摘要

提出了一种基于侧扫声呐图像的海底无监督特征提取方法。该方法基于间隙度，通过传感器数据测量像素强度变化。不需要训练数据，不需要对像素的统计分布作任何假设，也不需要列举或知道(离散的)海底类型的背景——一种无监督的方法。演示了如何使用积分图像表示快速计算间隙度，从而使自主水下航行器上的实时海底评估成为可能。在不同地理地点测量的不同海底条件的高分辨率合成孔径声呐图像证明了这种方法的前景。具体而言，展示了间隙度如何有效地区分不同的海底条件，以及如何利用这一事实预测水雷对抗行动中的目标探测性能。

关键词：间隙度(lacunarity)，水雷对抗(MCM)，性能预测，海底特性、声纳。

介绍

遥感图像中物体的检测和分类是一项重要的任务，是跨不同领域的许多传感器模式的共同任务。对于探测海底水雷的水下水雷对抗(MCM)应用，人们越来越感兴趣的是通过配备侧视声呐的自主水下航行器(AUV)收集数据来消除人类的威胁。

在声纳成像中，海底的特征与探测物体(例如水雷)的相关困难程度之间有很强的函数关系。(通用总称"特征"可指沉积物成分、影响目标到海底混响水平的程度，以及受地形、岩石和植被影响的海底复杂性。)因此，对海底条件的了解可以转化为对探测性能的更准确预测和更有效的自动目标识别算法(例如，通过为探测和特征提取算法设置适当的阈值和确定训练数据的哪些子集最相关)。

然而，以往的海底特征描述方法受到各种各样的限制，使得它们不太适合AUV和MCM作业。这篇文章提出了一种新方法来描述声呐图像的海底特征，克服了上述一些困难。

传统上，在MCM作业开始之前，要收集沉积物样本，以估计整个场地的海底成分，但获取样本需要额外的设备，与在没有人工监督的情况下自主进行作业的意愿不大。此外，沉积物样本是一种重要性不确定的中间量，因为它对后续处理传感器(如声纳)数据的算法不一定有用。例如，如果每种沉积物(在声纳成像中)以相同的方式影响探测能力，那么平坦的良性海床是由泥浆还是细沙组成可能并不重要。

此外，由于海底变化往往发生在非常短的长度尺度上(以米为单位)，基于非常少的离散测量点对全球环境(可能跨越许多平方公里的地点)的估计通常太粗糙，没有价值。相反，需要精确地描述当地的海底情况，通过传感器声纳数据是一种合乎逻辑的方法。

评估水下环境的一种常用方法是将海底(硬)分割成离散的类别(例如，沙子、泥浆和岩石)。为了实现这一目标，已经使用了各种监督分类方法(需要标记训练数据)，方法采用基于分形维数、灰度共生矩阵、光谱能量、小波或其组合的特征集。这些方法的主要问题就是要计算出完整的海底分类的话，这些类别必须是已知的而且要有先例。如果有人勘测一个新地点，遇到了以前从未见过的海底类型，这种方法就会失效。(此外，这些方法的特征提取阶段可能需要大量计算，这对于必须在AUV上进行处理的操作来说是一个潜在的问题。)

另一个原因是，海底条件通常存在于一个连续体中，而不是整齐地归入离散的类别。这使得人工密集的收集基本ground truth的过程——需要靠监督方法来实现——既费力又主观；例如，在哪里划分细沙和粗沙？此外，人们如何知道这样的划分是否必要或有必要？

这些论点促使人们希望通过单一的连续值特征来描述海底的每个点，而不诉诸于显式的类分割。通过保持特征描述问题无监督，可以避免所有的分类器训练问题。相反，主要的挑战是发现一种特征，根据它们在基本水平上如何影响最终感兴趣的数量(在本文中是物体探测性能)来区分海底特征类型。在声纳图像中描述海底的一些最早的尝试是基于试图将特定的统计模型与像素分布，相匹配。学习到的模型参数(例如k分布的形状参数)将被用来隐式地表征海底。这种方法的主要缺点是不能保证像素实际遵循假设的分布。尽管该方法在理想的良性平坦海床上可能工作良好，因为这些海床的参数与沉积物(散射体)大小密切相关，但尚不清楚隐含的假设是否适用于更复杂的海床，例如覆盖着posidonia(一种海草)、以沙波纹为特征或由沉积物混合物组成的海床。

