基于回波強度的海底底質分類系統關鍵技術

何林幫 馮 杰

1 武漢大學測繪學院，武漢市珞喻路129號，430079

多波束聲吶系統廣泛應用于海底地形地貌測繪、海底底質勘探、海洋工程等方面［1］。海底底質分類對于海底礦物質、天然氣水合物勘探等具有重要意義。目前已發表的海底底質分類文獻只是提到底質分類中的一部分處理模塊，沒有全面系統地論述底質分類中的關鍵技術。唐秋華等［2］利用改進的BP 神經網絡對底質進行分類，地貌辨識度也較高，但是沒有系統論述波束腳印的精確跟蹤方法，無法知道海底地貌的精確位置。馬飛虎等［3］利用多特征主成分分析與聲圖相結合進行底質分類，但是沒有具體論述回波強度的提取方法。孫文川等［4］論述了用于海底底質分類的多波束聲強數據選取問題，對原始聲強數據進行地形改正，得到反映底質信息的聲強數據，但是沒有消除中央波束反射對回波強度的影響。

本文通過論述基于回波強度的海底底質分類系統框架及系統中主要的處理模塊，能夠對高分辨率的海底多波來聲吶圖像進行精確分類。通過對ALL格式的原始二進制數據進行解譯［5］以及聲速剖面改正、航跡改正、歸位計算等一系列預處理，進而構建高分辨率聲吶圖像。運用改進的BP神經網絡將已知樣本進行訓練，利用樣本訓練結果對生成的聲吶圖像進行全圖分類。實驗證明，該分類方法的樣本識別率和全圖識別率都較高，能夠為海底微地貌辨識提供精確可靠的依據。

1 系統框架

系統框架主要包括文件管理、ALL 格式原始文件解碼、數據預處理、圖像處理、樣本處理、特征提取、分類器構建、圖像分類等模塊，如圖1所示。本系統是基于Visual Studio 2010開發的，文件管理功能模塊主要管理一些原始條帶多波束數據、多波束圖像、樣本文件和分類結果報告等；ALL格式原始文件解碼模塊主要包括提取原始文件中的測深數據、聲強數據、導航數據、姿態數據等；數據預處理模塊主要包括聲速剖面改正、航跡改正、波束腳印插值計算等；圖像處理模塊是利用多波束腳印插值的地理坐標和聲強灰度值構建圖像；樣本處理模塊主要包括樣本的檢測和選優；特征提取模塊是對樣本的16個特征值進行提取；分類器構建模塊是利用BP神經網絡對樣本進行訓練和檢驗；圖像分類模塊是利用樣本的訓練結果對全圖進行分類。系統界面如圖2所示。

圖1 底質分類系統主要處理模塊Fig.1 Main processing module of sediment classification system

圖2 底質分類系統界面Fig.2 Interface of sediment classification system

2 ALL文件格式解碼

ALL文件格式是目前EM 系列通用的聲學勘探數據組織格式［6］，保存的內容很豐富，包含安裝參數包、運行參數包、測深數據包、聲吶振幅數據包、姿態數據包、導航數據包、潮汐數據包、聲速剖面包等。每個數據包都有數據類型和大小說明，每個數據包就是單Ping數據。

ALL格式文件都是以安裝數據包或運行參數包開始的，隨后是各種類型數據包，這些數據包都是以20byte的數據包頭開頭，包括數據包大小、開始標識符、數據包類型、EM 系列號、時間日期、時間秒數、Ping序列號、聲吶序列號。ALL文件格式結構如圖3所示。

