郭 軍,馬金鳳,王愛(ài)學(xué)
(1.國(guó)土資源部海底礦產(chǎn)資源重點(diǎn)實(shí)驗(yàn)室,廣東 廣州 510760;2.武漢大學(xué) 測(cè)繪學(xué)院,武漢 430079)
?
基于改進(jìn)GLCM的側(cè)掃聲納影像分類(lèi)研究
郭軍1,馬金鳳1,王愛(ài)學(xué)2
(1.國(guó)土資源部海底礦產(chǎn)資源重點(diǎn)實(shí)驗(yàn)室,廣東 廣州 510760;2.武漢大學(xué) 測(cè)繪學(xué)院,武漢 430079)
摘要:提出一種基于改進(jìn)GLCM的算法IGLCM用于側(cè)掃聲納影像的分類(lèi),IGLCM反映像素與其鄰域像素的灰階聯(lián)合分布,全面描述像素與其鄰域像素所在區(qū)域的紋理特征。利用GLCM和IGLCM分別提取4種紋理特征,應(yīng)用支持向量機(jī)對(duì)側(cè)掃聲納海底底質(zhì)進(jìn)行分類(lèi)。研究結(jié)果表明,IGLCM分類(lèi)精度優(yōu)于GLCM,更適合側(cè)掃聲納分類(lèi)。
關(guān)鍵詞:側(cè)掃聲納系統(tǒng);灰度共生矩陣;紋理;分類(lèi)
灰度共生矩陣[8-9](Gray level co-occurrence matrix,GLCM)是一種常用的紋理分析方法,該方法建立在估計(jì)圖像的二階組合條件概率密度函數(shù)的基礎(chǔ)上,廣泛應(yīng)用各種類(lèi)型圖像的紋理分析和特征參數(shù)提取。然而,GLCM有其局限性,計(jì)算紋理特征時(shí),并沒(méi)有考慮像素的鄰域灰階分布,對(duì)紋理特征參數(shù)的能量有一定的損失。為此,本文提出一種改進(jìn)的GLCM算法,IGLCM(Improved Gray level co-occurrence matrix),充分考慮圖像像素與鄰域中所有像素的灰階聯(lián)合分布。
1側(cè)掃聲納成圖原理
側(cè)掃聲納成像是利用聲波在水中的傳播實(shí)現(xiàn)的。換能器發(fā)射聲脈沖,以球面波的方式向遠(yuǎn)方傳播,到物體后按原路徑反向散射至換能器,形成PING數(shù)據(jù)[10]。隨著船體的運(yùn)動(dòng),側(cè)掃聲納不斷地向海底垂直發(fā)射波束并記錄回波,將采集的每PING回波按測(cè)量的先后順序堆疊在一起形成側(cè)掃聲納圖像。將每PING回波量化至灰度級(jí)上,便可形成回波圖像序列?;夭ǖ纳⑸鋸?qiáng)度的大小在聲納圖像上表現(xiàn)為圖像明暗的深淺。圖1給出了4種不同類(lèi)型的海底底質(zhì)側(cè)掃聲納圖像,可以看出,不同底質(zhì)的紋理特征差異明顯,從泥土到基巖,圖像越來(lái)越暗,表面越來(lái)越粗糙,其中基巖和沙礫包含了大量的細(xì)節(jié)信息和豐富的邊緣信息,沙地和泥沙次之,泥土所含的細(xì)節(jié)和邊緣信息最少??梢钥闯霾煌?lèi)型底質(zhì)在聲納圖像上有著特定的紋理結(jié)構(gòu),故可以利用紋理信息來(lái)進(jìn)行側(cè)掃聲納圖像的海底底質(zhì)分類(lèi)。
圖1 4種不類(lèi)型海底底質(zhì)的側(cè)掃聲納圖像
2灰度共生矩陣
灰度共生矩陣反映圖像灰度關(guān)于方向、相鄰間隔及變換幅度的綜合信息,描述了影像(x,y)灰度i的像素,統(tǒng)計(jì)與距離δ、灰度j的像素(x+Δx,y+Δy)同時(shí)出現(xiàn)的概率MGLCM(i,j,δ,θ),
(1)
式中:i,j=0,1,…,L-1;(x,y)為像素坐標(biāo);L為圖像灰度級(jí)。
由灰度共生矩陣的定義可以看出,其計(jì)算紋理特征時(shí),僅僅考慮像素與指定距離和方向的灰階分布,沒(méi)有考慮像素鄰域的灰階分布。
2.1改進(jìn)的灰度共生矩陣
改進(jìn)的灰度共生矩陣描述像素與其鄰域所有像素之間的灰階聯(lián)合分布,描述影像(x,y)灰度i的像素、統(tǒng)計(jì)與其距離為(2d+1)×(2d+1),灰度為j的像素同時(shí)出現(xiàn)的概率:
(2)
式中:i,j=0,1,…,Ng-1;N為元素總數(shù);ρ為距離測(cè)度。比較式(1)和式(2),可知
對(duì)于數(shù)學(xué)全息定義,從建構(gòu)數(shù)學(xué)科學(xué)體系的角度來(lái)看它是好的定義,但從教學(xué)的角度來(lái)看它既難教又難學(xué).全息定義和非全息定義的教學(xué)有較大區(qū)別,全息定義一般應(yīng)強(qiáng)化,而非全息定義一般宜淡化.
