导读:本文包含了海底底质分类论文开题报告文献综述及选题提纲参考文献，主要关键词:多波束声呐,侧扫声呐,非监督底质分类,辐射畸变
海底底质分类论文文献综述
严俊,赵建虎,孟俊霞,张红梅[1]（2019）在《一种顾及辐射畸变的多波束与侧扫声呐通用海底底质分类方法》一文中研究指出声学海底底质分类对于海底环境和生态系统的研究具有重要意义,而多波束与侧扫声呐是目前最常用于探测海底底质的声呐设备.然而,多波束与侧扫声呐都严重地受到辐射畸变的影响,导致声呐图像噪声较大且难以消除,进而造成对海底底质的误判,并且多波束与侧扫声呐通用底质分类方法目前仍然较为缺乏.为此,本文提出了一种顾及辐射畸变的多波束和侧扫声呐的通用海底底质分类方法.该方法包括了对声呐图像中辐射畸变的改正、针对两种声呐数据特点的不同角度数据归一化、分类数自适应的非监督底质分类以及形态学去除底质图像噪声的步骤,并给出了完整的多波束与侧扫声呐通用海底底质分类流程.将本文方法应用于福建沿海同水域下实测的多波束与侧扫声呐数据得到了该水域的底质分类图像.实验结果表明了同区域下的多波束与侧扫声呐数据通过本文方法得到的底质分类结果具有较高的一致性,证明了通用底质分类方法的有效性,同时通过相互验证也提高了底质分类结果的可靠性.(本文来源于《哈尔滨工业大学学报》期刊2019年05期）
钟绍源[2]（2019）在《基于海底声学图像的底质分类软件设计与实现》一文中研究指出伴随海洋信息技术的发展,海洋资源的探测与开发越来越被人们所重视。人们逐步放弃费时费力的传统人工取样方式,开始利用海底沉积物的声学特征选用更高效的声学遥感探测技术手段实现海底底质的自动分类。通过声学探测设备可以获取大量的海底反向散射强度数据,在此基础上生成的海底声学图像可以为底质分类提供有效可靠的数据来源,因此开发具有自动划分底质类型功能的数据后处理软件就具有了重要的意义。本文围绕基于海底声学图像的特征提取与分类识别方法展开研究,结合模式识别流程和软件工程技术开发出一款底质分类与可视化软件。首先,结合基于声学的海底底质分类概念对多波束测深系统和侧扫声呐两种声学探测设备的成像原理进行阐述;其次,根据多种基于海底声学图像的多种特征提取与分类识别方法,重点研究了基于灰度统计和灰度共生矩阵的特征提取方法以及基于BP神经网络算法的分类方法;然后,在Visual Studio 2013环境下,结合OpenGL和MFC等开发工具完成了基于海底声学图像的底质分类软件设计与实现,包括多文档视图应用程序的软件结构、数据获取模块、特征提取模块、分类识别模块、叁维可视化模块;最后,通过对各个模块功能进行测试,验证了软件可以完成海底地形地貌数据读取、基于灰度统计和灰度共生矩阵方法的特征提取与主成分分析、基于BP神经网络算法的海底底质分类、叁维海底地形地貌联合显示、底质分类效果显示等多个功能。经过多种实验数据的处理与结果分析,测试本套基于海底声学图像的底质分类软件在软件功能和算法效果上都可以达到软件设计的预期要求,并且能够可靠稳定的完成海底底质的自动分类与叁维显示任务。(本文来源于《哈尔滨工程大学》期刊2019-03-14）
金绍华,李家彪,吴自银,边刚,崔杨[3]（2019）在《海底底质分类反向散射强度叁维概率密度法》一文中研究指出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,绘制叁维概率密度图,提出了基于反向散射强度叁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。(本文来源于《测绘学报》期刊2019年01期）
