本發(fā)明涉及海底底質(zhì)分類領(lǐng)域，具體涉及一種基于合成孔徑聲納圖像的海底底質(zhì)分類方法及系統(tǒng)。

背景技術(shù)：
海底底質(zhì)（海底沉積物）的分類研究是地球物理勘探、海洋測繪、海洋工程等應(yīng)用領(lǐng)域的基礎(chǔ)，在民用和軍事方面都有十分重要的意義。海洋工程、海洋石油開發(fā)以及軍事領(lǐng)域中的潛艇底座選擇、掃布雷作業(yè)等都必須了解海底的底質(zhì)類型。聲學(xué)方法遙測海底底質(zhì)類型因其具有工作高效，獲取資料連續(xù)、豐富等特點，成為一種迅速而可靠的海底底質(zhì)分類方法。合成孔徑聲納（SAS，SyntheticApertureSonar）是一種高分辨水下成像聲納，可以獲得高質(zhì)量的海底圖像數(shù)據(jù)。合成孔徑是一種不需要長接收陣就可以顯著提高方位分辨率的技術(shù)，合成孔徑聲納即通過該技術(shù)和復(fù)雜的成像算法得到方位向分辨率和距離向分辨率都很高的圖像，因而在水下研究領(lǐng)域具有很高的價值。與普通聲納相比，合成孔徑聲納通過基陣的線性運(yùn)動來提高陣列孔徑，從原理上來說，合成孔徑聲納圖像的分辨率與工作頻率和作用距離均無關(guān)，因此可以用較小的聲納基陣和較低的工作頻率同時滿足近距離和遠(yuǎn)距離的探測需要。合成孔徑聲納可以很好地反映海底的地形、地貌和紋理特征，因此對聲納圖像進(jìn)行分析以實現(xiàn)海底底質(zhì)分類受到廣泛關(guān)注。聲納回波強(qiáng)度是個復(fù)雜的物理量，其同發(fā)射頻率、底質(zhì)類型、掠射角等多種因素有關(guān)，不同的底質(zhì)類型可能具有相同的回波強(qiáng)度，僅借助于現(xiàn)有技術(shù)的灰度值進(jìn)行底質(zhì)分類并不準(zhǔn)確。但研究發(fā)現(xiàn)，不同的底質(zhì)呈現(xiàn)在聲納圖像中的紋理圖像各不相同，而紋理是海底表面結(jié)構(gòu)粗糙程度的直接反應(yīng)，故可以利用其進(jìn)行底質(zhì)分類。對于巖石、沙和泥等紋理差別比較明顯的聲納圖像，用肉眼就可以明顯地分辨出來；對于淤泥和粘土等紋理差別較小的聲納圖像則無法通過肉眼直接分辨。

技術(shù)實現(xiàn)要素：
本發(fā)明的目的在于，為克服現(xiàn)有技術(shù)在進(jìn)行海底底質(zhì)分類時僅依靠合成孔徑聲納圖像的灰度信息導(dǎo)致的分類精度不高等技術(shù)問題，從而提供一種基于合成孔徑聲納圖像的海底底質(zhì)分類方法及系統(tǒng)。為實現(xiàn)上述技術(shù)目的，本發(fā)明提供了一種基于合成孔徑聲納圖像的海底底質(zhì)分類方法，該方法用于對合成孔徑聲納圖像的海底底質(zhì)進(jìn)行分類，所述方法包含：步驟101）讀入待分類的包含海底底質(zhì)的合成孔徑聲納圖像；步驟102）計算合成孔徑聲納圖像的灰度共生矩陣；步驟103）基于灰度共生矩陣獲取能夠反應(yīng)海底底質(zhì)信息的特征參量，所有參量組成能夠反應(yīng)紋理特征的特征向量；步驟104）將特征向量與統(tǒng)計信息比較，進(jìn)而完成海底底質(zhì)分類；其中，所述的統(tǒng)計信息為：根據(jù)合成孔徑圖像不同底質(zhì)類型的特征，充分利用所有類型的海底底質(zhì)灰度共生矩陣中的紋理特征參量，構(gòu)造特征向量；并對所有特征向量分別進(jìn)行訓(xùn)練，得到所有海底底質(zhì)區(qū)域?qū)?yīng)的典型值，并將所有典型值進(jìn)行存儲構(gòu)成統(tǒng)計信息，且所述典型值通過分析已知的典型區(qū)域的特征向量得到，所述典型區(qū)域包含但不限于：沙、礫石和淤泥區(qū)域。