基于改进GLCM的侧扫声纳影像分类研究

郭　军,马金凤,王爱学

(1.国土资源部海底矿产资源重点实验室，广东 广州 510760;2.武汉大学 测绘学院，武汉 430079)



基于改进GLCM的侧扫声纳影像分类研究

郭军1,马金凤1,王爱学2

(1.国土资源部海底矿产资源重点实验室，广东 广州 510760;2.武汉大学 测绘学院，武汉 430079)

摘要：提出一种基于改进GLCM的算法IGLCM用于侧扫声纳影像的分类，IGLCM反映像素与其邻域像素的灰阶联合分布，全面描述像素与其邻域像素所在区域的纹理特征。利用GLCM和IGLCM分别提取4种纹理特征，应用支持向量机对侧扫声纳海底底质进行分类。研究结果表明，IGLCM分类精度优于GLCM，更适合侧扫声纳分类。

关键词：侧扫声纳系统；灰度共生矩阵；纹理；分类

灰度共生矩阵[8-9](Gray level co-occurrence matrix，GLCM)是一种常用的纹理分析方法，该方法建立在估计图像的二阶组合条件概率密度函数的基础上，广泛应用各种类型图像的纹理分析和特征参数提取。然而，GLCM有其局限性，计算纹理特征时，并没有考虑像素的邻域灰阶分布，对纹理特征参数的能量有一定的损失。为此，本文提出一种改进的GLCM算法，IGLCM(Improved Gray level co-occurrence matrix)，充分考虑图像像素与邻域中所有像素的灰阶联合分布。

1侧扫声纳成图原理

侧扫声纳成像是利用声波在水中的传播实现的。换能器发射声脉冲，以球面波的方式向远方传播，到物体后按原路径反向散射至换能器，形成PING数据[10]。随着船体的运动，侧扫声纳不断地向海底垂直发射波束并记录回波，将采集的每PING回波按测量的先后顺序堆叠在一起形成侧扫声纳图像。将每PING回波量化至灰度级上，便可形成回波图像序列。回波的散射强度的大小在声纳图像上表现为图像明暗的深浅。图1给出了4种不同类型的海底底质侧扫声纳图像，可以看出，不同底质的纹理特征差异明显，从泥土到基岩，图像越来越暗，表面越来越粗糙，其中基岩和沙砾包含了大量的细节信息和丰富的边缘信息，沙地和泥沙次之，泥土所含的细节和边缘信息最少。可以看出不同类型底质在声纳图像上有着特定的纹理结构，故可以利用纹理信息来进行侧扫声纳图像的海底底质分类。

图1　4种不类型海底底质的侧扫声纳图像

2灰度共生矩阵

灰度共生矩阵反映图像灰度关于方向、相邻间隔及变换幅度的综合信息，描述了影像(x,y)灰度i的像素，统计与距离δ、灰度j的像素(x+Δx,y+Δy)同时出现的概率MGLCM(i,j,δ,θ)，

(1)

式中:i,j=0,1,…,L-1;(x,y)为像素坐标;L为图像灰度级。

由灰度共生矩阵的定义可以看出，其计算纹理特征时，仅仅考虑像素与指定距离和方向的灰阶分布，没有考虑像素邻域的灰阶分布。

2.1改进的灰度共生矩阵

改进的灰度共生矩阵描述像素与其邻域所有像素之间的灰阶联合分布，描述影像(x,y)灰度i的像素、统计与其距离为(2d+1)×(2d+1),灰度为j的像素同时出现的概率：

(2)

式中:i,j=0,1,…,Ng-1;N为元素总数;ρ为距离测度。比较式(1)和式(2)，可知

对于数学全息定义，从建构数学科学体系的角度来看它是好的定义，但从教学的角度来看它既难教又难学．全息定义和非全息定义的教学有较大区别，全息定义一般应强化，而非全息定义一般宜淡化．

(3)

由此可以看出，在计算纹理特征时，改进的灰度共生矩阵综合地考虑了邻域像素的灰阶分布。

2.2纹理特征参数

从灰度共生矩阵定义多种描述图像纹理的特征参数，针对侧扫声纳影像的特点，本文采用对比度、能量、相关性、逆差距这4个统计特征来计算侧扫声纳影像纹理特征参数[11-13]，

(4)

(5)

(6)

(7)