另一项有趣的工作开发了一个复杂的声纳纹理模型，具有15个自由参数，该模型由合成孔径声纳(SAS)成像点扩散函数的自相关函数(ACFs)和海底纹理声纳横截面的ACF推导而来。就我们的目的而言，这种方法的主要缺点是模型中涉及的大量参数和高计算需求。如果遇到以前未见过的新海底类型(稍后详述)，前一个问题就会带来复杂性，而后一个问题则使实时机载计算无法成立。

最近，定量声纳图像各向异性和复杂性的特征、被介绍为有前途的海底特征描述方法。这些特征分别测量了以不同角度旋转的二维类Haar滤波器的滤波器响应的变化和平均值。尽管这些特性是目前最吸引人的解决方案，但它们的性能是有限的。正如我们将展示的，除了其他缺点外，这些特征不能可靠地区分平坦的海床和被白棘海底覆盖的海床。这一局限性是值得注意的，因为最近有论文还表明，目标探测性能是海底条件的一个强大函数，由于平坦的海床和白棘龙的特征，它们的表现非常不同。

Haar特征

在这篇论文中，我们建议使用间隙度，这是一种像素强度变化的测量，来描述声纳图像中的海底。间隙度已成功用于其他领域的类似环境评估目的，如合成孔径雷达(SAR)、高光谱、和激光雷达传感器的图像。这是我们的第一个贡献，它应该对研究人员有用，他们使用缺口来评估不同领域的图像纹理属性-在遥感内外-应用范围从生物医学癌症诊断到食品检验。

我们的第二个贡献是证明了间隙度可以应用于水下领域的环境表征，这是以前没有显示过的。(以前的工作利用声纳数据挖掘间隙度只将这一概念用于异常探测，即从结构为[21]的区域中区分出纯散斑，以及在砂纹内检测物体。)具体地说，我们表明它是一个非常强大的量，用于描述海底，以帮助侧视声纳图像中的目标探测任务。这一结果可用于创建对象检测性能预测模型[24]，[25]，并为环境适应分类算法[26]-[28]提供信息。此外，结果表明，如果需要，间隙度将是执行(硬)海底分割的一个简单而强大的特征。

本文的其余部分组织如下。第二节讨论了缺口，并展示了如何快速计算它。第三节概述了实验中使用的测量声纳数据，第四节报告了实验结果。第五节给出了结论和未来工作的方向。

间隙度

背景

间隙度最初是作为一种测量二值数据中的空间结构的方法开发的，但这一概念后来被扩展到量化灰度图像中的像素强度变化。在本文中，在声纳图像中，用间隙度来表征海底，并由此扩展到寻找水雷的难度。

灰度图像中一组像素的间隙度是像素值的方差与像素值均值的平方之比。形式上，我们定义像素 $x_{i}$ 的间隙度，它的索引在基数为 $n$ 的集合 $N$ 中，为：

$L=\frac{\sigma ^{2}}{\mu ^{2}}$

其中有 $\sigma ^{2}=\frac{1}{n} \sum _{i=1}^{N}(x_{i}-\mu )^{2}$ 且有 $\mu =\frac{1}{n} \sum _{i=1}^{N}x_{i}$ ，然而，这很容易被证明等价于为：

$L = \frac{n \sum _{i=1}^{N}x_{i}^{2}}{(\sum _{i=1}^{N}x_{i})^2}-1$

这一步可以分别向 $L=\frac{\sigma ^{2}}{\mu ^{2}}$ 中带入两个式子，然后展开再合并，就可以推导出来。

当集合 $N$ 对应于构成矩形像素块的索引时，可以使用积分图像非常快速地完成此计算。

在文献中没有证据表明，积分图像表示已被用于遥感图像分析中的缺口计算。取而代之的是所谓的“滑动窗口”算法。例如，即使是在本杂志上发表的一篇相对较近的论文，也主要致力于加速间隙度计算 vis-à-vis滑动窗算法。

滑动窗口算法构造一个指定大小的矩形窗口，以一个像素为中心，并计算落在窗口内的像素的间隙。然后将窗口中心移到一个新像素，并计算新像素集上的间隙度。重复这个过程，直到窗口中心在整个图像上“滑动”，就像卷积一样。最终的结果是图像中每个像素周围间隙度的有效地图。