上述技術(shù)方案中，所述灰度共生矩陣采用如下方法獲得：取合成孔徑聲納圖像（N×N）中任意一點（x,y）及偏離它的另一點（x+a,y+b），設(shè)該點對的灰度值為（g1,g2）；令（x,y）在整幅圖像中移動，則可以得到各種（g1,g2）值，設(shè)灰度的級數(shù)為k，則（g1,g2）的組合方式共有k2種；對于整幅圖像而言，統(tǒng)計出每一種（g1,g2）值出現(xiàn)的次數(shù)，然后排列成一個方陣，再用（g1,g2）出現(xiàn)的總次數(shù)將它們歸一化為出現(xiàn)的概率P(g1,g2)，這樣就得到圖像的灰度共生矩陣；其中，當(dāng)a=1,b=0時，像素對是水平的，即對應(yīng)SAS圖像距離向的紋理特征；當(dāng)a=0,b=1時，像素對是垂直的，即對應(yīng)SAS圖像方位向的紋理特征；當(dāng)a=1,b=1時，像素對是沿右對角的，即對應(yīng)SAS圖像右對角方向的紋理特征；當(dāng)a=1,b=-1時，像素對是左對角的，即對應(yīng)SAS圖像左對角方向的紋理特征；其中，以上(x,y)表示圖像中的像素點的坐標(biāo),而a和b表示坐標(biāo)間隔；g1,g2表示像素點對的灰度值。上述技術(shù)方案中，所述紋理特征參量包含：角二階矩/能量、對比度、相關(guān)性和熵。上述技術(shù)方案中，所述步驟102）和步驟103）之間還包含：計算灰度共生矩陣的二次統(tǒng)計量的步驟?；谏鲜龇椒ū景l(fā)明還提供了一種基于合成孔徑聲納圖像的海底底質(zhì)分類系統(tǒng)，該系統(tǒng)用于對合成孔徑聲納圖像的海底底質(zhì)進(jìn)行分類，所述系統(tǒng)包含：輸入模塊，用于讀入待分類的包含海底底質(zhì)的合成孔徑聲納圖像；第一處理模塊，用于計算合成孔徑聲納圖像的灰度共生矩陣；第二處理模塊，用于基于灰度共生矩陣獲取能夠反應(yīng)海底底質(zhì)信息的特征參量，所有參量組成能夠反應(yīng)紋理特征的的特征向量；和比較判斷模塊，用于將特征向量與統(tǒng)計數(shù)據(jù)庫模塊比較，進(jìn)而完成海底底質(zhì)分類；其中，所述的統(tǒng)計數(shù)據(jù)庫用于存儲統(tǒng)計信息，該統(tǒng)計信息為：根據(jù)合成孔徑圖像不同底質(zhì)類型的特征，充分利用所有類型的海底底質(zhì)灰度共生矩陣中的紋理特征參量，構(gòu)造特征向量；并對所有特征向量分別進(jìn)行訓(xùn)練，得到所有海底底質(zhì)區(qū)域?qū)?yīng)的典型值，并將所有典型值進(jìn)行存儲構(gòu)成統(tǒng)計信息。上述技術(shù)方案中，所述第一處理模塊進(jìn)一步包含：輸入模塊和處理模塊；所述處理模塊又進(jìn)一步包含：起始點設(shè)置子模塊，用于取圖像（N×N）中任意一點（x,y）及偏離它的另一點（x+a,y+b），設(shè)該點對的灰度值為（g1,g2）；移動設(shè)置子模塊，用于令（x,y）在整幅圖像中移動，則可以得到各種（g1,g2）值，設(shè)灰度的級數(shù)為k，則（g1,g2）的組合方式共有k2種；灰度共生矩陣輸出子模塊，用于對于整幅圖像，統(tǒng)計出每一種（g1,g2）值出現(xiàn)的次數(shù)，然后排列成一個方陣，再用（g1