采用全局优化算法对所述测试特征筛选结果进行特征选择,得到水下浅地层剖面图像的测试特征选择结果。
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***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 (8)
1.一种水下浅地层剖面图像底质分类方法,其特征在于,包括:
获取浅地层剖面测试图像;所述浅地层剖面测试图像是由多列测试子图像构成;所述测试子图像包括连续的多呯声反射信号时间测试序列;
确定所述浅地层剖面测试图像中的水体底质界面线、水体底质界面层和表层剖面层;
依据所述浅地层剖面测试图像中的水体底质界面线、水体底质界面层和表层剖面层对每列所述测试子图像进行特征提取,得到浅地层测试特征提取集合;所述浅地层测试特征提取集合包括多列所述测试子图像的界面线测试特征量、界面层测试特征量和表层剖面测试特征量;所述界面线测试特征量表示所述浅地层剖面测试图像中的水体底质界面线的复杂度;所述界面层测试特征量为所述浅地层剖面测试图像中的水体底质界面层的灰度均值;所述表层剖面测试特征量包括所述浅地层剖面测试图像中的表层剖面的灰度统计特征和所述浅地层剖面测试图像中的垂向纹理特征;
依据所述浅地层测试特征提取集合,采用基于滑动窗口的机器学习法得到浅地层剖面测试图像的底质分类结果;
所述依据所述浅地层测试特征提取集合,采用基于滑动窗口的机器学习法得到浅地层剖面测试图像的底质分类结果,具体包括:
将所述浅地层剖面测试图像划分为多个窗口;一个所述窗口对应一列测试子图像;所述窗口的宽度是根据所述浅地层剖面测试图像中底质在空间上连续分布的区域直径和所述浅地层剖面测试图像的水平分辨率确定的;
将所述浅地层测试特征提取集合输入至训练好的机器学习分类模型中,得到每个所述窗口的窗口类别;所述窗口类别为所述窗口对应的图像的底质类别;
判断每相邻两个所述窗口的窗口类别是否相同;
若相邻两个所述窗口的窗口类别不相同,则将窗口类别不同的相邻的两个窗口确定为目标窗口,并将所述目标窗口对应的图像以设定步长划分为k个子窗口;所述子窗口的宽度与所述窗口的宽度相等;其中,2wh/k>1,wh为窗口的宽度;相邻所述子窗口之间有设定的重叠区域;所述重叠区域的宽度为wh(1-2/k)的取整值;
将所述浅地层测试特征提取集合中与所述目标窗口对应的界面线测试特征量、界面层测试特征量和表层剖面测试特征量,输入至所述训练好的机器学习分类模型中,得到每个所述子窗口的子窗口类别;所述子窗口类别为所述子窗口对应的图像的底质类别;
判断每相邻两个所述子窗口的子窗口类别是否相同;
若相邻两个所述子窗口的子窗口类别不相同,则将子窗口类别不同的相邻的两个子窗口确定为目标窗口,继续划分子窗口并对划分的子窗口分类,直至2wh/k≤1,得到浅地层剖面测试图像的底质分类结果。
2.根据权利要求1所述的一种水下浅地层剖面图像底质分类方法,其特征在于,还包括对所述浅地层剖面测试图像的底质分类结果进行空间连续性处理;
所述对所述浅地层剖面测试图像的底质分类结果进行空间连续性处理,具体包括:
根据所述浅地层剖面测试图像的底质分类结果,判断当前列测试子图像p的底质类别与相邻列测试子图像的底质类别是否相同;
若当前列测试子图像p的底质类别为第一类别,第p-a列测试子图像至第p-1列测试子图像的底质类别均为所述第一类别,第p+1列测试子图像至第p+b列测试子图像的底质类别均为第二类别,第p+b+1列测试子图像的底质类别为所述第一类别,且b≤Th时,则将第p+1列测试子图像至第p+b列测试子图像的底质类别确定为第一类别;Th为设定空间异质性阈值,1≤a<p,b>1。
3.根据权利要求1所述的一种水下浅地层剖面图像底质分类方法,其特征在于,所述依据所述浅地层剖面测试图像中的水体底质界面线、水体底质界面层和表层剖面层对每列所述测试子图像进行特征提取,得到浅地层测试特征提取集合,具体包括:
由所述浅地层剖面测试图像中的水体底质界面线确定所述浅地层剖面测试图像的界面线测试特征量;所述界面线测试特征量包括分界点均值和分界点标准差;所述分界点均值为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的均值;所述分界点标准差为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的标准差;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;
由所述浅地层剖面测试图像中的水体底质界面层确定所述浅地层剖面测试图像的界面层测试特征量;
由所述浅地层剖面测试图像中的表层剖面层确定所述浅地层剖面测试图像的表层剖面测试特征量;
将所有列测试子图像的界面线测试特征量、界面层测试特征量和表层剖面测试特征量确定为浅地层测试特征提取集合。
