基于對象的多波束背散射圖像底質分類

夏顯文

(中交第三航務工程局有限公司，上海 200032)

海底底質分布是水下工程、海洋礦產資源探測、海洋漁業、海洋環境研究等活動的基礎保障信息。利用多波束背散射數據進行海底底質分類是目前多波束聲吶系統研究應用的熱點和難點[1]，許多學者就此開展了相關研究。Jackson等[2]采用微分法提取實測回波強度的角度響應曲線特征參數，可以較好地描述底質的聲散射特性，但是測量誤差對提取的特征參數影響較大。Hellequin等[3]提出的GSAB模型是根據聲散射特性建立的整個角度范圍內的近似模型，具備良好的抗誤差能力，但往往使用數十ping數據的均值進行參數提取，導致分類結果的空間分辨率低。Clarke等[4]統計了不同入射角度與反向散射強度之間的關系，建立了區分不同底質的回波強度與入射角關系對；金紹華等[5]結合Jackson模型和GSAB模型，使用非線性最小二乘擬合提取底質相關特征參數。上述方法主要基于角度響應曲線進行分類，盡管具有明確的物理依據，但是角度響應曲線只能用于單ping數據的分類，ping內數據無法分類。

相對于上述方法，基于統計特征的方法可使得同一ping的不同底質也能夠被區分[6]。呂良等[7]基于紋理特征和K-均值聚類算法實現了海底底質分類以及最佳分類數目的選取研究。Landmark等[8]提出了一種基于標準Bayesian模型的底質分類方法，依據單一角度下回波強度服從正態分布這一統計特征實現了底質分類。盡管這些方法能實現單個像素的底質分類，具有較高的分辨率，但復雜水體環境導致聲吶圖像包含較多噪聲，使得類別劃分存在錯誤[9]。

基于角響應特征分類分辨率低，而基于像素統計性特征分類抗噪性低。針對這一問題，本文提出一種基于對象的底質分類方法，即在背散射圖像處理完成后，先使用SLIC超像素分割算法將聲吶圖像分割成內部均一的對象塊；再對每個對象塊提取統計性特征，顯著降低噪聲的影響，獲得準確清晰的類別邊緣；進而基于K-means++聚類算法實現對象塊底質分類。

1 背散射強度處理及聲吶圖像生成

背散射強度數據處理的流程、算法等在不同聲吶系統、同一系統不同的運行模式、不同的后處理軟件之間都有差異，而且很多是黑箱操作，這樣導致回波強度的最后產品存在未知的改正殘余，影響后續使用。為了解決這一情況，Schimel等[10]整理出了適用不同聲吶系統、改正步驟完整的通用回波強度數據處理流程，見圖1。

圖1 強度處理流程

2 基于SLIC的對象塊劃分

傳統的基于聲吶圖像的底質分類算法以像素點或矩形像素塊作為分類的基本單元。以像素點為最小分類單元的算法將像素點對應的強度值作為特征參數進行分類，分類后的結果往往存在大量噪點，精度較差。因此本文采用SLIC算法先對背散射圖進行對象分割，獲得內部屬性均一、邊界輪廓清晰的對象塊[11-12]。下面給出SLIC算法的實現步驟。

1)初始化種子點(聚類中心)。設定圖像的超像素個數為K，將K個種子點均勻地分布在圖像上。假設圖像的像素點個數為N，則每個超像素的像素點數大約為N/K，相鄰種子點距離近似為S=sqrt(N/K)。

2)優化聚類中心。計算初始種子點各方向上的灰度梯度值，將種子點向梯度最小的方向移動，避免種子點正好處于不同對象的邊界上，影響后續的聚類效果。

3)對每個種子點，搜索其鄰域內的所有像素點，計算種子點到像素點的距離，為每個像素點分配標簽，即所屬聚類。以I號種子為例，分配標簽的方法是若該像素點無標簽，則該像素屬于類別I，并記錄到I號種子的距離。若已有標簽J，則比較像素到兩個種子的距離，取最小距離的種子編號為類別標簽，記錄最小距離。不同于K-means方法搜索整張圖像，SLIC算法只搜索種子附近的像素，搜索窗口大小為2S×2S，提高了搜索速度。

4)距離的計算方式。距離計算采用的是5維向量，分別是表示LAB顏色空間距離的l、a、b和表示空間距離的x、y。距離計算方式如下：

(1)

