Classification de textures en imagerie sonar et Invariance en rotation
Sonar texture classification and rotation invariance
OPEN ACCESS
This paper addresses the automatic cartography of sea-bottom by means of high resolution sonar images. Many texture analysis methods have been developed since now, based on statistical, geometrical or spectral modeling [14, 45, 7, 44]. Nevertheless, few of them are robust toward image rotations. Indeed, the property of rotation invariance is essential in our framework, particularily for obtaining good classification rates. We present in this article five methods for the automatic classification of rotating images, corresponding to four classes of sea-floor: “sand”, “ridge”, “dune” and “wreck”. The first one is an extension of a circular AutoRegressive method, initially proposed by Kashyap et Khotanzad [19], which allows to estimate a reduced number of rotation invariant parameters. The four other methods are based on an original approach, consisting to apply a mathematical transform to a set of parameters describing texture features. Two of them consist in computing the LogPolar transform to autoregressive (AR) or correlation (COR) parameters. The two others consist in estimating the Zernike moments of autoregressive (AR) or correlation (COR) parameters. Classification rates obtained on sonar images and on Brodatz album are presented and allow to compare the performances of each approach.
Résumé
Les applications civiles et militaires nécessitant l’identification des caractéristiques de la couche superficielle du fond de la mer sont nombreuses : géologie marine, prospection minière, pêche et gestion de la biomasse, cartographie, guerre des mines, chasse aux mines ... Cet article s’intèresse à la cartographie automatique des fonds marins en imagerie sonar haute résolution. De nombreuses méthodes d’analyse de textures ont été développées jusqu’à présent, utilisant des approches statistiques, géométriques ou spectrales [14, 45, 7, 44]. Cependant, peu d’entre elles fournissent des attributs caractéristiques robustes vis-à-vis des rotations d’images. Cette propriété est pourtant essentielle dans le cadre de l’étude proposée : elle a pour objectif de faciliter et d’améliorer l’apprentissage du classifieur. Nous présentons dans cet article cinq méthodes de caractérisation, robustes vis-à-vis des rotations d’images. La première méthode est une version étendue de la modélisation AutoRégressive (AR) circulaire initialement proposée par Kashyap et Khotanzad [19], en vue d’en extraire directement un nombre restreint de paramètres caractéristiques significatifs invariants en rotation. Les quatre autres méthodes résultent d’une approche originale qui consiste à appliquer une méthode de traitement d’images à un ensemble de paramètres décrivant une texture, afin de le rendre robuste vis-à-vis des rotations d’images. Les deux premières de ces méthodes consistent à appliquer la Transformation Log-Polaire respectivement aux paramètres issus d’une modélisation autorégressive 2D noncausale et aux paramètres de corrélation associés (nommés paramètres COR). Quant aux deux dernières méthodes, elles consistent en l’application de la méthode des moments de Zernike respectivement à ces deux ensembles de descripteurs. Des résultats de classification expérimentaux obtenus sur images réelles et sur images tournées artificiellement, ainsi que sur des textures issues de l’album de Brodatz, sont fournis pour souligner les performances de chacune des méthodes.
sonar, texture, classification, rotation invariance, Zernike moment, log-polar representation
Mots clés
Imagerie sonar, textures, classification, invariance en rotation, moments de Zernike, représentation log-polaire
[1] S.M. Abdallah, E.M. Nebot, and D.C. Rye, 2-D object recognition via Zernike moments, pages 100-105, Toowoomba, Australia, 1994. IEEE Computer Society Press.
[2] B. Augereau, M. Khoudeir, and J. Bernard, Identification sans contrainte de stationnarité d’un modèle ar d’une texture. volume 1, pages 479-482, Grenoble, France, 15-19 septembre 1997.
[3] P. Brodatz. Textures : a photographic album for artists and designers. Dover Publications, New York, 1966. http://wwwradig.informatik.tu-muenchen.de/bilder/texture/.
[4] G. Burel, Réseaux de neurones en traitement d’images : des modèles théoriques aux applications industrielles, Phd thesis, Université de Bretagne Occidentale, décembre 1991.
