Seminar Unterwasserbildverarbeitung

Transkript

1 Seminar Unterwasserbildverarbeitung Thema: Seabed Classification Ausarbeitung von : Daniel Nagel (NWI) Sven Pohl (NWI) Datum des Vortrags :

2 Inhalt Aufbau S Was ist Seebettklassifikation? S Wie werden die Daten gesammelt? S Welche Hindernisse für die Daten- S. 8 sammlung treten auf? 4. Wie werden marine Texturen S. 9 klassifiziert? 5. Techniken zur Texturen-Analyse S. 11 und Klassifikation 5.1. COM's (Co Occurrence Matrices) S SOM's (Self Organizing Maps) S Schlußfolgerungen S Quellen S. 22

3 Struktur des Vortrags "Seebett-Klassifikation" Was ist Seebett-Klassifikation? Wie werden die Daten gesammelt (ROV's)? Welche Hindernisse für die Datensammlung treten auf? Wie werden marine Texturen klassifiziert? Techniken zur Texturen-Analyse und Klassifikation a) COM's (Co Occurrence Matrices) b) SOM's (Self Organizing Maps) Schlußfolgerung Quellen

4 1. Was ist Seebett-Klassifikation? Beispiel einer Klassifikation des Seebodens nach mariner Vegetation

5 Beispiel einer Klassifikation des Seebodens nach Sedimenttypen

6 In mariner Umgebung interessiert man sich für unterschiedliche Merkmale des Seebodens. Betrachtet man grossflächige Gebiete, so sind allgemeine Klassen z.b. Sedimenttypen oder Vegetation. Detailliertere Zielobjekte sind in der Regel einzelne Organismen, Pflanzen, Steine, oder Mollusken. Die Auswertung dieser Daten ist für unterschiedliche Gruppen von Interesse. Wissenschaftler untersuchen die Entwicklung mariner Vegetation (z.b. Algenbewuchs, Korallensterben oder Tierpopulationen). Die Berufschifffart benötigt die Beschaffenheit des Seebodens zur Ermittlung günstiger Seestrassen. Diese wichtigen Fahrwege unterliegen ständigen Veränderungen durch wechselnde Umwelteinflüsse (z.b. Strömungen, Gezeiten, Sturmfluten). Daher ist es notwendig die Karten regelmäßig zu aktualisieren. Das Verfahren zur Datengewinnung und anschließender Auswertung ist weitgehend automatisiert. Weitere Anwendungsgebiete sind die Überwachung von Tiefseekabeln, Pipelines oder Müllablagerungen. Seebett- Klassifikation findet auch archäologische und militärische Anwendung. Unsere Ausarbeitung konzentriert sich auf die Klassifikation des Seebodens im Hinblick auf verschiedene Sediment-Typen.

7 2. Wie werden die Daten gesammelt? Zur automatischen Sammlung der Daten werden akustische und visuelle Technologien eingesetzt. Zur Oberflächenanlyse werden häufig akustische Sonar- Systeme eingesetzt. Dieses Verfahren eignet sich gut zur Analyse von Wassertiefen und Fahrrinnen. Hierbei gehen Informationen über Detailbeschaffenheit wie z.b. Vegation oder feine Sedimentstrukturen verloren. Die visuellen Systeme sind technisch aufwändiger und eigenen sich besser zur Detailanalyse. Um visuelle Daten zu sammeln werden sogenannte ROV's (Remotely Operated Vehicle) eingesetzt.zur Positionsbestimmung verwendet man GPS (Global Positioning System) oder Orientierungsbojen. Diese Vehikel können in einer Tiefe von wenigen bis zu einigen Tausend Metern eingesetzt werden, um Videomaterial zu sammeln. ROV (Remotely Operated Vehicle)

