专利名称：基于小波神经网络的海底声纳图像转换为声学底质类别方法
技术领域：
本发明涉及人工神经网络、小波分析、遗传算法及主成份分析等方法，是一种图像转化方法，特别是一种基于小波神经网络的海底声纳图像转换为声学底质类别方法。
背景技术：
海底底质分类的传统方法是地质取样，虽然准确，但是工作效率低，成本高，对于大范围的海底底质分类是无法实现的，当前需要一种快速、有效的底质分类方法。海底底质分类方法发展至今有贝叶斯分类、统计分析、纹理分析、人工神经网络及分形、小波分解和傅里叶变换等，其中人工神经网络是近些年一直研究的热点，如BP、SOM、LVQ及ART等已经进行底质分类研究，取得一定效果。但人工神经网络的底质分类具有易陷入局部极小、耗时较长及初始权值难以确定等缺点
发明内容
本发明的目的是为了解决上述技术的不足而提供通过小波神经网络计算，基于小波神经网络的海底声纳图像转换为声学底质类别方法。为了达到上述目的，本发明所设计的基于小波神经网络的海底声纳图像转换为声学底质类别方法，包括以下步骤:a)读取改正过的声纳图像，转化为灰度图像，然后对图像做归一化，将灰度图像的灰度值归算至0到I的为范围内；对图像做矩阵化，将图像灰度值转化到可以直接进行算术计算的数值，接着对图像进行分割，将声纳图像分割为若干单元图像并保存；b)根据得到的单元图像计算单元图像的特征值并保存，特征值包括有共生矩阵能量、共生矩阵方差、共生矩阵局部均匀性(同质性)、共生矩阵相关系数、共生矩阵反差、直方图均值(一阶矩)、直方图标准方差、直方图平滑度、直方图三阶矩、直方图平均差、直方图一致性、直方图熵、直方图偏度、直方图峰度、图像矩阵均值、图像矩阵标准偏差及欧几里得范数17个特征值并保存；其中欧几里得范数是本发明设计的特征值；在17个特征值中，有共生矩阵方差、共生矩阵反差、直方图均值、直方图标准方差、直方图三阶矩、直方图平均差、直方图偏度、直方图峰度、图像矩阵均值及图像矩阵标准偏差描述的是纹理图像的亮度分布特征；有共生矩阵能量、直方图一致性及欧几里得范数描述的是纹理图像的能量分布情况；相关系数描述的是灰度共生矩阵的各元素间的相关程度，同质性反映的是一种相似程度，直方图的平滑度描述的是图像纹理亮度的相对平度，直方图的熵表示一种随机性，随机性越大说明图像信息量越大，反之越小。欧几里得范数的计算公式如下:
权利要求
1.一种基于 小波神经网络的海底声纳图像转换为声学底质类别方法，包括以下步骤: a)读取改正过的声纳图像，转化为灰度图像，然后对图像做归一化，将灰度图像的灰度值归算至O到I的为范围内；对图像做矩阵化，将图像灰度值转化到可以直接进行算术计算的数值，接着对图像进行分割，将声纳图像分割为若干单元图像并保存； 其特征是: b)根据得到的单元图像计算单元图像的特征值并保存，特征值包括有共生矩阵能量、共生矩阵方差、共生矩阵局部均匀性、共生矩阵相关系数、共生矩阵反差、直方图均值、直方图标准方差、直方图平滑度、直方图三阶矩、直方图平均差、直方图一致性、直方图熵、直方图偏度、直方图峰度、图像矩阵均值、图像矩阵标准偏差及欧几里得范数17个特征值并保存；其中欧几里得范数是本发明设计的特征值；在17个特征值中，有共生矩阵方差、共生矩阵反差、直方图均值、直方图标准方差、直方图三阶矩、直方图平均差、直方图偏度、直方图峰度、图像矩阵均值及图像矩阵标准偏差描述的是纹理图像的亮度分布特征；有共生矩阵能量、直方图一致性及欧几里得范数描述的是纹理图像的能量分布情况；相关系数描述的是灰度共生矩阵的各元素间的相关程度，同质性反映的是一种相似程度，直方图的平滑度描述的是图像纹理亮度的相对平度，直方图的熵表示一种随机性，随机性越大说明图像信息量越大，反之越小； 欧几里得范数的计算公式如下:
2.根据权利要求1所述的基于小波神经网络的海底声纳图像转换为声学底质类别方法，其特征是所述的f)步骤分两种方式进行分析，一是分别对每个特征值进行训练、测试，选取测试效果较好的特征值作为特征向量；二是将所有特征值进行关联，重新组合为若干特征向量。
全文摘要
本发明所提供的基于小波神经网络的海底声纳图像转换为声学底质类别方法，利用遗传小波神经网络的算法，可进行局部分析，通过遗传算法优化网络初始参数，避免陷入局部较小，有效地避免了噪音和局部极值，使得由海底声纳图像转换为声学底质类别更为的精确可靠，在海底底质分类中具有重要的实用价值。
文档编号G06K9/66GK103077408SQ201210455760
公开日2013年5月1日 申请日期2012年11月13日 优先权日2012年11月13日
发明者熊明宽, 吴自银, 李守军, 尚继宏 申请人:国家海洋局第二海洋研究所