Segmentation markovienne hiérarchique multimodèle d'images sonar haute résolution
Markovian Hierarchical Multimodel Segmentation for High Resolution Sonar Picture Processing
OPEN ACCESS
This paper presents a new approach to high resolution sonar image segmentation : we develop a hierarchical multimodel Markovian modelization. On one hand, the hierarchical approach relies on multiresolution decomposition of the observed data ; on the other hand, multimodel aspects appear in the expression of the Markovian a priori model. The proposed Markovian hierarchical multimodel algorithm is unsupervised : noise parameters are estimated at each resolution level according to Maximum Likelihood methods, while the Markovian a priori parameters are calibrated using the qualitative box method. The minimization is performed using the Iterated Conditional Modes algorithm . The multiresolution approach on the data allows to eliminate a large part of the speckle noise at coarser resolution levels, providing a good initialization at the finer levels . Fast convergence toward a configuration of the label field near the global minimum is thus possible. This method has been successfully validated on a number of sonar pictures : the most representative results are reported in this paper.
Résumé
Cet article présente une nouvelle approche en segmentation d'images sonar haute résolution, basée sur une modélisation markovienne hiérarchique multimodèle . Le caractère hiérarchique du modèle s'exprime dans la décomposition multirésolution des données, tandis que l'aspect multimodèle intervient dans l'expression du modèle markovien a priori. La démarche proposée présente l'interêt d'être non supervisée : les paramètres des modèles du bruit sont estimés au sens du maximum de vraisemblance. Ils sont réestimés à chaque niveau de résolution de la pyramide des observations . Quant aux paramètres du modèle a priori, ils font l'objet d'un calibrage par la méthode des boîtes qualitatives . L'algorithme de relaxation retenu est l'ICM (Iterated Conditional Modes) . L'approche multirésolution sur les données permet de s'affranchir en partie du bruit de speckle, très présent sur les images sonar, et permet une bonne initialisation de l'algorithme de relaxation . La convergence vers une configuration énergétique proche du minimum global est alors possible . Cette démarche a été validée avec succès sur de nombreuses images sonar, dont les plus représentatives sont présentées ici.
Markovian segmentation, multiresolution, qualitative box, speckle noise, Weibull law
Mots clés
Segmentation markovienne, multirésolution, boîtes qualitatives, bruit de speckle, loi de Weibull
[1] H . H . Arsenault. Information extraction from images degraded by speckle. In Proc. of IGARSS'87, pages 1317-1320, Ann Arbor, 18-21 May 1987 .
[2] R. Azencott. Image analysis and Markov fields . In Proc. of the Int. Conf on Industrial and Applied. Math, SIAM, pages 53-61, Philadelphia, June 1988 .
[3] R. Azencott and C . Graffigne . Non supervised segmentation using multi-level Markov random fields . In Proc . 11th Intern. Conf. on Pattern Recognition , pages 201-204, The Hagues , The Netherlands, September 1992 .
[4] A . Banerji and J . Goutsias . Detection of minelike targets using grayscale morphological image reconstruction . In SPIE Detection Technologies for Mines and Minelike Targets, volume 2496, pages 836-849, Orlando, Florida , 17-21 April 1995 .
[5] J . Besag . On the statistical analysis of dirty pictures . Journal of the Royal Statistical Society, B-48 : 259—302, 1986 .
[6] L . Blanc-feraud and M . Barlaud . Restauration d'image bruitée par analyse multirésolution et champs de Markov . In 13 ème Colloque sur le Traitement du Signal et des Images (GRETSI), pages 829-832, Juan-Les-Pins, septembre 1991 .
[7] C . Bouman and B . Liu. Multiple resolution segmentation of textured images . IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI - 13(2) : 99-113, February 1991 .
[8] M . Bouvet. Traitements des Signaux pour les Systèmes Sonar. Collection Technique et Scientifique des Télécommunications . Masson, Paris, 1992.
[9] L . Brekhovskikh and Y. Lysanov . Fundamentals of Ocean Acoustics. Springer Series in Electrophysics. Springer-Verlag, 1982 .
[10] C . B . Burckhardt . Speckle in ultrasound B-Mode scans. IEEE Transactions on Sonies and Ultrasonics, SU-25(1) : ppl–6, January 1978 .
