Segmentation des images sonar latéral assurant l’invariance en rasance

Segmentation des images sonar latéral assurant l’invariance en rasance

Ahmed Nait-Chabane Benoit Zerr  Gilles Le Chenadec 

Lab-STICC (UMR CNRS 6285), équipe TOMS ENSTA Bretagne (UEB) 2, rue François Verny F-29806 Brest cedex 9

Corresponding Author Email: 
{ahmed.nait_chabane, benoit.zerr, gilles.le_chenadec}@ensta-bretagne.fr
Page: 
119-148
|
DOI: 
https://doi.org/10.3166/TS.30.119-148
Received: 
N/A
| |
Accepted: 
N/A
| | Citation

OPEN ACCESS

Abstract: 

The sidescan sonar records the energy of an emitted acoustical wave backscattered by the seabed for a large range of grazing angles. The statistical analysis of the recorded signals points out a dependence according grazing angles, which penalizes the segmentation of the seabed into homogeneous regions. To improve this segmentation, classical approaches consist in compensating artifacts due to the sonar image formation (geometry of acquisition, gains, etc.) considering a flat seabed and using either Lambert’s law or an empirical law estimated from the sonar data. The approach chosen in this study proposes to split the sonar image into stripes in the swath direction; the stripe width being limited so that the statistical analysis of pixel values can be considered as independent of grazing angles. Two types of texture analysis are used for each stripe of the image. The first technique is based on the Grey-Level Co-occurrence Matrix (GLCM) and different Haralick attributes derived from. The second type of analysis is the estimation of spectral attributes. The starting stripe at mid sonar slant range is segmented with an unsupervised classifier based on the SOFM (Self-Organizing Feature Maps) Kohonen algorithm. Then, from the knowledge acquired on the segmentation of this first stripe, the classifier adapts its segmentation to the neighboring stripes, allowing slight changes of statistics from one stripe to the other. The operation is repeated until the beginning and the end of the slant range are reached. The study made in this work is validated on real data acquired by the sidescan sonar Klein 5000. Segmentation performances of the proposed algorithm are compared with those of conventional approaches (K-means).

RÉSUMÉ

Un sonar latéral de cartographie enregistre les signaux qui ont été rétrodiffusés par le fond marin sur une large fauchée. Les signaux sont ainsi révélateurs de l’interaction entre l’onde acoustique émise et le fond de la mer pour une large plage de variation de l’angle de rasance. L’analyse des statistiques de ces signaux rétrodiffusés montre une dépendance à ces angles de rasance, ce qui pénalise fortement la segmentation des images en régions homogènes. Pour améliorer cette segmentation, l’approche classique consiste à corriger les artefacts dus à la formation de l’image sonar (géométrie d’acquisition, gains variables, etc.) en considérant un fond marin plat et en estimant des lois physiques (Lambert, Jackson, etc.) ou des modèles empiriques. L’approche choisie dans ce travail propose de diviser l’image sonar en bandes dans le sens de la portée ; la largeur de ces bandes étant suffisamment faible afin que l’analyse statistique de la rétrodiffusion puisse être considérée indépendante de l’angle de rasance. Deux types d’analyse de texture sont utilisés sur chaque bande de l’image. La première technique est basée sur l’estimation d’une matrice des cooccurrences et de différents attributs d’Haralick. Le deuxième type d’analyse est l’estimation d’attributs spectraux. La bande centrale localisée à la moitié de la portée du sonar est segmentée en premier par un réseau de neurones compétitifs basé sur l’algorithme SOFM (Self-Organizing Feature Maps) de Kohonen. Ensuite, la segmentation est réalisée successivement sur les bandes adjacentes, jusqu’aux limites basse et haute de la portée sonar. A partir des connaissances acquises sur la segmentation de cette première bande, le classifieur adapte sa segmentation aux bandes voisines. Cette nouvelle méthode de segmentation est évaluée sur des données réelles acquises par le sonar latéral Klein 5000. Les performances de segmentation de l’algorithme proposé sont comparées avec celles obtenues par des techniques classiques comme l’algorithme K-moyennes (K-means).

