K-means與SVM結合的水下目標分類方法

戴　冬，衛　娟

(河南機電高等專科學校，河南 新鄉 453000)

K-means與SVM結合的水下目標分類方法

戴冬，衛娟

(河南機電高等專科學校，河南 新鄉 453000)

摘要：為促進海洋資源開發，提高海洋開發能力，本文對水下目標分類識別方法進行研究。首先，對水下目標分類方法進行概述，介紹較為常用的方法。然后，提出K-means與SVM結合的水下目標分類方法。該方法利用S變換進行圖像預處理，提取不同分辨率下的不同特征作為分類的特征向量，通過K-means與SVM結合的分類識別方法進行分類。實驗結果表明，該方法具有較高的識別率。

關鍵詞：S變換；K-means；SVM

0引言

海洋面積占地球表面積的71%，在廣袤的海洋中不但蘊含著豐富的生物資源，而且還富含石油、可燃冰、天然氣、金屬等豐富資源，因此，海洋開發技術的研究具有重要的科學價值和社會意義。隨著陸地資源的日益緊張，各國將海洋資源開發逐步提升到戰略高度，海洋開發技術的發展不僅是爭取資源利益的有效途徑，更是國家安全的有力保障。水下目標的探測、定位和識別是海洋開發領域中的重要組成部分。本文針對水下目標分類方法進行研究，提出一種K-means與SVM結合的分類識別方法。

1水下目標分類識別技術概述

水下目標分類識別是隨著聲吶技術、信號檢測理論及計算機科學技術的不斷進步而發展起來的，是聲吶數據處理的重要環節。根據研究對象的不同可分為利用聲波信號進行目標識別與利用水聲圖像進行目標識別兩類。

1.1　基于聲波信號的水下目標識別

聲波是一種可以在水下進行遠距離傳播的能量形式，因此被廣泛應用在水下探測、目標定位與識別中，其主要過程如圖1所示。

圖1　識別流程框圖fig.1　Identify process

目前取得的研究成果如下：

1)20世紀60年代，美國推出聲吶目標分類系統，即BQQ-3，該系統采用了1/3倍頻程分析方法。

2)20世紀70年代中期，美國海軍推出BQQ-5，該裝備以拖線陣為主，配有頻率分析器，可以檢測船舶噪聲的低頻線譜。

3)印度研制出RECTSENOR水下被動目標識別系統。該系統將螺旋槳葉片數、螺旋槳轉速、動力裝置類型、目標殼體輻射低頻噪聲、活塞松動產生的諧音極品、噴嘴噪聲、最大速度、槽極噪聲和傳動裝置作為特征，利用監測線譜的方法，可以實現識別目標。

4)20世紀80年代，主要的研究成果包括美國斯坦福大學研制的HASP/SIAP、MITRE公司開發的具有目標識別功能的專家系統、日本研制的SK-8海岸預警體系、加拿大研制的INTERSENSOR信號分析專家系統，上述系統或裝置采用線譜分析法。

1.2　基于水聲圖像的水下目標識別

隨著計算機技術的飛速發展，水下目標分類識別技術逐步趨向智能化、自動化。由于聲吶技術的不斷進步，聲吶成像分辨率越來越高，以計算機圖像圖形為核心的水下目標識別技術逐漸成為各國發展水中目標技術的研究熱點和發展方向?；谒晥D像的目標識別的總體框架如圖2所示。

圖2　識別流程框圖fig.2　Identify process

此類方法主要包括以下3部分內容：

1)預處理

由于在水下特殊環境中，干擾雜質多，光源衰減嚴重，使得獲取的目標圖像質量不穩定，常會出現陰影、噪點、對比度下降等現象，因此需要對原始圖像進行預處理，以減少干擾，保證圖片所包含的有效信息量。目前，常用的圖像降噪方法包括均值濾波器法、自適應維納濾波器法、中值濾波器法、形態學噪聲濾除器法及小波去噪法。在預處理過程中，值得注意的是圖像去噪與圖像增強在一定程度上存在著矛盾，因為消除噪聲需要取出圖像的高頻部分，而高頻部分往往是圖像的邊界區域，因此，如何處理好這一對矛盾是圖像預處理過程的一個重要問題。

2)特征提取

圖像特征提取是指對圖像的一組測量值進行變換，從而突出能夠代表該圖像的序列信息。目前比較常用的特征提取包括時域波形結構特征分析法，例如過零點分布、峰間幅值分布、波長差分布等。頻域特征提取法，例如：經典譜估計法、現代譜估計法、高階譜估計等。時頻域特征提取法(如小波變換)，也有混沌、分型等非線性處理方法。

