王嘉翀，吳自銀*，王明偉,2，周潔瓊，趙荻能，羅孝文

( 1. 自然資源部第二海洋研究所 自然資源部海底科學(xué)重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 310012；2. 山東科技大學(xué) 測(cè)繪與空間信息學(xué)院，山東 青島 266590)

1 引言

海底底質(zhì)類型的分類識(shí)別是海洋科學(xué)、海洋資源探測(cè)以及海洋軍事等領(lǐng)域的重要研究?jī)?nèi)容，快速、有效、準(zhǔn)確地對(duì)海底底質(zhì)進(jìn)行識(shí)別和分類對(duì)于海洋科學(xué)研究和應(yīng)用至關(guān)重要?；趥鹘y(tǒng)的地質(zhì)取樣方法進(jìn)行底質(zhì)識(shí)別成本高、效率低[1]，而多波束、側(cè)掃聲吶和淺地層剖面等海底淺表層聲吶探測(cè)信號(hào)或圖像中蘊(yùn)含著豐富的海底底質(zhì)信息，通過(guò)對(duì)上述海底探測(cè)聲學(xué)信號(hào)或圖像進(jìn)行分類和識(shí)別，以快速揭示海底底質(zhì)類型，已逐漸發(fā)展成一門前沿交叉學(xué)科[2]。

近年來(lái)，有不少文獻(xiàn)將多種機(jī)器學(xué)習(xí)方法應(yīng)用于海底底質(zhì)類型的自動(dòng)分類識(shí)別。文獻(xiàn)[3-6]利用反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation，BP）對(duì)海底底質(zhì)進(jìn)行分類識(shí)別，但該方法存在收斂速度慢，易陷入局部最優(yōu)化等問(wèn)題[7]。文獻(xiàn)[8-9]將學(xué)習(xí)向量量化網(wǎng)絡(luò)（Learning Vector Quantization，LVQ）用于海底底質(zhì)分類，但仍存在未充分使用神經(jīng)元，對(duì)初始權(quán)值敏感等問(wèn)題。文獻(xiàn)[10-11]利用支持向量機(jī)算法（Support Vector Machine，SVM）對(duì)海底底質(zhì)進(jìn)行分類識(shí)別，雖分類精度高、魯棒性強(qiáng)，但其對(duì)核函數(shù)的參數(shù)過(guò)于敏感，且難以解決多分類問(wèn)題。此外，國(guó)內(nèi)外學(xué)者還利用自組織神經(jīng)網(wǎng)絡(luò)（Self-Organizing Map，SOM）、ISODATA（Iterative Self-Organizing Data Analysis Techniques Algorithm）算法以及K-均值聚類算法等非監(jiān)督分類手段[12-16]，無(wú)需樣本訓(xùn)練，分類過(guò)程簡(jiǎn)單，但由于輸出數(shù)據(jù)沒(méi)有標(biāo)識(shí)，且對(duì)異常數(shù)據(jù)敏感，容易產(chǎn)生錯(cuò)誤分類，魯棒性較差。海底底質(zhì)分類數(shù)據(jù)量大，在測(cè)量與數(shù)據(jù)采集過(guò)程中進(jìn)行實(shí)時(shí)分類識(shí)別是其發(fā)展的必然趨勢(shì)[17-18]?，F(xiàn)有的海底底質(zhì)分類方法多繼承或改進(jìn)已有分類器，以單一或兩個(gè)分類器簡(jiǎn)單結(jié)合的方式往往無(wú)法同時(shí)滿足海底底質(zhì)快速、準(zhǔn)確、實(shí)時(shí)分類的需求，利用適當(dāng)?shù)募伤惴▋?yōu)化多個(gè)弱分類器形成強(qiáng)分類器有望同時(shí)滿足上述需求。