(3)
由此可以看出,在計(jì)算紋理特征時(shí),改進(jìn)的灰度共生矩陣綜合地考慮了鄰域像素的灰階分布。
2.2紋理特征參數(shù)
從灰度共生矩陣定義多種描述圖像紋理的特征參數(shù),針對(duì)側(cè)掃聲納影像的特點(diǎn),本文采用對(duì)比度、能量、相關(guān)性、逆差距這4個(gè)統(tǒng)計(jì)特征來(lái)計(jì)算側(cè)掃聲納影像紋理特征參數(shù)[11-13],
(4)
(5)
(6)
(7)
3實(shí)驗(yàn)分析
3.1實(shí)驗(yàn)數(shù)據(jù)
實(shí)驗(yàn)數(shù)據(jù)來(lái)源于加利福尼亞大學(xué)海圖實(shí)驗(yàn)室提供的位于加利福尼北部Mackerricher州立保護(hù)區(qū)內(nèi)的側(cè)掃聲納海底圖像。本實(shí)驗(yàn)針對(duì)4種海底底質(zhì)類(lèi)型:泥土、沙地、基巖、沙礫。實(shí)驗(yàn)中,在上述4個(gè)不同的底質(zhì)區(qū)域,任意選取100幅大小為64×64像素的子圖像,共獲得400幅樣本圖像,樣本圖像如圖2所示。
圖2 海底底質(zhì)樣本圖像
3.2SVM分類(lèi)器
實(shí)驗(yàn)中選擇支持向量機(jī)(SVM)神經(jīng)網(wǎng)絡(luò)作為紋理特征矢量的分類(lèi)器。SVM核函數(shù)采用徑向基核函數(shù)[13],包含兩個(gè)必備的參數(shù):參數(shù)γ和誤差懲罰因子C。計(jì)算參數(shù)時(shí),可采用交叉對(duì)比算法,將樣本分為n個(gè)子集,其中n-1個(gè)子集用來(lái)訓(xùn)練SVM,調(diào)整參數(shù)γ和誤差懲罰因子C來(lái)計(jì)算剩余1個(gè)子集的正確分類(lèi)率,直到達(dá)到理想的效果,此時(shí)的γ和C為SVM進(jìn)行分類(lèi)時(shí)所采用的最佳參數(shù)。
實(shí)驗(yàn)中將樣本分為訓(xùn)練集和測(cè)試集兩組,隨機(jī)選取200個(gè)樣本用于SVM網(wǎng)絡(luò)訓(xùn)練和學(xué)習(xí),剩余的200個(gè)樣本用于SVM網(wǎng)絡(luò)的測(cè)試。網(wǎng)絡(luò)訓(xùn)練和測(cè)試完畢之后,再隨機(jī)選取100個(gè)樣本進(jìn)行精度評(píng)價(jià)。
3.3GLCM分類(lèi)
利用灰度共生矩陣計(jì)算紋理特征參數(shù),并對(duì)特征參數(shù)進(jìn)行歸一化處理,構(gòu)建基于GLCM的特征矢量,得到SVM模型的參數(shù)γ=0.2,C=56。利用訓(xùn)練后的SVM進(jìn)行分類(lèi),分類(lèi)結(jié)果如圖3所示。
3.4IGLCM分類(lèi)結(jié)果
利用改進(jìn)的灰度共生矩陣計(jì)算紋理特征參數(shù),并對(duì)特征參數(shù)進(jìn)行歸一化處理,構(gòu)建基于IGLCM的特征矢量,得到SVM模型的參數(shù)為γ=0.105,C=38。利用訓(xùn)練后的SVM進(jìn)行分類(lèi),分類(lèi)結(jié)果如圖4所示。
圖3 基于GLCM的分類(lèi)結(jié)果
圖4 基于IGLCM的分類(lèi)結(jié)果
步距d對(duì)GLCM和IGLCM提取的特征參數(shù)有著重要的影響,不同的d值導(dǎo)致提取的特征參數(shù)不同,故會(huì)進(jìn)一步影響分類(lèi)的精度。實(shí)驗(yàn)中,采用不同的d值,進(jìn)行分類(lèi)實(shí)驗(yàn)。圖5展示了不同d值下GLCM和IGLCM的分類(lèi)結(jié)果。
3.5結(jié)果與分析
從圖5可以看出,d=1時(shí),IGLCM的分類(lèi)精度與GLCM的分類(lèi)精度一致,代表IGLCM的分類(lèi)精度要優(yōu)于GLCM的分類(lèi)精度,并且兩者的分類(lèi)精度都隨著d值的增大而不斷提高;當(dāng)d=5時(shí),分類(lèi)精度都達(dá)到各自的最高值,IGLCM為86.9%,GLCM為84.8%;當(dāng)d>5時(shí),兩者的分類(lèi)精度趨于穩(wěn)定,并隨著d值的增大有所下降。實(shí)驗(yàn)結(jié)果表明,IGLCM算法全面綜合考慮鄰域像素對(duì)紋理特征計(jì)算的貢獻(xiàn),彌補(bǔ)GLCM算法的局限性,表明IGLCM算法的可行性和有效性,同時(shí)對(duì)于側(cè)掃聲納圖像而言,d值取5為最佳。
4結(jié)束語(yǔ)
本文提出基于改進(jìn)灰度共生矩陣的IGLCM算法,并結(jié)合SVM分類(lèi)器對(duì)4種典型的側(cè)掃聲納海底圖像進(jìn)行分類(lèi)實(shí)驗(yàn),結(jié)果表明IGLCM分類(lèi)精度優(yōu)于GLCM的分類(lèi)精度。實(shí)驗(yàn)驗(yàn)證上述思想、實(shí)施過(guò)程和方法的正確性。
參考文獻(xiàn):
[1]趙建虎.多波束深度及圖像數(shù)據(jù)處理方法研究[D].武漢:武漢大學(xué),2002.