3)分類器設計

分類器的作用是確定某一輸入樣本的特征向量屬于每一個類別的可能概率。分類器需要考慮2個因素，分別是來自同一類別的不同個體之間特征值的波動和屬于不同類別樣本的特征值差異。

20世紀90年代后期，各國學者將人工神經網絡引入到水下目標分類系統中，例如騰月慧[1]等提出的經驗模式分解法，該方法利用二進制濾波的經驗模式分解法進行特征值提取，然后利用BP神經網絡進行分類識別，取得了較好的分類效果。石敏[2]等提出的基于小波變換和概率神經網絡的水下目標識別算法，該算法利用小波變換獲取稅校目標輻射的噪聲信號在不同尺度下的能量分布，將其作為特征向量，然后利用概率神經網絡實現目標分類。

2基于K-means與SVM結合的水下目標分類算法

2.1　S變換

本文選取時頻變化進行圖像預處理，比較常用的頻域方法有短時傅里葉變換、小波變換、Wigner-Ville分布。其中，傅里葉變換與小波變換為線性時頻表示，均具有局部分析能力。但短時傅里葉變換由于當窗函數確定后，其時頻分辨率就確定，不具有自適應能力。而小波變換需要選擇適合的母小波，且處理較為復雜。Wigner-Ville分布可以描述瞬時功率譜密度，但存在交叉干擾。通過對各時頻變化方法的分析，本文利用S變換結合傅里葉變換和小波變換進行圖像去噪，它結合了傅里葉變換和小波變換的優點。

S變換是一種加時窗傅里葉變化方法，是對以Morlet小波為基礎的連續小波變換思想的延伸。它的寬度特性與頻率成反比例，高度特性與頻率成線性關系，并且可以通過調節頻率實現多頻率分析S變換定義如下：

信號x(t)的一維S變換為：

(1)

X(t)的逆變換為：

(2)

高斯窗函數滿足歸一化條件，即：

(3)

信號在整個時間內的局部譜為：

(4)

S變換的性質主要包括以下4點：

1)局部性：S變換是非平穩信號x(t)的傅里葉變換的一般形式。

2)線性性質：含噪聲的信號x(t)表示為：

x(t)=s(t)+n(t)，

(5)

其S變換為：

ST{x(t)}=ST{s(t)}+ST{n(t)}。

(6)

3)無損可逆性：從式(1)-式(3)可以看到，通過S變換，可以將信號從時域變換到頻域，通過S反變換將信號從時域變換到頻域，在這個過程中，沒有信息的泄露。

4)時頻分辨率好：由于高斯窗函數既是時間的函數，也是頻率的函數，而窗的寬度由頻率控制，低頻時，時窗寬度大，高頻時，時窗寬度小。進而在低頻處可以獲得較好的頻率分辨率，在高頻處可獲得較好的時間分辨率[3]。

2.2　特征提取

本文的特征提取方法如下：

1)低頻處：將系數矩陣的能力作為特征，能量定義如下：

(7)

式中：C(x,y,i,j)為在第i層第j個方向，大小為M×N的子代系數矩陣中坐標為(x,y)的Contourleta分解系數。

2)中頻：系數矩陣的1階、2階矩作為特征，定義分別如下：

(8)

(9)

3)高頻：將子帶系數矩陣基于矩陣的奇異值分解降維后的向量作為特征。

2.3　K-means與SVM結合的分類器

K-means算法也成K均值法[4]，K-means算法的基本思想是先進行粗略分類，然后根據某種最優的原則修改不合理的分類，每一次分類都會在進行下一次迭代，直至分類結構合理為止，是一種無監督學習法。K-means算法是一種基于劃分的聚類方法，劃分聚類是將數據集劃分成不互不相交的子集，同一子集內的對象是“相似”的，而不同子集內的對象是“相異”的。K-means算法具有以下優點：

1)可以應用在無法獲得訓練樣本的模式識別中。

2)聚類算法可以獲取有用星系，可用于復雜分類器的數據預處理過程。

3)聚類算法可用于數據挖掘。

SVM[5]的基本思想是在樣本集之間尋找一個最優分界面，是一種監督式學習方法，它基于結構風險最小化準則，能夠在訓練誤差和分類器容量之間達到較好的平衡。SVM的優點表現在以下幾點：

