Segmentation texturales des images sonar des fonds marins par une approche variationnelle basée région - Region based variational approach for the segmentation textured sonar images

Segmentation texturales des images sonar des fonds marins par une approche variationnelle basée région

Region based variational approach for the segmentation textured sonar images

 

Imen Karoui Ronan Fablet  Jean-Marc Boucher  Jean-Marie Augustin 

GET, ENST Bretagne, CNRS TAMCIC, CS 83818, 29238 Brest Cedex, France

Ifremer, TSI-STH, Technopôle Brest Iroise, 29280 PLOUZANE, France

Page: 
73-85
|
Received: 
30 November 2006
|
Accepted: 
N/A
|
Published: 
30 April 2008
| Citation

OPEN ACCESS

Abstract: 

We propose a new region-based segmentation of textured sonar images with respect to seafloor types. We characterize sea-floor types by a set of empirical distributions estimated on texture responses to a set of different filters and we introduce a novel similarity measure between sonar textures in this attribute space. Our similarity measure is defined as a weighted sum of Kullback-Leibler divergences between texture features. The texture similarity measure weight setting is twofold: first we weight each filter, according to its discrimination power, the computation of these weights are issued from the margin maximization criterion. Second, we add an additional weighting, evaluated as an angular distance between the incidence angles of the compared texture samples, to cope with the problem related to the sonar image acquisition process that leads to a variability of the backscattered (BS) value and the texture aspect with the incidence angle range. Our segmentation method is stated as the minimization of a region-based functional that involves the similarity between region texture based statistics and prototype ones and a regularization term that imposes smoothness and regularity on region boundaries. The proposed approach is implemented using level-set methods, and the functional minimization is done using shape derivative tools.

Résumé

Nous proposons une nouvelle méthode formulée au niveau région pour la segmentation texturale d’images sonar haute résolution. Nous caractérisons les différents types de fonds marins par des descripteurs de texture sous forme de distributions de leurs réponses à un ensemble de filtres, estimées sur la globalité des régions et nous définissons une nouvelle mesure de similarité adaptée à la discrimination entre fonds marins dans l’espace de ces descripteurs. Notre mesure de similarité est une somme doublement pondérée de divergences de Kullback-Leibler entre les descripteurs de textures: la première pondération permet la sélection des filtres les plus pertinents pour la discrimination entre textures et la deuxième pondération est angulaire et elle permet de tenir compte de la variation des descripteurs de texture en fonction des angles d’incidence. La méthode de segmentation est formulée dans un cadre variationnel. La fonctionnelle d’énergie associée fait intervenir deux termes. Le premier est un terme qui évalue l’homogénéité des régions selon la mesure de similarité pondérée entre les statistiques estimées sur les différentes régions de l’image et les prototypes relatifs aux différents types de fonds marins. Le deuxième terme contraint la régularité des frontières entre régions. La minimisation de la fonctionnelle est effectuée par descente du gradient et exploite les outils de dérivation de forme et la méthode est implantée selon la technique des ensembles de niveaux.

Keywords: 

Texture, sonar images, feature selection, angular backscattering, segmentation, active regions, level sets

Mots clés

Texture, images sonar, sélection des descripteurs, réflectivité angulaire, segmentation, régions actives, ensembles des niveaux

1. Introduction
2. Mesure De Similarité Entre Fonds Marins
3. Segmentation Des Fonds Marins
4. Résultats
5. Conclusion
  References

[1] S. JEHAN-BESSON, M. BARLAUD et G. AUBERT, « Image segmentation using active contours: calculus of variations or shape gradients? », SIAM J. APPL. MATH, Vol. 63, no. 6, pp. 2128-2154, 2003.

[2] J.A. SETHIAN, « Level set methods », Cambridge University Press, 1996.

[3] E. JAKEMAN, « Non gaussian models for the statistics of scattered waves », Advances in Physics, Vol. 37, no. 5, pp. 471-529, 1988.

[4] A.P. LYONS et D.A. ABRAHAM, « Statistical characterization of high-frequency shallow-water sea-floor backscatter », Journal of the Acoustical Society of America, Vol. 106, no. 3, pp. 1307-1315, 1999.

[5] D.A. ABRAHAM et A.P. Lyons, « Novel physical interpretations of k-distributed reverberation », IEEE Journal of Oceanic Engineering, Vol. 27, no. 4, pp. 800-813, 2002.

[6] L. HELLEQUIN, J.M. BOUCHER et X. LURTON, « Processing of high-frequency multibeam echo sounder data for seafloor characterization », IEEE Journal of Oceanic Engineering, Vol. 28, no. 1, pp. 78-89, 2003.