增強(qiáng)學(xué)習(xí)或提升算法，能夠?qū)⑷鯇W(xué)習(xí)器增強(qiáng)為預(yù)測(cè)精度更高、預(yù)測(cè)結(jié)果更穩(wěn)定的強(qiáng)學(xué)習(xí)器[19]。為實(shí)現(xiàn)海底底質(zhì)快速分類，本文采用極限學(xué)習(xí)機(jī)（Extreme Learning Machine, ELM）作為分類器。該分類器分類效率高，適用于處理數(shù)據(jù)量較大的樣本，已成功應(yīng)用于水質(zhì)預(yù)測(cè)[20]、遙感圖像處理[21]等領(lǐng)域。利用自適應(yīng)增強(qiáng)算法優(yōu)化極限學(xué)習(xí)機(jī)（ELM-AdaBoost），在ELM高分類效率的基礎(chǔ)上可提升其精度和魯棒性。基于實(shí)測(cè)側(cè)掃聲吶灰度圖像，提取均值、標(biāo)準(zhǔn)差、對(duì)比度等6個(gè)特征向量，對(duì)礁石、砂、泥3類典型海底底質(zhì)進(jìn)行分類識(shí)別，取得了較好的分類結(jié)果。

2 極限學(xué)習(xí)機(jī)基本原理

極限學(xué)習(xí)機(jī)算法最早于2005年由Huang等[22]提出，是一種針對(duì)SLFNs（即含單個(gè)隱含層的前饋型神經(jīng)網(wǎng)絡(luò)）的監(jiān)督學(xué)習(xí)算法，其主要思想是：輸入層與隱含層之間的權(quán)值參數(shù)，以及隱含層上的偏置向量參數(shù)是隨機(jī)確定的（無(wú)需像其他基于梯度的學(xué)習(xí)算法一樣通過(guò)迭代反復(fù)調(diào)整刷新），只需求解一個(gè)最小范數(shù)最小二乘問(wèn)題（最終歸化為求解一個(gè)矩陣的Moore-Penrose廣義逆問(wèn)題）。因此，該算法具有訓(xùn)練參數(shù)少、運(yùn)行速度快、泛化性好等優(yōu)點(diǎn)。

任意給定N個(gè)樣本 (Xi,ti)， 其中其中m,n分別表示樣本數(shù)量和類別數(shù)。對(duì)于一個(gè)有L個(gè)隱含層節(jié)點(diǎn)的單隱層標(biāo)準(zhǔn)前饋型神經(jīng)網(wǎng)絡(luò)，可表示為

式 中，g(x)為 激 活 函 數(shù)；Wi=[wi1,wi2,···,win]T為 輸 入 權(quán)重；βi為 輸出權(quán)重；bi是第i個(gè)隱層單元的偏置。Wi·Xj表示W(wǎng)i和Xj的內(nèi)積。

則式（2）可表示為

式中，H為隱含層輸出矩陣；β為輸出權(quán)重；T為輸出期望。

ELM的訓(xùn)練過(guò)程即選定隱層節(jié)點(diǎn)個(gè)數(shù)后，隨機(jī)確定輸入權(quán)重Wi和偏置bi，然后求式（3）的最小二乘解，可得其中，H+=(HTH)-1HT是矩陣的廣義逆。ELM網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 ELM網(wǎng)絡(luò)結(jié)構(gòu)Fig. 1 Network structure of extreme learning machine

3 ELM-AdaBoost方法實(shí)現(xiàn)

自適應(yīng)增強(qiáng)算法（Adaptive Boosting）是Freund和Schapire[23]于1995年提出的經(jīng)典集成算法。其自適應(yīng)性體現(xiàn)如下：前一個(gè)基本分類器樣本如果被錯(cuò)誤分類，它的權(quán)值會(huì)增大，而正確分類的樣本的權(quán)值會(huì)減小，并用來(lái)訓(xùn)練下一個(gè)基本分類器。通過(guò)迭代、反復(fù)學(xué)習(xí)，組合調(diào)整弱分類器直到達(dá)到某個(gè)預(yù)定的錯(cuò)誤率或達(dá)到預(yù)定的最大迭代次數(shù)才形成最終的強(qiáng)分類器。