这块采取的窗口是多大？简单的就像是一个滤波器一样，通过一层滤波，然后将 $L$ 值计算出来，放在原来图像的像素上。

当需要计算大量窗口大小时(通常需要确定图像中结构的大小)，或者考虑大图像时，这种程序的效率特别低。后一种情况尤其相关，因为典型的MCM调查将包括数千张高分辨率声纳图像，每张图像很容易包含数百万像素。然而，使用积分图像可以极大地加快计算所需的计算速度，以计算任何图像上的缺口，从而使计算时间基本上变得无关紧要。

积分图像原理

积分图像应用_python

快速计算

积分图像是一种图像表示，它允许在恒定时间内在任何尺度或位置上快速计算矩形Harr特征(因为计算不依赖于输入的大小)。该结构是在计算机视觉领域制定的，在那里它被广泛用于实时应用。

从原始(声呐)图像 $X$ 出发，构造对应的积分图像 $I$ 如下所示。积分图像中某一位置 $(r,c)$ 处的值对应于原始图像 $X$ 中 $(r,c)$ 的上面和左边像素的和，包括 $(r,c)$ ，即：

$I(r,c)=\sum _{r^{'}\leq r,c^{'}\leq c}X(r^{'},c^{'})$

利用递归关系生成积分图像：

$I(r,c)=I(r-1,c)+z(r,c)$

其中的 $z(r,c)$ 是原始图像一行像素的累计和

$z(r,c)=z(r,c-1)+X(r,c)$

这可以在MATLAB中用一行代码有效地实现：

I = cumsum(cumsum(X,2),1)

接下来，让 $X^{p}$ 表示将每个像素值提高到 $p$ 次幂的结果图像， $I_{p}$ 表示相关的积分图像。计算声纳图像 $X$ 上的间隙度需要两个积分图像 $I_{1}$ 和 $I_{2}$ ，因为 $L = \frac{n \sum _{i=1}^{N}x_{i}^{2}}{(\sum _{i=1}^{N}x_{i})^2}-1$ 是的两个和组成的。

给定位置周围的矩形区域中的像素值之和可以快速计算，只需对积分图像进行四次阵列访问，如下所示

$S_{p}(r,c)=I_{p}(r-\alpha ,c-\beta )-I_{p}(r-\alpha ,c+\beta) -I_{p}(r+\alpha ,c-\beta)+I_{p}(r+\alpha ,c+\beta)$

其中， $\alpha$ 和 $\beta$ 是矩形的半边长（分别为长度和宽度）中包含的固定像素数。因此，可以一次计算整个图像的 $S_{p}$ ，而无需借助任何循环。

在计算 $p=1,2$ 的 $S_{p}$ 之后，最终的间隙度图（与整个声纳图像相关） $L$ 可以快速计算为：

$L=n\frac{S_{2}}{S_{1}^2}-1$

其中 $n=4\alpha \beta$ 是矩形中相加的像素数(所有的像素)，按元素进行求幂和除法，1是大小合适的单位矩阵。

本文中，间隙计算中使用的矩形尺寸为 $2m\times 2m$ （对于高分辨率声纳图像，分别对应于沿航迹方向的 $\alpha =40$ 像素和距离方向的 $\beta =66$ 像素）。该尺寸选择得足够大，以捕捉海底的区别（纹理）特征，但足够小，以适应已知海底条件变化的短长度尺度。

还应注意，必须特别注意确保积分图像计算的精度足够高。如果没有，可能会快速累积和增长的错误可能会出现[34]。为了验证所使用的精度是否足够，可以通过下述恒等式从整体图像中重新生成原始（声纳）图像：

