Μια μέθοδο ανίχνευσης σκαφών σε εικόνες τηλεπισκόπησης σε σύνθετο υπόβαθρο επιφάνειας θάλασσας
Από RemoteSensing Wiki
An Auto-adapt Multi-level Threshold Segmentation Method of Ships Detection in Remote Sensing Images with Complex Sea Surface Background
Μια μέθοδος (αυτόματης προσαρμογής πολλαπλής στάθμης κατάτμησης κατώτατων ορίων) ανίχνευσης σκαφών σε εικόνες τηλεπισκόπησης σε σύνθετο υπόβαθρο επιφάνειας θάλασσας
Συγγραφείς: WANG Bao-yun, ZHANG Rong, YUAN Yuan, YIN Dong
Πηγή: http://ieeexplore.ieee.org (2011 International Workshop on Multi- Platform/Multi-Sensor Remote Sensing and Mapping)
Ιστορικό
Η ανίχνευση στόχων σκαφών (Ship targets detection STD) είναι ένας βασικός ερευνητικός τομέας με ιδιαίτερη ανάπτυξη τα τελευταία χρόνια στην επεξεργασία εικόνων δορυφορικής ψηφιακής τηλεπισκόπησης. Η μελέτη έχει ένα ευρύ φάσμα εφαρμογών, στρατιωτικού και εμπορικού χαρακτήρα όπως η επιτήρηση αλιευτικών σκαφών, η παρακολούθηση παράνομων περασμάτων πλοίων, η επιτήρηση της παράνομης μετανάστευσης και των θαλάσσιων συνόρων. Στην ανίχνευση στόχων σκαφών (STD), το κόστος μιας αδυναμίας ανίχνευσης σκαφών είναι πολύ μεγαλύτερο από αυτό του εσφαλμένου εντοπισμού και ενεργοποίησης ενός συναγερμού, ειδικά στην περίπτωση που αναφέρεται σε στρατιωτικές εφαρμογές (έγκαιρος εντοπισμός πολεμικών πλοίων). Αυτό απαιτεί ότι ο αλγόριθμος STD πρέπει να λειτουργήσει καλά ανεξάρτητα των συνθηκών που δύναται να ισχύουν στην θαλάσσια επιφάνεια.
Σκοπός της μελέτης
Αυτή η εργασία παρουσιάζει την εφαρμογή και χρησιμότητα μιας μεθόδου που βελτιώνει την ισχύουσα μέθοδο εντοπισμού σκαφών. Αυτή η μέθοδος μπορεί αποτελεσματικά να διαχωρίσει το χαρακτηριστικό γνώρισμα ενός σκάφους από ένα σύνθετο θαλάσσιο υπόβαθρο. Τα πειράματα δείχνουν ότι το ποσοστό ανίχνευσης βελτιώνεται πάρα πολύ, ενώ το ποσοστό των εσφαλμένων ανιχνεύσεων είναι χαμηλό.
Πήγες Δεδομένων
Σε αυτή τη μελέτη, έχουν χρησιμοποιηθεί 12704 τυχαία δείγματα εικόνων τηλεπισκόπησης τα οποία έχουν αποκτηθεί από τους δορυφόρους Quickbird, Spot, Ikonos, Landsat με εύρος ανάλυση από 10m έως 0.6m και εύρος μεγέθους εικόνας από 32*32pixels έως 500*500pixels. Σε αυτό το σύνολο εικόνων υπάρχουν 1104 εικόνες με πλοία στόχους.
Μεθοδολογία ανίχνευσης στόχων σκαφών(STD)
Τα γενικά βήματα της μεθόδου ανίχνευσης στόχων σκαφών(STD) παρουσιάζονται στο σχήμα 1.
Σχήμα1: Διάγραμμα ροής βημάτων διαδικασίας εντοπισμού πλοίων στόχων
Αρχικά, οι περιοχές ενδιαφέροντος (regions of interest ROI) εξάγονται από τις αρχικές εικόνες, έπειτα από τις εικόνες ενδιαφέροντος παίρνουμε συγκεκριμένες εικόνες, αυτές οι υπο-εικόνες περιέχουν όλα τα σκάφη αλλά και πολλούς εσφαλμένους συναγερμούς. Κατόπιν, με την διαδικασία της κατάτμησης εκτελείται μια ανίχνευση των στόχων σε κάθε υπο-εικόνα. Μετά από αυτό, τα χαρακτηριστικά γνωρίσματα του στόχου σκάφους μπορούν να εξαχθούν. Τέλος, αυτά τα χαρακτηριστικά γνωρίσματα χρησιμοποιούνται για να γίνει έλεγχος και να τυποποιηθούν σε σχέση με πρότυπα μοντέλα σκαφών.