本文采用側(cè)掃聲吶圖像作為聲學(xué)底質(zhì)分類的數(shù)據(jù)源，基于側(cè)掃圖像采用ELM-AdaBoost方法進(jìn)行海底底質(zhì)的分類識(shí)別主要包括3大步驟：（1）聲吶數(shù)據(jù)預(yù)處理；（2）特征向量提??；（3）ELM-AdaBoost網(wǎng)絡(luò)構(gòu)建和海底底質(zhì)分類（圖2）。

圖2 基于ELM-AdaBoost方法的海底底質(zhì)分類流程Fig. 2 Flow chart of seabed sediment classification based on ELM-AdaBoost method

3.1 聲吶數(shù)據(jù)預(yù)處理

由于獲取的原始散射數(shù)據(jù)畸變嚴(yán)重且含有大量噪聲，所以需要對(duì)原始反向散射數(shù)據(jù)進(jìn)行預(yù)處理[24-25]，為此，本文進(jìn)行了海底線跟蹤、增益補(bǔ)償和幾何校正等預(yù)處理，同時(shí)通過(guò)圖斑和條紋噪聲濾波處理降低側(cè)掃聲吶噪聲，提升魯棒性，使聲吶圖像能真實(shí)反映底質(zhì)情況，提高分類精度。

3.2 特征向量提取

特征向量作為分類器的輸入向量，代表著不同底質(zhì)各自的特征，是區(qū)分不同底質(zhì)的標(biāo)識(shí)。本文基于側(cè)掃聲吶圖像進(jìn)行底質(zhì)分類，從基本統(tǒng)計(jì)量和灰度共生矩陣中提取多種圖像紋理特征作為分類的特征向量。

由于紋理是由灰度分布在空間位置上反復(fù)出現(xiàn)而形成的，因而在圖像空間中相隔一定距離的兩像素之間會(huì)存在一定的灰度關(guān)系，即圖像中灰度的空間相關(guān)特性?；叶裙采仃嚲褪峭ㄟ^(guò)研究一定方向（0°、45°、90°、135°）上間隔一定距離的灰度級(jí)像素之間的相互關(guān)系來(lái)揭示圖像的某些紋理特征。矩陣元素的值就是沿一定方向間距為d時(shí)，灰度i和j的像素對(duì)出現(xiàn)的概率或頻數(shù)[26]。Haralick等[27]在灰度共生矩陣的基礎(chǔ)上提出了共14種量化紋理的特征向量，主要包括：灰度值、角二階矩、熵、對(duì)比度、協(xié)方差等。

為了減少圖像中相關(guān)性較少或者冗余的圖像特征、減少數(shù)據(jù)維度、提高分類效率，需要進(jìn)行特征向量降維。本文利用主成分分析方法（Principal Component Analysis，PCA）從所有特征向量中選擇關(guān)聯(lián)性較高的特征向量，確定了6個(gè)特征向量：

（1）對(duì)比度

反映了圖像的清晰度和紋理溝紋深淺的程度，紋理溝紋越深，其對(duì)比度越大，視覺(jué)效果越清晰。

（2）相關(guān)系數(shù)

用以度量空間灰度共生矩陣元素在行或列方向上的相似程度。

（3）能量

是灰度共生矩陣元素值的平方和，反映圖像灰度分布均勻程度和紋理粗細(xì)度。

（4）熵

是圖像所具有的信息量的度量，表示圖像中紋理的非均勻程度或復(fù)雜程度。

（5）均值

構(gòu)成對(duì)象所有像元的灰度平均值。

（6）標(biāo)準(zhǔn)差

用以衡量對(duì)象灰度值的離散程度。

3.3 ELM-AdaBoost網(wǎng)絡(luò)構(gòu)建

ELM-AdaBoost網(wǎng)絡(luò)構(gòu)建，包括以下5個(gè)步驟。

（1）通過(guò)數(shù)據(jù)預(yù)處理后的圖像提取6種特征向量，作為輸入數(shù)據(jù)。給定訓(xùn)練數(shù)據(jù)T={(x1,y1),(x2,y2),···,(xi,yi)},i=1,···,n， 其中yi∈{1,-1}，用于表示訓(xùn)練樣本的類別標(biāo)簽。當(dāng)xi=yi時(shí)，分類正確，類別標(biāo)簽為1；當(dāng)xi≠yi時(shí)，分類錯(cuò)誤，類別標(biāo)簽為-1。