圖3 ALL文件格式結構圖Fig.3 Structure diagram of ALL format file

首先設置一個指針ptr指向文件開頭的位置，此外再設置一個變量CurrentPosition記錄指針指向文件的位置。把每個數據包前面的20 byte當作一個包頭，設置一個結構體存儲這個包頭的8 個字段值。再設置一個包頭結構體指針pALLPreface，指向這個包頭的第一個位置，根據pALLPreface→NumberofBytes可以得知一個數據包的字節大小。根據讀取的ALL 文件第一個數據包開頭的4byte，就可判斷文件的存儲方式。如果是大端存儲方式，遇到大于1byte的數據必須作移位處理，小端存儲方式則不用移位。pALLPreface→StartID 若等于OX02 就說明數據包開始記錄數據。pALLPreface→Datagram－Type是數據包的類型標識符，如OX49代表安裝參數包，OX52 代表運行參數包。在讀取完一個數據包后，使變量CurrentPosition加上前一個數據包的字節數pALLPreface→NumberofBytes，文件指針移動到下一個數據包頭，以同樣的操作提取下一個數據包，直到變量CurrentPosition的大小等于文件長度為止，整個ALL 文件解碼工作結束。

3 系統主要處理模塊

3.1 聲速剖面改正

波束從換能器沿著不同的角度發射，形成一個垂直于船首方向、開角為一定角度的扇形剖面，除了垂直于換能器的波束外，其他角度的波束都是沿著不同的曲線方向到達海底的［7］。首先需要根據船體姿態確定波束的實際初始入射角，而后沿著實際初始入射角空間剖面進行常梯度聲線跟蹤，最終得到波束在船體坐標系下的三維位置。

由于傳統聲線跟蹤方法計算波束腳印坐標時，船體的姿態（縱搖角p，橫搖角r）是由船體先繞OX軸旋轉角r再繞OY軸旋轉角p得到的，但是實際情況并非如此，而是先繞OX軸旋轉角α（≠r）再繞OY軸旋轉角β（＝p）得到的，而α＝arcsin（sinr／cosp）。下面推導波束初始入射角θ0的計算模型。

實際聲線可由理想狀態下的聲線經α、β旋轉變換R后得到。設理想狀態下，第i個波束分配入射角為θi，在不失精度情況下，假設在第一個水層以常聲速傳播，傳播距離為Ri，則波束在第一水層下界的落點Pi坐標為（0，Risinθi，Ricosθi），而姿態影響下的實際坐標（xi，yi，zi）為：

式（1）可借助圖4解釋。設基陣水平時，第i號波束的波束角為θi，斜距為R，則點A坐標為（0，Risinθi，Ricosθi）。基陣處于橫搖r和縱搖p影響下，A點旋轉到了B點，第i號波束的實際入射角度θi′＝∠BOD。定義波束的水平角度φ＝∠BDE，即為波束橫距BD與OY軸的夾角，其表達式為：

圖4 波束點空間旋轉示意圖Fig.4 Schematic diagram of footprint rotation

3.2 歸位計算

波束測深點在地理坐標系下的坐標可借助如下過程來獲得。

1）實際波束初始入射角計算。首先計算換能器基陣面的實際旋轉角α和β，并借助式（2）得到波束的實際初始入射角θi′。

2）常梯度聲線跟蹤。借助實際聲速剖面、式（2）中獲得的波束實際初始入射角以及波束傳播時間t，借助常梯度模型進行聲線跟蹤，獲得波束在理想換能器坐標系下的坐標（x，y，z）。

3）波束傳播垂面與理想換能器坐標系XOZ面二面角Ab為：

4）波束測深點地理坐標為［8］：

其中，下角b－LLS為地理坐標系下的波束測深點坐標，T－LLS為由GPS提供的換能器中心地理坐標，TS為換能器坐標系下的波束測深點坐標，h為波束垂面方位角，由羅經提供的航向角為A，則h為：

3.3 回波強度提取及改正

根據多波束Seabed Image Datagram 數據包結構，提取每個柵格的原始回波強度數據。在Seabed Image Datagram 數據包中，單Ping數據中有N個波束，每個波束記錄著波束包絡內所有的采樣點數目，而每一個采樣點又對應著一個柵格回波強度值，以及波束指向性采樣點索引值［6］。根據以上數據結構特點，將整個波束包絡按采樣數劃分相對應的柵格，每個柵格有一個采樣點回波強度值，形成波束包絡時序回波強度集。