[2]PACE N G,GAO H.Swathe seabed classification[J].IEEEJournalof OceanEngineering,1988,13(12):83-90.
[3]ARIVAZHAGAN ,S,GANESAN L.Texture classification using wavelet transform[J].Pattern Recognition Lerrers,2003,24:1513-1521.
[4]楊凡林,劉經(jīng)南,趙建虎,等.基于遺傳算法的BP網(wǎng)絡(luò)實(shí)現(xiàn)海底底質(zhì)分類(lèi)[J].測(cè)繪科學(xué),2006,31(2):111-114
[5]KARPOVICH D.Development of module for an oceanographic knowledge Discovery system[D].A project report submitted to the faculty of Mississippi State University for the Degree of Master,Mississippi State,Mississippi,America,1999:5-12.
[6]楊詞銀,許楓.基于二次反銳化掩膜的多特征側(cè)掃聲納圖像海底底質(zhì)分類(lèi)[J].電子學(xué)報(bào),2005,10(33):1841-1844.
[7]石丹,李慶武,范新南,等.曲波變換域側(cè)掃聲納圖像海底底質(zhì)分類(lèi)[J].2009,27(5):498-502.
[8]VAPNIK V N.The Nature of Statistical Learning Theory[M].New York:Springer Verlag,1995.
[9]HARALICK R,SHANMUGAM K,DINSTAIN I.Texture Feature Image for Classification[J].IEEE Tranctions on Systems,Man and Cybermatics,1973,3(6):610-621.
[10] CHANG Y C,HSU S K.Side Scan Sonar Image Processing:Correcting Brightness Variation And Patching Gaps[J].IEEE Journal of Marine Science and Technology,2010,18(6):785-789.
[11] 郭軍,馬金鳳,王愛(ài)學(xué).基于SVM算法和GLCM的側(cè)掃聲納影像分類(lèi)研究[J].測(cè)繪與空間地理信息,2015,38(3):60-63.
[12] 劉凱,湯國(guó)安,陶旸,等.基于灰度共生矩陣的DEM地形紋理特征量化研究[J].地球信息科學(xué)學(xué)報(bào),2012,14(6):751-760.
[13] 郭軍,馬金鳳.基于K-L變換的自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)在海底底質(zhì)分類(lèi)中的應(yīng)用[J].測(cè)繪工程,2013,22(1):51-54.
[14] 湯井田,胡靜,龔智敏.基于SVM的圖像紋理特征分類(lèi)研究[J].計(jì)算機(jī)工程與科學(xué),2008,30(8):44-48.
[責(zé)任編輯:李銘娜]
A study of side scan sonar image classification based on improved gray level co-occurrence matrixGUO Jun1,MA Jinfeng1,WANG Aixue2
(1.Key Laboratory of Marine Mineral Resources,Ministry of Land and Resources,Guangzhou 510760,China;2.School of Geodesy and Geomatics,Wuhan University,Wuhan 430079,China)
Abstract:An effective methodology for side scan sonar image classification based on improved GLCM,IGLCM,is proposed.The method describes the spatial gray level dependence of a pixel and all of its neighborhood pixel,and comprehensively presents the texture in pixel area.Four texture features are extracted by GLCM and IGLCM respectively,and the side scan sonar classification is carried out with SVM.The result show that the proposed is superior and more suitable for side scan sonar classification compared with GLCM.
Key words:side scan sonar system; gray level co-occurrence matrix;texture;classification
中圖分類(lèi)號(hào):TP391.4
文獻(xiàn)標(biāo)識(shí)碼:A
文章編號(hào):1006-7949(2016)06-0006-04
作者簡(jiǎn)介:郭軍(1984-),男,工程師,碩士.
基金項(xiàng)目:廣州海洋地質(zhì)調(diào)查局區(qū)域調(diào)查項(xiàng)目(GZH201100312-01);國(guó)土資源部海底礦產(chǎn)資源重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金資助項(xiàng)目(1212011220117)
收稿日期:2015-07-10