水下声呐图像目标分类方法研究

发布时间：2024-06-07 23:27

　　水下声呐图像目标分类是海洋战略中最具有挑战性的研究方向之一。由于大量非目标、阴影以及噪声的影响,水下声呐图像普遍分辨率低,导致水下声呐图像的识别与分类准确率低。AdaBoost算法是常用的机器学习分类算法,可以根据不同的环境,设计特征提取算法和弱分类器来训练模型,这种方法处理问题具有针对性,但是泛化性差,在实际应用中局限较大。卷积神经网络针对大型数据体现出优越性,且不需要信息预设,但应用到数据量较少的声呐图像数据集上时,往往表现不佳。针对上述问题,本文所做研究工作如下:(1)针对目前声呐图像分类数据完整性差,且不能直接用于图像分类的情况,使用数据增强算法,制作了带有类别标签且尺寸一致的声呐图像分类数据集。根据声呐图像的成像特征,利用仿射、旋转和缩放模拟声呐成像方位的不同;利用通道分离算法模拟水下光的折射对成像的影响;添加不同的噪声类型来模拟水下的噪声环境;而滤波处理能够模仿图像特征的缺失。使用本章所制作的数据集训练得到的分类器表现良好,表明本章制作的数据集可有效的进行模型验证。(2)针对水下目标分辨率低、噪声多和精度低的问题,提出了一种改进的AdaBoost级联分类算法。首先利用方向梯...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 声呐图像分类算法研究现状
    1.3 基于特征提取算法的图像分类
        1.3.1 特征提取算法
        1.3.2 AdaBoost级联算法研究现状
    1.4 卷积神经网络
        1.4.1 卷积神经网络研究现状
        1.4.2 卷积神经网络基础知识
    1.5 本文的主要工作
2 声呐图像特征分析以及数据集制作
    2.1 声呐图像特征分析
    2.2 声呐图像数据集制作
    2.3 MNIST和Cifar-10数据集
    2.4 图像分类质量评估标准
    2.5 本章小结
3 基于AdaBoost级联分类器的声呐图像分类
    3.1 引言
    3.2 AdaBoost级联分类器算法
        3.2.1 SVM算法
        3.2.2 SGD算法
        3.2.3 AdaBoost算法
    3.3 实验仿真结果及分析
        3.3.1 特征提取算法仿真实验
        3.3.2 AdaBoost级联分类器仿真实验
        3.3.3 与其他同类算法对比实验
    3.4 本章小结
4 基于特征激励卷积神经网络的声呐图像分类算法
    4.1 引言
    4.2 特征激励卷积神经网络的图像分类模型
        4.2.1 深度可分离网络模块
        4.2.2 特征激励网络模块
    4.3 实验仿真结果及分析
        4.3.1 深度可分离模块验证
        4.3.2 特征激励模块验证
        4.3.3 与其他同类算法对比实验
    4.4 本章小结
5 总结与展望
    5.1 本文总结
    5.2 工作展望
参考文献
致谢
作者简历及攻读硕士学位期间的科研成果



本文编号：3991113