一种基于合成孔径声纳图像的海底底质分类方法及系统与流程

本发明涉及海底底质分类领域，具体涉及一种基于合成孔径声纳图像的海底底质分类方法及系统。

背景技术：
海底底质（海底沉积物）的分类研究是地球物理勘探、海洋测绘、海洋工程等应用领域的基础，在民用和军事方面都有十分重要的意义。海洋工程、海洋石油开发以及军事领域中的潜艇底座选择、扫布雷作业等都必须了解海底的底质类型。声学方法遥测海底底质类型因其具有工作高效，获取资料连续、丰富等特点，成为一种迅速而可靠的海底底质分类方法。合成孔径声纳（SAS，SyntheticApertureSonar）是一种高分辨水下成像声纳，可以获得高质量的海底图像数据。合成孔径是一种不需要长接收阵就可以显著提高方位分辨率的技术，合成孔径声纳即通过该技术和复杂的成像算法得到方位向分辨率和距离向分辨率都很高的图像，因而在水下研究领域具有很高的价值。与普通声纳相比，合成孔径声纳通过基阵的线性运动来提高阵列孔径，从原理上来说，合成孔径声纳图像的分辨率与工作频率和作用距离均无关，因此可以用较小的声纳基阵和较低的工作频率同时满足近距离和远距离的探测需要。合成孔径声纳可以很好地反映海底的地形、地貌和纹理特征，因此对声纳图像进行分析以实现海底底质分类受到广泛关注。声纳回波强度是个复杂的物理量，其同发射频率、底质类型、掠射角等多种因素有关，不同的底质类型可能具有相同的回波强度，仅借助于现有技术的灰度值进行底质分类并不准确。但研究发现，不同的底质呈现在声纳图像中的纹理图像各不相同，而纹理是海底表面结构粗糙程度的直接反应，故可以利用其进行底质分类。对于岩石、沙和泥等纹理差别比较明显的声纳图像，用肉眼就可以明显地分辨出来；对于淤泥和粘土等纹理差别较小的声纳图像则无法通过肉眼直接分辨。

技术实现要素：
本发明的目的在于，为克服现有技术在进行海底底质分类时仅依靠合成孔径声纳图像的灰度信息导致的分类精度不高等技术问题，从而提供一种基于合成孔径声纳图像的海底底质分类方法及系统。为实现上述技术目的，本发明提供了一种基于合成孔径声纳图像的海底底质分类方法，该方法用于对合成孔径声纳图像的海底底质进行分类，所述方法包含：步骤101）读入待分类的包含海底底质的合成孔径声纳图像；步骤102）计算合成孔径声纳图像的灰度共生矩阵；步骤103）基于灰度共生矩阵获取能够反应海底底质信息的特征参量，所有参量组成能够反应纹理特征的特征向量；步骤104）将特征向量与统计信息比较，进而完成海底底质分类；其中，所述的统计信息为：根据合成孔径图像不同底质类型的特征，充分利用所有类型的海底底质灰度共生矩阵中的纹理特征参量，构造特征向量；并对所有特征向量分别进行训练，得到所有海底底质区域对应的典型值，并将所有典型值进行存储构成统计信息，且所述典型值通过分析已知的典型区域的特征向量得到，所述典型区域包含但不限于：沙、砾石和淤泥区域。上述技术方案中，所述灰度共生矩阵采用如下方法获得：取合成孔径声纳图像（N×N）中任意一点（x,y）及偏离它的另一点（x+a,y+b），设该点对的灰度值为（g1,g2）；令（x,y）在整幅图像中移动，则可以得到各种（g1,g2）值，设灰度的级数为k，则（g1,g2）的组合方式共有k2种；对于整幅图像而言，统计出每一种（g1,g2）值出现的次数，然后排列成一个方阵，再用（g1,g2）出现的总次数将它们归一化为出现的概率P(g1,g2)，这样就得到图像的灰度共生矩阵；其中，当a=1,b=0时，像素对是水平的，即对应SAS图像距离向的纹理特征；当a=0,b=1时，像素对是垂直的，即对应SAS图像方位向的纹理特征；当a=1,b=1时，像素对是沿右对角的，即对应SAS图像右对角方向的纹理特征；当a=1,b=-1时，像素对是左对角的，即对应SAS图像左对角方向的纹理特征；其中，以上(x,y)表示图像中的像素点的坐标,而a和b表示坐标间隔；g1,g2表示像素点对的灰度值。上述技术方案中，所述纹理特征参量包含：角二阶矩/能量、对比度、相关性和熵。上述技术方案中，所述步骤102）和步骤103）之间还包含：计算灰度共生矩阵的二次统计量的步骤。