共查询到16条相似文献,搜索用时 500 毫秒
1.
2.
利用多波束反向散射强度角度响应曲线的底质特征参数提取算法 总被引:1,自引:0,他引:1
提出了一种基于多波束反向散射强度角度响应曲线的底质特征参数提取算法。根据多波束单ping反向散射强度数据的变化规律,给出了获取平均反向散射强度角度响应曲线的ping数确定方法;分析角度响应曲线与底质类型的相关性,由于曲线上残留误差难以消除,采用容差性强的非线性最小二乘拟合算法,结合Hellequin参数模型,提取底质相关特征参数。实例计算结果表明,提取的特征参数在抑制多波束海底反向散射强度误差影响的基础上,有效保留了底质类型相关的反向散射强度随入射角变化信息,保证了多波束海底底质分类的能力及可靠性。 相似文献
3.
海底底质分类反向散射强度三维概率密度法 总被引:2,自引:2,他引:0
反向散射强度随入射角变化信息蕴含海底底质特性,是多波束海底底质分类的重要数据源。目前,多波束海底底质分类主要提取平均反向散射强度随入射角的变化信息或基于声呐图像,没有综合考虑两者的相关信息。本文综合考虑平均反向散射强度随入射角变化信息及其概率密度分布,绘制三维概率密度图,提出了基于反向散射强度三维概率密度图的海底底质分类方法。实例计算结果表明:该方法能直观表达多波束条带覆盖区内不同海底底质类型的数量,有效判断不同海底底质类型的边界,实现海底底质类型的快速识别。 相似文献
4.
5.
6.
海底底质分类对于海洋资源开发与利用、海洋科学研究等多方面具有重要意义。目前,多波束探测是实现大范围海底底质分类的有效手段之一,通常基于多波束反向散射强度提取角度响应(AR)特征及反向散射图像特征进行底质分类。由于特征来源较单一,分类器结构简单,往往分类精度不高。为此,本文提出了一种基于深层卷积神经网络(CNN)的多波束海底底质分类方法。除反向散射强度特征外,还利用地形特征,将特征向量转换为波形图,再输入卷积神经网络进行训练和分类。试验对比不同特征组合以及BP网络、支持向量机(SVM)、K近邻(KNN)、随机森林(RF)4种常规分类器,本文模型算法总体分类精度达到94.86%,Kappa系数为0.93,精度具有明显优势,效率也比较高。表明该方法有效利用两种数据类型所蕴含的海底底质信息,充分发挥卷积神经网络权值共享、高效率等特点,实现高分辨率海底底质分类,可对海底底质分类研究提供参考。 相似文献
7.
针对传统多波束测深系统中对横摇偏差进行改正,存在校准后仍在航行过程中受外界因素干扰,以及改正模型未考虑声速不同导致声线跟踪法计算过程中的水层分层与声线弯曲影响,直接利用深度值进行计算使得改正精度不高的问题.提出了以检测线中央波束数据作为真实海底地形的参考,通过声线跟踪得到主测线在不同入射角度的回波时间,进而利用入射角度和回波时间的关系,反演得到横摇偏差角进行改正的方法.实验表明:利用回波时间对多波束测深数据的横摇偏差进行改正,通过声线跟踪结合检测线中央波束,能够进一步提高横摇偏差改正的精度. 相似文献
8.
高质量的海底声强图是多波束海底底质分类的基础。在系统分析了多波束声强图像中沿测船航迹灰度异常值和区域性明暗差异成因的基础上,提出了基于加权最小二乘估计的多波束声强数据归一化方法。实例计算结果表明:该方法在不损失原有强度变化信息的基础上,有效地抑制了声强图中灰度异常值对海底底质分类的影响,提高了区域底质分类的质量。 相似文献
9.
10.
11.
学习向量量化神经网络在多波束底质分类中的应用研究 总被引:5,自引:1,他引:5
利用多波束测深系统获取的反向散射强度数据,应用学习向量量化(learning vector quantization,LVQ)神经网络分类方法实现了对海底砂、砾石和基岩等底质类型的快速、有效的识别。通过比较,证明了该方法能较好地区分出不同海底底质类型。 相似文献
12.
The multibeam sonars can provide hydrographic quality depth data as well as hold the potential to provide calibrated measurements of the seafloor acoustic backscattering strength. There has been much interest in utilizing backscatters and images from multibeam sonar for seabed type identification and most results are obtained. This paper has presented a focused review of several main methods and recent developments of seafloor classification utilizing multibeam sonar data or/and images. These are including the power spectral analysis methods, the texture analysis, traditional Bayesian classification theory and the most active neural network approaches. 相似文献
13.
Seafloor sediment classification based on multibeam sonar data 总被引:1,自引:1,他引:0
ZHOUXinghua CHENYongqi 《地球空间信息科学学报》2004,7(4):290-296
The multibeam sonars can provide hydrographic quality depth data as well as hold the potential to provide calibrated measurements of the seafloor acoustic backscattering strength. There has been much interest in utilizing backscatters and images from multibeam sonar for seabed type identification and most results are obtained. This paper has presented a focused review of several main methods and recent developments of seafloor classification utilizing multibeam sonar data or/and images. These are including the power spectral analysis methods, the texture analysis, traditional Bayesian classification theory and the most active neural network approaches. 相似文献
14.
15.
16.
根据侧扫声纳影像的特征,提出一种基于SVM和GLCM的侧扫声纳影像分类方法,利用灰度共生矩阵提取其纹理特征,采用主成分分析法对纹理特征进行筛选,选择适合侧扫声纳影像的最佳纹理特征,结合侧扫声纳影像的回波强度,应用支持向量机对侧扫声纳影像进行分类。研究结果表明,纹理特征结合回波强度的支持向量机分类精度高于只依靠回波强度的支持向量机分类精度。 相似文献