[11] W. S . Burdic . Underwater Acoustic System Analysis . In Prentice-Hall Signal Processing Series . Prentice-Hall, New Jersey, 1984 .
[12] B . Chahnond . Image restoration using an estimated Markov model . Signal Processing, 15(2) : 115–129, September 1988 .
[13] P. Charbonnier, L . Blanc-Feraud, and M. Barlaud . Noisy image restoration using multiresolution Markov random fields . Journal of Visual Communication and Image Representation, 3(4) : 338–346, December 1992 .
[14] R . Chellappa . Markov Random Fields, theory and application . Harcourt Brace Jovanovich publishers . Academic Press, Inc, 1993 .
[15] N. P. Choritos . Reflexion and reverberation in normal incidence echo - sounding . Journal of Acoustical Society of America, 96(5) : 2921—2928 , November 1994 .
[16] N . P. Chotiros . Ocean bottom acoustic interactions in MCM . In Proc. of OCEANS'94 , volume 2, pages 250—254, Brest, France, 13-16 September 1994 .
[17] J.P Cocquerez and S . Philipp . Analyse d'images :filtrage et segmentation. Masson - Paris, 1995 .
[18] C . Collet, P. Thourel, P. Bouthemy, and P. Pérez. Détection d ' ombres sur images sonar par une analyse multirésolution et une modélisation markovienne . In 15 ème Colloque sur le Traitement du Signal et des Images (GRETSI) , pages 569—572, Juan-Les-Pins, septembre 1995 .
[19] C. Collet, P. Thourel, P. Pérez, and P. Bouthemy . Hierarchical MRF modeling for sonar picture segmentation . In International Conference on Image Processing - ICIP'96, volume 3, pages 979—982, Lausanne, September 1996 .
[20] Y. Delignon, R . Garello, and A. Hillion. Etude statistique d'images SAR de la surface de la mer. In 13 ème Colloque sur le Traitement du Signal et des Images (GRETSI), pages 573—575, Juan-Les-Pins, septembre 1991 .
[21] S . Geman and D . Geman . Stochastic relaxation, Gibbs distributions and the Bayesian restoration of images . IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI 6(6) : 721—741, November 1984 .
[22] J. W. Goodman . Some fundamental properties of speckle. Journal of Optical Society of America, 66(11) : 1145—1150, November 1976 .
[23] C . Graffigne, F. Heitz, P. Pérez, F. Préteux, M. Sigelle, and J . Zerubia . Hierarchical Markov random field models applied to image analysis : a review . In SPIE Neural Morphological and Stochastic Methods in Image and Signal Processing, volume 2568, pages 2—17, San Diego, 10-11 July 1995 .
[24] F. Heitz, F. Preteux, C . Graffigne, M . Sigelle, and J . Zerubia. Modeles markoviens hiérarchiques pour l'analyse d'images . In GDR Traitement du signal et des images, CNRS département SPI - Paris, 1994 .
[25] D. R . Jackson, D . P. Winebrebber, and A . Ishimaru . Application of the composite roughness model to high-frequency bottom backscattering . Journal ofAcoustical Society ofAmerica, 79(5) : 1410—1422, May 1986 .
[26] Z . Kato . Modélisation markovienne multirésolution en vision par ordinateur. Application à la segmentation d'images SPOT. Thèse préparée à l'INRIA Sophia Antipolis - version anglaise, Université de Nice - Sophia Antipolis , décembre 1994 .
[27] J. S . Lee and I . Jurkevich . Segmentation of SAR images . volume 27-6, pages 674—680, Proc . of IGARSS'88 - Edinburgh, UK, 12-16 September 1988.
[28] K . Lim and H . Yang . A new hierarchical mrf modeling for image segmentation and restoration . ACCV'95, 1995 .
[29] J . P. Longuemard and A. Goutierre . Diffusion des ondes ultrasonores par le fond marin en fonction de la granulométrie . Traitement du signal, 2(1) : 253—258, 1985 .
[30] S . Mallat. A theory for multiresolution signal decomposition : the wavelet representation . IEEE Transactions on Pattern Analysis and Machine Intelligence, 11(7) : 2091–2110, July 1989 .
[31] S . Mallat and S . Zhong . Characterization of signals from multiscale edges . IEEE Transactions on Pattern Analysis and Machine Intelligence, 14(7) : 710–732, July 1992 .