[7] G. Le. CHENADEC et J.M. BOUCHER, « Sonar image segmentation using the angular dependence of backscattering distributions », Oceans 2005 - Europe, Vol. 1, pp. 147-152, 2005.

[8] R. M. HARALICK, « Statistical and Structural Approaches to Texture», Proceedings of the IEEE, Vol. 67, no. 5, pp. 786-804, 1979.

[9] T. RANDEN et J.H. HUSOY, « Filtering for texture classification: a comparative study », IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 21, no. 4, pp. 291-310, 1999.

[10] P.P. OHANIAN et R.C. DUBES, « Performance evaluation for four class of texture features », Pattern Recognition, Vol. 25, no. 8, pp. 819-833, 1992.

[11] F.A. MARIJKE, L.E. CLEMENS et A.S. KELLY, « Performance Evaluation of Texture Measures for Ground Cover Identification in Satellite Images by Means of a Neural Network Classifier », IEEE Transactions on Geoscience and Remote Sensing, Vol.33, no.3, pp.616-626, 1995.

[12] S. LI et J. SHAWE-TAYLOR, « Comparison and fusion of multiresolution features for texture classification », Pattern Recognition Letters, Vol.25, no.6, pp.633-638, 2005.

[13] M. UNSER, « Texture classification and segmentation using wavelet frames », IEEE Transactions on Image Processing, Vol.4, no.11, pp.1549-1560, 1995.

[14] L. XIUWEN et W. DELIANG, « Texture Classification Using Spectral Histograms », IEEE Transactions on Image Processing, Vol.12, no.6, pp.661-670, 2003.

[15] R. ADAMS et L. BISCHOF, « Seeded Region Growing », IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol.16, no.6, pp.641-647, 1994.

[16] P. NAMMALWAR, O. GHITA et P.F. WHELAN, « Integration of feature distributions for color texture segmentation », Conference on Pattern Recognition, Vol.1, pp.716-719, 2005.

[17] Q. XU, J. YANG et S. DING, « Texture Segmentation using LBP embedded Region Competition », Electronic Letters on Computer Vision and Image Analysis, Vol.5, no.1, pp.41-47, 2004.

[18] O.G. CULA and K. DANA, « 3D Texture Recognition Using Bidirectional Feature Histograms », IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol.25, no.12, pp.1619-1624, 2003.

[19] R. FABLET et P. BOUTHEMY, « Motion recognition using non parametric image motion models estimated from temporal and multiscale cooccurrence statistics », Proceedings of the 5th ACM SIGMM international workshop on Multimedia information retrieval, Vol.59, no.1, pp.33-60, 2003.

[20] S. KULLBACK, « On information and sufficiency », The Annals of Mathematical Statistics, Vol.22, Wiley, New York, 1951.

[21] M. KASS, A. WITHKIN et D. TERZOPOULOS, « Snakes: Active contour models », International Journal of Computer Vision, Vol.1, no.4, pp.321-331, 1988.

[22] E. PARZEN, « On the Estimation of a Probability Density Function and the Mode », Annals of Mathematical Statistics, Vol.33, pp.1065-1076, 1962.

[23] C. SAMSON, « Contribution à la classification d’images satellitaires par approche variationnelle et équations aux dérivées partielles », mémoire de thèse, Université de Nice-Sophia Antipolis, 2000.

[24] H.K. ZHAO, T. CHAN, B. MERRIMAN et S. OSHER, « A variational level set approach to multiphase motion », J. Comp. Phy., Vol.127, pp.179-19, 1996.

[25] A.K. JAIN et F. FARROKHNIA, « Unsupervised texture segmentation using Gabor filters », Pattern Recognition, Vol.24, no.12, pp.1167-1186, 1991.

[26] P. BREHMER, F. GERLOTTO, J. GUILLARD, F. SANGUINÈDE, Y. GUÉNNEGAN et D. BUESTEL, « New applications of hydroacoustic methods for monitoring shallow water aquatic ecosystems: the case of mussel culture grounds », Aquatic Living Resources, Vol.16, pp.333-338, 2003.

[27] M. MIGNOTTE, C. COLLET, P. PEREZ et P. BOUTHEMY, « Statistical model and genetic optimization: application to patterndetection in sonar images », International Conference on Acoustics, Speech, and Signal Processing, Vol.5, pp.2741-2744, 1998.

[28] I. KAROUI, «Méthodes variationnelles et markoviennes pour la segmentation des images sonar texturées: application à la caractérisation des fonds marins », mémoire de thèse, ENST-Bretagne, 2007.

[29] A. EHRHOLD and D. HAMON and B. GUILLAUMONT, « The Rebent monitoring network, a spatial integrated acoustic approach to survey nearshore macrobenthic habitats: application to the bay of Concarneau (South Brittany, France) », ICES Journal of Marine Science, Vol.63, pp.1604-1615, 2006.