8 3. Welche Hindernisse für die Datensammlung treten auf? Nach wenigen Metern Wassertiefe erreicht nur noch wenig natürliches Licht den Seeboden. Hinzu kommt, dass das Wasser als Blaufilter wirkt, so dass die Farbinformation beeinträchtigt wird. Mariner Schnee (Schwebende Partikel), Störungen bei der Übertragung des Signals, wechselnde Lichtverhältnisse verrauschen die Videodaten. Hinzu kommt, dass die Zielobjekte oft in sehr unterschiedlichen Formen und Größen auftreten, was deren Einordnung stört, z.b. sich tarnende Weichtiere. Beispiel zweier ROV-Aufnahmen

9 4. Wie werden marine Texturen klassifiziert? Die Videodaten sind sehr schwer manuell auszuwerten. Wie automatisiert man den Klassifikationsvorgang? Hierzu gibt es zwei ähnliche Techniken, die auf unterschiedliche Art und Weise Daten analysieren. Die Analyse findet in zwei Stufen statt. Zunächst wird ein 704x576 Pixel großes Videobild in 16x16 Pixel-Bilder mit 3 Farbebenen zerlegt. Dazu werden die Bildaten (768 Werte) je nach Wahl der Technik einem COM oder SOM präsentiert und in 45 Features gewichtet. In einer zweiten Stufe werden diese 45 Features mit Hilfe eines SOM's in 30 Hauptklassen eingeteilt. Auf diese Weise wird jede 16x16-Pixel großen Kachel des Eingangsbildes einer von 30 möglichen Klassen zugeordnet. Die Besonderheit bei diesem Verfahren ist der Trainingvorgang. Eine selbstorganisierende Karte (nach Teuvo Kohonen) ist in der Lage, hochdimensionale Vektorräume topologieerhaltend auf weniger Dimensionen abzubilden (Siehe Abschnitt 5). Dadurch werden die Klassen automatisch anhand der Trainingsdaten erzeugt. Am Ende des Trainingsdurchlaufes kann jeder Klasse eine konkrete Beschreibung zugeordnet werden. Diese Klasse kann z.b. der Dichte eines Algenbewuchses oder einer spezifischen Sedimentart entsprechen. 704 x 576 COM 45 Features 30 Klassen z.b. Kontrast SOM Graustufen 16 x 16 x 3 SOM Schematische Darstellung der Klassifizierungs-Architektur

10 Bild eines mediterranen Seebetts aus einer Sequenz des Datenmaterials aus einem ROV. (Institut of Marine Biology, Kreta) Segmentiertes Bild, dessen Features mittels Kohonen-Netz extrahiert wurden Segmentiertes Bild, dessen Features mittels COM extrahiert wurden

11 5. Techniken zur Texturen-Analyse und Klassifikation Um die Features eines Bildausschnittes einer speziellen Klasse zuorden zu können, benötigt man zunächst eine gute Texturen- Analyse. Texturen sind kleinräumige Oberflächenstrukturen wie z.b. Baumrinde, Strickmuster, Holzmaserungen oder Sedimentschichten. Ziel ist es, die Textur in ihre Features (Merkmalsattribute) zu zerlegen und anhand ihrer Ausprägungen zu klassifizieren. Zur Feature-Extraktion benutzt man bei der Sedimentanalyse des Seebettes COM's und SOM's. COM's sind mathematische Analysen von wiederholtem Auftreten von Grauwert- Vorkommen. SOM's sind selbstorganisierende Karten aus dem Bereich der neuralen Netze, die in der Lage sind, selbständig die bedeutensten Features eines Bildes zu gewichten.

12 5.1. COM's (Co Occurrence Matrices) COM's, (Grauwert - Übergangsmatrizen), geben an, wie oft in einem Bild zwei Grauwerte in einer bestimmten Anordnung in der Nachbarschaft auftreten. Häufige Einsatzgebiete für Coms: Bildsuchmaschinen, Medizinische Diagnosesysteme (z.b. Krebsdiagnose), Wetterdienste, Landkarten oder Seebettklassifikation.

