论文部分内容阅读
由于侧扫声纳成像原理的特殊性以及水下探测环境的干扰,声纳图像相比于光学图像而言,散斑噪声污染严重,且成像分辨率较低,这使得声纳图像的特征提取变得十分困难。传统的声纳图像特征提取方法抗噪声能力较差,且特征的选取一般依靠人工进行,效率低、泛化能力差。为了克服传统方法的不足,本文提出基于深度学习的侧扫声纳图像特征提取方法,并通过试验分别验证了深度学习特征提取算法及其改进算法的有效性。首先,构建特征提取深度学习系统所需的声纳图像数据集。根据侧扫声纳的工作原理对声纳原始数据进行数据解析,获得真实的声纳图像海底地貌图;基于声纳图像的噪声模型分析,采用添加噪声以及几何变换的方式扩充数据集,并制作了用于特征提取网络训练以及测试的图像标签数据;其次,在分析了卷积神经网络的基本结构以及典型特点的基础之上构建了全卷积神经网络模型(Fully Convolutional Neural Networks,FCN)。采用带动量项的小批量梯度下降法分别训练了FCN的三个网络模型,并通过试验分析了不同批量大小对于FCN网络的稳定性以及特征提取准确率的影响;利用训练好的三个网络模型分别对海底地形边缘进行特征提取,并对比分析了不同网络模型特征提取结果的优劣;再次,针对海底地形边缘样本数据的类别非均衡性会降低分类算法性能的问题,提出了正样本加权Softmax损失函数(Weighted the Positive Samples with the Softmax Loss Function,WPSL),通过为正样本添加权值的方式平衡正负样本在损失函数中所占的比重,以此改善样本非均衡性对分类性能的影响;然后,针对FCN网络结构存在的不足之处,提出了以下改进方案:1、针对FCN网络的跳层结构容易造成网络训练不充分的问题,通过在跳层结构中加入批量归一化层(Batch Normlization,BN)实现了跳层结构的改进设计,基于改进的跳层结构构建了全卷积神经网络模型(Fully Convolutional Neural Networks with Batch Normalization Layer,FCNB)。BN层的加入实现了跳层结构的重参数化,保证梯度更具预测性和稳定性,显著提高“跳过”网络的解析性能,使网络得到更充分的训练;2、针对池化层包含细节信息较少的问题,采用融合“卷积组”中全部卷积层信息的策略代替FCN中仅融合池化层信息的策略,构建了多层特征融合的全卷积神经网络(Fully Convolutional Neural Networks with Richer Fused Features,FCNR)。卷积层相对于池化层来说包含更多的边缘细节信息,而且组合内部不同的卷积层之间可实现边缘信息的互补,所以FCNR网络可以保留更丰富的海底地形细节信息,能够较准确的划分靠近边缘的非边缘像素,边缘线更细、定位能力更准确;3、针对FCNR网络中参数冗余以及卷积层之间维度跨越较大的问题,构建了一个轻量级多层特征融合全卷积神经网络(Lightweight Fully Convolutional Neural Networks with Richer Fused Features,LFCNR);4、为了进一步提高网络的性能,将改进的跳层结构与轻量级的LFCNR网络相结合,构建了改进跳层结构的轻量级多层特征融合网络(Lightweight Fully Convolutional Neural Networks with Batch Normalization Layer and Richer Fused Features,LFCNBR);最后,基于带动量项的小批量梯度下降法完成了所有网络的训练。并从横向和纵向两方面设计了多组对比试验对本文算法进行验证。纵向通过FCN以及改进算法之间的试验对比,证明了本文所提出的改进方案均以一定的程度提高了网络的分类性能,其中WPSL损失函数与LFCNBR网络相结合的方法性能最优,其类别平均区域重合度达到了87.33%,在边缘线较模糊、背景较复杂的情况下仍能准确提取海底地形的边缘特征。横向通过深度学习算法与传统方法的对比证明了深度学习算法的准确性远高于传统算法,在不经过去噪处理的情况下仍具有较强的抗散斑噪声的能力。