基于混合神经网络的多波束图像底质分类

王凤伟, 孔凡邨, 廉清云

(上海海事大学 商船学院，上海 201306)

0 引 言

近年来，高分辨率的声学系统已使海底底质分类和海底地形地貌的考察成为可能，多波束测深系统则成为初步快速辨别海底底质类型和识别目标的一种有效工具.利用多波束测深系统不仅可以获得高精度的水深数据，还可以同时获得高质量的海底反向散射强度数据，利用获取的反向散射强度数据对海底底质进行分类.确定海底底质的类型不仅对海洋资源的开发有重要意义，而且对船舶的安全航行、“智慧航道”建设也有很大的开发和应用潜力.

目前获取海底底质分类的方法主要有统计分类法[1]、纹理分析法[2-3]以及神经网络法等.1990年美国杜克大学的ALEXANDROU等[4]应用反向传播(BackPropagation,BP)神经网络方法对海底底质进行分类.近年来，印度国家海洋研究所的CHAKRABORTY等[5-6]应用自组织特征映射(Self-Organizing Feature Map,SOFM)和学习向量量化(Learning Vector Quantization,LVQ)神经网络方法实现对海底底质类型的分类识别.我国学者[7-9]也利用BP神经网络、SOFM神经网络及LVQ神经网络进行过大量的海底底质分类研究.虽然这些方法能取得很好的精度，但是传统的BP神经网络具有训练时间长、网络收敛慢及分类精度低等缺点；无监督学习的SOFM神经网络容易误分类，对属性相近的底质类型更易误分.本文应用改进的LVQ神经网络减少SOFM神经网络误分类的现象，提高海底底质识别的精度.

1 混合自组织神经网络算法

自组织映射可以起到聚类的作用，但还不能直接分类或识别.[10]为进一步改善分类性能，有必要在分类器中加入一种有监督功能的网络.LVQ神经网络就是一个有监督功能的分类器，利用SOFM神经网络训练出的权值作为LVQ神经网络的初始输入权值.在训练中加入导师信号作为分类信息对权值进行细调，并预先指定输出神经元类别.分类流程见图1.

图1 分类流程

1.1 SOFM算法

分类阶段1的目标是通过神经元的权向量提供第一个输入样本的相近向量.SOFM算法是一种无监督聚类方法，它能在保持其拓扑结构不变的条件下将高维空间的样本映射到低维空间，即无论输入样本空间是几维的，其模式样本都可以在SOFM神经网络的输出层的某个区域得到响应.这个阶段的分类步骤[10]如下：

步骤1对输入层节点i到映射层节点j的连接权值wij赋予小随机数进行初始化.

步骤2从训练样本中选取一个输入向量xi.

步骤3计算欧氏距离，即输入样本与每个输出神经元j之间的距离

并计算出一个具有最小距离的神经元j*,使得对于任意的j，都有dj*=mindj.

步骤4更新.按下式修正获胜神经元及其邻域内所有神经元的连接权值，而邻域外的神经元连接权值保持不变,

wij(t+1)=wij(t)+η(t)(xi(t)-wij(t))

式中:η(t)为学习率，0<η(t)<1，这里采用t的单调下降函数η(t)=η(0)(1-t/T),其中η(0)为初始学习率，t为迭代次数，T为总的学习次数.

步骤5更新学习率η(t).

步骤6当t

1.2 LVQ算法

分类阶段2的任务是对权向量进行微调以改善分类性能.LVQ算法是用于模式分类的一种有监督功能的学习算法，而LVQ2算法可以加快算法的收敛速度，使各权向量快速向目标位置移动，并可以对输入将被分到哪一类进行指定[10，12].LVQ神经网络结构除输出层的每个神经元被指定为属于几个类别之外，其他的与SOFM神经网络完全相同.改进的LVQ2算法的基本步骤如下：

反思：钠和盐溶液反应,不能置换出盐中的金属,这是因为金属阳离子在水中一般是以水合离子形式存在,即金属离子周围有一定数目的水分子包围着,不能和钠直接接触。这就告诉我们在学习一些概念和物质性质时要深入分析其特征和本质,否则,很容易被假象迷惑,作出错误的判断。

步骤2判断分类是否正确，然后按不同规则调整获胜神经元的权值.如果神经网络分类结果与导师信号(即人为监督所指定的正确类型)一致，则分类结果正确，向输入样本方向调整权值，

否则向逆输入样本方向调整权值，

步骤3返回开始，直到完成所有样本的学习.

2 多波束数据和生成图像的处理

多波束测深系统采集到的反向散射强度数据受到海洋环境噪声、声波散射和混响、声能传播损失、海底沉积层对声波的吸收等诸多因素影响，不能直接反映真实的海底底质特征,因此必须对其进行消除噪声和剔除假信号处理(见图2)，主要包括声速剖面数据修正、定位数据修正、潮位数据修正、姿态数据修正、深度数据修正、数据合并等，其目的是减小误差、提高数据的可信度.

图2 多波束数据预处理

将反向散射强度与描述图像的灰度级对应起来，形成海底声像图.灰度级水平一般取0～255，回波强度可量化[14]为

G=255-2IBS

式中:G为灰度级别;IBS为反向散射强度，无量纲，取值为-127～0.