基于上述方法本发明还提供了一种基于合成孔径声纳图像的海底底质分类系统，该系统用于对合成孔径声纳图像的海底底质进行分类，所述系统包含：输入模块，用于读入待分类的包含海底底质的合成孔径声纳图像；第一处理模块，用于计算合成孔径声纳图像的灰度共生矩阵；第二处理模块，用于基于灰度共生矩阵获取能够反应海底底质信息的特征参量，所有参量组成能够反应纹理特征的的特征向量；和比较判断模块，用于将特征向量与统计数据库模块比较，进而完成海底底质分类；其中，所述的统计数据库用于存储统计信息，该统计信息为：根据合成孔径图像不同底质类型的特征，充分利用所有类型的海底底质灰度共生矩阵中的纹理特征参量，构造特征向量；并对所有特征向量分别进行训练，得到所有海底底质区域对应的典型值，并将所有典型值进行存储构成统计信息。上述技术方案中，所述第一处理模块进一步包含：输入模块和处理模块；所述处理模块又进一步包含：起始点设置子模块，用于取图像（N×N）中任意一点（x,y）及偏离它的另一点（x+a,y+b），设该点对的灰度值为（g1,g2）；移动设置子模块，用于令（x,y）在整幅图像中移动，则可以得到各种（g1,g2）值，设灰度的级数为k，则（g1,g2）的组合方式共有k2种；灰度共生矩阵输出子模块，用于对于整幅图像，统计出每一种（g1,g2）值出现的次数，然后排列成一个方阵，再用（g1,g2）出现的总次数将它们归一化为出现的概率P(g1,g2)，这样就得到图像的灰度共生矩阵；其中，当a=1,b=0时，像素对是水平的，即对应SAS图像距离向的纹理特征；当a=0,b=1时，像素对是垂直的，即对应SAS图像方位向的纹理特征；当a=1,b=1时，像素对是沿右对角的，即对应SAS图像右对角方向的纹理特征；当a=1,b=-1时，像素对是左对角的，即对应SAS图像左对角方向的纹理特征。上述技术方案中，所述纹理特征参量包含：角二阶矩/能量、对比度、相关性和熵。上述技术方案中，所述第一处理模块和第二处理模块之间还包含二次统计量计算模块，该模块计算灰度共生矩阵的二次统计量，并输入至第二处理模块。与现有技术相比，本发明的技术优势在于：本发明的技术方案能够很好的对SAS图像的海底底质进行分类，从而解决了现有技术难以对SAS图像难的海底底质进行分类的技术问题。附图说明图1本发明提供的基于合成孔径声纳图像的海底底质分类方法的流程图；图2本发明实施例采用的等待进行海底底质分类的包含泥沙混合质的原始SAS图像；图3本发明实施例采用的等待进行海底底质分类的包含泥底质的原始SAS图像；图4本发明实施例采用的等待进行海底底质分类的包含沙底质的原始SAS图像；图5-a是本发明泥底质和沙底质的灰度共生矩阵的能量特征参量随距离向偏移而变化的情况统计图；图5-b是本发明泥底质和沙底质的灰度共生矩阵的相关性特征参量随距离向偏移而变化的情况统计图；图5-c是本发明泥底质和沙底质的灰度共生矩阵的对比度特征参量随距离向偏移而变化的情况统计图；图5-d是本发明泥底质和沙底质的灰度共生矩阵的熵特征参量随距离向偏移而变化的情况统计图；图6-a是本发明泥底质和沙底质的灰度共生矩阵的能量特征参量随方位向偏移而变化的情况统计图；图6-b是本发明泥底质和沙底质的灰度共生矩阵的相关性特征参量随方位向偏移而变化的情况统计图；图6-c是本发明泥底质和沙底质的灰度共生矩阵的对比度特征参量随方位向偏移而变化的情况统计图；图6-d是本发明泥底质和沙底质的灰度共生矩阵的熵特征参量随方位向偏移而变化的情况统计图。具体实施方式下面结合附图和具体实施例对本发明进行详细的说明。为了解决上述问题，本发明的目的在于提供一种基于合成孔径声纳图像海底底质分类的新方法。我们利用灰度共生矩阵的特征值解决底质分类问题，所述的合成孔径声纳底质分类方法具体步骤包括：步骤1：读入原始合成孔径声纳图像步骤2：计算原始图像的灰度共生矩阵步骤3：计算灰度共生矩阵的特征值步骤4：分析灰度共生矩阵的特征值步骤5：利用灰度共生矩阵的特征值进行目标检测采用灰度共生矩阵可以描述SAS图像纹理方面的特征，通过计算灰度共生矩阵在方位向和距离向的能量、相关性、对比度和熵值，并构造特征向量，可以对SAS图像中不同底质区域进行分类。