付楠[4]（2019）在《基于声呐图像特征的海底底质类型分类方法研究》一文中研究指出随着声呐技术的发展,研究学者发现通过其获取的图像中包含了较为丰富的底质特征信息,据此可以了解底质类型,并作为水下勘测、反演地貌和军事作战的新型辅助手段。本课题基于声呐成像基本原理及影响因素,针对其特征,研究分析了多种去噪增强、特征提取及分类识别技术。根据方法优缺点及仿真结果选出合适的处理方法,形成一个基于海底底质声呐图像处理与分析的完整体系,对于海底研究具有深远的意义和价值。首先,简单介绍了本课题研究海底底质声呐图像处理和分类的目的及意义,分析了国内外对海底底质声呐探测及图像分类的研究现状和进展,并结合探测系统工作原理阐述声呐图像生成过程,以及本课题所用样本数据集的来源。其次,考虑影响海底底质声呐图像分辨率的主要因素以及噪声来源和性质,针对性地分析研究适用于声呐图像的多种预处理方法,通过分析研究及仿真效果对比,选用排序自适应中值滤波算法对其进行降噪处理。同时考虑图像分辨率低、对比度较差等情况,采用基于Curvelet变换域的自适应增强方法再对其进行处理,在提高纹理细节特征及整体对比度方面有明显优势。再次,为了提高图像识别分类的精准度,需要在此之前进行有效的特征提取处理,根据海底底质声呐图像特有的边缘、纹理及统计信息,本文先后引用尺度不变特征转换、灰度共生矩阵及改进的灰度-基元共生矩阵叁种方法进行研究及仿真。方法一简洁方便,提取速度较快,方法二提取的特征矩阵更能代表不同底质,本文提出的方法叁应用并结合Canny边缘提取算法与灰度-基元共生矩阵法,将边缘形状统计特征与灰度相关性有机结合,更准确地提取特征信息。叁种方法从多方面入手,有利于匹配不同类型分类器以达到更好的分类识别效果。最后,本文引用SVM、BP、CNN叁种分类算法对海底底质声呐图像进行分类研究,并针对性地匹配了较合适的特征提取方法。通过分析对比,CNN模型获得准确率较高,更适用于海底底质声呐图像分类处理,故选用其作为最终分类方法。通过参数动态调节,将分类准确率提升至98.1%,最后借助Tensorboard展示出模型框架组成及准确率可视化曲线,效果良好,验证了CNN模型在海底底质声呐图像识别分类上具有较高应用价值和研究意义。(本文来源于《哈尔滨工程大学》期刊2019-01-01）
史春雪[5]（2018）在《基于Fisher线性鉴别特征融合的海底底质分类研究》一文中研究指出提出了一种基于Fisher线性鉴别特征融合的海底底质分类方法。首先,分析了声学遥感可以进行海底底质分类与识别,但是现有的分类方法,存在特征量维数较大、分类器设计复杂、分类效果不佳、不能获得最佳鉴别矢量等缺陷。因此,提出一种基于Fisher线性鉴别特征融合的海底底质分类方法。该方法首先提取同一样本的12个统计特征量,然后利用特征融合技术将这12个特征量组合在一起,构成一个新的特征矢量空间,最后在该空间中利用Fisher线性鉴别分析进行最优鉴别特征提取。其次,以岩石、砾石、沙、泥四种沉积物为实验对象来开展水下实验。对回波数据进行预处理,然后对每一样本提取12个统计特征量,采用串行融合方法进行特征组合,最后采用Fisher线性判别分析得到最佳鉴别矢量特征,并送入最近邻分类器进行分类。最后,通过大量的实验数据对比,发现基于Fisher线性鉴别特征融合的海底底质分类方法比PCA方法和单一特征方法具有更高的正确分类率。(本文来源于《机械》期刊2018年08期）
纪雪[6]（2017）在《基于多波束数据的海底底质及地形复杂度分类研究》一文中研究指出随着声学探测技术的不断发展,多波束测深系统凭借其全覆盖、高精度、高分辨率等优势被广泛应用于海底地形地貌测绘、海底底质勘探等海洋探测研究中。多波束测深系统主要记录有水深数据、声强数据和水柱数据叁种重要信息,其中水深数据主要用来描述海底地形起伏和地貌形态变化;声强数据是海底介质散射、反射信号的反映,可以用来研究海底底质的类别和分布;水柱数据涵盖了声波在水体传播过程中的全部反射、散射声信号,可用来研究整个水体中的声学特征。本文就多波束测深系统采集的声强数据和水深数据在海底底质分类和海底地形复杂度分类中的应用进行了研究,主要工作如下:(1)阐述了多波束数据开展海底底质和地形复杂度分类研究的意义,对国内外基于多波束数据进行海底底质和地形复杂度分类的研究现状进行了详细的梳理,并归纳总结其在数据处理、分类指标建立以及分类库构建等方面存在的问题和不足。