Page 244 - 应用声学2019年第4期

704
表 1 随机森林和 SVM 对三类目标的分类结果
(仿真样本)
Table 1 Random forest and SVM classi-
fication results for three kinds of targets
(simulated sample)
随机森林 随机森林
类别
(Gini) (Entropy)
训练集的准确率 96.13% 95.91% 100.00%
测试集的准确率 95.50% 94.50%
表 2 随机森林和 SVM 对三类目标的分类结果
(实际样本)
Table 2 Random forest and SVM classi-
fication results for three kinds of targets
(actual sample)
随机森林 随机森林
类别
(Gini) (Entropy)
训练集的准确率 95.27% 94.14% 100.00%
测试集的准确率 86.67% 78.57%
从表 2可以看出，对于实际样本，三种分类器的
分类结果均低于仿真样本，由于实际的水下声图像
比较复杂，易于受噪声、海底混响等因素的影响，使
提取的目标阴影边界坐标点与实际的坐标点之间
存在偏差，导致分类准确度下降。尽管分类准确度
有所下降，但是最高也能达到 86.67%，具有较好的
分类效果。
通过分析样本集的特征向量，得出产生错分的
原因主要集中在球体目标和圆台目标之间，当成像
设备探测的角度和方位正好处在球体垂直直径位
置上，产生的阴影区域可能与圆台目标的阴影区域
相似，导致超椭圆曲线的参数之间区分度不大，从而
降低分类准确度。
4 结论
本文针对水下小目标分类问题，引入了超椭圆
曲线拟合算法来识别目标阴影轮廓特性，并将控制
曲线形状的 6 个参数 a、b、x、y、θ、ε 作为特征向量输
入到分类器内进行分类。结果表明，a、b、x、y、θ、ε 可
以有效地分类出目标所属的类别，因此，超椭圆曲线
拟合算法是一种可行的识别方法。但是，这种方法
对于极不规则的目标阴影形状识别效果不尽人意，
从而降低分类准确率，仍需要进一步研究与改进。
2019 年 7 月
参 考 文 献
[1] Kim S D, Lee J H, Kim J K. A new chain-coding algorithm
for binary images using run-length codes[J]. Computer
Vision, Graphics, and Image Processing, 1988, 41(1):
114–128.
SVM
[2] Belkasim S O, Shridhar M, Ahmadi M. Pattern recog-
nition with moment invariants: a comparative study
94.00% and new results[J]. Pattern Recognition, 1991, 24(12):
1117–1138.
[3] Barr A H. Superquadrics and angle-preserving transfor-
mations[J]. IEEE Computer Graphics and Applications,
1981, 1(1): 11–23.
[4] Pentland A P. Perceptual organization and the repre-
sentation of natural form[J]. Artificial Intelligence, 1986,
28(3): 293–331.
[5] Peak P. Mathematical games—The superellipse: a curve
that lies between the ellipse and the rectangle, scien-
SVM tific american by martin gardner[J]. Mathematics Teacher,
1966, 59(5): 473.
[6] 陈京, 袁保宗, 文富荣. 一种基于曲率约束的不完整超二次曲
80.00% 线拟合 [C]//第十二届全国信号处理学术年会 (CCSP-2005)
论文集, 2005: 367–370.
[7] Rosin P L. Fitting superellipses[J]. IEEE Transactions
on Pattern Analysis & Machine Intelligence, 2000, 22(7):
726–732.
[8] Ahn S J, Rauh W, Cho S H, et al. Orthogonal distance
fitting of implicit curves and surfaces[J]. IEEE Transac-
tions on Pattern Analysis & Machine Intelligence, 2002,
24(5): 620–638.
[9] Voss K, Suesse H. A new one-parametric fitting method
for planar objects[J]. IEEE Transactions on Pattern Anal-
ysis & Machine Intelligence, 1999, 21(7): 646–651.
[10] Rosin P L, West G A W. Curve segmentation and repre-
sentation by superellipses[J]. IEE Proceedings-Vision, Im-
age and Signal Processing, 1995, 142(5): 280–288.
[11] Fitzgibbon A, Pilu M, Fisher R B. Direct least square fit-
ting of ellipses[J]. IEEE Transactions on Pattern Analysis
and Machine Intelligence, 1999, 21(5): 476–480.
[12] Nelder J A, Mead R. A simplex method for function min-
imization[J]. Compute Journal, 1965, 7(4): 308–331.
[13] Mignotte M, Collet C, Pérez P, et al. Three-class Marko-
vian segmentation of high-resolution sonar images[J].
Computer Vision and Image Understanding, 1999, 76(3):
191–204.
[14] Kim S D, Lee J H, Kim J K. A new chain-coding algorithm
for binary images using run-length codes[J]. Computer
Vision, Graphics, and Image Processing, 1988, 41(1):
114–128.
[15] Cutler A, Cutler D R, Stevens J R. Random forests[J].
Machine Learning, 2004, 45(1): 157–176.
[16] Zhao Q, Principe J C. Support vector machines for SAR
automatic target recognition[J]. IEEE Transactions on
Aerospace & Electronic Systems, 2001, 37(2): 643–654.