Mine Classification based on Raw Sonar Data: Shadow Contour Characterization Using a Genetic Algorithm. Classification de Mines Sous-Marines À Partir de l’Image Sonar Brute: Caractérisation du Contour de l’Ombre Portée par Algorithme Génétique

Mine Classification based on Raw Sonar Data: Shadow Contour Characterization Using a Genetic Algorithm.

Classification de Mines Sous-Marines À Partir de l’Image Sonar Brute: Caractérisation du Contour de l’Ombre Portée par Algorithme Génétique

I. Quidu J. PH. Malkasse  G. Burel 

Thales Underwater Systems, Route de Sainte Anne du Portzic, CS 43614, 29238 BREST cédex 3, France

L.E.S.T. - UMR CNRS 6165, 6 avenue Le Gorgeu, BP 809, 29285 BREST cédex, France

Page: 
55-76
|
Received: 
31 October 2001
|
Accepted: 
N/A
|
Published: 
31 March 2003
| Citation

OPEN ACCESS

Abstract: 

In the context of mine warfare, detected objects can be classified from their cast shadow. A standard solution consists in segmenting the image at first (we obtain binary from grey-level image giving the label zero for pixels belonging to the shadow and the label one elsewhere), and then in performing classification from features extracted from the 2D-shape of the segmented shadow. Other pre- or post-processings are generally used to make each step more robust by avoiding a mistake to be propagated through the following steps. In this paper, to focus on the actual goal, we propose a novel approach where a dynamic segmentation scheme is fully classification-oriented. Actually, classification is performed directly from raw image data. The approach is based on the combination of deformable models, genetic algorithms, and statistical image models.

Résumé

Dans le domaine de la chasse aux mines sous-marines, l’objet détecté peut être caractérisé par son ombre portée sur le fond. L’approche classique est séquentielle : l’image sonar est tout d’abord segmentée afin d’obtenir une image binaire partageant les pixels entre la zone d’ombre et la zone de réverbération de fond, puis des attributs caractéristiques sont extraits de la silhouette 2-D correspondant à l’ombre segmentée lesquels servent à classifier l’objet en fin de traitement. À chacune des étapes sont généralement associés des pré- et/ou post-traitements visant à éviter qu’une erreur intervenant à un instant donné de la chaîne de traitement se répercute jusqu’au résultat final. Afin d’optimiser la procédure de classification en se concentrant sur l’objectif ultime de la chaîne de traitement, nous avons mis en œuvre un processus dynamique pour caractériser le contour de l’ombre à partir de l’image sonar brute en offrant en outre la possibilité de classifier l’objet détecté. Cette approche innovante fait appel aux notions de modèles déformables, modèles statistiques et algorithmes génétiques.

Keywords: 

Sonar image, mine classification, genetic algorithm, contour discrimination, Fourier descriptors, statistical models.

Mots clés 

Image sonar, classification de mine, algorithme génétique, discrimination de contours, descripteurs de Fourier, modèles statistiques.

1. introduction
2. Problème et Spécificités Associées
3. Justification de l’Approche Proposée
4. Algorithmes Génétiques
5. Segmentation Orientée Classification
6. Expérimentations
7. Conclusion
  References

[ARBT-89] K. Arbter, « Affine-Invariant Fourier Descriptors », From Pixels to Features. Amsterdam, The Netherlands : Elsevier Science, pp. 153-164, 1989. 

[BILL-98] D. Billon, F. Fohanno, « Theoretical performance and experimental results for synthetic aperture sonar self-calibration », Proc. OCEANS’98 MTS/IEEE, Nice, France, 1998, pp. 965-970.

[BLON-97] P. Blondel, and B.J. Murton, Handbook of Seafloor Sonar Imagery, Chichester: John Wiley and Sons, 1997. 

[BOSS-97] P.L. Bossart, D. David, J.M. Dinten et J.M. Chassery, « Détection de contours réguliers dans des images bruitées et texturées : une approche par contours actifs multiéchelle », Traitement du Signal, vol. 14, n° 2, 1997. 

[BOUV-92] M. Bouvet, Traitements des signaux pour les systèmes sonar, Ed. Masson, Coll. Technique et scientifique des télécommunications, 1992.

[CHES-99] C. Chesnaud, P. Réfrégier, « Statistical region snake-based segmentation adapted to different physical noise models », IEEE Trans. on Pattern Analysis and Machine Intellligence, vol. 21, no 11, pp.1145-1157, 1999. 

[COCQ-95] J.-P. Cocquerez, S. Philipp, Analyse d’images : filtrage et segmentation, Ed. Masson, 1995. 

[COHE-93] L.D. Cohen and I. Cohen, « Finite-Element Methods for Active Contour Models and Balloons for 2-D and 3-D Images », IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 15, n° 11, nov. 1993. 

[COLL-98] C. Collet, P. Thourel, M. Mignotte, P. Pérez et P. Bouthemy, « Segmentation markovienne hiérarchique multimodèle d’images sonar haute résolution », Traitement du Signal, vol. 15, n° 3, pp. 231-250, 1998. 

[DAVI-87] L. Davis, (Editor), Genetic Algorithms and Simulated Annealing, Morgan Kaufmann Publishers, Los Altos, CA, 1987. 

[DAVI-91] L. Davis, (Editor), Handbook of Genetic Algorithms, Van Nostrand Reingold, New-York, 1991. 