$X(r,c)=I(r-1,c-1)-I(r-1,c)-I(r.c-1)+I(r,c)$

并确认没有引入错误。在本文中，双精度数据类型就足够了。

def Lancunarity(I,k_l,k_w):eps = 1e-10I_int = img_interal(I)I_int = I_int[1:,1:]apha = int(k_l*0.5)beta = int(k_w*0.5)I_1 = I_int**1temp1 = np.pad(I_1, ((apha, apha), (beta, beta)), 'constant')x, y = temp1.shape[:2]h, w = I_1.shape[:2]S_1 = np.zeros((x, y), dtype=np.float64)for u in range(int(h)):for v in range(int(w)):S_1[u][v] = temp1[u - apha,v - beta] - temp1[u - apha,v + beta] -\temp1[u + apha,v - beta] + temp1[u + apha,v + beta]I_2 = I_int ** 2temp2 = np.pad(I_2, ((apha, apha), (beta, beta)), 'constant')S_2 = np.zeros((x, y), dtype=np.float64)for u in range(int(h)):for v in range(int(w)):S_2[u][v] = temp2[u - apha,v - beta] - temp2[u - apha,v + beta] - \temp2[u + apha,v - beta] + temp2[u + apha,v + beta]n = 4 * apha * betaS_1 = S_1**2S_1 = S_1[apha:-apha,beta:-beta-2]S_2 = S_2[apha:-apha,beta:-beta-2]a = (S_2 + eps) / (S_1 + eps)L = n * a - 1return L

声呐数据集

SAS通过对阵列中重叠元件的接收声学信号进行相干相加来工作，它提供了比简单（真实孔径）侧扫声呐数据提高一个数量级的分辨率。由此产生的高分辨率SAS图像提供了海底的详细视图，使探测引以为傲的目标成为可能。实际上，通常收集声纳数据的平台是AUV。

通常，SAS图像中的目标（如水雷）将呈现出特征性的高光-阴影模式，该模式对应于强信号回波，随后在射程中出现非常微弱的回波；高光是来自目标本身的回波的结果，而投射的声阴影是由于目标（尤其是其在海底上方的高度）和发射信号的掠角之间的几何关系。

在存在海底特征引起的阴影（低像素强度）和高亮度（高像素强度）的声纳图像区域，水雷探测更具挑战性，因为这些元素可能会模糊目标响应。相比之下，低像素密度变化本质上是描述良性海底的另一种方式，其中目标检测相对容易。（所有这项工作都隐含着这样一个假设，即所考虑的声呐图像的整体具有足够的质量（例如，在长距离范围内不会出现非常低的信噪比））这些事实表明，在声纳图像中，间隙度将是描述海底特征的一种适当方式，反过来，也是描述猎雷难度的一种合适方式。此外，间隙率对MCM操作具有吸引力，因为它可以在处理能力非常有限的AUV上快速计算。

本文利用在海上采集的实际测量声呐数据，评估了利用间隙度进行海底特征描述的可行性。本文中使用的主要数据集是由海事研究与实验中心（CMRE）拥有的装备SAS的AUV（称为MUSCLE）收集的。SAS的中心频率为300 kHz，带宽约为60 kHz。该系统能够形成高分辨率声纳图像，理论跨航迹分辨率为1.5厘米，理论沿航迹分辨率2.5厘米。来自该系统的标准SAS图像包括超过1400万像素；示例图像如图1（a）所示。从图中可以看出，水下环境如何在短尺度上经历剧烈的海底变化，例如从平坦的沙子到沙波纹。

这项间隙度的研究中考虑的图像是从2008年至2013年间NURC/CMRE在广泛地理位置进行的八次主要海洋实验期间收集的数据中提取的。具体而言，选择了一组代表性的五幅图像，这些图像共同跨越了不同地理位置（意大利埃尔巴和拉斯佩齐亚；拉脱维亚利普阿贾和里加；西班牙卡塔赫纳）的不同海底条件（沙波纹、波西多尼亚、粗沙、细沙和淤泥）；这些SAS图像将在第IV-B节中显示。

实验结果

通过六种方式评估了在声纳图像中使用间隙性进行海底特征描述的可行性：

计算时间；
定性鉴别能力；
定量鉴别能力；
侧扫声纳成像的适用性；
目标检测性能预测；
处理以前未发现的海底条件的能力。

计算时间

使用两种不同的方法计算研究中使用的五幅SAS图像的间隙图：提出的积分图像公式和传统的滑动窗口实现。这两种方法产生了相同的结果，因为没有使用近似值。还计算了[10]中定义的图像的各向异性和复杂度图，因为这些特征代表了我们目的的现有最佳竞争方法。（计算这些特征所需的过滤器在12个不同方向（15°误差））。

所有算法都在MATLAB中实现，并在台式计算机上执行，该计算机具有3 GHz Intel Core2 Quad CPU和8 GB RAM。（需要注意的是，使用较低级别的编程语言，如C语言，可能会导致下面的漏洞方法之间的时间差异较小）五幅SAS图像中的每幅都包含1400多万像素。获得每个声纳图像的结果图所需的平均计算时间（平均值±标准偏差）如表I所示。（为了提高稳健性，对五张SAS图像中的每一张重复五次计时实验）

