Sonar imgelerinde Ampirik Kip Ayrışımı ve Morfolojik işlemler ...

Sonar imgelerinde Ampirik Kip Ayrışımı ve Morfolojik işlemler
kullanarak hedef tespiti
Target detection in sonar images using Empirical Mode
Decomposition and Morphology
Aysun Taşyapı Çelebi, Sarp Ertürk
Elektronik ve Haberleşme Mühendisliği Bölümü
Umuttepe, Kocaeli Üniversitesi, 41380, Đzmit/Kocaeli
Özetçe
Bu çalışmada, sonar imgelerinde Ampirik Kip Ayrışımı (AKA)
ve morfolojik işlemler kullanarak gerçekleştirilen bölütleme
temelli yeni bir hedef tespit yöntemi önerilmektedir. Önerilen
yöntemde sonar imgesine öncelikle AKA uygulanarak içkin kip
fonksiyonları (ĐKF) elde edilmekte ve elde edilen ĐKF’lere
morfolojik işlemler uygulanarak etiketleme yöntemi ile hedef
bölütlenmektedir. Deneysel sonuçlarda önerilen yöntemin
literatürde mevcut sadece morfolojik işlem kullanarak hedef
tespit etme yaklaşımına göre daha başarılı sonuç verdiği
gösterilmektedir.
Abstract
In this paper to a new target detection algorithm for sonar
images based on segmention using Empirical Mode
Decomposition (EMD) and Morphological Operations is
proposed. In the proposed approach morphological
operations are applied after EMD to provide higher detection
accuracy. Experimental results show that the EMD based
approach proposed in this paper improves target detection
accuracy. The target detection performance is increased
compared to utilizing morphological operations only, as
available in the literature.
1. Giriş
Sonar, ses dalgalarını kullanarak özellikle su altında
cisimlerin boyutu, uzaklığı ve yapıları hakkında uzaktan
bilgi sahibi olunabilmesi için kullanılan bir sistemdir.
Sonar, yankı yöntemiyle çalışan ve göreceli olarak
yüksek frekanslı ses işaretlerinin demetler hâlinde
gönderilerek özellikle su altı uygulamaları için sesin
sualtında yayılması özelliğini kullanarak cisimlerin
tespit edilmesi ve ses dalgalarının hedefe gidiş geliş
miktar ve sürelerini kullanarak cismin boyutu ve
uzaklığı hakkında bilgi edinilmesini sağlamaktadır. Ses
ve basınç dalgalarını kullanarak nesnelerin yerini tespit
etme teknolojisi 20. yüzyılda geliştirilmiştir. Bu
teknoloji öncelikle su altı savaş alanında kullanılmak
üzere geliştirilmiş olsa da günümüzde batık gemilerin
aysun.tasyapi@gmail.com, sertur@kou.edu.tr
tespiti, balık sürülerinin tespiti, dalga ve akıntıların
ölçümü veya deniz dibi haritalarının çıkarılması amacı
ile de kullanılmaktadır [1].
Sonar imgeleri işlenirken genelde dört adım takip
edilmektedir [2]. Đlk aşamada imgeler bir önişlemden
geçirilmekte olup, genellikle bu önişlem gürültü azaltımı
olmaktadır. Đkinci adımda bölütleme yapılarak
nesnelerin tespit edilmesi amaçlanmaktadır. Bir sonraki
aşamada tespit edilen nesnelere ait özellik çıkartımı
yapılmaktadır. Son aşamada ise sınıflandırma
yapılmaktadır.
Literatürde sonar imgelerinde bölütleme amaçlı
birçok yöntem önerilmiştir. En temel kullanılan
yöntemler eşikleme tabanlı bölütleme [3],morfolojik
işlemler kullanılarak bölütleme [4], kümeleme (örneğin
fuzzy c-means yöntemi) [5], aktif çevrit yöntemi [6] ve
Markov Random Fields [7-8] ile bölütlemedir.