[EVAN-93] M. Evans, N. Hastings And B. Peacock, Statistical Distributions, Second Edition - New-York: Chichester: Brisbane: Toronto: Singapore: John Wiley & Sons, Inc., 1993. 

[FIGU-97] M.A.T. Figueiredo, J.M.N. Leitão, A.K. Jain, « Adaptative parametricaly deformable contours », Proceedings of Computer Vision and Pattern Recognition, pp.35-50, 1997. 

[GOLD-91] D.E. Goldberg, K. Deb, « A Comparative Analysis of Selection Schemes Used in Genetic Algorithms », Foundations of Genetic Algorithms, ed. Gregory J. E. RAWLINS, San Mateo, California, USA : Morgan Kaufmann Publischers, pp. 69-93, 1991. 

[GOOD-76] J.W. Goodman, « Some fundamental properties of speckle », J. Opt. Soc. Am., vol. 66, n° 11, pp. 1145-1150, 1976. 

[GUER-98] D. Guériot, « Utilisation des algorithmes génétiques pour des problèmes d’optimisation spécifiques : application aux réseaux de neurones et au traitement d’images sonar », Thèse de doctorat, Université de Haute Alsace, décembre 1998. 

[GUER-99] F. Guérault, « Techniques statistiques pour l’estimation de la position d’un objet dans des images bruitées », Thèse de doctorat, Université d’Aix-Marseilles, janvier 1999. 

[HADA-23] J. Hadamard, Lectures on the Cauchy Problem in Linear Partial Differential Equations, Yale University Press, New Haven, 1923. 

[HASE-99] M. Haseyama, M. Kumagai, H. Kitajima, « A genetic algorithm based image segmentation for image analysis », Proc. of IEEE International Conference on Acoustics, Speech and Signal Processing, Phoenix, Arizona, 1999. 

[HENO-93] H. Henocq, G. Burel, « Reconnaissance d’objets 3D par analyse de Fourier de la silhouette »,Revue Technique Thomson-CSF,vol. 25,n°1,1993. 

[HOUC-95] C.R. Houck, J.A. Joines, M.G. Kay, « a genetic algorithm for function optimization : a Matlab implementation », NCSU-IE Technical Report 95-09, 1995. 

[KERV-94] C. Kervrann and F. Heitz, « A hierarchical statistical framework for the segmentation of deformable objects in image sequences », IEEE Conf. Computer Vision Pattern Recognition, Seattle, pp. 724-728, june 1994.

[JAIN-96] A. K. Jain, Y. Zhong and S. Lakshmanan, « Object Matching Using Deformable Templates », IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 18, n° 3, pp.267-278, 1996. 

[JAIN-98] A. K. Jain, Y. Zhong and M.P. Dubuisson-Jolly, « Deformable template models : a review », Signal Processing, vol. 71, pp. 109-129, 1998. 

[JANE] Jane’s Underwater Warfare Systems, Ed. by Anthony J. Watts, 10th Edition 1998-1999. 

[KASS-88] M. Kass, A. Witkin, D. Terzopoulos, « Snakes : Active Contour Models », International Journal of Computer Vision, vol. 1, pp.321-331, 1988. 

[LAM-98] C.L. Lam and S.Y. Yuen, « An unbiased active contour algorithm for object tracking », Pattern Recognition Letters, vol. 19, pp. 491-498, 1998. 

[MAIT-01] H. Maître, Traitement des images de RSO, Hermès, 2001. 

[MICH-94] Genetic Algorithms + Data Structures = Evolution Programs, AI Series, Springer-Verlag, New-York, 1994. 

[MIGN-00] M. Mignotte, C. Collet, P. Perez, P. Bouthemy, « Hybrid Genetic Optimization and Statistical Model-Based Approach for the Classification of Shadow Shapes in Sonar Imagery », IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 22, n°o 2, 2000. 

[MITC-83] O.R. Mitchell and T.A. Grogen, « Evaluation of Fourier Descriptors for Target Recognition in Digital Imagery », Final Technical Report RADC-TR-83-33, Purdue Univ., School of Electrical Engineering, Lafayette, IN, february 1983. 

[PAL-96] S.K. Pal and P.P. Wang, Genetic Algorithms for Pattern Recognition, CRC Press, Boca Raton, FL, 1996. 

[PAPO-84] A. Papoulis, Probability Random, Variables, and Stochastic Processes, Mc Graw-Hill, 1984. 

[PUYH-00] P. Puyhabilier, « La modernisation des chasseurs de mines tripartites », L’Armement,n ° 71, octobre 2000. 

[SEET-91] G. Seetharaman, A. Narasimhan, A. Sathe and L. Storc, « Image Segmentation with Genetic Algorithms : a Formulation and Implementation », SPIE, vol. 1569, Stochastic and Neural Methods in Signal Processing, and Computer Vision, pp. 269-273, 1991. 

[SOME-93] M.L. Somers, « Sonar Imaging of the Seabed: Techniques, Performances, Applications », in Acoustic Signal Processing for Ocean Exploration, J.M.F. Moura and I.M.G. Lourtie (eds.), Canadian Government (pp. 355-369), 1993. 

[WALL-80] T.P. Wallace, P. A. Wintz, « An efficient three-dimensional aircraft recognition using normalized Fourier descriptors », Comput. Graphics Image Processing, vol. 13, pp. 96-126, 1980.

[ZHON-98] Y. Zhong, A.K. Jain and M.P. Dubuisson, « Object Tracking Using Deformable Templates », Int. Conf. On Computer Vision, Bombay, India, pp. 440-445, 1998