基于LLE的水下构建物污损处理[20191212175602]
摘 要
水下构建物污损有多种情况，许多水下图像由于污损的原因无法识别。所以通过图像识别算法来实现对于水下有污损的构建物的判别。现今图像识别，是利用计算机 对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。
本毕业设计研究不同污损的多流形学习问题,提出了一种基于局部线性嵌入(LLE)算法的多流形学习方法。对于分布在不同流形上的高维数据,该方法在降维的同时,首先对数据集进行非监督的聚类,然后分析每一类数据的低维流形的本质维数以及流形空间的构成,聚类及流形空间的确定是通过对LLE降维的结果进行分析而完成的。该方法能够对于不同的污损特征的子空间进行有效的分类，从而有效区分污损。
为了提高基于流形学习理论水下构建物识别算法的识别率，采用一种非线性降维方法LLE与Fisher线性判别相结合的方法。首先将图片进行预处理，利用LLE算法，将水下构建物图像和本身图像的维度都降低到合适维度，然后使用Fisher线性判别进行图像数据集特征的提取，最后将两张经过处理的图像通过计算欧式距离进行比对从而成功的得到了分类识别的结果，完成了设计目标。
摘要.................................................................-I
 查看完整论文请+Q: 351916072 
关键字:局部线性嵌入,Fisher线性判别,水下构建物,降维,流形空间
目 录
ABSTRACT.......................................................-II
第1章 绪论..........................................................-1
1.1 研究目的及其意义..............................................-1
1.2 研究背景和发展现状............................................-2
1.3 流形算法的研究背景............................................-3
第2章 图像的处理....................................................-5
2.1 图像的预处理..................................................-5
2.2 图像处理的分类识别............................................-7
2.3 本章小结......................................................-8
第3章 局部线性嵌入...................................................-9
3.1 LLE的概述.....................................................-9
3.2 LLE的具体原理..............................................-10
3.3 多种LLE比较.................................................-13
3.4 基于MATLAB的LLE算法.........................................-15
3.5 本章小结.....................................................-17
第4章 PCA与Fisher线性判别.........................................-18
4.1 PCA的基本原理................................................-18
4.2 基于PCA的降维................................................-19
4.3 PCA与LLE算法的比较...........................................-20
4.4 Fisher线形判别...............................................-21
4.5 本章小结.....................................................-22
第5章 水下构建物的图像处理算法及理解...............................-23
5.1 水下图像识别概述及其选择.....................................-23
