[發(fā)明專利]基于主元分析BP神經(jīng)網(wǎng)絡的地質(zhì)雷達圖像識別方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201911342790.0
• 申請日: 2019-12-23
• 公開（公告）號: CN111160204A
• 公開（公告）日: 2020-05-15
• 發(fā)明（設計）人: 蘇茂鑫;李聰聰;薛翊國;張開;趙瑩;程凱
• 申請（專利權(quán)）人: 山東大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06K9/38;G06K9/40;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 濟南圣達知識產(chǎn)權(quán)代理有限公司 37221
• 代理人: 張慶騫

1.一種基于主元分析BP神經(jīng)網(wǎng)絡的地質(zhì)雷達圖像識別方法，其特征在于，包括：

標注地質(zhì)雷達圖像的標簽，所述標簽包括有完整巖石、斷層破碎帶、裂隙帶、富水帶和巖溶洞穴；

對標注標簽的地質(zhì)雷達圖像依次進行消噪、二值化和形態(tài)學邊緣檢測處理，得到數(shù)字圖像，形成樣本數(shù)據(jù)集；

利用主元分析算法來減少樣本數(shù)據(jù)集的維數(shù)，同時保持樣本數(shù)據(jù)集中對方差貢獻最大的特征；

利用降維后的樣本數(shù)據(jù)集對BP神經(jīng)網(wǎng)絡進行循環(huán)訓練；

實時接收地質(zhì)雷達圖像，依次進行消噪、二值化和形態(tài)學邊緣檢測和降維處理后輸入至訓練完成的BP神經(jīng)網(wǎng)絡中，輸出地質(zhì)雷達圖像識別結(jié)果。

2.如權(quán)利要求1所述的基于主元分析BP神經(jīng)網(wǎng)絡的地質(zhì)雷達圖像識別方法，其特征在于，對地質(zhì)雷達圖像進行消噪之前，還包括：對原始的地質(zhì)雷達圖像進行圖像增強處理，增強圖像中的有用信息，改善圖像的視覺效果。

3.如權(quán)利要求1所述的基于主元分析BP神經(jīng)網(wǎng)絡的地質(zhì)雷達圖像識別方法，其特征在于，采用低通濾波將原始地質(zhì)雷達圖像中的噪音消除，減少由于采集以及傳輸過程中受到干擾而產(chǎn)生的噪音對雷達圖像的影響；采用高通濾波增強地質(zhì)雷達圖像中目標體輪廓高頻信號信息，突出有用圖像特征。

4.如權(quán)利要求1所述的基于主元分析BP神經(jīng)網(wǎng)絡的地質(zhì)雷達圖像識別方法，其特征在于，利用Canny邊緣檢測算法對地質(zhì)雷達圖像進行邊緣提取；其過程為：

使用高斯平滑處理降低噪音；

計算圖像中每個像素點的梯度強度和方向，并且在每個點都保留最大梯度值和方向；

利用非極大值抑制消除邊緣檢測帶來的雜散響應；

利用雙閾值檢測來確定真實和潛在的邊緣；

通過抑制孤立的弱邊緣最終完成邊緣檢測。

5.如權(quán)利要求1所述的基于主元分析BP神經(jīng)網(wǎng)絡的地質(zhì)雷達圖像識別方法，其特征在于，利用主元分析算法來減少樣本數(shù)據(jù)集的維數(shù)，同時保持樣本數(shù)據(jù)集中對方差貢獻最大的特征的過程為：

將樣本數(shù)據(jù)集中的樣本歸一化處理；

求樣本特征的協(xié)方差矩陣；

選取k個最大的特征值，組成特征向量矩陣；其中，k為大于或等于2的正整數(shù)；

將樣本數(shù)據(jù)投影到特征向量矩陣上，確定主成分。

6.如權(quán)利要求1所述的基于主元分析BP神經(jīng)網(wǎng)絡的地質(zhì)雷達圖像識別方法，其特征在于，利用降維后的樣本數(shù)據(jù)集對BP神經(jīng)網(wǎng)絡進行循環(huán)訓練的過程為：

初始化權(quán)值和閾值，權(quán)值和閾值均為(-1，1)區(qū)間內(nèi)的隨機值；

輸入信號正向傳播，計算檢驗誤差平方，以修正權(quán)值和閾值，從輸出層開始將誤差信息反向傳播，修正各權(quán)值使誤差減小；

當誤差平方小于預先給定的目標誤差值時，迭代結(jié)束，輸出權(quán)重向量，否則繼續(xù)輸入信號正向傳播，直至誤差平方小于預先給定的目標誤差值或達到預設迭代次數(shù)。

7.一種基于主元分析BP神經(jīng)網(wǎng)絡的地質(zhì)雷達圖像識別系統(tǒng)，其特征在于，包括：

圖像標簽標注模塊，其用于標注地質(zhì)雷達圖像的標簽，所述標簽包括有完整巖石、斷層破碎帶、裂隙帶、富水帶和巖溶洞穴；

樣本數(shù)據(jù)集構(gòu)建模塊，其用于對標注標簽的地質(zhì)雷達圖像依次進行消噪、二值化和形態(tài)學邊緣檢測處理，得到數(shù)字圖像，形成樣本數(shù)據(jù)集；

降維模塊，其用于利用主元分析算法來減少樣本數(shù)據(jù)集的維數(shù)，同時保持樣本數(shù)據(jù)集中對方差貢獻最大的特征；

BP神經(jīng)網(wǎng)絡訓練模塊，其用于利用降維后的樣本數(shù)據(jù)集對BP神經(jīng)網(wǎng)絡進行循環(huán)訓練；

圖像實時識別模塊，其用于實時接收地質(zhì)雷達圖像，依次進行消噪、二值化和形態(tài)學邊緣檢測和降維處理后輸入至訓練完成的BP神經(jīng)網(wǎng)絡中，輸出地質(zhì)雷達圖像識別結(jié)果。