(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211124946.X (22)申请日 2022.09.15 (71)申请人 哈尔滨工程大 学 地址 150001 黑龙江省哈尔滨市南岗区南 通大街145号 (72)发明人 叶秀芬　李传龙　希吉尔　刘红　 黄汉杰　刘文智　李海波　 (74)专利代理 机构 北京慕达星云知识产权代理 事务所 (特殊普通合伙) 11465 专利代理师 符继超 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/44(2022.01) G06V 10/54(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于深度神经网络的声呐图像纹理特 征去除方法 (57)摘要 本发明公开了一种基于深度神经网络的声 呐图像纹理特征去除方法， 属于图像处理技术领 域。 该方法包括构建多层特征提取卷积神经网 络， 利用所述多层特征提取卷积神经网络提取输 入图像的深度特征； 利用特征变换 公式对提取的 深度特征进行特征变换， 获取特征变换后的深度 特征； 对变换后的深度特征， 添加噪声污染； 构建 多层解码深度神经网络， 将添加噪声污染后的深 度特征输入所述多层解码深度神经网络进行解 码， 获取去除纹理特征后的图像特征。 本发明通 过对源领域和目标领域进行同样的纹理特征去 除变换， 使得变换后的源领域与目标领域更为相 似， 缩短了源领域和目标领域之间的领域差距。 权利要求书1页 说明书6页 附图3页 CN 115527112 A 2022.12.27 CN 115527112 A 1.一种基于深度神经网络的声呐图像纹理特征去除方法， 其特征在于， 所述方法包括 以下步骤： S1、 构建多层特征提取卷积神经网络， 所述多层特征提取卷积神经网络包括卷积层、 池 化层及第一激活函数层， 利用所述多层特 征提取卷积神经网络提取输入图像的深度特 征； S2、 利用特 征变换公式对提取的深度特 征进行特征变换， 获取 特征变换后的深度特 征； S3、 对变换后的深度特 征， 添加噪声污染； S4、 构建多层解码深度神经网络， 所述多层解码深度神经网络包括反卷积、 插值上采样 层、 反池化层及第二激活函数层， 将添加噪声污染后的深度特征输入所述多层解码深度神 经网络进行解码， 获取去除纹 理特征后的图像特 征。 2.根据权利要求1所述的基于深度神经网络的声呐图像纹理特征去除方法， 其特征在 于， 步骤S1中， 所述多层特征提取卷积神经网络由多组特征提取单元堆叠组成， 每组特征提 取单元均由卷积层、 池化层 及对应的第一激活函数层顺序连接形成。 3.根据权利要求1所述的基于深度神经网络的声呐图像纹理特征去除方法， 其特征在 于， 步骤S2中所述 特征变换公式包括 式中fc为多层特征提取卷积神经网络 提取的深度特征， ft为变换后的深度特征， Dc为对角矩阵， 所述对角矩阵的特征值等于ft的 协方差矩阵 Ec为ft的协方差矩阵的正交矩阵， 协方差矩阵满足 公式： 4.根据权利要求1所述的基于深度神经网络的声呐图像纹理特征去除方法， 其特征在 于， 步骤S3中对变换后的深度特征， 添加噪声污染， 具体包括fn＝ft+λfnoise， 式中， fn为添加 噪声污染后的深度特 征， fnoise为特征维度与ft相同的噪声矩阵， λ为噪声矩阵fnoise的权重。 5.根据权利要求1所述的基于深度神经网络的声呐图像纹理特征去除方法， 其特征在 于， 步骤S4中所述多层解码深度神经网络的网络结构与步骤S1 中所述多层特征提取卷积神 经网络的网络结构对称设置， 包括由反卷积层、 插值上采样层及对应的第二激活函数层构 成第一类反变换组， 由反卷积、 反池化层及 对应的第二激活函数构成第二类反变换组， 所述 第一类反变换组用于去除源领域和目标领域不相同的纹理特征， 所述第二类反变换组用于 保留源领域和目标领域相同的纹理特征， 所述第一类反变换组与所述第二类反变换组交替 链接。权　利　要　求　书 1/1 页 2 CN 115527112 A 2一种基于深度神经 网络的声呐图像纹理 特征去除方 法 技术领域 [0001]本发明涉及声呐图像处理技术领域， 更具体的说是涉及 一种基于深度神经网络的 声呐图像纹 理特征去除方法。 背景技术 [0002]声呐是水下探测、 目标搜寻等领域应用最为广泛的传感器， 近年来， 随着海洋开发 活动的开展， 声呐设备 的应用已经不仅仅局限于军事应用， 在商业和民用领域也有广泛的 应用， 如海底资源检测、 石油勘探、 海上救援、 海底地形地貌图自动绘制及鱼群探测等 等。 [0003]然而目前的水下机器人大多只具备声呐图像数据获取功能， 对声呐图像的解释和 判读依然主要靠人工进 行。 当扫测海域面积大、 特征地貌数量庞大时， 使用人工识别需要耗 费大量的人力及时间， 若 使水下机器人 具有自主目标识别能力， 则将极大改善这 一问题。 [0004]当前的监督学习方法都需要大量的带有标注的训练样本进行大量的学习， 才可获 得较好的分类效果， 然而声呐图像数据获取难度复杂、 成本高， 导致包含目标的可用的训练 样本数量十分稀少， 在少量的样本上训练深度神经网络很容易造成过拟合问题， 导致无法 直接应用深度神经网络进行目标的检测识别。 [0005]迁移学习方法则是克服样本稀少问题最有效的解决手段， 迁移学习的本质是是利 用相似领域学习到的知识， 改善学习性能， 从而减少学习过程中对样 本数量的要求， 这个相 似的领域称之为源领域， 要改善的领域 为目标领域。 [0006]然而常规的迁移 学习方法在应用于声纳图像的分类、 检测任务中， 通常效果较差， 其原因在于用于提取知识的源领域与声纳图像领域之 间存在很大的领域差距， 导致源领域 学习到的知识中， 有很大一部分无法应用于声纳图像识别领域。 发明内容 [0007]有鉴于此， 本发明提供了一种基于深度神经网络 的声呐图像纹理特征去除方法， 通过对源领域和目标领域进行同样的纹理特征去除变换， 使得变换后的源 领域与目标领域 更为相似， 缩短了源 领域和目标领域之 间的领域差距， 从而提高了源 领域学习到的知识中， 可用于目标领域的比例， 提高迁移学习性能， 克服因目标领域样本过少导致的无法应用深 度神经网络的问题。 [0008]为了实现上述目的， 本发明采用如下技 术方案： [0009]一种基于深度神经网络的声呐图像纹 理特征去除方法， 包括： [0010]S1、 构建多层特征提取卷积神经网络， 所述多层特征提取卷积神经网络包括卷积 层、 池化层及第一激活函数层， 利用所述多层特征提取卷积神经网络提取输入图像的深度 特征； [0011]S2、 利用特征变换公式对提取的深度特征进行特征变换， 获取特征变换后的深度 特征； [0012]S3、 对变换后的深度特 征， 添加噪声污染；说　明　书 1/6 页 3 CN 115527112 A 3