[5] T. Chang and C.-C. Jay Kuo, Texture classification with tree-structured wavelet transform, IEEE Transactions on image processing, 1(2) : 205-220, April 1992.
[6] R. Chellappa and R.L. Kashyap. Synthetic generation and estimation in random field models of images. IEEE Computer Society Conference on Pattern Recognition and Image Processing, pages 577-582, 3-5 August 1981.
[7] R.W. Conners and C.A. Harlow. A theoretical comparison of texture algorithms. IEEE Trans. Pattern Anal. Machine Intell., 2(3) : 204-222, May 1980.
[8] G.R. Cross and A.K. Jain. Markov random field texture models. IEEE Transactions on patter analysis and machine intelligence, PAMI-5(1) : 25-39, January 1983.
[9] B.V. Dasarathy and E.B. Holder, Image characterizations based on joint gray level-run length distributions, Pattern Recognit. Lett., 12(8) : 497-502, august 1991.
[10] R. Fortet, Vecteurs, fonctions et distributions aléatoires dans les espaces de Hilbert, Analyse harmonique et prévision, HERMES, Paris, 1995.
[11] A. Gagalowicz, Vers un modèle de textures, Thèse d’état, Université Pierre et Marie Curie, 1983.
[12] J.W. Goodman, Some fundamental properties of speckle, Journal of Optical Society of America, 6(11) : 1145-1150, November 1976.
[13] R.R. Hansen and R. Chellappa, Empirical robust estimators for 2D noncausal autoregressive models, volume 4, pages 2005-8, 3-6 April 1990. Albuquerque.
[14] R.M. Haralick, Statistical and structural approaches to texture, Proceedings of the IEEE, 67(5) : 787-804, May 1979.
[15] R.M. Haralick, K. Shanmugam, and its’hak Dienstein. Textural features for image classification, IEEE Trans. Syst., Man, Cybern., SMC-3 : 610-621, November 1973.
[16] P.C. Hew, Zernike radial polynomial is bounded. Rapport interne : http://maths.uwa.edu.au/phew/postgrad/diaries/zerradbounded.ps.z, Department of Mathematics, The University of Western Australia, 7 October 1996.
[17] R.L. Kashyap, R. Chellappa, and A. Khotanzad, Texture classification using features derived from random field models, Pattern Recognition Letters, 1(1) : 43-50, October 1982.
[18] R.L. Kashyap, R. Chellappa, and A.K. Mahalanabis, Classification of images using features derived from random field models. pages 303-307, 5-7 January 1982. New Dehli, India.
[19] R.L. Kashyap and A. Khotanzad, A model-based method for rotation invariant texture classification, IEEE Trans. Pattern Anal. and Machine Intell., PAMI-8(4) : 472-481, July 1986.
[20] R.L. Kashyap and J.-N. Liaw, Subset least squares method for robust speech and image processing. Int., Journal of Patt. Rec. and Art. Intell., 10(5) : 447-471, 1996.
[21] A. Khotanzad and Y.H. Hong, Invariant image recognition by zernike moments, IEEE transactions on Pattern Analysis and Machine Intelligence, 12(5) : 489-497, May 1990.
[22] V. Krüger, Optical flow estimation in the complex logarithmic plane, Rapport technique, Institut d’informatique et de mathématiques appliquées, Université de Kiel (Allemagne), December 1995. http://www.informatik.uni-kiel.de/vok/.
[23] H. Laur, T. Le Toan, and A. Lopes, Textural segmentation of SAR images using first order statistical parameters. pages 1463-1468, May 1987.
[24] H. Lebret and L. El Ghaoui. Moindres carrés robustes, volume 1, pages 447-450, 15-19 septembre, Grenoble 1997.
[25] J.H. Lee, N.I. Lee, and S.D. Kim. A fast and adaptive method to estimate texture statistics by the spatial gray level dependence matrix(SGLDM) for texture image segmentation, Pattern Recognit. Lett., 13 : 291-303, April 1992.
