(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210905490.4 (22)申请日 2022.07.29 (71)申请人 哈尔滨工程大 学 地址 150001 黑龙江省哈尔滨市南岗区南 通大街145号哈尔滨工程大学科技处 知识产权办公室 (72)发明人 赵玉新　郑良锋　朱可心　邓雄　 赵廷　吴昌哲　姜南　何永旭　 (51)Int.Cl. G06V 20/05(2022.01) G06V 10/764(2022.01) G06V 10/30(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种海底 底质声呐图像分类方法 (57)摘要 本发明公开了一种海底底质声呐图像分类 方法， 获取侧扫声呐图像数据集， 所述数据集包 括待分类图像和具有真值标签的图像； 计算灰度 共生矩阵， 利用灰度共生矩阵对侧扫声呐图像进 行统计特征提取； 基于像素点覆盖法对侧扫声呐 图像进行分形 维数特征提取； 对侧扫声呐图像进 行通道能量特征值提取； 将提取的统计特征、 分 形维数特征和通道能量特征的特征参数进行联 合表示， 形成联合特征， 将待分类图像的联合特 征参数输入到利用具有真值标签的图像训练后 的GoogLeNet中进行海底底质的分类， 网络输出 结果为图像底质类别。 本发明结合多种特征提取 方法的优 点， 且采用改进的GoogLeNet， 提升海底 底质分类的准确率。 权利要求书3页 说明书9页 附图4页 CN 115187855 A 2022.10.14 CN 115187855 A 1.一种海底 底质声呐图像分类方法， 其特 征在于， 包括以下步骤： 步骤1： 获取侧扫声呐图像数据集， 所述数据集包括待分类图像和具有真值标签的图 像； 步骤2： 计算灰度共生矩阵， 利用灰度共生矩阵对侧扫声呐图像进行统计特 征提取； 步骤3： 基于像素点覆盖法对侧扫声呐图像进行分形维数 特征提取； 步骤4： 对侧扫声呐图像进行通道能量特 征值提取； 步骤5： 将提取的统计特征、 分形维数特征和通道能量特征的特征参数进行联合表示， 形成联合特征， 将待分类图像的联合特征参数输入到利用具有真值标签的图像训练后的 GoogLeNet中进行海底 底质的分类， 网络 输出结果为图像底质类别。 2.根据权利要求1所述的一种海底底质声呐图像分类方法， 其特征在于： 步骤1对获取 的侧扫声呐图像数据集进行预处理， 所述预处理包括： 利用排序自适应中值滤波和 直方图 均衡化方法对侧扫声呐图像进行噪声平 滑和增强处理。 3.根据权利要求1所述的一种海底底质声呐图像分类方法， 其特征在于： 步骤1所述计 算灰度共生矩阵包括： 给定距离d和方向θ， 在方向为θ 的直线上一个像素点的灰度为i， 若有一个与之距离为d 的像素点的灰度为j， 则这样的灰度对同时出现的频数是灰度共生矩阵P(i,j,d, θ )的第(i, j)个阵元的数值， 取0 °， 45°， 90°， 135°方向生成灰度共生矩阵， 各方向的灰度共生矩阵为N ×N阶， N为图像的灰度级， 具体为： P(i,j,d,0 °)＝Z{((m1,n1),(m2,n2))∈(M,N) ×(M,N)|n1‑n2＝0,|m1‑m2|＝d,I(m1,n1)＝ i,I(m2,n2)＝j} P(i,j,d,45 °)＝Z{((m1,n1),(m2,n2))∈(M,N) ×(M,N)||m1‑m2|＝d,|n1‑n2|＝d,I(m1, n1)＝i,I(m2,n2)＝j} P(i,j,d,90 °)＝Z{((m1,n1),(m2,n2))∈(M,N) ×(M,N)||n1‑n2|＝d,m1‑m2＝0,I(m1,n1) ＝i,I(m2,n2)＝j} P(i,j,d,135 °)＝Z{((m1,n1),(m2,n2))∈(M,N) ×(M,N)||m1‑m2|＝d,|n1‑n2|＝d,I(m1, n1)＝i,I(m2,n2)＝j} 其中， Z代表统计集合中的元素个数， M,N则分别 代表图像的行数与列数， (m1,n1)和(m2, n2)代表两个像素点对的坐标， I 为取灰度值函数， i和j分别代 表各自对应的灰度值。 4.根据权利要求3所述的一种 海底底质声呐图像分类方法， 其特征在于： 所述利用灰度 共生矩阵对侧扫声呐图像进行统计特 征提取包括： 选取角二阶矩、 熵、 相关性、 惯性矩作为统计量表示海底底质的特征， 分别获得图像0 °， 45°， 90°， 135°方向的4个特 征值； 角二阶矩具体为： 熵具体为： 相关性具体为：权　利　要　求　书 1/3 页 2 CN 115187855 A 2惯性矩具体为： 其中， θ 的取值 为0°， 45°， 90°， 135°。 5.根据权利要求1所述的一种海底底质声呐图像分类方法， 其特征在于： 步骤3所述基 于像素点覆盖法对侧扫声呐图像进行分形维数 特征提取包括： 首先将侧扫声呐图像的像素点二值化形成数字矩阵， 再将数字矩阵等分成n小块， 分形 维数D具体为： 其中， δ表示每个小块的边长， 在双对数坐标系内利用最小二乘法对数据点(logn， log δ )进行拟合， 计算得到斜 率， 斜率的负值伪分形维数。 6.根据权利要求1所述的一种海底底质声呐图像分类方法， 其特征在于： 步骤4所述对 侧扫声呐图像进行通道能量特 征值提取包括： 首先对侧扫声呐图像进行小波分解， 将侧扫声呐灰度图像二值化， 使用小波分解函数 计算得到图像阈值， 分解层数设置为 4层， 选用db3小 波基对图像进行分解； 然后， 计算小 波能量： 式中： f(x,y)为分解后各子图的小波系数， x,y表示像素点的横纵坐标， M,N分别代表图 像的行数和列数； 计算出高、 低频子图各通道能量百分比作为 通道能量特 征值， 具体为： 式中： n为当前分解层数， L为低频通道， norm(L)表示低频通道的能量值， norm(Xn)表示 第n层高频通道的能量 值。 7.根据权利要求1所述的一种海底底质声呐图像分类方法， 其特征在于： 所述改进 GoogLeNet包括依次连接的用于维度变换的全连接层、 5 ×5卷积层、 最大池化层、 局部响应 归一化层、 3 ×3卷积层、 局部 响应归一化层、 最大池化层、 4个连续的Inception层、 全局平均 池化层、 全连接层和softmax。权　利　要　求　书 2/3 页 3 CN 115187855 A 3