从实验结果可以看出，SAS图像具有丰富的纹理信息，可以基于纹理信息实现沙底质和泥底质的区分。1、图像纹理分析纹理特征的表示和分析通常有统计法、结构法和模型法，而基于灰度共生矩阵（GLCM）提取纹理特征的方法是一种典型的统计分析方法，本文即采用灰度共生矩阵进行合成孔径声纳图像的表示和分析。GLCM纹理提取方法具有较强的适应能力和稳健性，近年来已越来越多地用于图像的检测和分类研究。Haralick于1973年首次提出灰度共生矩阵，表面其优于灰度游程长度法和光谱方法，是一种广泛应用的纹理统计方法和纹理测量技术。1992年P.P.Ohanian给出对几种纹理测量技术的比较结果，并且根据实验证明：在四种用于实现纹理分类的特征中，基于灰度共生矩阵的统计特征要优于分形维、马尔科夫模型和Gabor滤波器模型。1.1、灰度共生矩阵的生成灰度直方图是对图像中单个像素具有某个灰度进行统计的结果，而灰度共生矩阵则是推图像中保持某距离的两个像素分别具有某灰度的状况进行统计得到的。取图像（N×N）中任意一点（x,y）及偏离它的另一点（x+a,y+b），设该点对的灰度值为（g1,g2）。令（x,y）在整幅图像中移动，则可以得到各种（g1,g2）值，设灰度的级数为k，则（g1,g2）的组合方式共有k2种。对于整幅图像而言，统计出每一种（g1,g2）值出现的次数，然后排列成一个方阵，再用（g1,g2）出现的总次数将它们归一化为出现的概率P(g1,g2)，这样就得到图像的灰度共生矩阵。距离差分值(a,b)取不同的数值组合，可以得到不同情况的灰度共生矩阵。当a=1,b=0时，像素对是水平的，即对应SAS图像距离向的纹理特征；当a=0,b=1时，像素对是垂直的，即对应SAS图像方位向的纹理特征；当a=1,b=1时，像素对是沿右对角的，即对应SAS图像右对角方向的纹理特征；当a=1,b=-1时，像素对是左对角的，即对应SAS图像左对角方向的纹理特征；1.2、灰度共生矩阵的特征灰度共生矩阵反应的是图像灰度关于方向、相邻间隔、变化幅度的综合信息。通过灰度共生矩阵可以分析图像的局部模式和排列规则等，为了能够更加直观地用灰度共生矩阵描述纹理信息，一般不直接使用灰度共生矩阵，而是在其基础上计算二次统计量。Haralick等人定义了14个用于纹理分析的灰度共生矩阵特征参数，Ulaby等人研究发现，在基于GLCM的14个纹理特征中，仅有4个特征量是不相关的，这四个特征量既便于计算，又能给出较高的分类精度，一般采用下面四个特征参量以提取图像的纹理特征。一、角二阶矩/能量（ASM）角二阶矩是灰度共生矩阵各个元素的平方和，亦称能量，反映图像灰度分布均匀程度和纹理粗细程度。如果灰度共生矩阵的所有值均相等，则ASM值较小；如果其中一些值较大，另一些值较小，则ASM值较大。当ASM值较大时，纹理粗，能量大；反之，当ASM值小时，纹理细，能量小。二、对比度（CON）对比度是灰度共生矩阵主对角线附近的惯性矩，度量矩阵中值的分布情况和图像的局部变化情况，反映图像的清晰程度和纹理沟纹的深浅程度。如果纹理的沟纹较深，则CON较大，效果清晰；反之，如果纹理沟纹较浅，则CON较小，效果模糊。灰度差即对比度大的像素对越多，则CON越大，即灰度共生矩阵中远离对角线的元素值越大，CON越大。三、相关性（COR）其中，相关性度量的是灰度相关矩阵元素在行或者列方向上的相似程度，其大小可以反映图像的局部相关性。当灰度共生矩阵元素值均匀相等时，COR较大；相反，当灰度共生矩阵像素值相差较大时，COR较小。如果图像具有某个方向的纹理，则该方向上的灰度共生矩阵的COR值较大。四、熵（ENT）熵值可以作为度量图像信息量的特征值，而纹理信息也属于图像信息，是一种随机性的度量。当灰度共生矩阵中所有元素具有最大的随机性，灰度共生矩阵中所有值几乎相等时，灰度共生矩阵中元素分散分布时，熵值较大。熵值表示图像中纹理的非均匀程度或者复杂程度，如果图像中没有任何纹理，则灰度共生矩阵几乎为零矩阵；如果图像中纹理复杂，则熵值较大。2、SAS图像海底底质分析SAS图像含有丰富的纹理特征，而灰度共生矩阵具有丰富的特征参数，可以从不同的角度对纹理进行细致刻画。