积分图像j计算间隙度方法也比计算各向异性和复杂性的方法快得多，这进一步使前者成为在海上自主作战中使用的有吸引力的候选方法。为了突出该方法的（延迟）实时潜力，AUV收集1400万像素图像原始数据的调查时间约为30秒。

定性评估：环境特征

本文的目的是评估间隙度是否可以在声纳图像中隐含地描述海底环境，以便估计猎雷的相对挑战。由于这一目标本质上是定性的，我们明确显示了为图1和图2中的五幅SAS图像中的每一幅计算出的间隙度、各向异性和复杂性图1–5。（为避免图像边缘效应，不计算每个图像周边周围1m带内的像素的特征）

从图中可以看出，间隙度似乎隐含地将沙纹（图1）、posidonia（一种藻类）（图2）和平坦海床（图3-5）相互区分开来。另外一个令人感兴趣的结果是，无论是由粗砂（图3）、细砂（图5）还是泥浆（图4）组成，良性海底都会产生一些相似的间隙度值。各向异性和复杂性实现这两个理想结果的能力不太确定。（下一节将对结果进行更定量的评估）

定量评估：海底分割

其目的是利用间隙度获得一种连续的测量方法，通过该方法可以在现场快速估计各个地区的猎雷难度。目标不是将海底硬分割成离散类。然而，为了提供定量证据，证明间隙是区分不同海底类型更有用的特征，我们在这里考虑了分割问题。为此，需要地面实况指示SAS图像中每个像素的真实海底类别（类型）。人工创建的ground truth如图6所示。利用这一点，我们可以为每个类别构建每个特征（间隙度、各向异性和复杂性）的经验类别条件概率密度，从五张SAS图像中获得，如图7所示。

简单的来讲，从这幅图可以看到作者想要表达的意思，Lacunarity的区分效果是最好的，而且它们重叠的不是很多。

我们还计算了第四个特征的经验类条件概率密度，即像素平均值（在以给定像素为中心的 $2m\times 2m$ 框上计算）；这也如图7所示。包括这一简单特征是为了证明仅凭像素强度无法区分海底类型，这一点在目视检查SAS图像时并不明显。在理想情况下，每个类的密度将与所有其他类很好地分离，没有重叠。为了实现像素的硬分割，每个像素被分配到海底类别，其密度（即似然度）在像素的特征值处最大。

还计算了考虑各向异性和复杂性时的二维概率密度；得到的密度和最大似然类分配图如图8所示。（实际上，人们不知道确切的密度，因此也不知道理想的类决策边界，因此这里得到的分类性能是一个上界。2-D情况下过于复杂的决策边界表明其上界不会很紧。）

通过以这种方式分类的五个SAS图像的每个像素，可以为所考虑的五个特征集中的每一个计算分割性能。分类结果在表II-VI中以混淆矩阵的形式给出。这些混淆矩阵基于超过1.32亿像素（平面类、posidonia类和波纹类分别约为9800万、2400万和900万像素）。

从表中可以看出，基于间隙度方法在数量上比单独的其他两个特征（各向异性和复杂性）以及共同考虑的两个特征更准确。（然而，应该注意的是，所提出的方法和最后一种情况之间的差异仅在平坦的海床上是显著的。）间隙度也比使用简单的像素平均值更准确，因为后者的特征很难区分平坦的海和posidonia。尽管我们的目标不是执行硬分割，但结果提供了额外的证据，表明在所选声纳图像中，间隙度确实是一种有用的工具，并且比各向异性和复杂性更好地表征海底（并分离此处考虑的不同海底类型）。

为了更仔细地检查不同类型的平坦海床的间隙率，图9显示了分别从SAS图像C（粗砂）、D（泥）和E（细砂）计算的间隙率的经验概率密度。从图中可以看出，泥砂和细砂情况下有相当大的重叠（即相似的间隙率值），但粗砂情况下重叠较少，其间隙率值略高。可观察到的趋势是，间隙率值随着沉积物（散射体）的大小而增加，这是直观的。这可能表明，湖泊与沉积物大小之间存在有用的联系；未来的工作将探索这种可能性。