1)SVM基于機構風險最小化原則和VC維理論，由有限的訓練樣本得到較小誤差，從而使獨立的測試集仍能夠保持較小的誤差，因此具有良好的泛化能力。

2)SVM的求解問題是一個凸優化問題，其局部最優解一定是全局最優解。

3)SVM應用核函數，將非線性問題轉化為線性求解問題。

4)SVM可以使分類間隔最大化，因此SVM具有較好的魯棒性。

在本文中，將無監督學習法K-means與監督式學習法SVM相結合，以避免各自的局限性，提高分類效果。首先利用K-means聚類算法對樣本集進行初步聚類，然后根據各類中的樣本數目及稀疏程度選取虛席樣本，進行SVM分類器，利用SVM對原始樣本集進行重新分類。K-means與SVM結合的分類方法過程如圖3所示。

圖3　分類流程框圖Fig.3　Identify process

具體步驟描述如下：

1)初始聚類

設X(t)={x1(t), x2(t), x3(t), …xn(t)}為提取的特征值序列，將X(t)作為聚類的輸入樣本，利用K-means進行初始聚類，產生p個類別。

2)選取訓練樣本

根據步驟1的聚類結果，根據特征序列數量，選取該類別中與聚類中心距離較近的特征序列作為該類的訓練樣本。

3)SVM訓練

根據步驟2得到的訓練樣本，利用SVM進行學習訓練。

3實驗與結論

本文的實驗數據如下：選取的目標類別總數為4類，總共的樣本數為450個，其中訓練樣本數為300，識別樣本數為100，實驗結果如表1所示。

表1　識別結果

在本文中，提出了一種K-means與SVM結合的水下目標分類方法，在該方法中，使用具有較好時頻分辨率的S變換對圖像進行預處理，去除噪聲干擾，然后提取不同頻率段的不同特征值作為特征向量，最后將K-means與SVM兩種機器學習方法相結合，設計了K-means與SVM結合的分類算法，實驗結果表明，該分類算法具有較高的識別率。

參考文獻：

[1]石敏,徐襲,岳劍平.基于小波變換和概率神經網絡的水下目標識別[J].艦船科學技術,2012,34(1)：85-87,

SHI Min,XU Xi,YUE Jian-ping.Underwater target recognition based on wavelet transform and probabilistic neural network[J].Ship Science and Technology,2012,34(1)：85-87.

[2]滕月慧,劉平香,董陽澤.經驗模式分解方法在水下目標分類中的應用[J].艦船科學技術,2010,32(3)：66-69,124.

TENG Yue-hui,LIU Ping-xiang,DONG Yang-ze.The application of empirical mode decomposition to underwater targets classification[J].Ship Science and Technology,2010,32(3)：66-69,124.

[3]LI Bing，ZHANG Pei-lin，LIU Dong-sheng，et al.Feature extraction for rolling element bearing fault diagnosis utilizing generalized S transform and two-dimensional non-negative matrix factorization[J].Journal of Sound and Vibration，2011,330(10):2388-2399.

[4]周世兵.新的K-均值算法最佳聚類數確定方法[J].計算機工程與應用,2010,46(16):27-31.

[5]PLATT J C.Fast training of SVMs using sequential mini-mal optimization[C]//Advances in Kernel MethodsSupport Vector Learning.Scholkopf B，Burges C J C，Smola A J，1998:185-208.

Research on target identification underwater method by K-means and SVM

DAI Dong,WEI Juan

(Henan Mechanical and Electrical Engineering College,Xinxiang 453000,China)

Abstract：To promote the development of marine resources, enhance the ability of marine development, underwater target classification and recognition methods were studied in this paper. First, this paper overviewed the underwater target classification, introduced methods used commonly. Then, K-means and SVM combination classification of underwater targets was proposed, the method using S-transform image preprocessing, extraction of the different characteristics of different resolutions as feature vector, and classified by K-means and SVM classification identification classification. Experimental results show that this method had a high recognition rate.

Key words：S transform; K-means; SVM

作者簡介：戴冬(1978-),女,碩士,講師,研究方向為智能算法等。

基金項目：2014年河南省教育廳科學技術重點研究資助項目(14A520045)；2013年河南省教育廳科學技術研究重點資助項目(13A520221)

收稿日期：2014-05-21； 修回日期： 2014-08-03

文章編號：1672-7649(2015)02-0204-04

doi：10.3404/j.issn.1672-7649.2015.02.046

中圖分類號：TP181

文獻標識碼：A