(2)介绍了多波束测深系统的基本原理与系统组成,并解释了基于多波束反向散射数据进行海底底质分类的原理。(3)给出了详细的多波束反向散射强度数据处理与分析流程,对水深数据进行拟合延伸实现了声强数据全提取,完善了顾及地形坡度的声照面积改正;对滤波方法进行比较,选取维纳滤波进行声强数据、水深数据滤波,选取双边滤波方法进行多波束声纳图像滤波;加入中央波束改正,构建了较为完善的声能补偿改正模型;分别采用反距离加权插值、样条函数插值和克里金插值方法进行多波束声纳图像重采样,比较不同方法的优缺点;对多波束声纳图像特征提取进行了归纳总结。(4)利用灰度共生矩阵分别提取多波束声纳图像的角二阶矩、对比度、相关性、熵、逆差距和协方差6项纹理特征,加上图像灰度信息共7维特征值作为分类特征信息,分别基于ISODATA、SVM和BP神经网络叁种方法进行底质分类。(5)将卷积神经网络(CNN)应用到海底底质分类中,在详细介绍CNN分类工作原理的基础上提取10项图像纹理特征,加之3维统计特征和3维声强灰度信息共16维特征值进行底质分类,对ISODATA、SVM、BP神经网络和CNN四种方法分类结果进行比较,分析不同算法的优劣,得出CNN分类结果优于其它叁种算法。(6)建立角度响应分析模型(AR)进行海底底质分类。提取泥质砂、砾石、基岩、细砂和砂质泥、粗砂六类底质的角度响应曲线,提取7项统计特征和4项Hellequin L模型参数特征组成11维特征参数,利用距离最小方法实现底质分类,每一类底质分别选取100Ping数据对建立的角度响应分析模型有效性进行检验。(7)海底地形复杂度研究,在传统单一分类指标的基础上引入地形坡度和起伏度作为新的分类指标,并进行量化引入到海底地形复杂度分类中,详细介绍二维模式复杂度方法在海底地形复杂度分类中的应用,利用BP神经网络建立18种地形的特征数据库实现海底地形复杂度的自动划分,实验验证表明该方法分类精度高,不仅能实现地形复杂度定性分类还能进行定量分析,具有明显的分类优势。(本文来源于《国家海洋局第一海洋研究所》期刊2017-04-01）
赵永祯,唐劲松,钟何平[7]（2015）在《基于声纳图像纹理特征的海底底质分类方法研究》一文中研究指出一般不同底质的海底声纳图的纹理特征不同。重点分析了不同底质声纳图像纹理特征的差异,为底质分类的实现提供了基础。并提取了海底声纳图像的灰度共生矩阵,将灰度共生矩阵的统计特征作为特征向量。最后应用自组织迭代(ISODATA)分类算法依据对特征向量进行分类,从而实现了海底底质的划分。(本文来源于《海洋测绘》期刊2015年03期）
何林帮,冯杰[8]（2015）在《基于回波强度的海底底质分类系统关键技术》一文中研究指出介绍基于回波强度的海底底质分类软件的框架,并从多波束声呐原理入手解析ALL格式多波束声呐数据的存储结构和内容,通过软件开发可实现ALL格式多波束声呐数据的解码,提取各种数据包,并且通过一系列的数据预处理形成基于波束脚印包络栅格的高分辨率声呐图像。最后,利用改进的BP神经网络对生成的声呐图像进行海底底质分类。实验证明,本系统对底质全图分类效果很好,并为海底微地貌识别提供精确可靠的依据。(本文来源于《大地测量与地球动力学》期刊2015年01期）
徐超,李海森,王川,赵先龙[9]（2014）在《基于合成核SVM的多波束海底声图像底质分类研究》一文中研究指出基于多波束海底声图像中多种特征信息数据的不同特点,以经典的基本统计算法、基于灰度共生矩阵的纹理分析以及基于功率谱比的Pace谱特征提取方法得到3组特征向量,并组合形成4个合成核以代替传统的单核形式,进而采用支持向量机(support vector machine,SVM)进行底质分类研究.通过海试数据处理对该方法进行评价和验证,结果表明该方法可获得比传统单核SVM更高的分类精度,具备实际应用前景.(本文来源于《地球物理学进展》期刊2014年05期）