,g2）出現(xiàn)的總次數(shù)將它們歸一化為出現(xiàn)的概率P(g1,g2)，這樣就得到圖像的灰度共生矩陣；其中，當(dāng)a=1,b=0時，像素對是水平的，即對應(yīng)SAS圖像距離向的紋理特征；當(dāng)a=0,b=1時，像素對是垂直的，即對應(yīng)SAS圖像方位向的紋理特征；當(dāng)a=1,b=1時，像素對是沿右對角的，即對應(yīng)SAS圖像右對角方向的紋理特征；當(dāng)a=1,b=-1時，像素對是左對角的，即對應(yīng)SAS圖像左對角方向的紋理特征。上述技術(shù)方案中，所述紋理特征參量包含：角二階矩/能量、對比度、相關(guān)性和熵。上述技術(shù)方案中，所述第一處理模塊和第二處理模塊之間還包含二次統(tǒng)計量計算模塊，該模塊計算灰度共生矩陣的二次統(tǒng)計量，并輸入至第二處理模塊。與現(xiàn)有技術(shù)相比，本發(fā)明的技術(shù)優(yōu)勢在于：本發(fā)明的技術(shù)方案能夠很好的對SAS圖像的海底底質(zhì)進(jìn)行分類，從而解決了現(xiàn)有技術(shù)難以對SAS圖像難的海底底質(zhì)進(jìn)行分類的技術(shù)問題。附圖說明圖1本發(fā)明提供的基于合成孔徑聲納圖像的海底底質(zhì)分類方法的流程圖；圖2本發(fā)明實施例采用的等待進(jìn)行海底底質(zhì)分類的包含泥沙混合質(zhì)的原始SAS圖像；圖3本發(fā)明實施例采用的等待進(jìn)行海底底質(zhì)分類的包含泥底質(zhì)的原始SAS圖像；圖4本發(fā)明實施例采用的等待進(jìn)行海底底質(zhì)分類的包含沙底質(zhì)的原始SAS圖像；圖5-a是本發(fā)明泥底質(zhì)和沙底質(zhì)的灰度共生矩陣的能量特征參量隨距離向偏移而變化的情況統(tǒng)計圖；圖5-b是本發(fā)明泥底質(zhì)和沙底質(zhì)的灰度共生矩陣的相關(guān)性特征參量隨距離向偏移而變化的情況統(tǒng)計圖；圖5-c是本發(fā)明泥底質(zhì)和沙底質(zhì)的灰度共生矩陣的對比度特征參量隨距離向偏移而變化的情況統(tǒng)計圖；圖5-d是本發(fā)明泥底質(zhì)和沙底質(zhì)的灰度共生矩陣的熵特征參量隨距離向偏移而變化的情況統(tǒng)計圖；圖6-a是本發(fā)明泥底質(zhì)和沙底質(zhì)的灰度共生矩陣的能量特征參量隨方位向偏移而變化的情況統(tǒng)計圖；圖6-b是本發(fā)明泥底質(zhì)和沙底質(zhì)的灰度共生矩陣的相關(guān)性特征參量隨方位向偏移而變化的情況統(tǒng)計圖；圖6-c是本發(fā)明泥底質(zhì)和沙底質(zhì)的灰度共生矩陣的對比度特征參量隨方位向偏移而變化的情況統(tǒng)計圖；圖6-d是本發(fā)明泥底質(zhì)和沙底質(zhì)的灰度共生矩陣的熵特征參量隨方位向偏移而變化的情況統(tǒng)計圖。具體實施方式下面結(jié)合附圖和具體實施例對本發(fā)明進(jìn)行詳細(xì)的說明。為了解決上述問題，本發(fā)明的目的在于提供一種基于合成孔徑聲納圖像海底底質(zhì)分類的新方法。我們利用灰度共生矩陣的特征值解決底質(zhì)分類問題，所述的合成孔徑聲納底質(zhì)分類方法具體步驟包括：步驟1：讀入原始合成孔徑聲納圖像步驟2：計算原始圖像的灰度共生矩陣步驟3：計算灰度共生矩陣的特征值步驟4：分析灰度共生矩陣的特征值步驟5：利用灰度共生矩陣的特征值進(jìn)行目標(biāo)檢測采用灰度共生矩陣可以描述SAS圖像紋理方面的特征，通過計算灰度共生矩陣在方位向和距離向的能量、相關(guān)性、對比度和熵值，并構(gòu)造特征向量，可以對SAS圖像中不同底質(zhì)區(qū)域進(jìn)行分類。