回波強度改正包括時間增益改正和波束照射區面積改正。為了補償由于傳播、波束指向性及底質等變化所引起的信號衰減及起伏，得到遠近場均勻一致的聲吶圖像，有必要對回波信號進行時間增益改正。根據聲吶方程，可以得到與距離（時間）有關的兩項，即傳播損失和混響級，時間增益可依據下面公式來補償［6］：

ELr為總衰減量（回波衰減）（dB）；2TLr為傳播損失（dB）；RLr為混響級（dB）；r為距離（m）；α為衰減系數（dB／km）；τ為發射脈沖寬度（ms）；θH為換能器水平開角（rad）；SB為回波強度（dB）。經過時間增益改正后，可得到與聲波傳播路徑和波束指向性無關而僅與海底底質有關的回波強度。

當波束入射角位于中央波束附近（θ≈0°）時，海底固有反向散射強度（BSN）通常近似為一常數；當0°＜θ＜θcritical時，海底固有散射強度隨入射角作線性變化；當θ≥θcritical時，海底固有散射強度隨入射角的變化服從Lambert法則［9］。當波束入射角接近0°時，

當波束入射角θ為其他值時，

根據Lambert定律，對于不同入射角θ的BS 有兩種計算方式：

3.4 改進的BP神經網絡模型構建

下面介紹一種在線的自適應學習率附加動量項的BP神經網絡。設是給定的訓練樣本集，其中。設O∈Rr是對應于輸入的目標輸出，定義瞬時誤差為：

給定初始權值向量w（0）、w（1），則帶動量項的在線BP算法的權值更新公式可表示為：

在自適應學習率附加動量項BP神經網絡模型中，在誤差曲面的平坦部分，增大動量因子，可使權值更新向量w（k＋1）－w（k）獲得較大的沖量，有助于權值逃離誤差平面的平坦區域，從而加速算法收斂。而在誤差曲面的陡峭部分，減小動量因子可以避免算法出現不穩定。在該模型中，動量因子是自適應變化的。誤差曲面的陡緩程度可以用誤差關于權值向量的梯度范數來刻畫，當梯度范數較大時，誤差變化較快，誤差曲面較陡；反之，誤差變化較慢，誤差曲面較平坦。因此，可以根據誤差關于權值向量的梯度大小來自適應調節動量因子。

3.5 圖像分類

對監督分類而言，圖像分類的基礎是分類器對樣本的訓練結果，訓練結果的優劣直接影響到圖像分類的效果。首先對已知的底質樣本進行特征值提取，本系統的特征值有均值、標準差歸一化系數、三階矩、一致性、熵、7個二維函數不變矩、4個灰度共生矩，共16個顯著性統計參量［10－11］。對底質樣本的特征值進行主成分分析，再通過改進的BP神經網絡進行樣本訓練，最后利用樣本的訓練結果對海底底質多波束聲吶圖像進行全圖分類。

4 實驗與分析

實驗用的多波束數據來自膠州灣某海域，使用EM3000多波束測深儀獲得。經過預處理，得到每個波束的地理坐標X、Y和水深Z。在相鄰的波束腳印內作內插，計算出每個柵格的坐標值，即為柵格的聲強值作地理編碼。作業單位采集的樣本大致可分為礫石、沙、淤泥3類，每類樣本取10個，然后提取每個樣本的16個顯著性統計參量。通過選取這些統計特征和自適應學習率，附加動量BP神經網絡才能更好地解決這種模糊映射關系。

在計算出3類樣本的統計特征值后，需要進行主成分分析前的標準化工作，主要是解決統計特征值差異懸殊的問題。進行標準化可以讓不同的統計特征值歸一化到一個大體可以比擬的數量級，避免在主成分分析時出現數值計算中“大數吃掉小數”的情況或主成分系數差異懸殊造成模型的不穩定。經過主成分分析后再作為BP 神經網絡的輸入值，采用改進的自適應學習率動量項，BP神經網絡是一個3層網絡，分別為輸入層、中間層和輸出層。輸入層有10個輸入單元，中間層有30個處理單元，輸出層有1個輸出單元。在樣本訓練時，取70%作為訓練，30%作為檢驗。網絡的初始學習率取0.8，誤差取10－5，中間層的函數采用修正的S型函數，激活函數的斜率S和偏置δ都隨誤差信號進行修正，不僅可以提高神經元的自適應能力，也可以明顯加快算法的收斂速度：

