Segmentation of Sidescan Sonar Imagery Using Markov Random Fields and Extreme Learning Machine

最新推荐文章于 2022-04-09 21:51:19 发布

lrr95

最新推荐文章于 2022-04-09 21:51:19 发布

阅读量332

点赞数

Segmentation of Sidescan Sonar Imagery Using Markov Random Fields and Extreme Learning Machine

利用马尔可夫随机场和极限学习机侧扫声纳图像分割

介绍

本文提出了一种基于MRF和ELM的分割侧扫声纳图像的新方法，作用在高光区、阴影区和海底混响区域。具体来说，本文是使用ELM来获得MRF的初始模型；为了提高ELM的稳定性，利用基于集成算法的简单继承ELM（SE-ELM）来获得预测模型；在SE-ELM中，使用ELM和多数票的组合来确定测试数据集的预测，然后使用SE-ELM的分类结果初始化MRF，成为SE-ELM-MRF。

作为一种广泛使用的分割方案，马尔可夫随机场（MRF）利用k-means聚类计算出用于侧扫声纳图像分割的初始模型。然而，由于侧扫声纳图像的噪声和强度不均匀性，k-means聚类的分割结果精度较低，这促使我们使用机器学习方法来初始化MRF。ELM源自单隐层前馈神经网络（SLFN），优点包括ELM的隐藏层参数可以随机生成，并且学习速度比支持向量机（SVM）更快，并且可以获得更高的精度。因此，在本文中，我们提出了一种基于ELM的初始化方法，以获得更好的MRF初始模型。

Extreme Learning Machine
ELM源自SLFN据黄等。如果输入权重和隐藏层偏差是随机设置的，并且隐藏层使用无限可微的激活函数，则由ELM训练的SLFN分类器在多类分类情况下可以获得令人印象深刻的泛化性能。
在这里插入图片描述
ELM可以概括在图3中。与大多数现有方法相比，ELM仅更新隐藏层和输出层之间的输出权重，而隐藏层的输入权重和偏差是随机生成的。通过对预测误差采用平方损失，对输出权重的训练变成了正则化的最小二乘（或岭回归）问题，可以用封闭形式有效地解决该问题。已经显示，即使不更新隐藏层的参数，具有随机生成的隐藏神经元和可调输出权重的SLFN仍保持其通用逼近能力。

Kernel-Based Extreme Learning Machine：Huang等人提出一种基于核方法的KELM 以提高原始ELM的泛化能力。

分割方法

在这里插入图片描述
图4显示了整个方法的流程图，它由三个主要部分组成：针对ground truth的手动分割，SE-ELM和SE-ELM-MRF。首先，我们利用手动分割来获得侧面扫描声纳图像的ground truth。然后使用标记的数据集训练SE-ELM。最后，使用SE-ELM的分割结果来初始化MRF，以获得最终的分割结果。

Simple Ensemble Extreme Learning Machine
使用SE-ELM进行声纳图像分类。手动分割的结果用作地面真实图像，以训练监督方法SE-ELM。SE-ELM可以减少由随机生成的隐藏层参数导致的随机性，并提高ELM的性能，从而使其比原始ELM更稳定。在SE-ELM中，几个ELM并行工作，前两步使用k倍交叉验证为每个ELM选择最佳隐藏节点数，并在第三步使用多数投票预测测试数据，E-ELM的流程图如图5所示。
在这里插入图片描述
多数投票是一种非常有用的方法，通常可以取得良好的结果。但是此方法可能会与二进制分类或多类分类联系在一起。在本文使用传统的k最近邻法解决了不同类别之间的联系情况。

SE-ELM-Based Markov Random Field
作为一种有监督的方法，SE-ELM可以使用学习的模型对侧扫声纳图像的每个像素进行分类。它的性能主要取决于训练数据集的质量和SE-ELM的泛化能力。因此，使用手动分割获得训练数据的地面真相，以保留图像的细节并减少强度不均匀性和噪声的影响。有了这样的训练数据集，训练有素的SE-ELM对噪声和强度不均匀性的敏感性不如k-均值聚类。因此，本文使用SE-ELM的结果来计算MRF的初始化参数，从而形成了本文提出的SE-ELM-MRF方法。

实验、结果、分析

Data Sets for Performance Evaluation
九个侧扫声纳图像用于评估该方法的性能。每个图像在对象高光，对象阴影和背景区域中进行分割。前三个图像（图7中的a）用于形成训练数据集，而其余六个图像（图9中的A）用于形成六个测试数据集。
在这里插入图片描述

本文所使用的CNN架构如图6所示：

为了公平比较，CNN的输入图像的大小为3×3。CNN的输出属于每个输入的中心像素的类别。如图6所示，该CNN包括一层卷积层，一层完全连接层和一层softmax层。卷积层由32个特征图组成。每个要素图通过大小为3×3的滤波器连接到输入。生成的要素图的大小为1×1。完全连接的层有120个单位，每个单位都与其上一层的所有单位相连。使用由图7（a）的图像块和图7（d）所示的相应的手动分段地面真相形成的数据集训练CNN。CNN有129832张训练样本[(130-3) x (400-3) x (70-3) + (500-3) x (170-3) + (170-3) x (270-3) = 129832] （PS：不明白这个数字是怎么列出来的）

Experimental Results
在本文中，每个特征向量都包含九个像素值。如图8所示，令图7（d）中的目标像素T（r1，r2）的位置为（r1，r2），图7（a）中的（r1，r2）周围的局部图像的像素块的3×3尺寸被选为特征。然后，将局部图像块重新整形为行特征向量。本文中使用的训练样本数量大致等于训练图像像素的数量。
在这里插入图片描述
（PS：这一步不懂）

MRF的分割结果
在这里插入图片描述

从图9和表II中可以看到，k均值聚类的结果比较嘈杂，这可能导致计算成本较高，并且MRF分割性能较差。

SE-ELM的分割结果
为了验证SE-ELM的有效性，原始训练数据集中的10％样本用作验证数据集，其余部分用作训练数据集。图10表明ELM和SE-ELM在验证数据集上分别进行50倍操作时的实验结果，SE-ELM的分类结果比ELM更好、更稳定。
在这里插入图片描述

MRF后处理的分割结果

总结
本文提出了一种基于SE-ELM和MRF的新型SE-ELM-MRF方法，用于侧扫声纳图像分割。为了验证SE-ELM和SE-ELM-MRF的性能，在我们的实验中使用了由美国弗吉尼亚州约克镇的Marine Sonic收集的九个真实侧扫声纳图像。此外，为了证明SE-ELM-MRF的泛化性能，使用了从三个不同海底获得的六个侧扫声纳图像。实验结果表明，SE-ELM在侧扫声纳分割中表现出比ELM，KELM，SVM和CNN更好的性能。此外，使用SE-ELM作为初始分割算法而不是k-means聚类，SE-ELM-MRF在分割精度和收敛速度方面均优于MRF。通过在不同位置声纳图像上的良好分割结果，验证了SE ELM-MRF的泛化性能。