Keywords: 

seafloor segmentation, texture analysis, spectral analysis, unsupervised classification, self-organizing feature maps (SOFM)

MOTS-CLÉS

segmentation des fonds marins, analyse de texture, analyse spectrale, classification non supervisée, cartes auto-organisées (SOFM)

1. Introduction
2. Interprétation Des Images D’un Sonar Latéral De Cartographie
3. Extraction D’information À Partir Des Images Sonar
4. Segmentation Non Supervisée
5. Résultats Expérimentaux Et Discussions
6. Conclusion
  References

Bouvet M. (1992). Traitements des signaux pour les systèmes sonar. Masson et CNET-ENST, Paris.

Capus C., Banks A.C., Coiras E., Tena I.R., Smith C., Petillot Y. (2008). Data correction for visualization and classification of sidescan sonar imagery. IET Radar Sonar Navigation, vol. 2, n° 3, p. 155-169.

Celik T., Tjahjadi.T. (2011). A Novel Method for Sidescan Sonar Image Segmentation. IEEE Journal of Oceanic Engineering, vol. 36, n° 2, p. 186-194.

Chapple P. (2008). Automated detection and classification in high-resolution sonar imagery for autonomous underwater vehicle operations. Australian Government Department of Defence Technical Report, DSTOGD-0537.

Duda R.O., Hart P.E., Stork D.G. (2001). Pattern classification. A Wiley-interscience Publication, John Wiley & Sons, INC.

Dugelay S. (1997). Caractérisation des fonds marins à partir des données sondeurs EM 12. Thèse de doctorat. Université de Paris-SUD U.F.R Scientifique d’Orsay.

Haralick R.M. (1979). Statistical and structural approaches to texture. Proceeding of the IEEE, vol. 67, n° 5, p. 786-804.

Haralick R.M. (1973). Textural Features for Image Classification. IEEE Transactions on Systems, Man and Cybernetics, SMC-3, vol. 6, p. 610-621.

Harris F. j. (1978). On the use of Windows for Harmonic Analysis with the Discrete Fourier Transform. Proceedings of the IEEE, vol. 66, n° 1, p. 51-83. doi:10.1109/PROC.1978.10837.

Hastie T., Tibshirani R., Friedman J. (2009). Elements of Statistical Learning: Data Mining. Inference and Prediction. (Second Edition). Springer-Verlag, New York.

Hellequin L., Boucher J.M., Lurthon X. (2003). Processing of high-frequency multibeam echo sounder data for seafloor characterization. IEEE Journal of Oceanic Engineering, vol. 28, n° 1, p. 78-89.

Hellequin L. (1998). Analyse statistique et spectral des signaux de sondeurs multifaisceaux EM950. Thèse de doctorat en terre, océan, espace. Université de Rennes 1.

Karoui I., Fablet R., Boucher J.M., Augustin J.M. (2009). Seabed segmentation using optimized statistics of sonar textures. IEEE Journal of Oceanic Engineering, vol. 47, n° 6, p. 1621-1631.

Karoui I., Fablet R., Boucher J.M., Augustin J.M. (2008). Segmentation texturales des images sonar des fonds marins par une approche variationnelle basée région. Traitement du Signal, vol. 25, n° 1-2, p. 73-86.

Karoui I. (2007). Segmentation par méthodes markoviennes et variationnelles des images texturées : application à la caractérisation des fonds marins. Thèse de doctorat en Traitement du signal et Télécommunications ENST de Bretagne et Université de Rennes.

Kernéis D. (2007). Amélioration de la classification automatique des fonds marin par la fusion multicapteurs acoustiques. Thèse de doctorat en Traitement du signal et Télécommunications ENST Bretagne et Université de Rennes I.

Kohonen T. (1997). Self-organizing Maps. Springer-Verlag. USA, New York.

Kohonen T. (1982). Self-Organizing Formation of Topologically Correct Feature Maps. Proceedings Biological Cybernetics, vol. 46, p. 59-69.