Bu çalışmada sonar imgelerine ampirik kip ayrışımı
(AKA) uygulanıp morfolojik işlemler kullanılarak
hedefin bölütlenmesi amaçlanmaktadır. AKA, özellikle
doğrusal ve durağan olmayan veri analizi için önerilmiş
bir işaret ayrıştırma yöntemidir. AKA, ilgili veri
hakkında herhangi bir kabulde bulunmaz ve veriyi içkin
kip fonksiyonlarına (ĐKF) ve bir kalana (rezidüye)
ayrıştırır. AKA, dalgacık ve Fourier dönüşümlerine göre
birçok avantaj sağlamaktadır ve özellikle doğrusal
olmayan işaretler için daha iyi sonuçlar verebilmektedir
[9]. Fourier dönüşümü sistemin doğrusal ve işaretin
durağan olduğunu varsaymakta iken AKA özellikle
doğrusal ve durağan olmayan işaretler için
kullanılmaktadır. Ayrıca dalgacık temelli işaret
ayrıştırma yöntemleri ile karşılaştırıldığında iki temel
farklılık bulunmaktadır: Dalgacık dönüşümü için farklı
dalgacık tipleri kullanılabilmektedir ve performans
dalgacık türüne göre değişebilmektedir [10]. Oysaki
AKA taban fonksiyonu içermemektedir ve işareti içkin
karakteristiklerine göre ayrıştırmaktadır. ĐKF, farklı
işaret konumlarında işaretin karakteristiğine bağlı olarak

hem yüksek hem de alçak frekans detaylarını
içermektedir
Morfolojik işlemler, nesnelerin şekilsel yapısına
dayalı güçlü bir görüntü işleme yöntemidir. Morfolojik
görüntü işlemede Genişletme ve aşındırma olmak üzere
temel olarak kullanılan iki işlem vardır: Diğer işlemler
bu iki işlem kullanılarak elde edilir.
Bu çalışmada sonar imgelerinde hedef tespiti amaçlı
iki boyutlu (2B) AKA kullanılarak elde edilen sonuçlara
morfolojik işlemler uygulanarak bölütleme yapılmıştır.
Đkinci bölümde 2B-AKA işlemi detaylı anlatılmaktadır.
Üçüncü bölümde önerilen yöntem anlatılmaktadır. En
son bölümde deneysel sonuçlar verilmektedir.
2. 2-B Ampirik Kip Ayrışımı
AKA, işareti Đçkin Kip Fonksiyonlarına (ĐKF)
ayırmakta ve ayrıca ek olarak da bir kalan işareti
vermektedir. AKA’da orijinal işaret, tüm ĐKF’leri ve
kalanın eklenmesiyle kayıpsız bir şekilde geri
oluşturulabilir. Tüm ĐKF’ler iki özelliği sağlarlar [8]: Đlk
özellik, sıfır geçiş ve uç noktaların birbirine eşit sayıda
olması veya aralarında en fazla bir fark bulunmasıdır.
Đkinci özellik ise, yerel maksimum ve yerel minimumun
tanımladığı zarfların ortalama değerlerinin herhangi bir
noktada sıfır olmamasıdır.
Đki boyutlu ĐKF’lerin ayrıştırma işlemi, verinin
( X ( m, n )) kendisinden başlar ( giris ( m, n) = X ( m, n))
.
Burada, ilk indis ( l = 1, 2,..., L)
ĐKF sayısını, ikinci indis
( k = 1,2,..., K)
ise yineleme sayısını göstermektedir.
Ayrıştırma
özetlenebilir.
işlemi aşağıdaki başlıklar halinde
1- Giriş işaretinin ( giris lk ) yerel minimum ve
yerel maksimum noktaları bulunur.
2- Yerel maksimumun eğri ara değerlenmesiyle
üst zarf emax ( m, n ) yerel minimumun eğri ara
değerlenmesiyle de alt zarf emin ( m, n )
oluşturulur.
3- Alt ve üst zarfların ortalamaları hesaplanır
ortlk ( m, n) = ( emax ( m, n) + emin ( m, n))
/ 2 .
4- Giriş işaretinden ortalama zarf değeri çıkarılır
hlk ( m, n) = girislk ( m, n) − ortlk ( m, n)
.
5- Ortalama zarf işaretinin sonlandırma şartını
sağlayıp sağlamadığı kontrol edilir.
Sağlamıyorsa, 4. Adım sonrasında oluşturulan
işaret giriş işareti girisl ( k + 1) ( m, n) = hlk ( m, n)
olarak alınır ve süreç 1. adımdan yinelenir.