唐秋华,李杰,周兴华,陆凯,张志珣[10]（2014）在《济州岛南部海域海底声呐图像分析与声学底质分类》一文中研究指出东海北部外陆架靠近济州岛南部海域,是黄海槽向冲绳海槽延伸的部分,属于黑潮分支黄海暖流的通道入口,分布着脊槽相间的海底底形,对其海底声呐图像的处理分析及声学底质分类的分析研究,有助于了解该通道海底底形表层纹理特征及沉积物分布规律。基于在济州岛南部海域获取的多波束声呐数据,应用图像处理技术和方法,对数据进行了处理,获得了海底声呐影像图,并对其表层纹理特征进行了描述和分析;同时,基于多波束反向散射强度数据,结合19组海底地质取样数据,建立研究区海底反向散射强度与沉积物粒度特征之间的统计关系模型,并以改进的学习向量量化神经网络方法,实现对海底粉砂质砂、黏土质砂以及砂-粉砂-黏土3种底质类型的快速自动分类识别。(本文来源于《海洋学报(中文版)》期刊2014年07期）
海底底质分类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
伴随海洋信息技术的发展,海洋资源的探测与开发越来越被人们所重视。人们逐步放弃费时费力的传统人工取样方式,开始利用海底沉积物的声学特征选用更高效的声学遥感探测技术手段实现海底底质的自动分类。通过声学探测设备可以获取大量的海底反向散射强度数据,在此基础上生成的海底声学图像可以为底质分类提供有效可靠的数据来源,因此开发具有自动划分底质类型功能的数据后处理软件就具有了重要的意义。本文围绕基于海底声学图像的特征提取与分类识别方法展开研究,结合模式识别流程和软件工程技术开发出一款底质分类与可视化软件。首先,结合基于声学的海底底质分类概念对多波束测深系统和侧扫声呐两种声学探测设备的成像原理进行阐述;其次,根据多种基于海底声学图像的多种特征提取与分类识别方法,重点研究了基于灰度统计和灰度共生矩阵的特征提取方法以及基于BP神经网络算法的分类方法;然后,在Visual Studio 2013环境下,结合OpenGL和MFC等开发工具完成了基于海底声学图像的底质分类软件设计与实现,包括多文档视图应用程序的软件结构、数据获取模块、特征提取模块、分类识别模块、叁维可视化模块;最后,通过对各个模块功能进行测试,验证了软件可以完成海底地形地貌数据读取、基于灰度统计和灰度共生矩阵方法的特征提取与主成分分析、基于BP神经网络算法的海底底质分类、叁维海底地形地貌联合显示、底质分类效果显示等多个功能。经过多种实验数据的处理与结果分析,测试本套基于海底声学图像的底质分类软件在软件功能和算法效果上都可以达到软件设计的预期要求,并且能够可靠稳定的完成海底底质的自动分类与叁维显示任务。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
海底底质分类论文参考文献
[1].严俊,赵建虎,孟俊霞,张红梅.一种顾及辐射畸变的多波束与侧扫声呐通用海底底质分类方法[J].哈尔滨工业大学学报.2019
[2].钟绍源.基于海底声学图像的底质分类软件设计与实现[D].哈尔滨工程大学.2019
[3].金绍华,李家彪,吴自银,边刚,崔杨.海底底质分类反向散射强度叁维概率密度法[J].测绘学报.2019
[4].付楠.基于声呐图像特征的海底底质类型分类方法研究[D].哈尔滨工程大学.2019
[5].史春雪.基于Fisher线性鉴别特征融合的海底底质分类研究[J].机械.2018
[6].纪雪.基于多波束数据的海底底质及地形复杂度分类研究[D].国家海洋局第一海洋研究所.2017
[7].赵永祯,唐劲松,钟何平.基于声纳图像纹理特征的海底底质分类方法研究[J].海洋测绘.2015
[8].何林帮,冯杰.基于回波强度的海底底质分类系统关键技术[J].大地测量与地球动力学.2015
[9].徐超,李海森,王川,赵先龙.基于合成核SVM的多波束海底声图像底质分类研究[J].地球物理学进展.2014
[10].唐秋华,李杰,周兴华,陆凯,张志珣.济州岛南部海域海底声呐图像分析与声学底质分类[J].海洋学报(中文版).2014