基于非监督特征学习的侧扫声呐图像聚类分割研究

摘要

侧扫声呐是海洋活动中常用的探测装置，它通过成像的方式展示信息。侧扫声呐图像具有分辨率低、噪声大、灰度分布范围窄的特点，也因此给侧扫声呐图像的目标分割带来很大困难。在分析当前主流的图像分割技术与发展趋势后，本文对通用性强的聚类算法和基于非监督特征学习的方法做了研究。
　　本文首先针对侧扫声呐噪声强的特点，分析了声呐噪声产生的原因，声呐噪声的分类并对噪声进行建模。在此基础上分析了声呐去噪的常用方法，将应用在光学图像上的若干效果突出的算法在声呐图像上进行了尝试。对具有不同场景特点的声呐图像做了去噪实验。实验结果表明，上述方法对于声呐图像也是有效的。在此基础上，进一步分析了算法之间去噪效果差异和不同噪声去噪效果之间的优劣原因，并描述了这些去噪算法在声呐去噪应用上的一些可能的改进措施。接着，结合侧扫声呐图像的特点，遴选纹理特征中的两种目前应用广泛的重要特征，局部二值模式和类哈尔特征，对它们的原理做了详细的描述，并利用目前在诸多领域取得了突破性进展的深度学习算法中的一种，稀疏自编码器，来对侧扫声呐图像进行特征学习，成功地构建了专门针对侧扫声呐图像的特征。通过对比分析认为使用特征学习得到的特征对基于聚类的侧扫声呐图像分割具有明显的优势。然后，详细地介绍了K均值聚类、层次聚类、模糊聚类和谱聚类这四种能够在侧扫声呐图像分割中应用的常用的基础聚类算法，讨论了它们的原理，并使用本文通过非监督学习得到的特征，用图像的灰度信息作为对照组，在侧扫声呐图像的样本中进行了试验，并对结果做了比较分析。最后，在基于前述K均值算法取得的良好聚类分割效果的基础上，针对数据量大算法运行耗时的问题，使用基于OpenMP和CUDA的两种并行化算法对K均值聚类算法进行加速，并通过实验对比说明侧扫声呐图像的聚类分割速度得到提高。

目录

封面

声明

中文摘要

英文摘要

目录

第1章绪论

1.1 论文研究的背景及目的和意义

1.2 国内外非监督特征学习的研究现状

1.3 聚类图像分割的研究现状及其与其他方法的比较

1.4 论文的主要研究内容及结构安排

第2章 图像降噪方法研究

2.1 声呐图像的噪声来源

2.2 去噪算法

2.3 去噪效果的比较与评价

2.4 本章小结

第3章 侧扫声呐图像的特征提取与特征学习

3.1 常用的图像特征

3.2 特征学习

3.3 PCA降维

3.4 特征的可视化

3.5 本章小结

第4章 侧扫声呐的聚类分割算法研究

4.1 聚类算法在图像分割中的应用

4.2 经典聚类算法介绍

4.3 经典聚类算法的侧扫声呐图像分割实验

4.4 本章小结

第5章 基于并行计算的K均值聚类分割

5.1 K均值的并行化原理

5.2 K均值并行化的实现

5.3 侧扫声呐图像K均值聚类并行化加速算法试验

5.4 本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢

参考文献