如前所述，间隙率计算中使用的长方体（即矩形）尺寸选择为 $2 m\times 2 m$ 。图10说明了使用不同长方体尺寸进行计算对空隙率值的影响。具体而言，该图显示了根据五幅SAS图像计算的经验类条件概率密度，这三种海底类型的间隙率是框大小的函数，边长为0.125至16 m，以2的幂表示。

如果箱体尺寸太小，则无法正确解决海底结构。例如，如果波纹区域中的框尺寸太小，则框（用于间隙率计算）可能只包含波纹的高光部分（即，没有阴影部分），并且产生的间隙率将类似于平坦海床的间隙率（因为像素值的不变化将模拟平坦海床）。事实上，从图中可以看出，当使用过小的箱子时，海底类别是无法区分的。如果箱体尺寸过大，多个不同的海底类型落入给定箱体内的可能性增加。（然而，该图表明，对于所考虑的特定图像，如果使用较大的盒子尺寸（>2 m），海底过渡相对较少，则可以更成功地区分海底类别，尽管这一点没有被追求）

侧扫声纳的适用性

已对SAS图像中使用间隙来表征海底的初步评估进行了研究。此外，还需要确定间隙率值是否稳定，不仅是在不同的地理位置，而且在产生不同分辨率图像的不同频率上运行的不同传感器（声纳）。因此，我们将该方法直接应用于在同一海上实验期间采集的两幅较低分辨率侧扫声呐图像，SAS图像B来自这两幅图像。

这些图像是2013年在意大利埃尔巴附近用REMUS AUV采集的，该AUV配备了900 kHz侧扫声纳。每幅图像沿航迹方向覆盖约117米，跨航迹方向约60米（每侧30米，因为左舷和右舷都包含图像；因此也存在AUV下方的最低点间隙）。在侧扫声纳图像中，假设每个像素对应于沿航迹方向11.72厘米和跨航迹方向5.859厘米的区域（与SAS图像不同，分辨率取决于距离）。

两侧扫描声纳图像及其各自的间隙图如图11所示。与SAS图像一样，间隙率计算基于包括2m×2m海底块的像素。对间隙度的视觉评估表明，这些值与SAS图像所获得的值一致，这些图像以相似的海底为特征。尽管是轶事，但这些结果表明，间隙确实也可以用于侧扫声纳图像，这是合理的，因为没有进行任何假设（例如，关于像素的统计分布）。

由于REMUS AUV在较低的高度航行，阴影往往覆盖图像的较大部分（因为它有简单的几何结构）。有趣的是，注意到图像A’的阴影区域（以及最低处的间隙）的间隙率过高，这实际上与高间隙率意味着难以猎雷的想法一致，因为如果目标完全隐藏在阴影中，就不可能探测到目标。

目标检测性能预测

描述海底特征的主要动机是能够估计猎雷难度，进而更好地预测在给定地点可能实现的目标探测性能。接下来，我们将演示如何在性能预测中使用间隙度。

在前面提到的八次海上实验中，每一次都放置了不同组的人造目标，目的是模拟水下水雷；目标包括圆柱体、截锥体和楔形物体。目标位于平坦的良性海床、沙纹场和posidonia。然后使用MUSCLE AUV对目标区域(以及其他区域)进行调查。我们将的目标检测算法应用到所有的SAS图像从八个海洋实验考虑。这组图像共包含40774张SAS图像，共覆盖214平方公里的海底，有2 073个目标探测机会。

接下来，计算每个目标周围的海底间隙度。为了防止目标响应扭曲间隙计算，即确保计算中使用的所有像素都对应于海底，考虑了目标区域外的像素；这可以通过图12中的一个例子更详细地说明。(在目标周围的间隙度计算中使用的像素总数与之前使用的相同——这里，像素位于4个1m×1m的盒子中，而不是一个2m×2m的框中)。

然后，可以计算成功探测到目标的概率作为目标周围的海底间隙度值的函数。这个结果如图13所示，其中有一个明显的趋势。(x轴标记表示使用的直方图容器的边缘，在最高的间隙度值处使用较大的容器，以弥补那里较少的检测机会。)一般来说，随着间隙度的增加(从0到1.4)，检测到的概率降低。(因为在沙纹中，目标检测比在posidonia中更容易，当间隙度值大于1.4时，检测概率再次增加)换句话说，当间隙度不是很低时(例如> 0.8)，猎雷更具挑战性，性能可能会受到影响。