5.2 水下图像处理基于LLE的具体思路和算法.........................-23
5.3 本章小结.....................................................-27
第6章 实验结果.....................................................-28
6.1 结果和实验分析...............................................-28
6.2对于水下图像处理的问题分析及展望...........................-30
第7章 总结与展望...................................................-32
参考文献............................................................-33
致谢................................................................-35
附录................................................................-36
第1章 绪 论
1.1 研究目的及其意义
水下目标识别技术就是从水声信号中提取水下目标特性并对目标进行分类识别的技术。水下目标包括舰船、潜艇、水雷、鱼群、海底沉物、地貌底质等。水下目标识别一般要求水声图像信号识别。主要多用于静态目标如海底沉船水雷和地层介质结构等识别，是属于目标识别范畴因此都要经过特征提取、分类判决等几个过程。其中关键的是目标特征的描述和提取方法，它长期以来一直是水下目标特性研究的重点。由于目标本身以及传输信道的复杂性目标特征量及其数量的选取问题还始终是有待解决的间题。80年代以来的目标识别技术广泛引入了近代信号处理技术如高分辨谱估计、自适应滤波、时频分布、子波变换等为目标特征量提取和数据压缩提供了方便而且更接近于人类生理功能的人工神经网络[1]分析将目标识别过程进一步智能化。 由于目前预成多波束高频声纳及高分辨率成像声纳的发展使得用于水下目标自动识别系统的目标特征信息的提取技术得到发展对声纳图像[2]的自动解释一般可分为三个步骤:图像处理、特征提取及目标识别。为了适应水下机器人自动化的要求的水声图像的自动解释和目标检测显得尤为重要。
水下目标识别是从水声信号中提取水下目标特性并对目标进行分类的识别技术，水下目标包括舰船，海底沉物，地貌，海底机构等。由于唯有声波才能在水下远距离传输，因此水下目标识别一般都采用水声方法。然而，如何根据声呐接收到的舰船辐射噪声和目标反射回声对目标进行分类识别，是长期困扰人们的问题。传统的识别方法根据声呐员的经验和主观判断来确定目标的类型，此法有一定弊病。在当今环境下，随着各种传感器形式的增多，各种信息量的增大，水下运载件所产生的噪声信号的降低以及更高级灵敏声呐系统的出现，目标识别问题变得越来越复杂。
随着成像技术的发展，水下图像在海洋开发领域的应用日益广泛，利用水下图像进行目标识别已经成为数字图像处理领域的一个重要毕业设计。该设计的目的就是通过查阅国内外的相关资料，经过计算机的仿真和改进后，设计一种水下目标识别的算法。
1.2 研究背景和发展现状
成像系统用主动方式工作，是对水下构建物等目标进行探测与识别的重要手段。随着一些成像系统的研制成功，各国学者及工程技术人员认为成像应该是一个水下目标识别系统，所以基于图像的目标识别得到了重视和发展，大家将着眼点放在了分类识别系统上。特点是高频、高分辨力、多波束和实时图像处理[3]。因此随着这些成像图像系统的完善和发展，科技工作者将识别的技术处理放在水声图像当中。将各种图像处理技术和模式识别技术应用于图像目标识别中，涉及到很多领域的研究范畴，信号处理，图像处理，模式识别，统计学原理[4]，以及一些应用数学的研究成果。在国内外，已有不少的相关技术文章，提出了各种各样的识别系统和算法，这些算法的共同点都是利用高分辨成像得到目标在方向距离的二维图像，利用现有的信号处理方法及数值分析方面的结论，根据目标的特点，提出了各种各样的识别系统和算法，这些算法的共同点都是利用高分辨成像得到目标在方向距离的二维图像，利用现有的信号处理方法及数值分析方面的结论，根据目标的特点，提取出能代表目标的有效特征，然后结合线性或者非线性的识别方法来对水下目标识别和分类。由于该研究领域是在近几年才得到重视和发展，而且不同成像图像系统在分辨率等参数上存在差异，水底成像环境的复杂性、目标所成的像受到目标本身的特征影响较大。所以至今没有形成一个比较统一的并且被大家公认的识别算法。
水下图像的目标识别还处于理论研究阶段。而且国内在这方面的进展要远远落后于发达国家。水声成像技术在实际中的应用始于五十年代。由于水下环境的复杂性以及成像的分辨率较低，早期对水声图像的解释和判读，一向依靠人工进行。