3实验分析

3.1实验数据

实验数据来源于加利福尼亚大学海图实验室提供的位于加利福尼北部Mackerricher州立保护区内的侧扫声纳海底图像。本实验针对4种海底底质类型：泥土、沙地、基岩、沙砾。实验中，在上述4个不同的底质区域，任意选取100幅大小为64×64像素的子图像，共获得400幅样本图像，样本图像如图2所示。

图2　海底底质样本图像

3.2SVM分类器

实验中选择支持向量机(SVM)神经网络作为纹理特征矢量的分类器。SVM核函数采用径向基核函数[13]，包含两个必备的参数：参数γ和误差惩罚因子C。计算参数时，可采用交叉对比算法，将样本分为n个子集，其中n-1个子集用来训练SVM，调整参数γ和误差惩罚因子C来计算剩余1个子集的正确分类率，直到达到理想的效果，此时的γ和C为SVM进行分类时所采用的最佳参数。

实验中将样本分为训练集和测试集两组，随机选取200个样本用于SVM网络训练和学习，剩余的200个样本用于SVM网络的测试。网络训练和测试完毕之后，再随机选取100个样本进行精度评价。

3.3GLCM分类

利用灰度共生矩阵计算纹理特征参数，并对特征参数进行归一化处理，构建基于GLCM的特征矢量，得到SVM模型的参数γ=0.2，C=56。利用训练后的SVM进行分类，分类结果如图3所示。

3.4IGLCM分类结果

利用改进的灰度共生矩阵计算纹理特征参数，并对特征参数进行归一化处理，构建基于IGLCM的特征矢量，得到SVM模型的参数为γ=0.105，C=38。利用训练后的SVM进行分类，分类结果如图4所示。

图3　基于GLCM的分类结果

图4　基于IGLCM的分类结果

步距d对GLCM和IGLCM提取的特征参数有着重要的影响，不同的d值导致提取的特征参数不同，故会进一步影响分类的精度。实验中，采用不同的d值，进行分类实验。图5展示了不同d值下GLCM和IGLCM的分类结果。

3.5结果与分析

从图5可以看出，d=1时，IGLCM的分类精度与GLCM的分类精度一致，代表IGLCM的分类精度要优于GLCM的分类精度，并且两者的分类精度都随着d值的增大而不断提高；当d=5时，分类精度都达到各自的最高值，IGLCM为86.9%，GLCM为84.8%；当d>5时，两者的分类精度趋于稳定，并随着d值的增大有所下降。实验结果表明，IGLCM算法全面综合考虑邻域像素对纹理特征计算的贡献，弥补GLCM算法的局限性，表明IGLCM算法的可行性和有效性，同时对于侧扫声纳图像而言，d值取5为最佳。

4结束语

本文提出基于改进灰度共生矩阵的IGLCM算法，并结合SVM分类器对4种典型的侧扫声纳海底图像进行分类实验，结果表明IGLCM分类精度优于GLCM的分类精度。实验验证上述思想、实施过程和方法的正确性。

参考文献：

[1]赵建虎.多波束深度及图像数据处理方法研究[D].武汉：武汉大学，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]杨凡林，刘经南，赵建虎，等.基于遗传算法的BP网络实现海底底质分类[J].测绘科学，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]杨词银，许枫.基于二次反锐化掩膜的多特征侧扫声纳图像海底底质分类[J].电子学报，2005,10(33):1841-1844.

[7]石丹，李庆武，范新南，等.曲波变换域侧扫声纳图像海底底质分类[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] 郭军，马金凤，王爱学.基于SVM算法和GLCM的侧扫声纳影像分类研究[J].测绘与空间地理信息，2015,38(3):60-63.

[12] 刘凯，汤国安，陶旸，等.基于灰度共生矩阵的DEM地形纹理特征量化研究[J].地球信息科学学报，2012,14(6):751-760.

[13] 郭军，马金凤.基于K-L变换的自组织竞争神经网络在海底底质分类中的应用[J].测绘工程，2013,22(1):51-54.

[14] 汤井田，胡静，龚智敏.基于SVM的图像纹理特征分类研究[J].计算机工程与科学，2008,30(8):44-48.

[责任编辑：李铭娜]

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

中图分类号：TP391.4

文献标识码：A

文章编号：1006-7949(2016)06-0006-04

作者简介：郭军(1984-)，男，工程师，硕士.

基金项目：广州海洋地质调查局区域调查项目(GZH201100312-01)；国土资源部海底矿产资源重点实验室开放基金资助项目(1212011220117)

收稿日期：2015-07-10