4.根据权利要求3所述的一种水下浅地层剖面图像底质分类方法,其特征在于,所述由所述浅地层剖面测试图像中的水体底质界面线确定所述浅地层剖面测试图像的界面线测试特征量,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。
5.根据权利要求1所述的一种水下浅地层剖面图像底质分类方法,其特征在于,在所述依据所述浅地层剖面测试图像中的水体底质界面线、水体底质界面层和表层剖面层对每列所述测试子图像进行特征提取,得到浅地层测试特征提取集合之后,还包括:
基于距离算法对所述浅地层测试特征提取集合进行聚类,得到多个测试特征簇;每个所述测试特征簇内的特征量之间的距离均小于设定距离;
从各所述测试特征簇内均任选一个特征量组成测试特征量集合;
将所述测试特征量集合确定为水下浅地层剖面图像的测试特征筛选结果。
6.根据权利要求5所述的一种水下浅地层剖面图像底质分类方法,其特征在于,在所述将所述测试特征量集合确定为水下浅地层剖面图像的测试特征筛选结果之后,还包括:
采用全局优化算法对所述测试特征筛选结果进行特征选择,得到水下浅地层剖面图像的测试特征选择结果。
7.一种水下浅地层剖面图像底质分类***,其特征在于,包括:
图像获取模块,用于获取浅地层剖面测试图像;所述浅地层剖面测试图像是由多列测试子图像构成;所述测试子图像包括连续的多呯声反射信号时间测试序列;
界面确定模块,用于确定所述浅地层剖面测试图像中的水体底质界面线、水体底质界面层和表层剖面层;
特征提取模块,用于依据所述浅地层剖面测试图像中的水体底质界面线、水体底质界面层和表层剖面层对每列所述测试子图像进行特征提取,得到浅地层测试特征提取集合;所述浅地层测试特征提取集合包括多列所述测试子图像的界面线测试特征量、界面层测试特征量和表层剖面测试特征量;所述界面线测试特征量表示所述浅地层剖面测试图像中的水体底质界面线的复杂度;所述界面层测试特征量为所述浅地层剖面测试图像中的水体底质界面层的灰度均值;所述表层剖面测试特征量包括所述浅地层剖面测试图像中的表层剖面的灰度统计特征和所述浅地层剖面测试图像中的垂向纹理特征;
底质分类模块,用于依据所述浅地层测试特征提取集合,采用基于滑动窗口的机器学习法得到浅地层剖面测试图像的底质分类结果;
所述底质分类模块,具体包括:
第一窗口划分单元,用于将所述浅地层剖面测试图像划分为多个窗口;一个所述窗口对应一列测试子图像;所述窗口的宽度是根据所述浅地层剖面测试图像中底质在空间上连续分布的区域直径和所述浅地层剖面测试图像的水平分辨率确定的;
初步分类单元,用于将所述浅地层测试特征提取集合输入至训练好的机器学习分类模型中,得到每个所述窗口的窗口类别;所述窗口类别为所述窗口对应的图像的底质类别;
第一判断单元,用于判断每相邻两个所述窗口的窗口类别是否相同;
第二窗口换分单元,用于若相邻两个所述窗口的窗口类别不相同,则将窗口类别不同的相邻的两个窗口确定为目标窗口,并将所述目标窗口对应的图像以设定步长划分为k个子窗口;所述子窗口的宽度与所述窗口的宽度相等;其中,2wh/k>1,wh为窗口的宽度;相邻所述子窗口之间有设定的重叠区域;所述重叠区域的宽度为wh(1-2/k)的取整值;
二次分类单元,用于将所述浅地层测试特征提取集合中与所述目标窗口对应的界面线测试特征量、界面层测试特征量和表层剖面测试特征量,输入至所述训练好的机器学习分类模型中,得到每个所述子窗口的子窗口类别;所述子窗口类别为所述子窗口对应的图像的底质类别;
第二判断单元,用于判断每相邻两个所述子窗口的子窗口类别是否相同;
分类结果确定单元,用于若相邻两个所述子窗口的子窗口类别不相同,则将子窗口类别不同的相邻的两个子窗口确定为目标窗口,继续划分子窗口并对划分的子窗口分类,直至2wh/k≤1,得到浅地层剖面测试图像的底质分类结果。
8.根据权利要求7所述的一种水下浅地层剖面图像底质分类***,其特征在于,还包括连续性处理模块,用于对所述浅地层剖面测试图像的底质分类结果进行空间连续性处理;
所述连续性处理模块,具体包括:
第三判断单元,用于根据所述浅地层剖面测试图像的底质分类结果,判断当前列测试子图像p的底质类别与相邻列测试子图像的底质类别是否相同;
连续性处理单元,用于若当前列测试子图像p的底质类别为第一类别,第p-a列测试子图像至第p-1列测试子图像的底质类别均为所述第一类别,第p+1列测试子图像至第p+b列测试子图像的底质类别均为第二类别,第p+b+1列测试子图像的底质类别为所述第一类别,且b≤Th时,则将第p+1列测试子图像至第p+b列测试子图像的底质类别确定为第一类别;Th为设定空间异质性阈值,1≤a<p,b>1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010573356.XA CN111709386B (zh) | 2020-06-22 | 2020-06-22 | 一种水下浅地层剖面图像底质分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010573356.XA CN111709386B (zh) | 2020-06-22 | 2020-06-22 | 一种水下浅地层剖面图像底质分类方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709386A CN111709386A (zh) | 2020-09-25 |