这个结果是有道理的。在平坦的良性海床上，间隙度较低，容易进行猎雷。当间隙度越高时，由于海底更加复杂，所以像素强度的变化也就越大，因此猎雷将更具挑战性。研究结果进一步支持了间隙度是一种很好的猎雷难度替代指标的观点。

在MCM任务期间，可以利用这种关系为以下性能预测模型提供信息。通过一个简单的查找表，将间隙度与探测概率相关联，如图13所示，如果在每个像素点(即海底位置)存在目标，则可以构建一个地图，提供成功探测目标的预测概率。

与将每个像素分配给一个离散的海底类别(在这种情况下，探测概率地图中唯一值的数量将等于类别的数量)相比，这将给出更细致的地图和更精确的预测。应该指出的是，这种方法需要历史数据(如图13)来表示特定探测算法、地雷威胁和传感器三元组的探测概率。

由于在MCM任务中，自动水下航行器可以很容易地计算间隙度，因此可以立即获得在像素水平上预测性能的原位估计，以指导后续的测量。使用图13的两个有趣的性能预测映射示例如图14所示。

如果需要对总体预测性能进行更粗略、更全局的评估，则可以对性能预测映射求平均值。对考虑的五幅SAS图像这样做会得到预测目标检测性能的总体度量，如表VII所示。

可以观察到，结果与一个人的直觉关于执行扫雷的相对难度在每个图像；例如，A和B图像的总体检测概率最低，分别以波纹和posidonia为主，而以良性平坦海床为特征的三幅图像的总体检测概率较高，方差很小。

应该重申的是，这些性能预测映射是在不显式地将图像分割成离散类的情况下获得的，也不需要任何训练数据来设置缺口阈值。

处理从未见过的海底条件

有监督的分类方法需要在训练阶段提供每一种可能的海底类别的标记数据，但在进入新水域时遇到一种新的海底类别的可能性始终存在——尤其是在MCM操作中。因此，所提出的方法能够顺利地处理以前从未见过的新的海底条件是很重要的。

实现这一目标的关键基础假设如下：尽管特定的海底条件可能是新的，但新海底的间隙度将接近以类似方式影响目标探测性能的其他类型(熟悉的)海底的间隙度。(这反过来利用了一个事实，即检测能力主要取决于目标高光和阴影区域附近的像素值。)这一假设强调了通过低维特征空间来描述海底的重要性——在这种情况下，由于只使用了间隙度，所以是一维的——因为特征维度越高，这个假设就越不可能成立。也就是说，如果特征的数量超过1或2个，那么以前未见过的海底类型更有可能映射到高维特征空间中没有任何历史数据占据的区域。

为了证明所提出的框架处理新海底条件场景的能力，我们考虑了一个新的SAS图像F，如图15所示，其海底的特征是沙子和以前未见的岩石露头。

尽管我们没有在这种海底条件下的目标的历史数据，我们仍然可以使用图13预测这个新地点的目标探测性能。这是可能的，因为岩石露头的孔隙度值与已有数据的其他海底条件相似(例如，沙波纹的突出高光和阴影产生的孔隙度值与岩石露头的孔隙度值相似)。与SAS图像F相关联的缺口图以及由此得到的探测图的预测概率如图16所示。SAS图像F的平均全图像检测概率(类似于表VII)为0.808±0.137。

如果一种新的海底类型的特征是间隙度超过以往遇到的任何情况，那么在这些区域探测到的预测概率自然会被定为零，这明确表明需要特别注意。事实上，对于SAS图像F，图16中出现了一些小的孤立区域(占图像的1.21%)，但可以看到，该方法处理得很好，没有崩溃。

结论

介绍了一种新的基于间隙度的声纳图像海底特征描述方法。提出的方法克服了困扰其他现有技术的各种限制，包括需要预先列举(离散的)海底类型的方法等。在波罗的海和地中海不同海底条件的不同地理地点测量的真实侧视声呐图像证明了这种方法的前景。它还展示了如何使用积分图像表示快速和有效地计算间隙度。因此，该方法适用于利用AUV进行MCM作业时的原位海底条件的描述。然后，这些信息可以用于获得(延迟的)实时目标探测性能预测，进而相应地调整AUV调查，从而收集到最丰富的数据。2014年，CRE的MUSCLE AUV已经在海上MCM实验中利用了这种能力。