多波束声强图像形成后，由于仍有未被完全消除的噪声干扰，还需对图像进行处理.在图像中，噪声表现为高频特性，相对周围像素灰度有较大的偏差，具有空间不相关性.根据这些特点，结合中值滤波和小波去噪两种方法对图像进行处理，首先对多波束声强图像进行二层小波变换分解，提取分解系数、水平边缘信息、垂直边缘信息及对角线边缘信息，然后对这些边缘信息进行3×3方形窗口的中值滤波，生成新的小波系数，最后利用重构算法将新的小波系数进行重构，得到去噪后的多波束图像.

3 基于混合网络的海底底质分类

借助VC和MATLAB平台进行混合编程，并训练网络，然后利用训练所得的网络对数据进行分类.为验证上述分类算法的可行性，选择一个同时具有岩石、沙砾、泥、沙等海底底质类型的720×987像素海底散射强度镜像(图3中的A区)，然后把该区域的底质类型分为岩石、沙砾、泥沙、泥等4种，再分别选出这4种底质类型相对应的训练样本和测试样本进行网络训练和分类验证.其中，为网络提供的样本尺寸为3×3像素，输出类别的个数为4个，为每个输出类别赋予40个输入样本，这些输出底质类型和对应样本的灰度值关系见表1[16].

图3 实验区多波束声强图像

表1 底质类型和样本的统计属性

混合网络训练完成后，利用上述训练好的网络进行分类.首先按3×3像素分割实验区域的灰度图像，从中提取岩石类型测试样本286个、沙砾测试样本95个、泥沙测试样本320个、泥测试样本183个；其次对每个分割块进行编码，形成输入向量；最后将这些输入向量输入前面训练好的网络中进行分类(见表2)，同时对分类形成的新图像进行标记处理，得到分类后的多波束图像(见图4).

表2 测试数据和分类结果

图4 分类后的多波束图像

将分类结果与已知的底质类型样本进行比较，混合自组织神经网络的分类精度平均达95.81%，表明该方法的分类精度很高，特别是在底质类型相近的情况下(如泥和泥沙)，也能表现出较好的分类效果.

4 结束语

在SOFM算法的基础上，结合改进的LVQ算法实现网络的有监督学习.该网络充分利用SOFM算法的自组织聚类的优点，同时又利用LVQ算法解决海底底质反向散射回波样本中的交迭问题，从而能提高分类精度.实验表明，混合自组织竞争算法对海底底质的识别，特别是在类型相近的情况下，具有较好的分类效果.该方法可为海底底质分类研究提供一条有效的途径.

参考文献：

[1] HUSEBY R B, MILVANG O, SOLBERG A S,etal. Seabed classification from multibeam echosounder data using statistical methods[C]//OCEANS’93, Eng Harmony Ocean Proc, IEEE, 1993(3): 229-233.

[2] MILVANG O, HUSEBY R B, WEISTEEN K,etal. Feature extraction from backscatter sonar data[C]//Inst Acoustics Conf Acoustic Classification & Mapping Seabed, Bath, UK, 1993.

[3] PICAN N, TNLCCO E, ROSS M,etal. Texture analysis for seabed classification: co-occurrence matrices vs self-organizing maps[C]//OCEANS’98 Conf Proc, IEEE, 1998(1): 424-428.

[4] ALEXANDROU D, PANTZARTZIS D. Seafloor classification with neural networks[C]// Proc Eng Ocean Environ Conf, 1990: 18-23.

[5] CHAKRABORTY B, KAUSTUBHA R, HEGDE A,etal. Acoustic seafloor sediment classification using self-organizing feature maps[J]. Geoscience & Remote Sensing, IEEE Trans, 2001, 39(12): 2722-2725.

[6] CHAKRABORTY B, KODAGALI V, BARACHO J. Seafloor classification using multibeam echosounding angular backscatter data: a real-time approach employing hybrid neural network architecture[J]. Oceanic Eng, IEEE J, 2003, 28(1): 121-128.

[7] 阳凡林, 刘经南, 赵建虎, 等. 基于遗传算法的BP网络实现海底底质分类[J]. 测绘科学, 2006, 31(2): 111-114.

[8] 唐秋华, 刘保华, 陈永奇, 等. 基于自组织神经网络的声学底质分类研究[J]. 声学技术, 2007, 26(3): 380-354.

[9] 唐秋华, 刘保华, 陈永奇, 等. 结合遗传算法的 LVQ 神经网络在声学底质分类中的应用[J]. 地球物理学报, 2007, 50(1): 313-319.

[10] RIPLEY B D. Pattern recognition and neural networks[M]. Cambridge Univ Pr, 1996: 17-89.

[11] KOHONEN T. The self-organizing map[M]. Proc IEEE, 1990(78): 1464-1480.

[12] KUMAR S. Neural networks[M].Beijing: Tsinghua Univ Pr, 2006: 521-576.

[13] MEDIALDEA T, SOMOZA L, LEN R,etal. Multibeam backscatter as a tool for seafloor characterization and identification of oil spills in the Galicia Bank[J]. Marine Geology, 2008, 249(1): 93-107.

[14] CLARKE J E H, MAYER L A, WELLS D E. Shallow-water imaging multibeam sonars: a new tool for investigating seafloor processes in the coastal zone and on the continental shelf[J]. Mar Geophys Res, 1996, 18(6): 607-629.

[15] 赵建虎, 刘经南. 多波束测深及图像数据处理[M]. 武汉: 武汉大学出版社, 2008: 335-343.

[16] DARTNELL P, GARDNER J V. Predicting seafloor facies from multibeam bathymetry and backscatter data[J]. Photogrammetric Eng & Remote Sensing, 2004, 70(9): 1081-1091.