利用深层卷积神经网络实现地形辅助的多波束海底底质分类

阳凡林，朱正任，李家彪，冯成凯，邢 喆，吴自银

1. 山东科技大学测绘科学与工程学院，山东 青岛 266590； 2. 自然资源部海洋测绘重点实验室，山东 青岛 266590； 3. 自然资源部第二海洋研究所，浙江 杭州 310012； 4. 国家海洋信息中心，天津 300171

海底底质是海洋环境的重要指标，底质类型的分类和识别在海洋资源的开发利用、海洋工程、环境科学和海洋渔业等诸多领域具有重要意义。传统的海底底质探测主要通过拖曳式采样器、表层采样器、柱状采样器、重力活塞采样器、海底照相等，这些方法存在机械笨重、费时费力及深水区域采样困难等缺点，因此，利用声学遥感进行海底底质分类得到了广泛关注[1-3]。多波束测深系统(multibeam echo sounder,MBES)可同时采集测深和反向散射强度数据(backscatter strength,BS)，具有覆盖面积广、分辨率高等优点，可以快速、准确地获取调查区域内底质的分布情况[4-5]。

国内外学者对多波束海底底质分类进行了广泛研究。文献[6]提取反向散射图像分形维数、光谱长度等特征作为K-means聚类参数进行分类；文献[7]通过反向散射图像的纹理和振幅特征，使用贝叶斯分类器进行分类；文献[8]通过提取反向散射图像的均值、标准差等特征，构建单元特征向量，利用遗传小波神经网络进行海底底质分类。由于多波束反向散射图像具有强噪声特点，很难将图像处理到比较理想的水平，特别是影响显著的入射角效应。为了避开此影响，文献[9]利用角度响应(angle response,AR)曲线进行无监督聚类，实现了海底底质的划分；文献[10]通过提取角度响应曲线特征，结合反向散射图像纹理使用随机森林算法进行分类；……