Eğer durdurma şartı k=K adımında
sağlanıyorsa, o anki yinelemenin ĐKF’si 4.
adımın son sonuçlarındaki gibi tanımlanır
ĐKFl ( m, n) = hlK ( m, n)
.
6- Bir sonraki ĐKF 1. adımdan başlayarak, artık
işaretinin (r) giriş işareti olarak kullanılmasıyla
lk
bulunmaktadır
rl ( m, n) = girisl1( m, n) − ĐKFl ( m, n)
.
Bu eleme işlemi, artık işaretin en uç noktaları kalmadığı
zaman tamamlanmaktadır. [10]
Önerilen yöntemde, sonar imgeleri iki boyutlu ayrık
kip ayrışımı kullanılarak sonar imgesi ĐKF’lerine
ayrıştırılmakta ve elde edilen ĐKF’lere bir sonraki
aşamada morfolojik işlemler uygulanarak bölütleme
yapılmaktadır.
(a) (b)
(c) (d)
Şekil 1: (a) Orijinal sonar imgesi, (b) ĐKF 1 , (c) ĐKF 2 ,
(d) ĐKF 3
Şekil 1’de bir sonar imgesine AKA uygulanıldıktan
sonra elde edilen 1.ĐKF, 2.ĐKF ve 3.ĐKF
gösterilmektedir.
3. Önerilen Yöntem
Sonar imgesine 2-B AKA uygulanılarak ĐKF’ler
oluşturulmaktadır. Elde edilen ĐKF’ler öncelikle
eşiklenmekte ve ikili imge haline dönüştürülmektedir.
Oluşturulan ikili imgeye ardı ardına ikili morfolojik
işlemler uygulanarak hedefin sınırları ortaya
çıkartılmakta ve gürültüden oluşan küçük nesneler yok
edilmektedir. Đmgedeki hedef, etiketleme yöntemi ile
seçilerek hedef bölütlemesi tamamlanmaktadır.
Her bir ĐKF’ye bu işlemler ayrı ayrı yapılınca sonar
imgesinde farklı detaylar yakalanabilmektedir. Bu
çalışmada, bu sebepten dolayı farklı ĐKF’lere morfolojik
işlemler uygulanıp bunların sonuçları birleştirilerek elde
edilen yeni imgede etiketleme yapılarak hedef
bölütlenmektedir. Bu şekilde daha başarılı bir bölütleme
sonucu elde edilmektedir.

4. Deneysel Sonuçlar
Birinci ĐKF ve birinci ĐKF ile ikinci ĐKF toplamı
sonucu elde edilen imgeler ayrı ayrı sabit bir eşik değeri
ile ikili imgeye çevrilmekte ve elde edilen bu ikili
imgelere morfolojik işlemler uygulanılmaktadır. Burada
uygulanılan morfolojik işlem önce kapama işlemi
ardından küçük nesnelerden kurtulmak amaçlı açma
işlemidir. 1.ĐKF ile 1. ĐKF ve 2.ĐKF’lerin toplamının
eşiklenmesi ile elde edilen iki imgeden elde edilen
sonuçlar tek bir imgede birleştirilmekte ve etiketleme
yöntemi kullanılarak hedef bölütlenmektedir.
(a)
(b) (c)
(d) (e)
(f)
Şekil 2: (a) Orijinal sonar imgesi, (b) ĐKF 1 , (c) ĐKF1 'e
morfolojik işlemler uygulanarak yapılan bölütleme,
ĐKF ĐKF ĐKF + ĐKF ’e morfolojik işlemler
(d) 1 + 2 , (e) 1 2
uygulanarak yapılan bölütleme, (f) önerilen yöntem ile elde
edilen bölütleme.
Şekil 2’de, sadece birinci ĐKF’ye ve birinci ĐKF ile
ikinci ĐKF’nin toplamına morfolojik işlemler
uygulanılarak elde edilen bölütleme sonuçları ve ikisinin
birleşimi sonucu elde edilen bölütleme sonuçları
gösterilmektedir. Đkisinin birleşimi kullanıldığı takdirde
ayrı ayrı yakalanılan detaylar birleştirilmiş olmakta ve
daha iyi hedef tespiti yapılabilmektedir.
Ayrıca önerilen yöntemin başarımını karşılaştırmak
için orijinal sonar imgesi ikili imgeye çevrilmiş ve aynı
morfolojik işlemler uygulanarak bölütleme yapılmıştır.
