本发明涉及水下多波束声呐,特别涉及一种基于森林算法的水下声呐侧扫图像小目标检测方法。
背景技术:
1、多波束声纳技术是一种高级的声纳技术,它可以同时发射多个声波束,从而提高声纳的探测效率和精度。这种技术在海洋勘探、海底地形测绘、水下目标探测等领域得到了广泛应用。
2、多波束声纳技术的应用非常广泛,特别是在海洋勘探和海底地形测绘方面。在海洋勘探中,多波束声纳技术可以帮助科学家们更加准确地探测海底地形和海洋生物。在海底地形测绘方面,多波束声纳技术可以帮助科学家们更加准确地绘制海底地形图。
3、然而,人工分析每天产生的海量水下声纳图像数据是一项繁琐且耗时的工作,数量繁多的小目标更是将这个工作量巨幅增加。因此,一个可分类识别的声呐侧扫图像小目标检测系统对于减少耗时和昂贵的人工输入具有重要的实用价值。
技术实现思路
1、本发明的主要目的是提出一种基于森林算法的水下声呐侧扫图像小目标检测方法,旨在通过目标相同目标信息合并和将不属于上述返回特征的目标信息过滤的方式来检测小目标,有效地提高水下声呐侧扫图像的小目标检测性能,具有实用性和可靠性。
2、为实现上述目的,本发明提出的一种基于森林算法的水下声呐侧扫图像小目标检测方法,其特征在于,包括以下步骤:
3、步骤一、采用带有声呐图形目标的信息,建立带有目标信息的声呐侧扫图形集合;
4、步骤二、从声呐侧扫图形集合中随机选取n个样本,组成一个新的目标检测数据子集;
5、步骤三、每个数据子集从所有声呐图形待选择特征中随机选择m个特征,从这m个特征中选择符合输入图像的特征作为决策树的输入特征;
6、步骤四、根据选定的特征进行分裂,得到一个子节点;
7、步骤五、重复上述步骤2-3,通过每个数据子集分别得到对应的决策树,由多个决策树共同组成随机森林;
8、步骤六、算法统计各特征数量,选取数量最多的类作为结果返回;
9、步骤七、将分类结果结合起来,通过对目标进行相同目标信息合并和将不属于上述返回特征的目标信息过滤的方式来检测水下声呐侧扫图像小目标。
10、在一实施例中,所述步骤一中对收集的声呐图形信息中的各目标采用矩形框进行模糊标准,大目标通过矩形框逐个标注,小目标通过矩形框进行一片区域的标注。
11、在一实施例中,所述决策树中每个内部节点表示一个特征,每个分支代表这个特效的一个值,每个叶子节点表示一个分类。
12、在一实施例中,所述步骤二中每个子集包含了具有相同特征的数据,且采用python的scikit-learn库实现一个基于随机森林的分类模型。
13、在一实施例中,所述步骤一中声呐侧扫图形集合采用鸢尾花数据集模型,数据集中的三个类别分别是山鸢尾iris setosa、变色鸢尾iris versicolour和维吉尼亚鸢尾iris virginica,数据集共有150个样本,其中每个类别各有50个样本。
14、在一实施例中,所述步骤二中还需要使用pandas库将数据集转换为dataframe格式,且设置树的数量和树的最大深度为默认参数。
15、在一实施例中,所述声呐图形特征为纹理、形状和边缘。
16、在一实施例中,所述步骤五中将数据集分为训练集和测试集,训练集用于训练模型,测试集用于测试模型的预测准确率。
17、在一实施例中,所述训练集独立的训练出n个弱学习器,再对这n个弱学习器通过集合策略来得到最终的强学习器,预测类别是{c1,c2,……ck}对于任意一个预测样本x,n个弱学习器的预测结果分别是(h1(x),h2(x),……ht(x))。
18、在一实施例中,所述每个个体学习器有一个权重w,则最终预测为:
19、
20、其中, h(x)表示预测样本x对应的最终预测结果,wi是个体学习器hi的权重,通常有:
21、;
22、其中, t表示样本数量。
23、本发明的技术方案通过采用森林算法,具有以下优点:
24、(1)随机森林算法中树的增长会给模型带来额外的随机性,产生多样性。每个节点被分割成最小化误差的最佳特征,随机森林选择随机的特征来构建最佳分割。因此,该检测方法仅考虑用于分割节点的随机子集,可以通过在每个特征上使用随机阈值来使树更加随机,而不是如正常的决策树一样搜索最佳阈值,在对于水下小目标侧扫图像处理的时候能够更好的细化特征,从而提升辨别力。
25、(2)容易地测量每个特征对预测的相对重要性。它通过查看使用该特征减少了森林中所有树多少的不纯度,来衡量特征的重要性。它在训练后自动计算每个特征的得分,并对结果进行标准化,以使所有特征的重要性总和等于1,这样在进行小目标识别的时候能够考虑个特征的权重,达到精细化处理,更加实用于小目标图像处理。
26、(3)对于高维数据集的处理能力很好,它可以处理成千上万的输入变量,并确定最重要的变量,进一步应对小目标图像多特征特点,提升识别度。
1.一种基于森林算法的水下声呐侧扫图像小目标检测方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种基于森林算法的水下声呐侧扫图像小目标检测方法,其特征在于,所述步骤一中对收集的声呐图形信息中的各目标采用矩形框进行模糊标准,大目标通过矩形框逐个标注,小目标通过矩形框进行一片区域的标注。
3.如权利要求1所述的一种基于森林算法的水下声呐侧扫图像小目标检测方法,其特征在于,所述决策树中每个内部节点表示一个特征,每个分支代表这个特效的一个值,每个叶子节点表示一个分类。
4.如权利要求1所述的一种基于森林算法的水下声呐侧扫图像小目标检测方法,其特征在于,所述步骤二中每个子集包含了具有相同特征的数据,且采用python的scikit-learn库实现一个基于随机森林的分类模型。
5.如权利要求1所述的一种基于森林算法的水下声呐侧扫图像小目标检测方法,其特征在于,所述步骤一中声呐侧扫图形集合采用鸢尾花数据集模型,数据集中的三个类别分别是山鸢尾iris setosa、变色鸢尾iris versicolour和维吉尼亚鸢尾iris virginica,数据集共有150个样本,其中每个类别各有50个样本。
6.如权利要求1所述的一种基于森林算法的水下声呐侧扫图像小目标检测方法,其特征在于,所述步骤二中还需要使用pandas库将数据集转换为dataframe格式,且设置树的数量和树的最大深度为默认参数。
7.如权利要求1所述的一种基于森林算法的水下声呐侧扫图像小目标检测方法,其特征在于,所述声呐图形特征为纹理、形状和边缘。
8.如权利要求1所述的一种基于森林算法的水下声呐侧扫图像小目标检测方法,其特征在于,所述步骤五中将数据集分为训练集和测试集,训练集用于训练模型,测试集用于测试模型的预测准确率。
9.如权利要求8所述的一种基于森林算法的水下声呐侧扫图像小目标检测方法,其特征在于,所述训练集独立的训练出n个弱学习器,再对这n个弱学习器通过集合策略来得到最终的强学习器,预测类别是{c1,c2,……ck}对于任意一个预测样本x,n个弱学习器的预测结果分别是(h1(x),h2(x),……ht(x))。
10.如权利要求9所述的一种基于森林算法的水下声呐侧扫图像小目标检测方法,其特征在于,每个个体学习器有一个权重w,则最终预测为: