本發(fā)明涉及多波束海底底質(zhì)分類、海洋測繪、圖像處理及機(jī)器學(xué)習(xí)學(xué)習(xí)領(lǐng)域，具體涉及一種基于多分類器決策融合機(jī)制的多波束海底底質(zhì)分類方法。

背景技術(shù)：

1、全覆蓋、高效率的海底底質(zhì)探測與識別支撐了海洋空間地理信息的立體化、專題化發(fā)展。隨著水下測深技術(shù)的發(fā)展，聲學(xué)底質(zhì)解譯成為了海洋測繪和制圖的核心技術(shù)之一，交叉融合了聲信號處理、特征挖掘、底質(zhì)類型定性定量表達(dá)與評估等內(nèi)容，是海洋地理空間信息建設(shè)的關(guān)鍵依據(jù)。本質(zhì)上聲學(xué)海底底質(zhì)解譯與遙感影像解譯存在一定相似性，其基本內(nèi)容就是通過模式識別或人工智能方法從聲譜和圖像信號獲取海底表層底質(zhì)實況的解釋與表達(dá)。

2、絕大多數(shù)針對多波束聲學(xué)海底底質(zhì)方法的研究主要集中于近淺海場景下的海床粗糙度評估、底質(zhì)類型界定、底棲生物棲息地探測等應(yīng)用，其主要方法以多波束測深系統(tǒng)采集的反向散射強(qiáng)度數(shù)據(jù)和測深數(shù)據(jù)為主，水下原位采樣技術(shù)為輔，獲取相應(yīng)特征，構(gòu)建分類模型，從而獲得較高精度的海底底質(zhì)分類圖，也形成了包括聲學(xué)特征提取及挖掘、特征優(yōu)選及降維、分類器選擇及模型構(gòu)建、分類結(jié)果制圖及精度評估等一系列技術(shù)方法的聲學(xué)海底底質(zhì)分類體系。近年來，國內(nèi)關(guān)于多波束聲學(xué)海底底質(zhì)的分類的研究發(fā)展迅速，雖然取得了相應(yīng)的進(jìn)展，但在大尺度海域和復(fù)雜的水體環(huán)境下，其仍受限于特征表征能力不足、海底底質(zhì)取樣困難導(dǎo)致的樣本數(shù)量過少、分類模型穩(wěn)定性差等亟待解決的問題。首先，多波束數(shù)據(jù)在單一尺度下提取的聲學(xué)特征存在某種紋理特征的特征異常值不明顯或圖像邊緣模糊、定位精度低等現(xiàn)象；引入地形特征構(gòu)建多元特征空間存在某些特征貢獻(xiàn)度極低所導(dǎo)致的特征冗余現(xiàn)象。因此，如何提取及優(yōu)選多尺度聲學(xué)特征、如何獲得高貢獻(xiàn)度特征以優(yōu)化多元特征空間是急需解決的問題。其次，傳統(tǒng)的海底底質(zhì)樣本增強(qiáng)方式是對采樣點所在區(qū)域進(jìn)行格網(wǎng)化的擴(kuò)充，目前主要包括影像分割法和固定鄰域法，其缺少理論依據(jù)，并且在大尺度海域擴(kuò)充的采樣點的可靠度不高。因此，更具可信度的樣本擴(kuò)充方式仍需進(jìn)一步探索，以保證海底底質(zhì)分類模型的預(yù)測精度和置信度。最后，在實際構(gòu)建多波束海底底質(zhì)各分類模型的過程中，會出現(xiàn)由同一種底質(zhì)數(shù)據(jù)集所構(gòu)建不同分類模型的總體分類精度差異較大的情況和對于精度低的分類模型器對某一底質(zhì)識別能力較強(qiáng)等情況。因此，應(yīng)用何種分類模型去識別研究海域的底質(zhì)分布情況亟待解決。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明提出了一種基于多分類器決策融合機(jī)制的多波束海底底質(zhì)分類方法，設(shè)計合理，一定程度上解決了多種海底底質(zhì)分類模型對同一海域的分類精度差異較高的問題，通過構(gòu)建系統(tǒng)化的多波束海底底質(zhì)分類模型，提高分類精度和置信度。

2、為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、一種基于多分類器決策融合機(jī)制的多波束海底底質(zhì)分類方法，包括：

4、步驟1，多尺度聲學(xué)特征優(yōu)選評估，通過不同尺度的滑動窗口對輸入的多波束反向散射強(qiáng)度圖像和深度圖像分別進(jìn)行紋理特征提取和地形特征提取，對各尺度的相應(yīng)特征利用k-均值聚類的方法進(jìn)行精度分析篩選最優(yōu)尺度的聲學(xué)特征，結(jié)合地理加權(quán)回歸分析方法獲取高貢獻(xiàn)度的聲學(xué)特征；

5、步驟2，有效樣本點擴(kuò)充，利用簡單線性聚類分析的超像素分割多波束反向散射強(qiáng)度圖像，結(jié)合原位采樣點獲取樣本-超像素塊，并通過樣本-超像素塊中各像元對應(yīng)的高貢獻(xiàn)度聲學(xué)特征結(jié)合自適應(yīng)閾值法實現(xiàn)海底樣本點的有效擴(kuò)充，獲得樣本集；

6、步驟3，多分類模型構(gòu)建，將擴(kuò)充后的樣本集一半作為訓(xùn)練集分別與隨機(jī)森林、k最鄰近、決策樹、樸素貝葉斯、bp神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)分類器構(gòu)建海底底質(zhì)分類模型；

7、步驟4，決策融合機(jī)制構(gòu)建，另一半作為驗證集結(jié)合混淆矩陣評估模型的精度表現(xiàn)，利用各模型分類結(jié)果和生產(chǎn)者精度創(chuàng)建一種多分類器決策融合機(jī)制模型預(yù)測海底底質(zhì)類型，獲取海底底質(zhì)預(yù)測結(jié)果圖。

8、在步驟1中，所述多尺度聲學(xué)特征優(yōu)選評估，包括：

9、步驟1.1，多尺度聲學(xué)特征提取，利用不同尺寸的滑動窗口提取多波束反向散射強(qiáng)度圖像的均值、相異性、同質(zhì)性、相關(guān)性、對比度、熵、方差、角二階矩紋理特征，提取多波束強(qiáng)度圖像的坡向、坡度、平面曲率、剖面曲率、粗糙度地形特征；

10、步驟1.2，k-均值聚類，結(jié)合海底采樣點的種類，將其值設(shè)定為k值，同時輸入各尺度不同聲學(xué)的特征利用k-均值對多尺度特征進(jìn)行無標(biāo)簽聚類；

11、步驟1.3，預(yù)測標(biāo)簽確定，在每次迭代下根據(jù)同一類底質(zhì)樣本所在的位置，獲得其周圍3×3鄰域的標(biāo)簽，并統(tǒng)計其中數(shù)量最多的標(biāo)簽，則該標(biāo)簽類型可判定為該種底質(zhì)類型；

12、步驟1.4，聚類精度評估，取聚類精度 p n最高的聚類結(jié)果所對應(yīng)的尺度作為最優(yōu)尺度特征；

13、；

14、式中， x i為聚類后標(biāo)簽； y i為真實標(biāo)簽； n為原始樣本個數(shù)； φ( x, y)為判別函數(shù)，若 x= y，則 φ=1，若 x≠y，則 φ=0；

15、步驟1.5，多尺度聲學(xué)特征評估，將原位采樣點對應(yīng)的最優(yōu)尺度特征分別輸入地理加權(quán)回歸分析模型中，獲取響應(yīng)的決定系數(shù)，并對決定系數(shù)歸一化，獲取各特征的貢獻(xiàn)度，去除貢獻(xiàn)度較低的特征類型，最終獲取高貢獻(xiàn)度聲學(xué)特征。

16、在步驟2中，所述有效樣本點擴(kuò)充，包括：

17、步驟2.1，超像素分割，利用簡單線性迭代聚類超像素分割方法對反向散射強(qiáng)度圖像進(jìn)行分割，獲得內(nèi)部近似均勻、連接緊湊的超像素塊；