（2）初始化訓(xùn)練數(shù)據(jù)的權(quán)值分布。每一個(gè)訓(xùn)練樣本最開(kāi)始都被賦予相同權(quán)值：訓(xùn)練樣本集的初始權(quán)值分布如下：

（3）選定ELM分類器的個(gè)數(shù)，確定迭代次數(shù)t，進(jìn)行迭代：

a.使用初始化的訓(xùn)練集進(jìn)行單個(gè)ELM訓(xùn)練學(xué)習(xí)以確定最佳隱含層節(jié)點(diǎn)個(gè)數(shù)l，同時(shí)得到基本分類器

b.計(jì)算分類器Ht(x) 數(shù) 據(jù)集上Dt的誤差率

c.計(jì)算該基本分類器在最終ELM-AdaBoost強(qiáng)分類器中所占的權(quán)重

d.更新訓(xùn)練樣本的權(quán)值分布

式中，Zt為 歸一化常數(shù)即分類錯(cuò)誤的樣本獲得更大的權(quán)值。

（4）全部迭代完成后，根據(jù)弱分類器權(quán)重αt組合各個(gè)ELM，即：

再通過(guò)符號(hào)函數(shù)sign得到最終強(qiáng)分類器ELM-Ada-Boost：

（5）最后利用ELM-AdaBoost分類器對(duì)測(cè)試樣本進(jìn)行特征向量分類，輸出分類結(jié)果。

4 實(shí)驗(yàn)分析

為驗(yàn)證ELM-AdaBoost方法在海底底質(zhì)分類中的可行性，本文實(shí)驗(yàn)數(shù)據(jù)來(lái)源于908專項(xiàng)海洋調(diào)查航次，利用Edgetech 2000DSS側(cè)掃聲吶系統(tǒng)在珠江口海區(qū)獲取了側(cè)掃聲吶圖像（圖3a），其空間分辨率為0.5 m。珠江口海區(qū)微地貌類型多樣，具有比較典型的礁石、砂、泥類底質(zhì)，從獲取的側(cè)掃圖像分析，河口分布有大片的沙波和礁石[28-31]。河口區(qū)豐富的底質(zhì)類型如圖3b至圖3d所示，分別為礁石、砂和泥3種典型的底質(zhì)灰度圖像。

圖3 研究區(qū)位置示意圖（a）及礁石（b）、砂（c）和泥（d）3種典型底質(zhì)的聲吶圖像Fig. 3 Location of study area (a) and three typical seabed sediment sonar images of rock (b), sand (c) and mud (d)

4.1 圖像處理與特征提取

從圖形校正和噪聲處理后的側(cè)掃聲吶圖像中截取典型的已知底質(zhì)類型區(qū)域，并進(jìn)行分割和歸一化處理，將圖像分割成12 ×12的像素單元，得到礁石樣本360個(gè)，砂樣本361個(gè)，泥樣本322個(gè)，總計(jì)1 043個(gè)樣本。

然后，利用主成分分析法選擇其中識(shí)別精度較高的特征向量，最終確定了均值、標(biāo)準(zhǔn)差、對(duì)比度、相關(guān)系數(shù)、能量和熵6個(gè)特征向量（表1）。

表1 礁石、砂和泥3種底質(zhì)的特征向量Table 1 Characteristic vectors of three types of seabed sediment of rock, sand, and mud

從部分?jǐn)?shù)據(jù)中可以看出，礁石的標(biāo)準(zhǔn)差范圍為[0.142 0～0.230 5]，均值為0.186 2；砂的標(biāo)準(zhǔn)差范圍為[0.104 7～0.127 6]，均值為0.116 1；泥的標(biāo)準(zhǔn)差范圍為[0.220 0～0.302 3]，均值為0.261 1。可見(jiàn)不同底質(zhì)之間特征向量具有差異性，分類器據(jù)此進(jìn)行分類訓(xùn)練。

