專利名稱：基于小波神經(jīng)網(wǎng)絡(luò)的海底聲納圖像轉(zhuǎn)換為聲學(xué)底質(zhì)類別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及人工神經(jīng)網(wǎng)絡(luò)、小波分析、遺傳算法及主成份分析等方法，是一種圖像轉(zhuǎn)化方法，特別是一種基于小波神經(jīng)網(wǎng)絡(luò)的海底聲納圖像轉(zhuǎn)換為聲學(xué)底質(zhì)類別方法。
背景技術(shù)：
海底底質(zhì)分類的傳統(tǒng)方法是地質(zhì)取樣，雖然準(zhǔn)確，但是工作效率低，成本高，對于大范圍的海底底質(zhì)分類是無法實(shí)現(xiàn)的，當(dāng)前需要一種快速、有效的底質(zhì)分類方法。海底底質(zhì)分類方法發(fā)展至今有貝葉斯分類、統(tǒng)計(jì)分析、紋理分析、人工神經(jīng)網(wǎng)絡(luò)及分形、小波分解和傅里葉變換等，其中人工神經(jīng)網(wǎng)絡(luò)是近些年一直研究的熱點(diǎn)，如BP、SOM、LVQ及ART等已經(jīng)進(jìn)行底質(zhì)分類研究，取得一定效果。但人工神經(jīng)網(wǎng)絡(luò)的底質(zhì)分類具有易陷入局部極小、耗時較長及初始權(quán)值難以確定等缺點(diǎn)
發(fā)明內(nèi)容
本發(fā)明的目的是為了解決上述技術(shù)的不足而提供通過小波神經(jīng)網(wǎng)絡(luò)計(jì)算，基于小波神經(jīng)網(wǎng)絡(luò)的海底聲納圖像轉(zhuǎn)換為聲學(xué)底質(zhì)類別方法。為了達(dá)到上述目的，本發(fā)明所設(shè)計(jì)的基于小波神經(jīng)網(wǎng)絡(luò)的海底聲納圖像轉(zhuǎn)換為聲學(xué)底質(zhì)類別方法，包括以下步驟:a)讀取改正過的聲納圖像，轉(zhuǎn)化為灰度圖像，然后對圖像做歸一化，將灰度圖像的灰度值歸算至0到I的為范圍內(nèi)；對圖像做矩陣化，將圖像灰度值轉(zhuǎn)化到可以直接進(jìn)行算術(shù)計(jì)算的數(shù)值，接著對圖像進(jìn)行分割，將聲納圖像分割為若干單元圖像并保存；b)根據(jù)得到的單元圖像計(jì)算單元圖像的特征值并保存，特征值包括有共生矩陣能量、共生矩陣方差、共生矩陣局部均勻性(同質(zhì)性)、共生矩陣相關(guān)系數(shù)、共生矩陣反差、直方圖均值(一階矩)、直方圖標(biāo)準(zhǔn)方差、直方圖平滑度、直方圖三階矩、直方圖平均差、直方圖一致性、直方圖熵、直方圖偏度、直方圖峰度、圖像矩陣均值、圖像矩陣標(biāo)準(zhǔn)偏差及歐幾里得范數(shù)17個特征值并保存；其中歐幾里得范數(shù)是本發(fā)明設(shè)計(jì)的特征值；在17個特征值中，有共生矩陣方差、共生矩陣反差、直方圖均值、直方圖標(biāo)準(zhǔn)方差、直方圖三階矩、直方圖平均差、直方圖偏度、直方圖峰度、圖像矩陣均值及圖像矩陣標(biāo)準(zhǔn)偏差描述的是紋理圖像的亮度分布特征；有共生矩陣能量、直方圖一致性及歐幾里得范數(shù)描述的是紋理圖像的能量分布情況；相關(guān)系數(shù)描述的是灰度共生矩陣的各元素間的相關(guān)程度，同質(zhì)性反映的是一種相似程度，直方圖的平滑度描述的是圖像紋理亮度的相對平度，直方圖的熵表示一種隨機(jī)性，隨機(jī)性越大說明圖像信息量越大，反之越小。歐幾里得范數(shù)的計(jì)算公式如下:
