基于互信息和相关比算法的声呐图像配准

针对互信息算法在配准图像过程中易陷入局部极值的问题,提出了一种新的算法,即将互信息和相关比按一定的标准组合在一起,生成一种新的测度算法,并将该算法应用到了多波束图像和侧扫声呐图像的配准中。该组合算法可以改善互信息测度易陷入局部极值的弊端,稳定性更强。通过实验验证,新的组合算法是准确的,可以较好地实现存在较大畸变的多波束和侧扫声呐图像的配准,配准速度和精度优于互信息算法和相关比算法,新的组合算法是对原有算法的改进和优化。     

基于水深分段选择因子的多光谱影像反演水深

岛礁周边海底地形精密测量是海洋测绘的难点问题之一,利用多光谱卫星能精确测定岛礁周边水深地形,是传统岛礁水深测量有效的补充方式之一。本文以蜈支洲岛周围水域为研究区域,提出了基于BP神经网络水深分段选取反演因子的方法,利用WorldView-2数据和多波束实测数据建立多模型,整合预测的各段水深获得海底地形。实验表明,本文方法能充分利用水体的光谱特性,与单一BP神经网络模型结果相比,MRE降低了6.4%,RMSE降低了1.2 m,是一种可行的多光谱水深反演的方法     

RTK GPS在超短基线声学定位系统安装校准中的应用

超短基线（uhra short base line,USBL）声学定位系统的换能器安装是具有一定方向性的,但是,在安装过程中,不能保证换能器方向与船艏方向严格一致,必然存在不可忽视的系统误差,影响了测量精度;因此,必须通过校准消除系统误差。本文应用高精度RTKGPS实现了换能器安装方向的校准,取得了满意的结果。     

结合遗传算法的LVQ神经网络在声学底质分类中的应用

学习向量量化（Learning Vector Quantization,LVQ）神经网络在声学底质分类中具有广泛应用. 常用的LVQ神经网络存在神经元未被充分利用以及算法对初值敏感的问题,影响底质分类精度. 本文提出采用遗传算法（Genetic Algorithms,GA）优化神经网络的初始值,将GA与LVQ神经网络结合起来,迅速得到最佳的神经网络初始权值向量,实现对海底基岩、砾石、砂、细砂以及泥等底质类型的快速、准确识别. 将其应用于青岛胶州湾海区底质分类识别研究中,通过与标准的LVQ神经网络的分类结果进行比较表明,该方法在分类速度以及精度上都有了较大提高.     

北黄海海底麻坑群形态的定量研究及控制因素

本文基于高分辨率多波束水深数据和反向散射强度数据,对北黄海海底麻坑群的形态参数进行定量研究,结合水深、地形坡度和后向散射强度的变化准确界定了麻坑的轮廓,识别出圆形、椭圆形、拉长型麻坑共282个,并在ArcGIS软件中对其形态参数进行了分析计算,麻坑的平均长轴1.36 km,短轴0.78 km,直径0.94 km,面积0.88 km2,平均周长3.82 km,长宽比1.83,深度0.3~2.5 m,平均面积密集度13%,麻坑的剖面形态有麻坑边缘凹陷、中部有明显凸起（W1型）,麻坑边缘凹陷、中部略凸起（W2型）,麻坑中部单纯凹陷（V型）,分别集中分布在麻坑群的北部、南部、西部。麻坑的平面规模大、深度小的原因与地层中形成麻坑的游离气体浓度较小有关,也可能受到了地震、海啸等外力的诱发。麻坑的长轴优势走向为ENE-WSW、NNE-SSW,底流对其形状的塑造起了较大作用,部分麻坑成串排列,形成串珠状的麻坑链,其排列方式受到海底古河道、古潟湖等沉积地层结构的控制。海底麻坑群发育区反向散射强度为-60~-71 dB,麻坑内部较麻坑外部平均高5 dB,可能为麻坑内部气体泄漏引起海底沉积物被剥蚀后残留下的粗颗粒物质或海底生物活动留下的遗迹导致的。     

基于改进BP神经网络的海底底质分类

通过采用遗传算法优化神经网络初始权值的方法,将GA算法与BP神经网络有机结合,应用于海底底质分类。基于多波束测深系统获取的反向散射强度数据,应用改进的BP神经网络分类方法,实现对海底基岩、砾石、砂、细砂和泥等底质类型的快速、准确识别。通过实验比较,GA-BP神经网络分类精度明显高于BP神经网络,证明了该方法的有效性和可靠性。     

JFR 海底热液区多波束声纳数据处理与分析

基于收集到的东太平洋海隆北段Juan de Fuca Ridge热液活动区的高精度多波束声纳数据,应用加权移动平均算法, 生成典型的高精度海底DTM;应用声纳图像处理技术,生成高分辨率海底声纳镶嵌图,并对其海底地形及海底声学图像进行 处理和分析。通过处理与分析,对JFR热液区海底地形地貌特征有了初步认识,对于我国大洋调查和海底热液区探测具有一 定的借鉴作用。     

基于SVM的海底声纳图像底质识别*

对海底底质声纳图像分割,提取单元特征向量进行主成份分析,选取均值、标准差、对比度、相关系数、能量及同质性作为训练特征向量,优化支持向量机(SVM)参数.利用多分类 SVM 对砂、礁石、泥进行训练,有效、快速地分离出了3种底质类型,测试精度高于80%,表明该方法可有效用于海底底质声纳图像的识别和分类.