[32] R . L. Martin and R . W. Farwell . High-frequency acoustic modeling . In Proc . of OCEANS'94 , volume 2, pages 272—277, Brest, France, 13-16 September 1994 .
[33] D . Middleton . A statistical theory of reverberation and similar first-order scattered fields. part I : Waveforms and the general process . IEEE Transaction on Information Theory, IT-13(3) : 372—392, July 1967 .
[34] M . Mignotte, C . Collet, P. Pérez, and P. Bouthemy. Unsupervised Markovian segmentation of sonar images . In Proc . JCASSP, volume 4, pages 2781—2785 , Munchen, May 1997.
[35] P. Milanfar, R. R. Tenney, R . B. Washburn, and A . S . Willsky . Modeling and estimation for a class of multiresolution random fields . In ICIP'94, pages 397—401, Austin, Texas, 13-16 November 1994 .
[36] K. M . Nam, D . J. Park, and R-H. Park . Multiresolution edge detection in speckle imagery. Optical Engineering, 34(3) : 922—932, March 1995 .
[37] Papoulis . Probability Random, Variables, and Stochastic Processes, pages 100—105 and 138—149 and 194—197 and 498—503 . Mc Graw-Hill-1991 .
[38] P. Pérez . Champs markoviens et analyse multirésolution de l'image : application à l'analyse du mouvement . Thèse, Université de Rennes I, Juillet 1993 .
[39] P. Pérez and F. Heitz . Une approche multiéchelle à l'analyse d'images par champs Markoviens . Traitement du signal, 9(6) : 459—472, 1992 .
[40] E . Pouliquen and X . Lurton . Identification de la nature du fond de la mer à l'aide de signaux d'échosondeurs : Modélisation d'échos réverbérés par le fond. ACTA ACUSTICA, 2(2) : 113—126, April 1994 .
[41] W. H. Press, S . A . Teukolsky, W. T. Vetterling, and B . P. Flannery. Numerical Recipes in C. The Art of Scientific Computing. Cambridge University Press, 2 edition, 1992 .
[42] F. Préteux and X . Descombes . Synthèse et analyse de textures par coopération de processus multi-échelles . In 8 ème congrès RFIA, pages 1015-1023, Lyon - Villeurbanne, novembre 1991 .
[43] C. Regazzoni, F. Arduini, and G . Vernazza. A multilevel gmrf-based approach to image segmentation and restoration . Signal Processing 34, pages 43—67,1993 .
[44] J. O . A . Robertsson and A . Levander . A numerical study of seafloor scattering. Journal of the Acoustical Society ofAmerica, 97(6) : 3532—3546, June 1995 .
[45] G . Saporta . Probabilités. Analyse des données et statistique. Technip - Paris, 1990 .
[46] R.A . Schowengerdt. Techniques for Image Processing and Classification in Remote Sensing . Academic Press - New York, 1983 .
[47] M . Sigelle and R . Ronfard. Modèles de Potts et relaxation d' images de labels par champs de Markov. Traitement du signal, 9(6) : 449-458, 1992 .
[48] P. Thourel . Segmentation d'images sonar par modélisation markovienne hiérarchique et analyse multirésolution. Thèse de doctorat, Université de Bretagne Occidentale, juillet 1996 .
[49] P. Thourel, C . Collet, P. Bouthemy, and P. Pérez. Multiresolution analysis and MRF modeling applied to the segmentation of shadows in sonar pictures . In Second Asian Conference on Computer Vision ACCV'95, volume II, pages 81—85, Singapore, December 1995 .
[50] D . Tretter, C . A . Bouman, K . W. Khawaja, and A. A . Maciejewski . A multiscale stochastic image model for automated inspection . IEEE Transactions on Image Processing, 4(12) : 1641—1654, December 1995 .
[51] R . J . Urick. Principles ofUnderwater Sound . Mc Graw-Hill Book Company , 3d edition, 1983 .
[52] M . Zaman and C . Moloney . A comparison of adaptative filters for edgepreserving smoothing of speckle noise . In Image and Multidimensional Signal Processing Proceedings - ICASSP'93, volume 5, pages 77—80, Minneapolis , USA, April 1993.
[53] B . Zerr, E . Maillard, and D . Gueriot . Sea-floor classification by neural hybrid system . In Proc. of OCEANS'94 , volume 2, pages 239—243, Brest, France , 13-16 September 1994.