未来的工作将使用海底间隙度作为特征，为环境适应目标分类算法提供信息。额外的工作将试图验证这样一个假设，即由不同现象(如波纹和岩石露头)产生的共同缺口值确实应该映射到相同的探测概率。

David P.Williams论文系列基于间隙度的声呐图像快速无监督海底特征描述相关推荐

David P.Williams论文系列 Muesli_基于声呐图像寻雷难度的图像复杂度度量
摘要 Muesli是一种新的图像复杂度度量手段,它融合了间隙度的概念(像素强度变化的度量)和空间信息的概念(捕捉边缘信息的量).它能成功地量化在合成孔径声纳(SAS)图像中执行目标探测的相对难度.这已 ...
David P.Williams论文系列合成孔径声纳图像快速目标检测:一种新算法及大规模性能分析
摘要本文提出了一种新的无监督合成孔径声纳(SAS)水下目标探测算法.该方法利用高分辨率的高质量SAS图像,这些图像上的目标有很多像素.该方法的一个特别新颖的组成部分还可以检测沙波纹并估计它们的方向. ...
David P.Williams论文系列 SAS图像分辨率与目标检测性能的关系
摘要这篇文章量化了合成孔径声纳(SAS)图像分辨率与目标检测性能之间的关系.首先演示了如何通过对全分辨率SAS图像的图像波数谱进行带宽限制,以原则性的方式模拟低分辨率SAS系统.这种洞察力可以直接比 ...
ICLR 2021|基于GAN的二维图像无监督三维形状重建
2D GAN知道3D形状吗?基于GAN的二维图像无监督三维形状重建论文.代码地址:在公众号「计算机视觉工坊」,后台回复「二维图像GAN」,即可直接下载. 摘要: 自然图像是三维物体在二维图像平面上的 ...
TPAMI 2022｜基于最优传输理论的无监督图像重建学习
作者丨王炜来源丨上海交通大学类脑智能应用与技术中心编辑丨极市平台论文地址:https://ieeexplore.ieee.org/document/9763342 开源地址代码:https:// ...
Unsupervised Question Answering by Cloze Translation 基于完形填空转换的无监督问答
Unsupervised Question Answering by Cloze Translation(基于完形填空转换的无监督问答) Facebook research,开源,数据集为SQuAD ...
【论文笔记】SIFA——基于GAN的双向跨模态无监督域适应框架
本文是论文<Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Featu ...
KDD 18 论文解读 | GraphWave：一种全新的无监督网络嵌入方法
在碎片化阅读充斥眼球的时代,越来越少的人会去关注每篇论文背后的探索和思考. 在这个栏目里,你会快速 get 每篇精选论文的亮点和痛点,时刻紧跟 AI 前沿成果. 点击本文底部的「阅读原文」即刻加入社区 ...
ECCV2022 | 基于整合IMU运动动力学的无监督单目深度估计
点击下方卡片,关注"自动驾驶之心"公众号 ADAS巨卷干货,即可获取点击进入→自动驾驶之心技术交流群 0. 引言虽然近年来无监督单目深度学习取得了很大的进展,但仍然存在一些基本 ...

David P.Williams论文系列基于间隙度的声呐图像快速无监督海底特征描述

摘要

介绍

间隙度

背景

快速计算

声呐数据集

实验结果

计算时间

定性评估：环境特征

定量评估：海底分割

侧扫声纳的适用性

目标检测性能预测

处理从未见过的海底条件

结论

David P.Williams论文系列基于间隙度的声呐图像快速无监督海底特征描述相关推荐

最新文章

热门文章

David P.Williams论文系列 基于间隙度的声呐图像快速无监督海底特征描述

摘要

介绍

间隙度

背景

快速计算

声呐数据集

实验结果

计算时间

定性评估：环境特征

定量评估：海底分割

侧扫声纳的适用性

目标检测性能预测

处理从未见过的海底条件

结论

David P.Williams论文系列 基于间隙度的声呐图像快速无监督海底特征描述相关推荐

最新文章

热门文章

David P.Williams论文系列基于间隙度的声呐图像快速无监督海底特征描述

David P.Williams论文系列基于间隙度的声呐图像快速无监督海底特征描述相关推荐