In dieser Doktorarbeit wird das Problem von Detektion und Klassifizierung der Unterwasserminen auf Sonarbildern betrachtet. Die automatische Erkennung und automatische Klassifizierung (automatic detection and automatic classification, ADAC) wird auf Bilder angewandt, die mit Hilfe des synthetischen Apertur-Sonars (SAS) entstanden sind. Das ADAC-System besteht aus vier Bereichen: Detektion minenähnlicher Objekte, Bildsegmentierung, Extraktion der Merkmale und Klassifizierung der Minen. Diese Doktorarbeit konzentriert sich auf die letzten drei Bereiche.

Bei der Detektion minenähnlicher Objekte (mine-like object, MLO) wird die Template- Matching-Technik auf die Sonarbilder angewandt. Diese Technik basiert auf der Apriori- Kenntnis der Minenformen. Damit sind die Bereiche mit den MLO festgelegt. Diese Bereiche werden Bereiche von Interesse genannt (regions of interest, ROI). Die ROI werden von den Sonarbildern extrahiert und an die zwei folgenden Module, d.h. Bildsegmentierung und Extraktion der Merkmale, übermittelt.

Bei der Bildsegmentierung wird eine modifizierte Erwartungsmaximierung zur Segmentierung der Bilder vorgeschlagen. Zwecks Klassifizierung der MLO-Formen werden die Sonarbilder in Objekt, Objektschatten und Hintergrund aufgeteilt. Ein allgemeines Mischmodell wird für die statistische Auswertung der Bilddaten eingesetzt. Außerdem wird eine Clusterung der Bildpunkte im Rahmen der Dempster-Shafer-Theorie (DST) verwendet, um die räumliche Abhängigkeit zwischen den Bildpunkten zu berücksichtigen. Folglich werden die Störflecke im Hintergrundbereich beseitigt. Optimale Konfigurationen für diesen Ansatz werden mit Hilfe quantitativer numerischer Studien ermittelt.

Die extrahierten Merkmale werden an das Klassifizierungsmodul weitergegeben. Berücksichtigt werden vor allem geometrische und Textur-Merkmale. In der Literatur werden zahlreiche Merkmale vorgeschlagen, die die Objektform und die Textur beschreiben können.

Aufgrund des Fluches der Dimensionalität ist die Merkmalsauswahl unerlässlich für die Entwicklung eines ADAC-Systems. Eine anspruchsvolle Filter-Methode zur Selektierung optimaler Merkmale für die Objektklassifikation wird entwickelt. Diese Filter- Methode benutzt ein neuartiges Gütemaß zur Beurteilung der Relevanz von Merkmalen. Das Gütemaß ist eine Kombination aus gegenseitigen Informationen, dem modifizierten Relief-Gewicht und der Shannon-Entropie. Die ausgewählten Merkmale zeigen eine höhere Generalisierbarkeit auf. Im Vergleich zu anderen Methoden führen die nach der hier vorgeschlagenen Methode ausgesuchten Merkmale zu einer sehr guten Klassifizierungsgüte, und die Performance-Abweichung bei Verwendung unterschiedlicher Klassifikatoren nimmt ab.

Bei der Minen-Klassifizierung wird die Voraussage der Typen Minenähnlicher Objekte betrachtet. Ein Kombinationsschema auf Grundlage der DST wird vorgeschlagen, das die einander ergänzenden Informationen unterschiedlicher Klassifikatoren nutzt. Die Ergebnisse einzelner Klassifikatoren werden mit Hilfe des entwickelten Schemas kombiniert. Die resultierende Klassifikationsgenauigkeit ist höher als die von jedem einzelnen Klassifikator.

Alle erwähnten Methoden werden anhand der SAS-Bilder evaluiert. Abschließend wird ein Fazit gezogen und einige Anregungen f¨ur zukünftige Arbeiten werden gegeben.