從實驗結(jié)果可以看出，SAS圖像具有豐富的紋理信息，可以基于紋理信息實現(xiàn)沙底質(zhì)和泥底質(zhì)的區(qū)分。1、圖像紋理分析紋理特征的表示和分析通常有統(tǒng)計法、結(jié)構(gòu)法和模型法，而基于灰度共生矩陣（GLCM）提取紋理特征的方法是一種典型的統(tǒng)計分析方法，本文即采用灰度共生矩陣進(jìn)行合成孔徑聲納圖像的表示和分析。GLCM紋理提取方法具有較強(qiáng)的適應(yīng)能力和穩(wěn)健性，近年來已越來越多地用于圖像的檢測和分類研究。Haralick于1973年首次提出灰度共生矩陣，表面其優(yōu)于灰度游程長度法和光譜方法，是一種廣泛應(yīng)用的紋理統(tǒng)計方法和紋理測量技術(shù)。1992年P(guān).P.Ohanian給出對幾種紋理測量技術(shù)的比較結(jié)果，并且根據(jù)實驗證明：在四種用于實現(xiàn)紋理分類的特征中，基于灰度共生矩陣的統(tǒng)計特征要優(yōu)于分形維、馬爾科夫模型和Gabor濾波器模型。1.1、灰度共生矩陣的生成灰度直方圖是對圖像中單個像素具有某個灰度進(jìn)行統(tǒng)計的結(jié)果，而灰度共生矩陣則是推圖像中保持某距離的兩個像素分別具有某灰度的狀況進(jìn)行統(tǒng)計得到的。取圖像（N×N）中任意一點（x,y）及偏離它的另一點（x+a,y+b），設(shè)該點對的灰度值為（g1,g2）。令（x,y）在整幅圖像中移動，則可以得到各種（g1,g2）值，設(shè)灰度的級數(shù)為k，則（g1,g2）的組合方式共有k2種。對于整幅圖像而言，統(tǒng)計出每一種（g1,g2）值出現(xiàn)的次數(shù)，然后排列成一個方陣，再用（g1,g2）出現(xiàn)的總次數(shù)將它們歸一化為出現(xiàn)的概率P(g1,g2)，這樣就得到圖像的灰度共生矩陣。距離差分值(a,b)取不同的數(shù)值組合，可以得到不同情況的灰度共生矩陣。當(dāng)a=1,b=0時，像素對是水平的，即對應(yīng)SAS圖像距離向的紋理特征；當(dāng)a=0,b=1時，像素對是垂直的，即對應(yīng)SAS圖像方位向的紋理特征；當(dāng)a=1,b=1時，像素對是沿右對角的，即對應(yīng)SAS圖像右對角方向的紋理特征；當(dāng)a=1,b=-1時，像素對是左對角的，即對應(yīng)SAS圖像左對角方向的紋理特征；1.2、灰度共生矩陣的特征灰度共生矩陣反應(yīng)的是圖像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息。通過灰度共生矩陣可以分析圖像的局部模式和排列規(guī)則等，為了能夠更加直觀地用灰度共生矩陣描述紋理信息，一般不直接使用灰度共生矩陣，而是在其基礎(chǔ)上計算二次統(tǒng)計量。Haralick等人定義了14個用于紋理分析的灰度共生矩陣特征參數(shù)，Ulaby等人研究發(fā)現(xiàn)，在基于GLCM的14個紋理特征中，僅有4個特征量是不相關(guān)的，這四個特征量既便于計算，又能給出較高的分類精度，一般采用下面四個特征參量以提取圖像的紋理特征。一、角二階矩/能量（ASM）角二階矩是灰度共生矩陣各個元素的平方和，亦稱能量，反映圖像灰度分布均勻程度和紋理粗細(xì)程度。如果灰度共生矩陣的所有值均相等，則ASM值較??