[發(fā)明專(zhuān)利]一種水下圖像的懸浮微粒特征分割提取方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011086698.5
• 申請(qǐng)日: 2020-10-12
• 公開(kāi)（公告）號(hào): CN112150475A
• 公開(kāi)（公告）日: 2020-12-29
• 發(fā)明（設(shè)計(jì)）人: 賈欣鑫;張浩;王雷;李向春;王起維
• 申請(qǐng)（專(zhuān)利權(quán)）人: 山東省科學(xué)院海洋儀器儀表研究所
• 主分類(lèi)號(hào): G06T7/10
• 分類(lèi)號(hào): G06T7/10
• 代理公司: 北京盛凡智榮知識(shí)產(chǎn)權(quán)代理有限公司 11616
• 代理人: 黃玉清

本發(fā)明涉及一種水下圖像的懸浮微粒特征分割提取方法，屬于水下成像技術(shù)領(lǐng)域。包括如下步驟：生成三層BP網(wǎng)絡(luò)結(jié)構(gòu)；將BP網(wǎng)絡(luò)的權(quán)值序列作為遺傳算法的染色體編碼；隨機(jī)產(chǎn)生初始種群；計(jì)算個(gè)體適應(yīng)度；通過(guò)選擇、交叉、變異進(jìn)行個(gè)體選擇；判斷個(gè)體是否達(dá)到精度要求；BP網(wǎng)絡(luò)優(yōu)化訓(xùn)練；判斷新個(gè)體是否達(dá)到精度要求。本發(fā)明具有如下優(yōu)點(diǎn)：本發(fā)明公開(kāi)的一種水下圖像的懸浮微粒特征分割提取方法，將遺傳算法引入神經(jīng)網(wǎng)絡(luò)來(lái)彌補(bǔ)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法存在的不足，減少其陷入局部最小值的可能性，從而可以快速、準(zhǔn)確地將水下圖像中的懸浮微粒輪廓特征進(jìn)行提取，完成水中懸浮微粒數(shù)量的統(tǒng)計(jì)計(jì)算以及對(duì)海水懸浮微粒的實(shí)時(shí)監(jiān)測(cè)。

技術(shù)領(lǐng)域

本發(fā)明涉及水下圖像的懸浮微粒特征分割提取方法，屬于水下成像技術(shù)領(lǐng)域。

背景技術(shù)

近年來(lái)神經(jīng)網(wǎng)絡(luò)逐漸應(yīng)用于圖像特征的分割提取，由于神經(jīng)網(wǎng)絡(luò)具有并行運(yùn)算、分步式存儲(chǔ)、自學(xué)習(xí)、容錯(cuò)能力強(qiáng)等特點(diǎn)，使得神經(jīng)網(wǎng)絡(luò)在圖像特征的分割提取方面有較大的應(yīng)用空間。神經(jīng)網(wǎng)絡(luò)方法對(duì)圖像進(jìn)行分割處理是通過(guò)對(duì)圖像中所選取樣本集的訓(xùn)練使神經(jīng)元節(jié)點(diǎn)間的連接和權(quán)值得到確定，然后利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行分割。由于神經(jīng)網(wǎng)絡(luò)由許多并行運(yùn)算的功能簡(jiǎn)單的單元組成，具有很強(qiáng)的容錯(cuò)性和魯棒性。其中，BP網(wǎng)絡(luò)模型是神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣泛的網(wǎng)絡(luò)模型，BP網(wǎng)絡(luò)含有輸入節(jié)點(diǎn)、輸出節(jié)點(diǎn)和一個(gè)或多個(gè)隱層。輸入信號(hào)先向前傳遞到隱層節(jié)點(diǎn)，經(jīng)過(guò)作用后，再把隱層節(jié)點(diǎn)的輸出信息傳遞到輸出節(jié)點(diǎn)，最后輸出結(jié)果。

但是，目前的神經(jīng)網(wǎng)絡(luò)算法用于圖像特征分割提取的速度很慢，并且在樣本集的收斂過(guò)程中，容易陷入局部極小點(diǎn)，圖像特征分割提取的準(zhǔn)確性也難以保證。

發(fā)明內(nèi)容

本發(fā)明旨在解決上述問(wèn)題，將遺傳算法引入神經(jīng)網(wǎng)絡(luò)來(lái)彌補(bǔ)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法存在的不足，減少其陷入局部最小值的可能性，從而可以快速、準(zhǔn)確地將水下圖像中的懸浮微粒輪廓特征進(jìn)行提取，完成水中懸浮微粒數(shù)量的統(tǒng)計(jì)計(jì)算以及對(duì)海水懸浮微粒的實(shí)時(shí)監(jiān)測(cè)。本發(fā)明采用的技術(shù)方案如下：

一種水下圖像的懸浮微粒特征分割提取方法，包括如下步驟：

步驟1：生成三層BP網(wǎng)絡(luò)結(jié)構(gòu)；其中，三層BP網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱層和輸出層，相鄰各層之間的神經(jīng)元之間實(shí)現(xiàn)全連接，同在一層的各神經(jīng)元之間無(wú)連接，相鄰各隔層神經(jīng)元之間的連接并不僅僅是作為信息傳送的通道而加以連接，在傳輸信息的同時(shí)，神經(jīng)元的連接上附有加權(quán)系數(shù)，包含權(quán)值、連接強(qiáng)度、突觸強(qiáng)度信息，各連接上的加權(quán)系數(shù)代表著所連接的兩個(gè)神經(jīng)元間信息傳送的刺激強(qiáng)度。

步驟2：將BP網(wǎng)絡(luò)的權(quán)值序列作為遺傳算法的染色體編碼；其中，染色體編碼采用實(shí)數(shù)編碼，將各權(quán)值和閾值級(jí)聯(lián)在一起，轉(zhuǎn)換成遺傳空間中的基因型個(gè)體(染色體)。

步驟3：隨機(jī)產(chǎn)生初始種群；遺傳神經(jīng)網(wǎng)絡(luò)方法在處理圖像進(jìn)行分割的過(guò)程中，首先基于圖像所具有的灰度連續(xù)性特征，按某種間隔規(guī)則跳躍的選取圖像中的部分灰度信息，將其構(gòu)成一個(gè)一位數(shù)組并定作遺傳算法進(jìn)化開(kāi)始的初始種群P0。

步驟4：計(jì)算個(gè)體適應(yīng)度；根據(jù)隨機(jī)產(chǎn)生的權(quán)值向量和閾值向量對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)，對(duì)給定的輸入集和輸出集計(jì)算出每個(gè)神經(jīng)網(wǎng)絡(luò)的全局誤差作為適應(yīng)度。

步驟5：通過(guò)選擇、交叉、變異進(jìn)行個(gè)體選擇；由步驟3得到的初始種群P0通過(guò)選擇、交叉、變異進(jìn)行一代代的個(gè)體選擇。

步驟6：判斷個(gè)體是否達(dá)到精度要求；若步驟5中選擇得到的個(gè)體達(dá)到精度要求則將染色體作為BP網(wǎng)絡(luò)權(quán)值；若步驟5中選擇得到的個(gè)體未達(dá)到精度要求則更新種群并重復(fù)步驟4。

步驟7：BP網(wǎng)絡(luò)優(yōu)化訓(xùn)練；交叉算子把兩個(gè)父代個(gè)體的部分結(jié)構(gòu)加以替換重組生成新個(gè)體，變異算子對(duì)群體中的個(gè)體串的某些基因座上的基因值作變動(dòng)，得到新的個(gè)體，形成其中新的種群P1。