18、步驟2.2，樣本-超像素塊獲取，用預(yù)先制作的二進(jìn)制掩模圖像與分割圖像相乘，得到帶有原始樣本點的超像素塊；

19、步驟2.3，參考閾值計算，對各高貢獻(xiàn)度特征進(jìn)行歸一化，計算樣本-超像素塊中原始樣本點與其他點間的特征距離，通過特征直方圖獲取特征距離的分布區(qū)間，選擇頻數(shù)最大的分布區(qū)間，對小于該區(qū)間的所有特征距離求均值，可獲得樣本增強(qiáng)參考閾值；

20、步驟2.4，真實閾值計算，通過調(diào)整不同樣本-超像素塊中的參考閾值獲得真實閾值，以此來平衡各底質(zhì)樣本的擴(kuò)充數(shù)量，實現(xiàn)底質(zhì)樣本點的有效擴(kuò)充。

21、在步驟3中，所述多分類模型構(gòu)建，包括：

22、步驟3.1，訓(xùn)練各分類模型，使用不同的機(jī)器學(xué)習(xí)算法訓(xùn)練多個分類模型，對隨機(jī)森林、決策樹、k最鄰近、樸素貝葉斯、支持向量機(jī)和bp神經(jīng)網(wǎng)絡(luò)分類器設(shè)置合適的參數(shù)，結(jié)合訓(xùn)練樣本構(gòu)建各多波束海底底質(zhì)分類模型；

23、步驟3.2，各模型預(yù)測分類結(jié)果。每個模型結(jié)合研究區(qū)域的特征分別對其海底底質(zhì)分布進(jìn)行預(yù)測，并輸出分類結(jié)果。

24、在步驟4中，所述決策融合機(jī)制構(gòu)建，包括：

25、步驟4.1，眾數(shù)投票。將各個模型的預(yù)測結(jié)果進(jìn)行集成，通過眾數(shù)投票的方式獲得同一像元被在不同分類模型下被分為各底質(zhì)類型的概率；

26、步驟4.2，生產(chǎn)者精度計算，根據(jù)所獲得的各監(jiān)督分類模型預(yù)測驗證樣本的類別，進(jìn)而得到正確識別為該類別的樣本數(shù)，并將其與實際為該類別的所有樣本數(shù)進(jìn)行比較，從而獲得其生產(chǎn)者精度，并剔除各分類模型中精度較低的生產(chǎn)者精度后取其均值作為底質(zhì)類型決策的權(quán)重；

27、步驟4.3，計算決策值，將計算出各分類的生產(chǎn)者精度均值作為權(quán)值，調(diào)整眾數(shù)投票下對每個類別的分類決策概率，從而獲得決策值；

28、步驟4.4，底質(zhì)類型輸出，基于決策閾值最高的類別作為該像元的最終預(yù)測類別。

29、本發(fā)明所帶來的有益技術(shù)效果：

30、本發(fā)明公開了一種基于多分類器決策融合機(jī)制的多波束海底底質(zhì)分類方法，從特征提取、特征優(yōu)選和分類模型構(gòu)建等三個角度對多波束海底底質(zhì)分類方法進(jìn)行系統(tǒng)化的研究。與現(xiàn)有方法相比，本文對多尺度特征提取及優(yōu)選方法和基于簡單線性迭代聚類超像素分割的樣本增強(qiáng)方法所作的進(jìn)一步改進(jìn)和優(yōu)化有效的提高了聲學(xué)特征對底質(zhì)的表征能力；建的融合生產(chǎn)者精度構(gòu)建多分類模型的決策機(jī)制模型充分發(fā)揮各分類模型對于不同海底底質(zhì)的預(yù)測能力，獲得了較高的預(yù)測精度，為多波束海底底質(zhì)分類體系提供了系統(tǒng)化的支撐。該發(fā)明可在近海海洋工程建設(shè)、海洋資源資源管理開發(fā)和海洋測繪等領(lǐng)域發(fā)揮重要作用。