Page 132 - 《应用声学》2021年第2期

300 2021 年 3 月

(a1) ᄬಖA (a2) NL»meansԝ٪ (b1) ᄬಖB (b2) NL-meansԝ٪ (c1) ᄬಖC (c2) NL-meansԝ٪

(a3) OTSU᫠ϙѬҟ (a4) ॎগߦܫေ (b3) OTSU᫠ϙѬҟ (b4) ॎগߦܫေ (c3) OTSU᫠ϙѬҟ (c4) ॎগߦܫေ
(a) ᄬಖAॎগѬҟ᣿ሮڏ (b) ᄬಖBॎগѬҟ᣿ሮڏ (c) ᄬಖCॎগѬҟ᣿ሮڏ
图 9 3 类目标的形态分割处理
Fig. 9 Morphological segmentation of three types of targets
表 2 部分目标样本及特征参数
Table 2 Some target samples and charac-
teristic parameters

目标类型 最小外接矩形长宽比 矩形度 圆形度
(a) ᄬಖAԣХᣃझ֗త࠵ܱଌᅾॎ 球状 1.0909 0.8333 1.4006
球状 1.7500 0.9464 1.2620
球状 2.3750 0.7961 1.3916
球状 2.1429 0.7493 1.3369
球状 1.6667 0.7493 1.3580
柱状 2.5455 0.9779 3.9503
(b) ᄬಖBԣХᣃझ֗త࠵ܱଌᅾॎ 柱状 2.6000 0.5692 3.7939
柱状 2.3077 0.6538 2.0983
柱状 2.0714 0.6576 1.9075
柱状 2.9000 0.8966 3.4489
线状 5.9419 0.5002 4.6537
线状 5.5730 0.6701 3.2270
(c) ᄬಖCԣХᣃझ֗త࠵ܱଌᅾॎ
线状 9.0000 0.3681 8.4457
图 10 实测目标及其最小外接矩形图 线状 7.1798 0.7351 3.3519
Fig. 10 The measured target and its minimum 线状 7.0000 0.7813 2.9693
circumscribed rectangle

第四步，使用随机森林分类器对目标的特征向 完成对仿真图像的识别后，在仿真图像中分别
量进行分类识别。随机森林由若干颗决策树构成， 加入方差σ = 0.01、σ = 0.04、σ = 0.09的高斯噪声，
实验过程中设置决策树的数目为20颗，每个节点的 对加噪后的图像再次进行识别，实测样本采取同样
最少训练样本数为 10，树的深度由交叉验证的方式 的处理方法，实验结果如表3所示。
得到。决策树在建树过程中，选用基尼 (Gini) 系数 从表3可以看出，仿真样本的识别率较高，在加
作为分裂规则，其核心是最小化不纯度。接下来随 入方差为 0.09 的高斯噪声后仍达到 97.7% 的准确
机选取样本集中的 80% 作为训练集对模型进行训 率，能够取得很好的效果。对实测样本进行识别时，
练，将其余的 20% 作为验证集进行测试，实现对目 识别率要略低于仿真样本，原因可能是水下环境较
标形状的识别。 为复杂，噪声、混响对水声图像的质量具有不可避