八十年代后期，为进一步开发海洋资源，无缆水下机器人(AUV) [5]的研制受到各发达国家的普遍重视。水声图像的处理时AUV智能的重要体现，主要包括水声图像的自动解释和目标检测显得更为重要，很多学者对这一领域进行了研究，例如， Floyd等用低分辨率通过对范围数据的迭代分析和几何理解进行了水下障碍的回避，Trimmble等人提出了基于目标特征和模型库的目标识别与定位方法，来实现目标的动态分类, Chantler等人将图像与CCD结合起来使用，用图像数据作为CCD三维场景数据分析的线索，Lane等人在图像预处理的基础上，进行特征提取，提取诸如体积、亮度、方差、形状等特征，结合先验信息和知识库，得到分类输出，Castellano等应用了一些非几何类的目标特征，如目标是否为沉底目标、密集度特征等进行目标识别。
九十年代，各国学者普遍把人工神经网络引入到水下目标识别这一研究领域中来。英国的Sheepard和Gent开发了一种基于神经网络的分类系统，用来将两种特定类型的目标信号与其他虚警率[6]的信号区分开来。英国的Rosso的带领的毕业设计组研制了一种基于信号形状特性的多神经网络分类系统。
观察图像识别算法，现在国内外对该问题的研究取得较好效果的算法主要是利用在水底的小目标成像特性，分析目标所成像的阴影区，因为它反映了目标物体的外形特征，如形状，尺寸等。然后利用自适应较强的人工神经网络达到对目标的识别和分类。随着模糊集理论的发展，也有学者将模糊理论引入了目标识别中，出现了利用模糊学对图像进行分割、特征提取和识别三个方面努力提高识别效果，也有一些水声物理学的科技工作者对水下目标的反射特性及声场模型进行了深入细致的研究来为后期识别提供了一定理论依据。
1.3 流形算法的研究背景
传统的线性降维方法包括PCA,ICA,LDA等，它们主要研究在高维空间中如何设计线性模型的特征向量，优点是运算简便，并具有解析的映射函数。但是现实中的高维数据太多事非线性的，这时线性方法很难发掘高维数据的几何结构和相关性，解释其流形分布。针对高维数据的非线性特性，近年来发展了非线性降维方法。非线性降维方法有很多，包括子空间方法、神经网络、遗传算法以及流形学习等。这些方法均能保持原始数据集的非线性结构，较好地解决了数据处理中的“维数灾难”问题。非线性降维概念提出以后，各种非线性降维方法很快成为模式识别领域一个非常活跃的研究热点。等距映射是Tenenbanm等在2000年提出的一种非线性降维方法；相同的时期，Roweis和Saul提出的局部线性嵌入算法[7]；2003年Belkin等提出了拉普拉斯特征映射[8]。此后，流形学习技术逐渐兴起，很快成为近几年非线性降维中的热点问题。
流形学习发展至今虽有多年，但仍然处于幼稚阶段，各算法还不成熟。注意的是，在流形学习中也会面临寻找的问题。最近，基于流形学习的一致性，一些学者提出了流形学习的框架，将这些方法归纳在一个统一的框架下进行研究，即能在全局上看出流形学习的发展趋势，也能在局部上看出个体的改进方向。现有的流形学习方法还存在着诸多的问题，有些问题已经受到关注并开始研究，有些问题我们却还没有意识到其重要性。从几何性质上看，如果数据集本身具有全局线性结构，那么通过建立局部坐标系的方法不如线性方法更简单有效。然后，如何自动判断数据集的非线性是有内在曲率还是映射模型造成的如何处理断续流形与非断续流形或者变维数流形目前还没有好的解决方法，这也是流形学习需要进一步研究的问题。另外，流形学习可以视为数据处理的中间过程，要完成最终的目标，需要与其他领域的知识或算法相结合，如何分类算法K-NN,SVM,HMM[9]等相结合完成分类识别目的。流形重构与有监督学习流形重构是流形学习方法用于模式分类的重要依据。现有方法主要应用于聚类与可视化，形重构是流形学习方法用于模式分类的重要依据。现有方法主要应用于聚类与可视化，这是由于数据降维的点对点嵌入性质决定的。如何建立流形空间与其降维空间的对应映射函数关系，包括线性与非线性映射关系，是监督与半监督学习需要解决的关键问题之一。如果能得到数据降维中观测空间到特征空间的映射，则以训练数据划分空间对测试数据进行分类的有监督流形学习将成为可能。若不指导数据点的分类情况以及类间数据点之间的相互关系时采用无监督的算法可以看清原始数据的本证结构；而当原始数据具有一定类别信息时，采用有监督的算法可以增强可视化和聚类分类能力。因此，有监督与无监督方法的应用领域不同，前者从风雷的观点考虑，是把属于同一类的高维数据点映射到嵌入空间的统一区域了后者从可视化与聚类观点考虑，目的是发掘数据集的内部结构。近年来，监督与半监督学习[10]受到越来越多的重视，其在模式识别与高维信息处理领域的应用也越来越广泛。

原文链接：http://www.jxszl.com/dzxx/gdxx/1505.html