13 Bei der Untersuchung von Texturen unterscheidet man zwei grundlegende Ansätze: Die strukturelle und statistische Analyse. Bei der strukturellen Analyse sucht man nach kleinen Grundbausteinen sowie einer Anordnungsregel. Man geht davon aus,dass die Struktur aus Primitiven (Textonen) zusammengesetzt ist. Bei natürlichen Bildern (z.b. Landschaften) ist die strukturelle Analyse schwierig, da es unbegrenzt viele Strukturen gibt, die statistischen Schwankungen unterliegen. Bei der statistischen Analyse beschreibt man die Textur als Ganzes anhand bestimmter Attibute wie z.b. lokale Grauwertvarianz, Regelmässigkeit, Grobkörnigkeit, Orientierung und Kontrast. Die Berechnung von Co-Occurence Matrices anhand folgender Illustration. In diesem Beispiel betrachtet man eine Graustufe a unmittelbar neben Graustufe b und trägt die Häufigkeit dieser Anordnung in die rechte COM ein b a Bild a) Bild b) Beispiel zweier horizontal benachbarter Grauwert-Pixel Weitere Co-Occurence Matrices können für beliebige andere Nachbarschaftsanordnungen zweier Grauwerte gebildet werden, hier wählt man die Winkel 0, 45, 90 und 135.

14 Die Dimension der Matrix hängt von der Anzahl der möglichen Grauwerte ab. Z.B. 256 Grauwerte entsprechen einer Matrix von 256 x 256 (8 Bit). Die Werte in der Matrix werden in einer Summe aufaddiert und bilden das Gewicht des jeweiligen Merkmals. Einige wichtige Features sind zb. Kontrast, Energie, Korrelation, Varianz oder Entropie. Beispiel Kontrast: Man spricht von einem hohen Kontrast, wenn stark unterschiedliche Grauwerte dicht aneinander grenzen. Beispiel einer Kontrastberechnung Orignialbild 50% mehr Kontrast

15 Bei der Feature-Extraktion wird das Bild in 3 Farb-Ebenen aufgeteilt (Rot, Grün und Blau-Ebene). Der resultierende Gesamtvektor besteht insgesamt aus 45 Komponenten, 3 Distanzen x 3 Farben x 5 Durchschnitts-Merkmale. Diese 45 Komponenten können im nächsten Schritt dem SOM zu Klassifikation präsentiert. In der Praxis stellte sich heraus, dass diese Aufteilung in Farbenen wenig effektiv sind. Bereits nach einigen Metern Wassertiefe gehen nicht-blaue Komponenten verloren. Darum werden die Bilder sofort in Graustufen zerlegt.

16 5.2. SOM's (Self Organizing Maps) SOMs sind selbstorganisierende Karten oder auch nach dem Erfinder Teuvo Kohonen "Kohonen Netz" genannt. Im Prinzip sind sie unüberwachte neurale Netze. Im Gegensatz zu überwachten Lernverfahren wie z.b. bei Backpropagation (Neurales Netz mit Fehlerrückkopplung) gibt es keine vorgegebene Ausgabe, Fehlerkorrektur wird nicht verwendet. SOM-Architektur mit 3 x 10 Ausgangsneuronen Stattdessen werden die Eingabedaten auf dem einschichtigen Netz topologisch geordnet. Jedem Bereich aus einem hochdimensionalen Merkmalsraum wird ein Neuron (hier eine Klasse) zugeordnet. Kuh Zebra Pferd Löwe Tiger Katze Wolf Hund Fuchs Adler Falke Eule Gans Ente Henne Taube klein X X X X X X X ist mittel X X X X groß X X X X X 2 Beine X X X X X X X 4 Beine X X X X X X X X X Haare X X X X X X X X X hat Hufe X X X Mähne X X X Feder X X X X X X X jagt X X X X X X X X X es rennt X X X X X X X X fliegt X X X X X X schwimmt X X Beispiel eines Hochdimensionalen Vektorraums