Laur H., Le.Toan T., Lopes A. (1987, May). Textural segmentation of SAR Images using First Order Statistical Parameters. Proc. International Geoscience and Remote Sensing Symposium (IGARSS’87). Ann Harbor, Michigan, USA, p. 1463-1468.

Leblond I., Legris. M, Solaiman. B. (2008). Apport de la classification automatique d’images sonar pour le recalage à long terme. Revue Traitement du signal, vol. 25, n° 1-2, p. 87-104.

Leblond I. (2006). Recalage à long terme d’images sonar par mise en correspondance de cartes de classification automatique des fonds. Thèse de doctorat en Traitement du Signal ENSTA Bretagne et UBO.

Le Chenadec G., Boucher J.M., Lurthon X. (2007). Angular dependence of K-distributed sonar data. IEEE Transactions on Geoscience and Remote Sensing, vol. 45, n° 5, p. 1224-1235.

Le Chenadec G., Boucher J.M. (2005). Sonar image segmentation using the angular dependence of backscattering distributions. In Proceedings of Oceans’05, Brest, France, 20-23 Juillet.

Lianantonakis M., Petillot Y.R. (2007). Sidescan sonar segmentation using texture descriptors and active contours. IEEE Journal of Oceanic Engineering, vol. 32, n° 3, p. 744-752.

Linnett L.M., Clarke S.J., Carmichael D.R. (1994). The analysis of sidescan sonar images for seabed types and objects. Proceedings of Second European Conference on Underwater Acoustics ECUA 1994, p. 22:187-194.

Lubniewski Z., Pouliquen E. (2004). Sensitivity of echo parameters to seafloor properties and depth variability. Proceedings of the Seventh European Conference on Underwater Acoustics ECUA 2004, p. 763-768.

Marceau D.J., Howarth P, Dubois J.M., Gratton D.J. (1990). Evaluation of the grey-level coocurence matrix method for land-cover classification using spot imagery. IEEE on Geoscience and Remote Sensing, vol. 28, n° 4, p. 513-519.

Moysan J., Corneloup G., Magnin I.E., Benoist P. (1992). Matrice de co-occurrence optimale pour la segmentation automatique d’images ultrasonores. Traitement du Signal, vol. 9, n° 4, p. 309-323.

Pican N., Trucco E., Ross M., Lane D.M., Petillot Y., Tena Ruiz I. (1998). Texture Analysis for Seabed classification: Co-occurrence Matrices vs Self-Organizing Maps. OCEANS ‘98 Conference Proceedings, 28 Sep-1 Oct. Nice, France, vol. 1, p. 424-428.

Pouliquen E. (2004). Depth dependence correction for normal incidence echosounding. Proceedings of the Seventh European Conference on Underwater Acoustics ECUA 2004, 5-8 July, Delft, Netherlands.

Preston J. (2009). Automated acoustic seabed classification of multibeam images of Stanton Banks. Applied Acoustics, vol. 70, n° 10, p. 1277-1287.

Sercic D., Loncaric S. (1998). Enhancement of mammographic for detection of microcalcifications. Proceedings of the IX European Signal Processing Conference, Island of Rodos, Greece, vol. II, p. 693-696.

Tang X., Stewart W.K. (1995). Texture classification using wavelet packet and Fourier transforms. OCEANS ‘95. MTS/IEEE. Challenges of Our Changing Global Environment. Conference Proceedings, vol. 1, 9-14 Oct. San Diego, CA, USA, vol. 1, p. 387-396.

Tuceryan M., Jain A.K., Chen C.H., Pau L.F., Wang P.S.P. (1998). Texture analysis. The Handbook of pattern Recognition and computer Vision (2nd Edition). World Scientific publishing Company, p. 207-248.

Yao K.C., Mignotte M., Collet C., Galerne P., Burel G. (2000). Unsupervised segmentation using a self-organizing map and a noise model estimation in sonar imagery. Pattern Recognition, vol. 33, p. 1575-1584.