Şekil 3‘de aynı sonar imgesine sadece morfolojik işlem
uygulanılması sonucu elde edilen hedefin bölütlenmiş
hali gösterilmektedir. Yapılan denemeler sonucunda
AKA ardından morfolojik işlem uygulanıldığında elde
edilen bölütleme sonucunun daha başarılı olduğu
görülmektedir.
(a) (b)
Şekil 3: (a) Orijinal sonar imgesi, (b) sadece
morfolojik işlem uygulanarak yapılan bölütleme
sonucu
(a) (b)
(c)
Şekil 4: : (a) Orijinal sonar imgesi, (b) sadece
morfolojik işlem uygulanarak yapılan bölütleme
sonucu, (c) AKA sonrası morfolojik işlem
uygulanması durumunda elde edilen bölütleme sonucu

Şekil 4’de farklı bir sonar imgesi için elde edilmiş AKA
sonrası morfolojik işlem sonucunda bölütlenen hedef ve
sadece morfolojik işlem uygulanılması durumunda
bölütlenen hedef gösterilmektedir.
5. Sonuçlar
Bu çalışmada sonar imgelerindeki hedefin tespiti için
yeni bir yöntem önerilmektedir. Önerilen yöntemde
sonar imgeleri AKA yöntemi ile ĐKF’lerine
ayrıştırılmaktadır. Birinci ĐKF, ile birinci ve ikinci
ĐKF’nin toplamı sonucunda oluşan verilere morfolojik
işlemlerin uygulanması ve sonuçların birleştirilmesi ile
hedef tespiti yapılmasının sadece morfolojik işlem ile
bölütleme yapılmasına göre daha başarılı bir sonuç
verdiği gösterilmektedir.
6. Kaynakça
[1] Waite A.D., “Sonar for Practising Engineers”, John
Wiley&Sons, Ltd, 298 p., 2002.
[2] Tian, J., and Zhang, C., “Automated
Detection/Classification of objects in Side-Scan Sonar
Imagery,” Procedings of 2004 International Conf. On
Intelligent Mechatronics and Automation, pp:632 - 637, 2004.
[3] M. Okino, Y. Higashi, “Measurement of seabed
topography by multibeam sonar using CFFT”, IEEE J.
Oceanic Eng. vol. 11, pp:474-479, Oct. 1986.
[4] Tegowski, J., Zielinski, A.; Kruss, A., “Parametrical and
Textural Analysis of Sidescan Sonar Images of the Seafloor”,
Oceans 2007, pp:1-6, Oct 2007.
[5] S. Daniel and S. Guillaudeux, “Adaptation of a partial
shape recognition approach,” in Proc. IEEE Conf. Systems,
Man, Cybernetics, pp:2157–2162, Oct. 1997.
[6] Maria Lianantonakis and Yvan R. “Petillot Sidescan Sonar
Segmentation Using Texture Descriptors and Active
Contours”, IEEE Journal of Oceanic Engineering, vol. 32, no.
3, pp:74-752, July 2007.
[7] Max Mignotte, Christophe Collet. ”Sonar Image
Segmentation Using an Unsupervised Hierarchical MRF
Model,” IEEE Tran. on Image Processing, pp:1216-1231,
2000.
[8] C. Collet, P. Thourel, P. Pérez, and P. Bouthemy,
“Hierarchical MRF modeling for sonar Picture segmentation,”
in Proc. 3rd IEEE Int. Conf. Image Processing, Vol. 3,
Lausanne, Switzerland, pp. 979–982, Sept. 1996.
[9] Huang, N. E., Shen, Z., Long, S.R., Wu, M.C., Shih, H.H.,
Zheng, Q., Yen, N-C., Tung C.C. and Liu, H.H., “The
empirical mode decomposition and the hilbert Spectrum for
nonlinear and non-stationary time series analysis,” Proc. R.
Soc. London. A., Vol. 454, pp. 903- 995, 1998.
[10] Demir, B., Ertürk S., "Empirical Mode Decomposition
Pre-Process for Higher Accuracy Hyperspectral Image
Classification", International Conference on Geosience and
Remote Sensing Symposium, Boston, Massachusetts, U.S.A,
pp. II-939-II-941, 2008