1.基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法，其特征在于，包括步骤如下：S1数据收集：利用浅地层剖面仪收集数据，生成浅剖图像；

S2数据预处理：

a：拉依达准则检测出数据中ping的非极大值，将所有ping序列数据作均值化运算后，均值数据按其标准偏差的三倍确定一区间，如果均值数据的残余误差超过该区间认为该ping数据含非极大值，需予以剔除；

b：在非极大值消除后的浅剖数据基础上，先后采用均值滤波和中值滤波抑制噪声点；

S3层界提取：

a：灰度共生矩阵算法粗提取层界线，利用灰度共生矩阵计算图像特征矩阵；

在层界边缘，由于纹理灰度的突变，因此边缘处的能量特征值大小有着显著特征；统计层界边缘的能量特征值，设定阈值范围，获取到层界边缘矢量点；

b：联合浮泥流变特性方法连接层界线，针对浮泥的流变，建立起流变模型，利用联合流变特性的层界连接方法反复预判、识别层界矢量点连接，并随着ping序列的增加而不断前进，从左及右，从上层至下层界面，提取全部可识别层界线。

2.根据权利要求1所述的基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法，其特征在于：S1中采用SES‑2000 Light Plus型参量阵探测型浅地层剖面仪采集数据，浅地层剖面仪发射脉冲类型为CW、Richer，脉冲频率50/s，工作水深为0.5m‑400m，最深穿透能力40m，浅剖图像横轴为ping数，纵轴为深度。

3.根据权利要求1所述的基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法，其特征在于：S2中ping数据剔除方法是求取其均值代替含有非极大值的ping数据，并进行迭代检测与剔除，直至检测数据不存在非极大值。

4.根据权利要求1所述的基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法，其特征在于：S2中均值滤波为选定一元素点为中心，创建一个n*n的基准窗口，该窗口覆盖中心元素点的附近元素，取其灰度均值作为中心元素的灰度值，并滑动遍历完整幅图像；高斯噪声出现坐标随机，其均值为0，使用均值滤波对浅剖数据中高斯噪声进行消除。

5.根据权利要求1所述的基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法，其特征在于：S2中值滤波则是选取一元素，以该元素为中心点，取该元素附近n*n范围内的灰度数据为一个基准窗口，将窗口中的元素按灰度大小排序，取中间的元素值作为中心元素的值；中值滤波算法可以较完整的保留图像的细节，消除图像中的椒盐噪声。

6.根据权利要求1所述的基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法，其特征在于：利用灰度共生矩阵计算特征值包括常用的特征值有角二阶矩、对比度、熵、相关性。

7.根据权利要求1所述的基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法，其特征在于：S3层界提取计算纹理特征值之前，为减少灰度共生矩阵的统计工作量，在不丢失图像信息的基础上可将256级的纹理数据压缩成16级；其次在16级压缩图像上构造一个一定大小基准窗口，统计灰度值为i，坐标为（x1，y1）与偏离该点角度为0°，45°，90°，

135°方向上，间隔为1的灰度j点在整个灰度矩阵中出现的次数，将所有可能出现的情况统计成一个矩阵，该矩阵就是灰度共生矩阵，完成一个基准窗口的计算后，将基准窗口按一步间隔移动，从左到右，从上到下，直到遍历完整幅图像。