Page 243 - 应用声学2019年第4期

第 38 卷 第 4 期 王梁等： 基于超椭圆拟合的水下小目标分类 703

(a) ε=1.7100 (b) ε=1.5794 (c) ε=1.3879

(d) ε=1.1025 (e) ε=1.2382 (f) ε=1.2675
图 9 实际水下小目标的超椭圆曲线拟合过程
Fig. 9 Superellipse curve fitting process for actual underwater small target
平移量 x、垂直平移量 y、旋转角度 θ 和方形程度参
3 目标分类
数ε，将a、b、x、y、θ、ε作为特征向量输入到分类器内
3.1 数据集 到达目标分类的目的。

根据实际水下情况生成的仿真图像和实际图 本文采用随机森林 [15] 和支持向量机 (Support
像，对超椭圆曲线的识别性能进行分类实验，本文总 vector machine, SVM) [16] 两种分类器分类圆柱体、
样本数共 672 个 (仿真样本 659 个，实际样本 13 个)， 球体和圆台三类目标，随机森林法本质上由若干颗
其中，目标为球体的样本数为 255 个 (仿真样本 250 决策树构成，决策树的数目及深度都影响分类结果，
个，实际样本 5 个)，圆台的样本数为 254 个 (仿真样 在分类过程中设置决策树的数目为 100 颗，树的深
本250个，实际样本 4 个)，圆柱体的样本数为163个 度由交叉验证的方式得到。决策树在建树过程中，
(仿真样本 159 个，实际样本 4 个)。从总样本集中随 其关键在于如何通过一个树节点对树进行下一步
机选取 70% 的作为训练集训练模型，将剩余的 30% 划分，划分过程中需要选择分裂属性作为树生长的
的样本作为测试集对未知样本进行测试和分类。 依据，常用的两种分裂属性为基尼 (Gini) 系数和信
仿 真 样 本 的 仿 真 参 数： 圆 柱 体 目 标 (直 径 息熵 (Entropy)，其中，基尼系数的核心是最小化不
290 cm，高 53 cm)，球体目标 (直径 533 cm)，圆 纯度，信息熵的核心是最大化信息增益。
台目标 (上表面直径 43 cm，下表面直径 98 cm，高 对仿真样本使用三种分类器分类得到的分类
43 cm)。 结果如表1所示。
实际样本的数据获取条件：合成孔径声呐图像 从表1可以看出，对于仿真样本，随机森林的分
(分辨率20 cm)，试验地点为千岛湖。 类准确率与 SVM 相近，对比这三种分类器的分类

3.2 分类结果 结果，测试集分类准确率最高为 95.50%，具有很好
对于圆柱体、球体和圆台三类目标，均采用超 的分类效果。
椭圆拟合算法识别目标阴影形状，曲线的形状由 6 对实际样本使用三种分类器分类得到的分类
个参数控制，这 6 个参数分别为长轴 a、短轴 b、水平 结果如表2所示。