17 Adler Taube Ente Falke Henne Katze Eule Gans Tiger Pferd Fuchs Löwe Zebra Hund Wolf Kuh Beispiel eines Hochdimensionalen Vektorraums topologisch auf einer 2-Dimensionalen Karte geordet SOMs bilden das neurobiologische Grundprinzip der Selbstorganisation nach. In der Kortexregion des Gehirns werden benachbarte Bereiche des Sinnesepithels auch benachbart abgebildet. Hier kann es auch zu einer "Foveaisierung" kommen, bei der eine Region des Eingaberaums eine größere Repräsentation erfährt.

18 Das Lernverfahren Die Kohohen-Map bildet hochdimensionale Merkmalsräume topologieerhaltend auf niedrigeren Dimensionen ab. Das Lernverfahren basiert auf dem Unterschied zwischen Merkmals- und Bildräumen. Der Bildbereich wird durch die Nachbarschaftsbeziehung der Neuronen dargestellt, die eine Klasse repräsentieren. 1. Schritt Aus dem n-dimensionalen Definitionsbereich wird eine Eingabe mit einer gewissen Wahrscheinlichkeitsverteilung ausgewählt. 2. Schritt Das Neuron mit der "maximalen Erregung" wird ermittelt. Maximale Erregung bedeutet minimaler euklidischer Abstand zum Merkmalsraum. 3. Schritt Die Gewichtsvektoren aller Gewinner-Neuronen beeinflussen die Gewichte ihrer Nachbarn so, dass sie ihren eklidischen Abstand zum Merkmalsraum im Definitionsbereich verringern. 4. Schritt Es wird entschieden, ob der Algorithmus gestoppt werden soll. Ansonsten werden der Radius und die Lernkonstante nach einem Plan verändert (meists verkleinert). Nachbarschaftsradius unverändert verändert stark verändert verändert unverändert Einfluß eines "Gewinner"-Neurons auf seine Nachbarschaft

19 Gleichmäßige Auffaltung einer Kohohen-Map

20 6. Schlußfolgerungen In der Praxis zeigen sich spezifische Merkmale beider Verfahren. Zusammenfassend konnen COMs Textturen besser herausfiltern als SOMs, die wiederum für farbige Bilder bessere Daten liefern. COMs Performance wird durch marinen Schnee weniger stark beeinflusst als bei SOMs. SOMs sind im Vergleich zu COMs wesentlich schneller zu berechnen. SOMs klassifizieren die Texture-Merkmale automatisch, während COMs von Anfang an spezifisch für einzelne Texture- Features angepasst sind. COMs + sehr gut geeignet bei graustufen-textturen + hohe Performance trotz 'marine snow' - geringere Sensibilität für Farben - Feature-Merkmale müssen vorher bekannt sein - zeitaufwendige Berechnung SOMs + sehr gut geeignet bei farbigen Bildern + wichtigste Feature-Merkmale werden automatisch generiert + sehr schnelle Rechenzeit - geringe Performance bei 'marine snow' - geringere Sensibilität für Texturen

21 7. Quellen 1) Texture Analysis for Seabed Classification N.Pican, E. Trucco, M.Ross, D.M. Lane, Y.Petillot and I. Tena Ruiz (1998) 2) Self-Organizing Maps, Teuvo Kohonen, Helge Ritter (1997) 3) Color Co-Occurence Descriptors for Querying-by-Example Vassili Kovalev, Stephan Volmer (Fraunhofer Institute for Computer Graphics) 4) Seabed Imaging and Mapping System (SIMS) N. Pican 5) Vom Neuron zum Gehirn J. Kuffler et. al. 6) Finnish Institute of Marine Research's WWW pages for the CEO-project Sea Ice Classification Based on RADARSAT Images 7) Texturanalyse whois/wissmit/weis/diplom/html/index.html