；如果其中一些值較大，另一些值較小，則ASM值較大。當(dāng)ASM值較大時，紋理粗，能量大；反之，當(dāng)ASM值小時，紋理細(xì)，能量小。二、對比度（CON）對比度是灰度共生矩陣主對角線附近的慣性矩，度量矩陣中值的分布情況和圖像的局部變化情況，反映圖像的清晰程度和紋理溝紋的深淺程度。如果紋理的溝紋較深，則CON較大，效果清晰；反之，如果紋理溝紋較淺，則CON較小，效果模糊?；叶炔罴磳Ρ榷却蟮南袼貙υ蕉?，則CON越大，即灰度共生矩陣中遠(yuǎn)離對角線的元素值越大，CON越大。三、相關(guān)性（COR）其中，相關(guān)性度量的是灰度相關(guān)矩陣元素在行或者列方向上的相似程度，其大小可以反映圖像的局部相關(guān)性。當(dāng)灰度共生矩陣元素值均勻相等時，COR較大；相反，當(dāng)灰度共生矩陣像素值相差較大時，COR較小。如果圖像具有某個方向的紋理，則該方向上的灰度共生矩陣的COR值較大。四、熵（ENT）熵值可以作為度量圖像信息量的特征值，而紋理信息也屬于圖像信息，是一種隨機(jī)性的度量。當(dāng)灰度共生矩陣中所有元素具有最大的隨機(jī)性，灰度共生矩陣中所有值幾乎相等時，灰度共生矩陣中元素分散分布時，熵值較大。熵值表示圖像中紋理的非均勻程度或者復(fù)雜程度，如果圖像中沒有任何紋理，則灰度共生矩陣幾乎為零矩陣；如果圖像中紋理復(fù)雜，則熵值較大。2、SAS圖像海底底質(zhì)分析SAS圖像含有豐富的紋理特征，而灰度共生矩陣具有豐富的特征參數(shù)，可以從不同的角度對紋理進(jìn)行細(xì)致刻畫。下面利用灰度共生矩陣的特征量，分別對起伏底質(zhì)區(qū)域和均勻底質(zhì)區(qū)域的紋理特性進(jìn)行比較分析。圖2為某次湖試得到的合成孔徑聲納圖像，水底區(qū)域由淹沒的農(nóng)田與河道組成。如圖中標(biāo)注所說，該幅SAS圖像上部為淹沒的梯田，底質(zhì)類型為泥，而下部為河道，底質(zhì)類型為沙。現(xiàn)分別截取梯田和河道的典型區(qū)域作為泥底質(zhì)和沙底質(zhì)來進(jìn)行分析研究，如圖2中白框所示。圖3和圖4分別是泥底質(zhì)和沙底質(zhì)的SAS圖像，本文所進(jìn)行的紋理分析即基于這兩種類型的SAS圖像。SAS圖像在距離向采用脈沖壓縮原理成像，而在方位向則采用合成孔徑原理成像，因此，SAS圖像的灰度共生矩陣在距離向和方位向具有不同的特性，即SAS圖像的紋理在方位向和距離向具有不同的特征。本文截取的泥底質(zhì)區(qū)域和沙底質(zhì)區(qū)域的大小均為512×512像素，灰度共生矩陣的偏移取值范圍是[180]，分別計算在各種偏移情況下的能量（ASM）、相關(guān)性（COR）、對比度（CON）和熵（ENT）。圖5-a、5-b、5-c和5-d即為灰度共生矩陣的特征量隨距離向偏移而變化的情況。泥底質(zhì)區(qū)域的能量要顯著大于沙底質(zhì)區(qū)域的能量，并且兩種底質(zhì)區(qū)域的能量并不隨距離向偏移的增大而變化。這說明泥底質(zhì)區(qū)域的紋理較粗，能量大；而沙底質(zhì)區(qū)域的紋理較細(xì)，能量小。在相關(guān)性方面，泥底質(zhì)和沙底質(zhì)的變化趨勢一致，并且泥底質(zhì)區(qū)域的相關(guān)性小于沙底質(zhì)區(qū)域。泥底質(zhì)和沙底質(zhì)都是在距離向偏移較小時，相關(guān)性較高，然后隨著距離向偏移的增大而迅速下降到零附近。相關(guān)性度量的是灰度共生矩陣元素行或列的相似程度，可以反映圖像的局部相似性。