(2)

(3)

5)迭代優化。所有種子搜索完畢后，重新計算每個聚類中心，不斷迭代上述步驟直至聚類中心不再發生變化。實際操作中，迭代10次左右即可實現收斂。

6)增強連通性。經過上述步驟產生的分割結果可能存在超像素多連通或像素尺寸過小等情況，需要通過將多連通區域分割、將小尺寸超像素分配給鄰近超像素等增強連通性。

聲吶圖像一般包括測區強度圖和背景，使用SLIC算法對聲吶圖像分割之后還需將背景與前景分開，剔除背景像素，只保留存在強度信息的像素，對處理后的像素塊重新編號便于后續處理。

3 特征參數提取

聲吶圖像的灰度反映了底質的后向散射強度，部分類別底質的散射回波強度存在明顯差異，此外，聲吶圖像上還存在少量的紋理特征，能夠反映回波強度相近的不同底質間的差異。經典的紋理特征提取方法是基于統計的方法，如灰度共生矩陣、灰度差分統計等，本文采用的是應用較為廣泛的灰度共生矩陣。灰度共生矩陣通過統計不同灰度值對的出現頻率得到，基于灰度共生矩陣可以計算出能量、熵、對比度、均勻性、相關性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相關信息測度以及最大相關系數等14種統計量[13]。大部分統計量存在一定的相關性，本文選取了常見的底質分類器中選用的相關性較小、識別能力較大的能量、對比度、均勻性和相關性4個特征量，以及灰度特征，共5維特征[14]。對SLIC處理后獲取的每個對象塊內的背散射圖像提取以上5維特征，可獲得底質類別描述性特征向量，用于后續分類。

4 K-means++聚類算法

K-means++算法[15]是一種非監督分類算法，相對于傳統的K-means算法，該算法對初值不敏感，理論更為嚴謹，其聚類實現過程如下：1)設置聚類數目K、樣本總數N，從樣本集中隨機選取1個樣本作為第1個聚類中心；2)計算樣本集中每個樣本到已選出的聚類中心中最近聚類中心的距離；3)從未被選中的樣本點中選出1個新的聚類中心，選取規則是：對所有未被選中的樣本點，第2步計算的距離越大，其被選作新聚類中心的概率越大；4)重復第2步和第3步直至選擇出K個聚類中心。

經過上述步驟選擇出K個樣本點作為初始聚類中心，運行標準的K-means算法對樣本集進行聚類。已確定初始聚類中心的K-means算法的步驟如下：1)計算N個樣本點到K個聚類中心的距離；2)遍歷所有樣本，每個樣本點記錄與其距離最近的聚類中心作為所屬類別標簽；3)重新計算聚類后的K個樣本集的中心，作為新的聚類中心；4)重復第1步和第2步直至聚類結果不再發生變化或者到達最大迭代次數。

對每個對象塊的特征向量采用上述聚類算法進行對象塊聚類合并，獲得最終底質分類結果。

5 試驗結果與分析

本文試驗數據所在測區位于山東青島膠州灣海區，地理位置見圖2a)。膠州灣具有典型的港灣海岸與淤泥海岸特征，沿岸地貌類型復雜，海底地貌類型多樣。膠州灣海底底質類型豐富多樣，有淤泥質粉砂黏土、粉砂質黏土、黏土質粉砂、泥質砂、砂質泥、粉砂、細砂、粗砂、礫石、泥巖、基巖等，有利于開展海底底質分類方法研究。