[26] S.W. Lu and H. Xu, Textured image segmentation using autoregressive model and artificial neural network, Pattern Recognition, 28(12) :1807-1817, December 1995.
[27] J. Mao and A.K. Jain, Texture classification and segmentation using multiresolution simultaneous autoregressive models, Pattern Recognition, 25(2) :173-188, February 1992.
[28] D.J. Marceau, P.J. Howarth, J.-M.M. Dubois, and D.J. Gratton, Evaluation of the grey-level cooccurrence matrix method for land-cover classification using spot imagery, IEEE Trans. on Geoscience and Remote Sensing, 28(4) : 513-519, July 1990.
[29] J.P. Nougier, Méthodes de calcul numérique, MASSON, Paris, 1993.
[30] S. Peleg, J. Naor, R. Hartley, and D. Avnir, Multiple resolution texture analysis and classification, IEEE Trans. Pattern Anal. Machine Intell., PAMI-6(4) : 518-523, July 1984.
[31] R. Porter and N. Canagarajah, Robust rotation invariant texture classification. volume IV, pages 3157-160, 21-24 april 1997, Munich, Germany.
[32] J. Ronsin, D. Barba, and S. Raboisson, Comparison between cooccurrence matrices, local histograms and curvilinear integration for texture characterization, volume 596, pages 98-104, 1985.
[33] D. Sersic and S. Loncaric, Enhancement of mammographic images for detection of microcalcifications, volume II, pages 693-696, September 1998, Rhodes Island, Greece.
[34] L. Sukissian, S. Kollias, and Y. Boutalis, Adaptative classification of textured images using linear prediction and neural networks, Signal Processing, 36(2) : 209-232, 1994.
[35] H. Tamura, S. Mori, and T. Yamawaki, Textural features corresponding to visual perception, IEEE Trans. Syst. Man Cybern., SMC-8(6) : 460-473, june 1978.
[36] C.-H. Teh and R.T. Chin, On image analysis by the methods of moments, IEEE Transactions on Pattern Analysis and Machine Intelligence, 10(4) : 496-513, July 1988.
[37] A. Teuner, O. Pichler, and B.J. Hosticka, Unsupervised texture segmentation of images using tuned matched gabor filters, IEEE Trans. Image Process., 4(6) : 863-870, june 1995.
[38] H. Thomas, Contribution à la reconnaissance des fonds marins en imagerie sonar. Thèse de doctorat (PhD thesis), Université de Bretagne Occidentale – Ecole Navale (Laboratoire GTS), décembre 1998.
[39] H. Thomas, C. Collet, K. Yao, and G. Burel, Classification neuronale des fonds marins par modélisation autorégressive bidimensionnelle, volume 2, pages 925-928, Grenoble, France, septembre 1997.
[40] H. Thomas, C. Collet, K. Yao, and G. Burel, Some improvements of a rotation invariant autoregressive method, Application to the neural classification of noisy sonar images, volume IV, pages 2001-2004, Rhodes island, Greece, September 1998.
[41] M. Tistarelli and G. Sandini, Dynamic aspects in active vision, CVGIP Image Understanding, 56(1) : 108-129, July 1992.
[42] M. Tuceryan, Moment based texture segmentation, volume III, pages 45-48, The Hague, Netherlands, August 1992.
[43] M. Tuceryan and A.K. Jain, Texture segmentation using voronoi polygons, IEEE Trans. Pattern Anal. Machine Intell., 12(2) : 211-216, February 1990.
[44] M. Tuceryan and A.K. Jain, Texture analysis, in Handbook of Pattern Recognition and Computer Vision, 1993. Eds. C.H. Chen, L.F. Pau and P.S.P. Wang, World Scientific Publishing Company.
[45] H. Wechsler, Texture analysis – a survey, Signal Processing, 2 : 271-282, 1980.
[46] H. Youlal, M. Janati Idrissi, and M. Najim, Modélisation paramétrique en traitement d’images, MASSON, Paris, 1994.
[47] P.A. Zinzindohoue, Applications de l’analyse de texture en microscopie électronique, Thèse de doctorat, Université de Reims Champagne-Ardenne, 1988.