這說明泥底質(zhì)和沙底質(zhì)的紋理結(jié)構(gòu)單元都較小，隨著距離向偏移的增大，相關(guān)性迅速減小，紋理特性也就迅速消失。泥底質(zhì)和沙底質(zhì)的對比度特征正好與能量特征相反，沙底質(zhì)區(qū)域的對比度顯著大于泥底質(zhì)區(qū)域的對比度，并且兩種底質(zhì)區(qū)域的對比度并不隨距離向偏移的增大而變化。對比度是灰度共生矩陣主對角線附近的慣性矩，度量矩陣中值的分布情況和圖像的局部變化情況，反映圖像的清晰程度和紋理溝紋的深淺程度。也就是說沙底質(zhì)區(qū)域的紋理溝紋較深，效果清晰；而泥底質(zhì)區(qū)域的紋理溝紋較淺，效果模糊。對于熵值的情況，泥底質(zhì)區(qū)域的熵值較為穩(wěn)定，幾乎不隨距離向偏移的增大而變化，并且始終保持在0.9附近；而沙底質(zhì)區(qū)域的熵值則變動比較劇烈，并保持在0.5附近。熵值可以表示圖像中紋理的非均勻程度或者復(fù)雜程度，故泥底質(zhì)區(qū)域的隨機(jī)性要比沙底質(zhì)大，顯示出顯著的統(tǒng)計紋理特征。作為和距離向偏移的比較，我們分析方位向偏移灰度共生矩陣的各個特征量，圖6-a、6-b、6-c和6-d即為灰度共生矩陣的特征量隨方位向偏移而變化的情況。對于灰度共生矩陣的能量、相關(guān)性、對比度和熵值，泥底質(zhì)區(qū)域和沙底質(zhì)區(qū)域在距離向偏移和方位向偏移兩種情況下幾乎沒有差別，這也說明SAS圖像的距離向和方位向的灰度共生矩陣沒有區(qū)別，在選擇區(qū)分不同區(qū)域的特征量時，僅取一個方向即可，或者取兩個方向的平均值。根據(jù)以上分析，為描述SAS圖像不同底質(zhì)類型的特征，充分利用灰度共生矩陣中的能量、相關(guān)性、對比度和熵值等特征，構(gòu)造特征向量v={ASM,COR,CON,ENT}。其中ASM,COR,CON,ENT分別為灰度共生矩陣的能量、相關(guān)性、對比度和熵值。通過對特征向量進(jìn)行訓(xùn)練，得到沙底質(zhì)和泥底質(zhì)區(qū)域的典型值，然后即可以用于底質(zhì)區(qū)域的分類?？傊?，本發(fā)明提出了一種應(yīng)用于合成孔徑聲納圖像的海底底質(zhì)分類方法。不同的底質(zhì)呈現(xiàn)在聲納圖像中的紋理圖像各不相同，而紋理是海底表面結(jié)構(gòu)粗糙程度的直接反應(yīng)，故可以利用其進(jìn)行底質(zhì)分類。合成孔徑聲納可以很好地反映海底的地形、地貌和紋理特征，因此對聲納圖像進(jìn)行分析以實現(xiàn)海底底質(zhì)分類受到廣泛關(guān)注。本方法采用灰度共生矩陣描述SAS圖像紋理方面的特征，通過計算灰度共生矩陣在方位向和距離向的能量、相關(guān)性、對比度和熵值，并構(gòu)造特征向量，對SAS圖像中不同底質(zhì)區(qū)域進(jìn)行分類。從實驗結(jié)果可以看出，SAS圖像具有豐富的紋理信息，可以基于紋理信息實現(xiàn)沙底質(zhì)和泥底質(zhì)的區(qū)分。需要說明的是，以上介紹的本發(fā)明的實施方案而并非限制。本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，任何對本發(fā)明技術(shù)方案的修改或者等同替代都不脫離本發(fā)明技術(shù)方案的精神和范圍，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍內(nèi)。