[30] A. EHRHOLD, A. BLANCHET and D. HAMON, « Réseau de surveillance benthique (REBENT) – Région Bretagne. Approche sectorielle subtidale : Identification et caractérisation des habitats benthiques du secteur Glénan », RST/IFREMER/DYNECO/Ecologie benthique/06-03/REBENT, Vol.62, pp.+ 8 annexes, 2006.

[31] R. BATTITI, « Using mutual information for selecting features in supervised neural net learning », IEEE Transactions on Neural Networks, Vol.5, no.4, pp.537-550, 1994.

[32] C.A. JENSEN, M.A. EL SHARKAWI and R.J MARKS, « Power system security assessment using neural networks: feature selection using Fisher discrimination », IEEE Transactions on Power system, Vol.16, no.4, pp.757-763, 2001.

[33] R. GILAD-BACHRACH, A. NAVOT and N. TISHBY, « Margin based feature selection – theory and algorithms », ICML, pp.337-344, 2004.

[34] K. KIRA and L. RENDELL, « A practical approach to feature selection », Proceedings of the Ninth International Workshop on Machine Learning, pp.249-256, 1992.

[35] M. ROBNIK-SIKONJA and I. KONONENKO, « Theoretical and Empirical Analysis of ReliefF and RReliefF », Journal of Machine Learning Research, Vol.53, no.1-2, pp.23-69, 2003.

[36] NC. MITCHELL, « Processing and analysis of Simrad multibeam sonar data », Marine Geophysical Researches, Vol.18, pp.729-739,1996.

[37] C. DE MOUSTIER, D. ALEXANDROU, « Angular dependence of 12 kHz seafloor acoustic backscatter », The Journal of the Acoustical Society of America, Vol.90, no.1, pp.522-531, 1991.

[38] G. LE CHENADEC, J.M. BOUCHER, X. LURTON and J.M. AUGUSTIN, « Angular dependence of statistical distributions for backscattered signals: modeling and application to multibeam echosounder data », Oceans, Vol.2, pp.897-903, 2003.

[39] D.R. JACKSON, D.P. WINBRENNER and A. ISHIMARU, « Application of the composite roughness model to high-frequency bottom backscattering », The Journal of the Acoustical Society of America, Vol.79, no.5, pp.1410-1422, 1986.

[40] J.E. HUGHES-CLARKE, « Towards remote seafloor classification using the angular response of acoustic backscatter: a case study from multiple overlapping GLORIA Data », IEEE Journal of Oceanic Engineering, Vol.19, no.1, pp.112-127, 1994.

[41] E. POULIQUEN and X. LURTON, « Identification de la nature du fond de la mer à l’aide de signaux d’écho-sonders », IEEE Journal of Oceanic Engineering, Vol.18, no.1, pp.78-89, 2003.

[42] D. LANGER and M. HERBERT, « Building qualitative elevation maps from side scan sonar data for autonomous underwater navigation », Proc. IEEE Int. Conf. on Robotics and automation, Vol.3, pp.2478-2483, 1991.

[43] R. LI and S. PAI, « Improvement of bathymetric data bases by shape from shading technique using side-scan sonar images », OCEAN, Vol.1, pp.320-324, 1991.

[44] A.E. JOHNSON and M. HEBERT, « Seafloor map generation for autonomous underwater vehicle navigation », Autonomous Robots, Vol.3, no.2, pp.145-168, 1996.

[45] E. DURA, J. BELL and D. LANE, « Reconstruction of textured seafloors from side-scan sonar images », IEE Proc. Radar Sonar Navigation, Vol.151, no.2, pp.114-125, 2004.

[46] B.K.P. HORN, « Shape from shading: a method for obtaining the shape of a smooth opaque object from one view », mémoire de thèse, Massachusetts Institute of Technology, USA, 1970.

[47] J.M. BELL, « A model for the simulation of sidescan sonar », mémoire de thèse, Department of Computing and Electrical, HeriottWatt University, Scotland, UK, 1995.

[48] R. ZHANG, P. TSAI, J.E. CRYER and M. SHAH, « Shape from shading: a survey », IEEE Transaction on Pattern Analysis and Machine Intelligence, Vol.21, no.8, pp.690-705, 1999.

[49] J.M. AUGUSTIN and X. LURTON, « Image amplitude calibration and processing for seafloor mapping sonars », Oceans, Vol.1, pp.698-701, 2005.

[50] G. LE CHENADEC, Jean-Marc BOUCHER and X. LURTON, « Angular dependency of K-distributed sonar data », IEEE on geaoscience and remote sensing, Vol.45, no.5, pp.1224-1236, 2007.