4.2 分類結(jié)果分析與討論

從1 043個(gè)樣本中隨機(jī)挑選，其中700個(gè)用于訓(xùn)練，343個(gè)用于測(cè)試。首先構(gòu)建單個(gè)ELM數(shù)據(jù)實(shí)驗(yàn)，以確定隱含層最佳節(jié)點(diǎn)數(shù)，結(jié)果如圖4所示，選取隱含層節(jié)點(diǎn)個(gè)數(shù)l為200，迭代次數(shù)t為10次。

圖4 隱含層神經(jīng)元個(gè)數(shù)對(duì)ELM分類性能影響Fig. 4 The influence of the number of hidden layer neurons on the extreme learning machine classification performance

確定隱含層節(jié)點(diǎn)個(gè)數(shù)和迭代次數(shù)后，進(jìn)行10組ELM-AdaBoost的網(wǎng)絡(luò)訓(xùn)練，取其平均值作為最終分類結(jié)果。同時(shí)，為驗(yàn)證ELM-AdaBoost算法的可行性，基于同一組數(shù)據(jù)進(jìn)行了多次BP、LVQ、PSO（Particle Swarm Optimization）-SVM和 單 獨(dú)ELM的 網(wǎng) 絡(luò) 訓(xùn)練，并取其結(jié)果平均值，測(cè)試結(jié)果如表2所示。

表2 5種分類器的分類性能對(duì)比表Table 2 Comparison of classification performance of five classifiers

結(jié)合表2和圖5可看出，相比于單一ELM弱分類器，ELM-AdaBoost強(qiáng)分類器調(diào)整了各個(gè)ELM間的權(quán)重，即加大其中分類誤差率小的分類器權(quán)重，使其在最終分類函數(shù)中起著較大的決定作用，從而減少了最終分類結(jié)果因錯(cuò)誤分類所受的干擾，提高了分類的穩(wěn)定性，最終分類精度提高約5%。

圖5 ELM-AdaBoost和ELM誤差絕對(duì)值對(duì)比Fig. 5 Comparison of absolute error value between extreme learning machine-adaptive boosting and extreme learning machine

結(jié)合表2和圖6可看出，ELM-AdaBoost分類器對(duì)于砂、礁石的平均分類精度均超過(guò)90%，泥的平均分類精度也接近90%，相比于傳統(tǒng)分類方法（BP為83%、LVQ為81%），分類精度有明顯提高。從分類器的分類效率來(lái)看，ELM和ELM-AdaBoost分類器完成分類所耗時(shí)間僅為0.11 s和0.37 s，相比其他分類器有明顯的優(yōu)勢(shì)。

圖6 5種分類器的分類精度對(duì)比Fig. 6 Comparison of classification accuracy of five classifiers

5 結(jié)論

本文充分利用了AdaBoost算法集成多個(gè)ELM，通過(guò)反復(fù)迭代調(diào)整各個(gè)ELM分類器之間的權(quán)值，加大其中分類誤差率小的分類器權(quán)重，使其在最終分類函數(shù)中起較大的決定作用。最終克服了單個(gè)ELM輸出波動(dòng)大，模型不穩(wěn)定的缺點(diǎn)，構(gòu)建了具有強(qiáng)魯棒性、高精度的ELM-AdaBoost強(qiáng)分類器。

基于實(shí)測(cè)珠江口側(cè)掃聲吶圖像，利用灰度共生矩陣提取對(duì)比度、相關(guān)系數(shù)、熵等特征向量，通過(guò)改進(jìn)的ELM-AdaBoost方法，實(shí)現(xiàn)對(duì)砂、礁石和泥3種海底底質(zhì)的分類，其分類精度達(dá)到90%，優(yōu)于單一ELM分類器的平均分類精度85.95%，也優(yōu)于LVQ、BP等其他傳統(tǒng)分類器。同時(shí)，在分類效率上，分類時(shí)間僅為0.37 s，也遠(yuǎn)少于其他傳統(tǒng)分類器，驗(yàn)證了本文方法的可行性。