下面利用灰度共生矩阵的特征量，分别对起伏底质区域和均匀底质区域的纹理特性进行比较分析。图2为某次湖试得到的合成孔径声纳图像，水底区域由淹没的农田与河道组成。如图中标注所说，该幅SAS图像上部为淹没的梯田，底质类型为泥，而下部为河道，底质类型为沙。现分别截取梯田和河道的典型区域作为泥底质和沙底质来进行分析研究，如图2中白框所示。图3和图4分别是泥底质和沙底质的SAS图像，本文所进行的纹理分析即基于这两种类型的SAS图像。SAS图像在距离向采用脉冲压缩原理成像，而在方位向则采用合成孔径原理成像，因此，SAS图像的灰度共生矩阵在距离向和方位向具有不同的特性，即SAS图像的纹理在方位向和距离向具有不同的特征。本文截取的泥底质区域和沙底质区域的大小均为512×512像素，灰度共生矩阵的偏移取值范围是[180]，分别计算在各种偏移情况下的能量（ASM）、相关性（COR）、对比度（CON）和熵（ENT）。图5-a、5-b、5-c和5-d即为灰度共生矩阵的特征量随距离向偏移而变化的情况。泥底质区域的能量要显著大于沙底质区域的能量，并且两种底质区域的能量并不随距离向偏移的增大而变化。这说明泥底质区域的纹理较粗，能量大；而沙底质区域的纹理较细，能量小。在相关性方面，泥底质和沙底质的变化趋势一致，并且泥底质区域的相关性小于沙底质区域。泥底质和沙底质都是在距离向偏移较小时，相关性较高，然后随着距离向偏移的增大而迅速下降到零附近。相关性度量的是灰度共生矩阵元素行或列的相似程度，可以反映图像的局部相似性。这说明泥底质和沙底质的纹理结构单元都较小，随着距离向偏移的增大，相关性迅速减小，纹理特性也就迅速消失。泥底质和沙底质的对比度特征正好与能量特征相反，沙底质区域的对比度显著大于泥底质区域的对比度，并且两种底质区域的对比度并不随距离向偏移的增大而变化。对比度是灰度共生矩阵主对角线附近的惯性矩，度量矩阵中值的分布情况和图像的局部变化情况，反映图像的清晰程度和纹理沟纹的深浅程度。也就是说沙底质区域的纹理沟纹较深，效果清晰；而泥底质区域的纹理沟纹较浅，效果模糊。对于熵值的情况，泥底质区域的熵值较为稳定，几乎不随距离向偏移的增大而变化，并且始终保持在0.9附近；而沙底质区域的熵值则变动比较剧烈，并保持在0.5附近。熵值可以表示图像中纹理的非均匀程度或者复杂程度，故泥底质区域的随机性要比沙底质大，显示出显著的统计纹理特征。作为和距离向偏移的比较，我们分析方位向偏移灰度共生矩阵的各个特征量，图6-a、6-b、6-c和6-d即为灰度共生矩阵的特征量随方位向偏移而变化的情况。对于灰度共生矩阵的能量、相关性、对比度和熵值，泥底质区域和沙底质区域在距离向偏移和方位向偏移两种情况下几乎没有差别，这也说明SAS图像的距离向和方位向的灰度共生矩阵没有区别，在选择区分不同区域的特征量时，仅取一个方向即可，或者取两个方向的平均值。根据以上分析，为描述SAS图像不同底质类型的特征，充分利用灰度共生矩阵中的能量、相关性、对比度和熵值等特征，构造特征向量v={ASM,COR,CON,ENT}。其中ASM,COR,CON,ENT分别为灰度共生矩阵的能量、相关性、对比度和熵值。通过对特征向量进行训练，得到沙底质和泥底质区域的典型值，然后即可以用于底质区域的分类。总之，本发明提出了一种应用于合成孔径声纳图像的海底底质分类方法。不同的底质呈现在声纳图像中的纹理图像各不相同，而纹理是海底表面结构粗糙程度的直接反应，故可以利用其进行底质分类。合成孔径声纳可以很好地反映海底的地形、地貌和纹理特征，因此对声纳图像进行分析以实现海底底质分类受到广泛关注。本方法采用灰度共生矩阵描述SAS图像纹理方面的特征，通过计算灰度共生矩阵在方位向和距离向的能量、相关性、对比度和熵值，并构造特征向量，对SAS图像中不同底质区域进行分类。从实验结果可以看出，SAS图像具有丰富的纹理信息，可以基于纹理信息实现沙底质和泥底质的区分。需要说明的是，以上介绍的本发明的实施方案而并非限制。本领域的技术人员应当理解，任何对本发明技术方案的修改或者等同替代都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围内。