試驗選取了2002年海底測量過程中使用Kongsberg EM3000多波束系統以單扇區模式測量的16條測線。測量時儀器工作頻率300 kHz、波束寬度1.5°×1.5°、脈沖長度150 μs。設備采用等角模式，扇面開角130°。測量過程中對測區內的海底底質進行了實地采樣，通過現場目視判斷資料，采樣底質包括泥質砂、砂質泥、細砂、粗砂、礫石、基巖等，利用采樣點信息作為非監督分類的類別數目確定依據和分類精度評定依據，以及監督分類方法的不同底質類型的樣本采樣依據。為了得到用于底質分類的聲吶圖像，需要對記錄原始數據的*.all文件進行處理。因為測量時采用了單扇區測量模式，所以無需顧及不同扇區發射、接收模式不同造成的條帶差異，主要的輻射畸變改正步驟包括傳播損失改正、照射面積改正及角度響應移除。最終形成的歸一化海底強度圖像，回波強度范圍在-53～-3 dB。試驗使用了23個底質采樣點信息，其分布見圖2b)，可見不同底質類型的回波強度存在明顯差異，如基巖和泥質砂采樣點所在區域，在背散射圖像上尤為突出，分別呈現為高亮和暗區域。傳統的聲吶圖像最小分類單元的劃分策略存在不足，以像素點進行分類的結果存在較多噪點，以矩形像素塊進行分類則大大降低了分辨率，為彌補以上不足，試驗采用了SLIC分割算法，以分割后的超像素為最小分類單元，見圖2c)。使用SLIC算法對聲吶圖像進行分割首先要設計超像素的大小，即每個超像素大致包含的像素點的個數，本文試驗設計SLIC算法的超像素大小為10。

圖2 處理結果

分割完畢后提取超像素的特征參數用于分類算法。經過輻射畸變改正后的多波束回波強度直接反映了底質對于聲波的散射能力，回波強度存在明顯差異的海底分布著不同的底質，而回波強度的大小直接對應著聲吶圖像上像素的灰度級高低。本文試驗采用的映射是回波強度越大、灰度級越高，在聲吶圖像上表現越亮。除灰度特征以外，聲吶圖像還包含少量的紋理信息，具有區分灰度特征相似的不同底質的潛力。試驗選取了基于灰度共生矩陣的部分特征量，分別是能量、對比度、相關性、均一性。試驗數據覆蓋范圍內的采樣點包括了砂質泥、泥質砂、細砂、粗砂、礫石及基巖6種底質，但是基于聲吶圖像的底質分類不能將6種底質精準區分，選擇類別數為4。最終的分類結果見圖3a)，同底質區域超像素形狀較為規則，不同底質邊界處超像素形狀契合底質邊界形狀。

表1給出了分類結果。表1顯示，5個基巖采樣點全部位于class 1區域，且此區域不包含其他采樣點；砂/礫石采樣點中有10個位于class 2區域，1個位于class 4區域，該點處于細砂與泥質砂的過渡區域；砂質泥有2個采樣點位于class 3，其余2個位于砂/礫石區域class 2；泥質砂背散射強度較低，3個采樣點全部位于class 4區域，整體分類精度達到了86.96%。由分類結果可以發現，此方法對基巖和泥質砂的識別度較高，且能區分砂/礫石和砂質泥區域，但部分砂質泥采樣點被劃分到砂/礫石區域。

表1 本文方法分類結果混淆矩陣

對比聲吶圖像和分類結果圖像，底質變化明顯的邊界輪廓保留較好。相對于聲吶圖像中存在較高的噪聲，分類結果圖像同底質區域內噪點壓制效果較好。

圖3b)和c)分別給出了基于貝葉斯方法和基于K-means++方法的底質分類結果。貝葉斯方法是一種估計角響應特征和底質回波強度統計信息的方法，相對于傳統角度響應分類方法具有更好的分辨率；基于K-means++的底質分類方法是基于像素點及其鄰域特征開展分類的方法，抗噪性更差。具體的分類結果統計見表2，基于貝葉斯的底質分類方法取得了82.6%的分類精度，而基于K-means++的方法取得了73.91%的分類精度，這表明噪聲的干擾較為顯著地降低了分類精度。對比本文方法可知，基于對象的方法可顯著增強方法魯棒性，提升分類精度。

注：所有分類中類別數均設置為4。

表2 基于貝葉斯方法和K-means++分類結果混淆矩陣

6 結語

1)本文提出了一種基于對象的底質分類方法，有效解決了基于角響應特征分類分辨率低和基于像素統計性特征分類抗噪性低的問題，試驗中取得了86.96%的精度，較顧及角響應特性的貝葉斯分類方法和基于像素的K-means++分類方法精度分別提升了3%、13%，實現了底質類別高精度劃分。

2)基于對象的底質分類方法可顯著降低噪點對分類結果的影響，同時保證類別邊界精細度，使分類結果精度提升。

3)本文試驗表明基于傳統多波束設備的聲學底質分類方法對礫砂、粗砂、礫石等分辨力有限。近年來，基于多頻多波束設備的聲學底質分類方興未艾，有望提升多種底質下類別劃分能力。