TU Darmstadt / ULB / TUprints

Advances in Detection and Classification of Underwater Targets using Synthetic Aperture Sonar Imagery

Fei, Tai :
Advances in Detection and Classification of Underwater Targets using Synthetic Aperture Sonar Imagery.
Technische Universität, Darmstadt
[Ph.D. Thesis], (2015)

[img]
Preview
Text
Doktorarbeit_Fei_v2.pdf
Available under Creative Commons Attribution Non-commercial No-derivatives 3.0 de.

Download (8MB) | Preview
Item Type: Ph.D. Thesis
Title: Advances in Detection and Classification of Underwater Targets using Synthetic Aperture Sonar Imagery
Language: English
Abstract:

In this PhD thesis, the problem of underwater mine detection and classification using synthetic aperture sonar (SAS) imagery is considered. The automatic detection and automatic classification (ADAC) system is applied to images obtained by SAS systems. The ADAC system contains four steps, namely mine-like object (MLO) detection, image segmentation, feature extraction, and mine type classification. This thesis focuses on the last three steps.

In the mine-like object detection step, a template-matching technique based on the a priori knowledge of mine shapes is applied to scan the sonar imagery for the detection of MLOs. Regions containing MLOs are called regions of interest (ROI). They are extracted and forwarded to the subsequent steps, i.e. image segmentation and feature extraction.

In the image segmentation step, a modified expectation-maximization (EM) approach is proposed. For the sake of acquiring the shape information of the MLO in the ROI, the SAS images are segmented into highlights, shadows, and backgrounds. A generalized mixture model is adopted to approximate the statistics of the image data. In addition, a Dempster-Shafer theory-based clustering technique is used to consider the spatial correlation between pixels so that the clutters in background regions can be removed. Optimal parameter settings for the proposed EM approach are found with the help of quantitative numerical studies.

In the feature extraction step, features are extracted and will be used as the inputs for the mine type classification step. Both the geometrical features and the texture features are applied. However, there are numerous features proposed to describe the object shape and the texture in the literature.

Due to the curse of dimensionality, it is indispensable to do the feature selection during the design of an ADAC system. A sophisticated filter method is developed to choose optimal features for the classification purpose. This filter method utilizes a novel feature relevance measure that is a combination of the mutual information, the modified Relief weight, and the Shannon entropy. The selected features demonstrate a higher generalizability. Compared with other filter methods, the features selected by our method can lead to superior classification accuracy, and their performance variation over different classifiers is decreased.

In the mine type classification step, the prediction of the types of MLO is considered. In order to take advantage of the complementary information among different classifiers, a classifier combination scheme is developed in the framework of the Dempster-Shafer theory. The outputs of individual classifiers are combined according to this classifier combination scheme. The resulting classification accuracy is better than those of individual classifiers.

All of the proposed methods are evaluated using SAS data. Finally, conclusions are drawn, and some suggestions about future works are proposed as well.

Alternative Abstract:
Alternative AbstractLanguage
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.German
Place of Publication: Darmstadt
Classification DDC: 600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften
Divisions: 18 Department of Electrical Engineering and Information Technology > Institute for Telecommunications > Signal Processing
Date Deposited: 21 May 2015 12:07
Last Modified: 21 May 2015 12:07
URN: urn:nbn:de:tuda-tuprints-45440
Referees: Zoubir, Prof. Abdelhak M. and Kraus, Prof. Dieter and Pesavento, Prof. Marius
Refereed: 28 November 2014
URI: http://tuprints.ulb.tu-darmstadt.de/id/eprint/4544
Export:
Actions (login required)
View Item View Item

Downloads

Downloads per month over past year