Σχήμα1: Διάγραμμα ροής βημάτων διαδικασίας εντοπισμού πλοίων στόχων
Η διαδικασία της κατάτμησης είναι από τα σημαντικότερα βήματα στην όλη διαδικασία. Οι παραδοσιακές κατατμήσεις, εφαρμόζουν μια ενιαία κατάτμηση κατώτατων ορίων και απαιτούν ένα συνεχές περίγραμμα για να εγγυηθούν την αξιοπιστία της ανίχνευσης. Λόγω των κυμάτων, των σύννεφων και των συνθηκών στην επιφάνεια της θάλασσας η κατάσταση είναι εξαιρετικά σύνθετη. Με τον παραδοσιακό αλγόριθμο κατάτμησης κατώτατων ορίων λάθους(minimum error threshold segmentation METS) είναι δύσκολο να επιτευχθεί ένα ικανοποιητικό αποτέλεσμα σε αυτήν την περίπτωση.
Εικόνα1: Αποτυχημένες περιπτώσεις εντοπισμού σκαφών που βασίζονταν στον παραδοσιακό αλγόριθμο κατάτμησης κατώτατων ορίων λάθους
Σε σχέση με τα γενικά βήματα της μεθόδου (STD) που εμφανίζονται στο σχήμα 1 ,το διάγραμμα των βημάτων του προτεινόμενου αλγορίθμου(Auto-adapt Multi-level Threshold Segmentation ) παρουσιάζεται στο σχήμα 2.
Σχημα2: Διάγραμμα ροής βημάτων διαδικασίας αλγορίθμου μεθόδου(STD) εντοπισμού πλοίων στόχων
Εικόνα2: Αποτελέσματα ανίχνευσης των πλοίων στόχων της εικόνας 1 βασιζόμενα στην κατάτμηση κατά AMTS (Auto-adapt Multi-level
Threshold Segmentation) αλγορίθμου. Είναι εμφανές και στις τέσσερις περιπτώσεις η βελτίωση στην ανίχνευση των πλοίων στόχων
Αποτελέσματα
Ελέγχοντας 12704 τυχαία δείγματα εικόνων τηλεπισκόπησης από τους δορυφόρους Quickbird, Spot, Ikonos, Landsat, με εύρος ανάλυση από 10m έως 0.6m και εύρος μεγέθους εικόνας από 32*32pixels έως 500*500pixels. Σε αυτό το σύνολο εικόνων υπάρχουν 1104 εικόνες με πλοία στόχους. Μεταξύ τους, υπάρχουν 872 εικόνες με πλοία των οποίων τα ιστογράμματα έχουν δύο αιχμές (τύπος-1-) και 232 εικόνες πλοίων με σύνθετη επιφάνεια θαλάσσης των οποίων τα ιστογράμματα παρουσιάζουν μια αιχμή (τύπος-2-). Οι υπόλοιπες 11600 εικόνες είναι χωρίς στόχους πλοίων και χρησιμοποιούνται για τον προσδιορισμό του ποσοστού των εσφαλμένων ανιχνεύσεων. Η εικόνα 3 παρουσιάζει μερικά από τα δείγματα που χρησιμοποιήθηκαν κατά το στάδιο της αξιολόγησης του συνόλου των δειγμάτων ενώ στον πίνακα εμφανίζονται τα αποτελέσματα συγκριτικά για το αλγόριθμο METS και τον προτεινόμενο αλγόριθμο AMTS.
Εικόνα3: Τυχαία δείγματα εικόνων πλοίων στόχων που χρησιμοποιήθηκαν κατά την αξιολόγηση του προτεινόμενου αλγορίθμου.
Πίνακας συγκριτικών αποτελεσμάτων αλγορίθμων METS(minimum error threshold segmentation) και AMTS(Auto-adapt Multi-level Threshold Segmentation ).
Συμπέρασμα
Ο προτεινόμενος αλγόριθμος AMTS που εφαρμόζεται στην μέθοδο αναγνώρισης πλοίων στόχων σε εικόνες τηλεπισκόπισης αποδεικνύεται μέσω ενός μεγάλου αριθμού πειραμάτων ιδιαίτερα αποτελεσματικός καθώς μπορεί να ανιχνεύσει στόχους με μεγάλο ποσοστό επιτυχίας και να βελτιώσει την υφιστάμενη μέθοδο.