CN111709386B true CN111709386B (zh) | 2023-05-12 |
Family
ID=72542014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010573356.XA Active CN111709386B (zh) | 2020-06-22 | 2020-06-22 | 一种水下浅地层剖面图像底质分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709386B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113589294A (zh) * | 2021-07-20 | 2021-11-02 | 武汉船舶通信研究所(中国船舶重工集团公司第七二二研究所) | 一种水下浅地层剖面数据的处理方法、***、设备及介质 |
CN114137614A (zh) * | 2021-10-13 | 2022-03-04 | 广州南方海洋科技有限公司 | 一种基于多传感器数据融合的浅地层剖面测量方法及*** |
CN114219794B (zh) * | 2021-12-17 | 2023-01-20 | 沭阳县桐盛木业制品厂(普通合伙) | 基于机器视觉的刨花板表面质量评估方法及*** |
CN114781576B (zh) * | 2022-04-19 | 2023-04-07 | 广东海洋大学 | 一种基于随机森林算法的声速剖面估计方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378921A (zh) * | 2019-07-22 | 2019-10-25 | 江苏海洋大学 | 基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法 |
CN110806444A (zh) * | 2019-11-14 | 2020-02-18 | 山东科技大学 | 基于浅地层剖面仪与svm的海底底质识别与分类方法 |
CN111291327A (zh) * | 2020-02-19 | 2020-06-16 | 山东科技大学 | 一种基于分治思想的多波束海底底质分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10809376B2 (en) * | 2017-01-06 | 2020-10-20 | Massachusetts Institute Of Technology | Systems and methods for detecting objects in underwater environments |
-
2020
- 2020-06-22 CN CN202010573356.XA patent/CN111709386B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378921A (zh) * | 2019-07-22 | 2019-10-25 | 江苏海洋大学 | 基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法 |
CN110806444A (zh) * | 2019-11-14 | 2020-02-18 | 山东科技大学 | 基于浅地层剖面仪与svm的海底底质识别与分类方法 |
CN111291327A (zh) * | 2020-02-19 | 2020-06-16 | 山东科技大学 | 一种基于分治思想的多波束海底底质分类方法 |
Non-Patent Citations (5)
Title |
---|
E. 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.《Estuarine, Coastal and Shelf Science》.2018,第208卷第219-234页. * |
Xue Ji et.al.Seabed sediment classification using multibeam backscatter data based on the selecting optimal random forest model.《Applied Acoustics》.2020,第1-12页. * |