經過改進的BP神經網絡對提取的底質樣本進行訓練，結果見表1，樣本識別率達到90%，未識別率達10%。利用訓練結果再對全圖進行分類，全圖識別率達到98.8%。底質分類前后對比如圖5所示。實驗證明，基于柵格回波強度的提取方式對底質分類比傳統方式不僅在分辨率方面而且在地貌識別精度方面都有很大提高。

表1 利用提取的回波強度樣本進行底質分類訓練結果Tab.1 The training result of sediment classificatiom with sample extracted

圖5 海底底質分類前與分類后結果比較Fig.5 The comparison before and after sediment classification results

［1］趙建虎，劉經南.多波束測深及圖像數據處理［M］.武漢：武漢大學出版社，2008（Zhao Jianhu，Liu Jingnan.Multibeam Bathymetry and Image Data Process［M］.Wuhan：Wuhan University Press，2008）

［2］唐秋華.基于改進BP神經網絡的海底底質分類［J］.海洋測繪，2009，29（5）：40－43（Tang Qiuhua.Seabed Classification with Improved BP Neural Network［J］.Hydrographic Surveying and Charting，2009，29（5）：40－43）

［3］馬飛虎.多特征主成分分析與聲圖相結合的海底底質分類［J］.應用科學學報，2010，28（4）：374－380（Ma Feihu.Seabed Classification Based on Principal Component Analysis of Multiple Features Combined with Sonar Image［J］.Journal of Applied Sciences，2010，28（4）：374－380）

［4］孫文川.用于海底底質分類的多波束聲強數據選取研究［J］.海洋測繪，2012，32（3）：18－20（Sun Wenchuan.A Method of Sound Intensity Data Selection for Seafloor Classification［J］.Hydrographic Surveying and Charting，2012，32（3）18－20）

［5］高金耀，方銀霞，徐賽英.原始多波束數據的格式轉換與統一［J］.海洋通報，2002，21（6）：68－74（Gao Jinyao，Fang Yinxia，Xu Saiying.Transformation and Unification of Various Formats of Raw Multibeam Data［J］.Marine Science Bulletin，2002，21（6）：68－74）

［6］Kongsberg Company Inst Ruction Manual.EM Series Multibeam Echo Sounders Datagram Sormats［EB／OL］.http：∥www.kongsberg.com／，2010－06－15

［7］李家彪.多波束勘測原理技術和方法［M］.北京：海洋出版社，1999（Li Jiabiao.Surveying Principle，Techniques and Methods for Multibeam［M］.Beijing：Marine Press，1999）

［8］趙建虎，劉經南.多波束測深系統的歸位問題研究［J］.海洋測繪，2003，23（1）：6－8）（Zhao Jianhu，Liu Jingnan.Problems on the Conformity to the Real Sounding Points From the Multi－beam Sounding System［J］.Hydrographic Surveying and Charting，2003，23（1）：6－8）

［9］Dimitrios E，Alireza A S，Mirjam S.Improving Riverbed Sediment Classification Using Backscatter and Depth Residual Features of Multi－beam Echo－sounder Systems［J］.Acoustical Society of America，2012，131（5）：3 710－3 725

［10］金紹華，翟京生，劉雁春.海底入射角對多波束反向散射強度的影響及其改正［J］.武漢大學學報：信息科學版，2011，36（9）：1 081－1 084（Jin Shaohua，Zhai Jingsheng，Liu Yanchun..Influence of Seafloor Incidence Angle on Multibeam Backscatter Intensity and Corrected Method［J］.Geomatics and Information Science of Wuhan University，2011，36（9）：1 081－1 084）

［11］SMRAD.Instruction Manual of Simrad Triton Seabed Classification［M］.Norway：Simrad Company，1998