權(quán)利要求
1.一種基于 小波神經(jīng)網(wǎng)絡(luò)的海底聲納圖像轉(zhuǎn)換為聲學(xué)底質(zhì)類別方法，包括以下步驟: a)讀取改正過的聲納圖像，轉(zhuǎn)化為灰度圖像，然后對圖像做歸一化，將灰度圖像的灰度值歸算至O到I的為范圍內(nèi)；對圖像做矩陣化，將圖像灰度值轉(zhuǎn)化到可以直接進(jìn)行算術(shù)計(jì)算的數(shù)值，接著對圖像進(jìn)行分割，將聲納圖像分割為若干單元圖像并保存； 其特征是: b)根據(jù)得到的單元圖像計(jì)算單元圖像的特征值并保存，特征值包括有共生矩陣能量、共生矩陣方差、共生矩陣局部均勻性、共生矩陣相關(guān)系數(shù)、共生矩陣反差、直方圖均值、直方圖標(biāo)準(zhǔn)方差、直方圖平滑度、直方圖三階矩、直方圖平均差、直方圖一致性、直方圖熵、直方圖偏度、直方圖峰度、圖像矩陣均值、圖像矩陣標(biāo)準(zhǔn)偏差及歐幾里得范數(shù)17個特征值并保存；其中歐幾里得范數(shù)是本發(fā)明設(shè)計(jì)的特征值；在17個特征值中，有共生矩陣方差、共生矩陣反差、直方圖均值、直方圖標(biāo)準(zhǔn)方差、直方圖三階矩、直方圖平均差、直方圖偏度、直方圖峰度、圖像矩陣均值及圖像矩陣標(biāo)準(zhǔn)偏差描述的是紋理圖像的亮度分布特征；有共生矩陣能量、直方圖一致性及歐幾里得范數(shù)描述的是紋理圖像的能量分布情況；相關(guān)系數(shù)描述的是灰度共生矩陣的各元素間的相關(guān)程度，同質(zhì)性反映的是一種相似程度，直方圖的平滑度描述的是圖像紋理亮度的相對平度，直方圖的熵表示一種隨機(jī)性，隨機(jī)性越大說明圖像信息量越大，反之越??； 歐幾里得范數(shù)的計(jì)算公式如下:
2.根據(jù)權(quán)利要求1所述的基于小波神經(jīng)網(wǎng)絡(luò)的海底聲納圖像轉(zhuǎn)換為聲學(xué)底質(zhì)類別方法，其特征是所述的f)步驟分兩種方式進(jìn)行分析，一是分別對每個特征值進(jìn)行訓(xùn)練、測試，選取測試效果較好的特征值作為特征向量；二是將所有特征值進(jìn)行關(guān)聯(lián)，重新組合為若干特征向量。
全文摘要
本發(fā)明所提供的基于小波神經(jīng)網(wǎng)絡(luò)的海底聲納圖像轉(zhuǎn)換為聲學(xué)底質(zhì)類別方法，利用遺傳小波神經(jīng)網(wǎng)絡(luò)的算法，可進(jìn)行局部分析，通過遺傳算法優(yōu)化網(wǎng)絡(luò)初始參數(shù)，避免陷入局部較小，有效地避免了噪音和局部極值，使得由海底聲納圖像轉(zhuǎn)換為聲學(xué)底質(zhì)類別更為的精確可靠，在海底底質(zhì)分類中具有重要的實(shí)用價值。
文檔編號G06K9/66GK103077408SQ201210455760
公開日2013年5月1日 申請日期2012年11月13日 優(yōu)先權(quán)日2012年11月13日
發(fā)明者熊明寬, 吳自銀, 李守軍, 尚繼宏 申請人:國家海洋局第二海洋研究所