周韬.基于卷积神经网络的图像分类与目标检测.《中国优秀硕士学位论文全文数据库 (信息科技辑)》.2019,I138-1107. * |
孟皓凡等.基于流变特性与纹理特征的底质层界智能识别.《海洋测绘》.2020,第40卷(第02期),第27-32页. * |
施凤. 浅地层剖面数据精处理关键技术研究.《中国优秀硕士学位论文全文数据库 (基础科学辑)》.2018,A008-109. * |
Also Published As
Publication number | Publication date |
---|---|
CN111709386A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709386B (zh) | 一种水下浅地层剖面图像底质分类方法及*** | |
Ji et al. | Seabed sediment classification using multibeam backscatter data based on the selecting optimal random forest model | |
Marsh et al. | Neural network classification of multibeam backscatter and bathymetry data from Stanton Bank (Area IV) | |
CN102279973A (zh) | 基于高梯度关键点的海天线检测方法 | |
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*** | |
CN110706177B (zh) | 一种侧扫声呐图像灰度均衡化方法及*** | |
CN111738332A (zh) | 基于特征级融合的水下多源声学图像底质分类方法及*** | |
Huang et al. | Wave height estimation from X-band nautical radar images using temporal convolutional network | |
CN111738278A (zh) | 一种水下多源声学图像特征提取方法及*** | |
Zhu et al. | DNN-based seabed classification using differently weighted MBES multifeatures | |
Tang et al. | Seabed mixed sediment classification with multi-beam echo sounder backscatter data in Jiaozhou Bay | |
CN116626685B (zh) | 基于机器学习的河道底泥实时监测方法及*** | |
Zhao et al. | A Comprehensive Horizon‐Picking Method on Subbottom Profiles by Combining Envelope, Phase Attributes, and Texture Analysis | |
CN113064133A (zh) | 一种基于时频域深度网络的海面小目标特征检测方法 | |
He et al. | High-accuracy acoustic sediment classification using sub-bottom profile data | |
CN115223044A (zh) | 基于深度学习的端到端三维探地雷达目标识别方法及*** | |
CN111738277B (zh) | 一种水下浅地层剖面图像特征提取方法及*** | |
CN110806444B (zh) | 基于浅地层剖面仪与svm的海底底质识别与分类方法 | |
CN116658148A (zh) | 岩性识别方法 | |
CN113673355A (zh) | 一种海浪波谱仪回波波形分类方法 | |
CN112987091A (zh) | 储层检测方法、装置、电子设备和存储介质 | |
Fakiris et al. | On importance of acoustic backscatter corrections for texture-based seafloor characterization | |
CN112906626A (zh) | 一种基于人工智能断层识别方法 | |
CN116467555B (zh) | 一种海洋剖面观测数据质量控制方法及*** | |
CN118090775B (zh) | 一种桥梁裂纹检测方法 |
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 |