共查询到20条相似文献,搜索用时 703 毫秒
1.
2.
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。 相似文献
3.
4.
5.
6.
济州岛南部海域海底声呐图像分析与声学底质分类 总被引:2,自引:2,他引:0
东海北部外陆架靠近济州岛南部海域,是黄海槽向冲绳海槽延伸的部分,属于黑潮分支黄海暖流的通道入口,分布着脊槽相间的海底底形,对其海底声呐图像的处理分析及声学底质分类的分析研究,有助于了解该通道海底底形表层纹理特征及沉积物分布规律。基于在济州岛南部海域获取的多波束声呐数据,应用图像处理技术和方法,对数据进行了处理,获得了海底声呐影像图,并对其表层纹理特征进行了描述和分析;同时,基于多波束反向散射强度数据,结合19组海底地质取样数据,建立研究区海底反向散射强度与沉积物粒度特征之间的统计关系模型,并以改进的学习向量量化神经网络方法,实现对海底粉砂质砂、黏土质砂以及砂-粉砂-黏土3种底质类型的快速自动分类识别。 相似文献
7.
8.
9.
10.
11.
海底底质的快速探测和精细划分对海洋工程建设 、海洋资源开发等具有重要意义。多波束探测是目前声学底质遥测 的有效手段之一, 通常提取多波束反向散射强度图像和地形数据中的多维特征结合分类器进行底质分类。一方面, 若特征空 间维数过高, 分类效率会显著降低; 另一方面, 个别特征容易放大原始数据处理过程中仍存留的异常现象。针对这一问题, 本文提出了一种结合 Re1iefF 算法和随机森林 (Random Forest, RF) 算法的多波束底质分类方法。提取反向散射强度和地形 共 16 维特征, 利用Re1iefF 算法进行特征筛选, 排除低相关性特征, 降低特征空间维数, 结合采样点数据进行模型训练以构 建多波束底质分类模型。试验结合随机森林算法对未经特征筛选 、经主成分分析 (Principa1 Component Ana1ysis, PCA) 特征 优化后的特征进行分类实验作为对比。本文方法 Kappa 系数达到 85%, 分类总精度高于 90%, 精度具有明显优势, 耗时也 比较短。可见, 本文提出的结合 Re1iefF 和随机森林模型的多波束底质分类方法可以在保证分类精度的同时对多维特征进行 优化, 有效地提高了分类效率, 可对海底底质分类研究提供参考。 相似文献
12.
13.
14.
15.
16.
多波束水体数据是多波束系统获取的最原始数据,记录了波束从发射到接收整个过程全部的反向散射强度信息,可以为目标识别、水下栖息环境探测等提供重要的数据支撑。目前,针对多波束水体强度时间序列所表现的波形信息的处理及研究仍处于起步阶段,另外水体波形数据易受噪声影响,且存在明显的入射角效应问题,对此,本文提出了一种基于分区异构的多波束水体波形拟合算法。首先,根据不同波束入射角范围的水体波形特性,将水体数据划分为3个区域;然后利用不同函数(中央波束区域—双指数函数、漫反射区域—广义高斯与线性函数叠加、边缘波束区域—高斯与多项式叠加)分别对不同分区的反向散射强度波形进行拟合。采用台湾海峡的多波束水体数据进行验证,结果表明:不同分区拟合相关系数及拟合优度均达到0.95以上,相比简单函数拟合,均方根误差由3.39 dB降到1.5 dB以下,达到了较好的拟合效果,可为多波束水体目标识别和海底分类提供参考。 相似文献
17.
18.
19.
20.
珊瑚礁底质分类对海洋资源开发和海洋生态环境保护起到至关重要的作用。目前,深度学习语义分割方法在遥感图像分类领域应用广泛,但在底质分类方面的研究较少。由于基于全监督深度学习的方法中逐像素标注标签的成本较高,不适用于大规模、高频次的底质分类工作,基于半监督的深度学习方法能够有效利用已标注标签为无标签数据产生伪标签,从而有效降低人工成本,然而现有半监督方法的性能易受伪标签噪声的干扰。针对以上问题,本文提出了一种基于软硬协作决策的半监督底质分类方法。首先,利用多模型联合决策生成高质量的伪标签;然后,提出了一种能够顾及伪标签像素置信度的损失函数来指导模型进行训练;最后,采用软硬协作的决策方式得到精确的底质分类结果。在美属维尔京群岛圣克罗伊岛北部的巴克岛礁和夏威夷群岛的中途岛东南约400 km处的珍珠与爱马仕环礁的浅层底栖生物栖息地地图数据集上评估了本文方法的精度,实验结果表明,本文提出的方法与全监督学习方法精度相当,比主流的语义分割方法精度平均高3.08%,能够有效服务于珊瑚礁底质调查工作。 相似文献