David P.Williams论文系列 SAS图像分辨率与目标检测性能的关系

最新推荐文章于 2023-11-02 08:44:35 发布

郭铁拳

最新推荐文章于 2023-11-02 08:44:35 发布

阅读量1k

点赞数 2

文章标签：目标检测计算机视觉图像处理

本文链接：https://blog.csdn.net/weixin_44072988/article/details/127738140

版权

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较不同分辨率图像中的目标检测性能，而所有其他变量（如数据收集条件）保持不变。通过将给定的SAS图像降级为一系列不同的沿轨迹分辨率和距离分辨率，然后将相同的检测算法应用于结果图像集来实现比较。对于在不同环境条件下在八个不同地理位置的海上收集的一组真实SAS数据，这在大规模上重复；所考虑的数据包括1500多幅图像，总面积超过8平方公里，包含2000多个类似水雷的目标。结果量化了目标检测性能和虚警率对航迹分辨率和距离分辨率的依赖性。该信息可用于确定自主水下航行器上所需的最低处理要求，以便有效地通过传感器测量适应，并可用于通知SAS系统设计和采购决策。

介绍

声纳提供的水下环境高分辨率成像已被证明在多种应用中特别有用，从考古学和栖息地测绘到管道检查和地雷探测。但是，传统的侧扫声呐越来越被合成孔径声呐（SAS）系统所取代，这些系统提供更高分辨率的图像，尽管成本也更高。这种解决方案/成本权衡提出了一个显而易见的问题：对于正在研究的应用程序，当使用SAS而不是简单的侧扫声纳时，预期的性能增益是多少？为这个问题提供一个定量的答案不是一件小事，但对于做出明智的声纳系统采购决策来说是必要的。

同时，水下机器人技术的成熟意味着这些复杂的SAS系统越来越多地部署在自主水下机器人(AUV)上。由于海上勘测的成本和时间敏感性，下一个优先事项是在AUV中嵌入情报，以便它能够立即对收集的数据作出反应。通过现场调整勘测路线并有效分配资源，AUV可以为手头任务收集最有信息的数据，同时减少任务时间。然而，AUV机载可用处理能力的限制意味着，为了保持实时处理，降低分辨率的图像通常是必要的让步。因此，了解数据以较低分辨率处理时预期的性能下降程度也很重要。

受这些问题的启发，我们试图通过实验量化SAS图像分辨率与性能之间的关系。具体而言，我们在水雷对抗应用中解决了这个问题，在该应用中，根据目标检测能力（和虚警率）来衡量性能。也就是说，当SAS数据以不同分辨率处理时，目标检测性能如何变化？

本文的其余部分组织如下。在第二节中，我们演示了如何以原则性的方式从全分辨率图像生成低分辨率SAS图像。第三节描述了在海上收集的用于实验的真实测量SAS数据，其结果如第四节所示。第五节简要讨论了声纳系统的比较，第六节给出了结论和未来工作的方向。

SAS图像分辨率

合成孔径声呐（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，与简单（真实孔径）侧扫声呐数据相比，其分辨率提高了一个数量级。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（如水雷）成为可能。一个示例SAS图像如图1所示。

合成孔径声呐原理

为了研究图像分辨率对目标检测性能的影响，我们使用高分辨率SAS的数据，并通过以下步骤以不同程度降低其分辨率。（应注意，[7]中描述了多方面处理的相关方法。）

沿航迹和距离维度的全图像分辨率分别与声纳的空间和时间带宽相关， $\delta _{x} =D/2$ 和 $\delta _{y} =c/2B$ ，其中 $D$ 是最大（换能器）孔径的沿航迹尺寸， $B$ 是以Hz为单位的信号带宽， $c\approx 1500 \, \, m/s$ 是传播速度。

我们通过对图像波数谱进行频带限制，在各个图像维度上降低了 $\alpha _{x}$ 和 $\alpha _{y}$ 的分辨率，即：

$i^{'}(x,y)=\int_{-\infty}^{+\infty}I^{'}(k_{x},k_{y})exp(j(k_{x}x+k_{y}y))dk_{x}dk_{y}$

其中：

$I^{'}(k_{x},k_{y})=win(\frac{\delta _{x}^{'}}{2\pi}k_{x})win(\frac{\delta _{y}^{'}}{2\pi}k_{y})I(k_{x},k_{y})$

是具有波数 $k_{x}$ 和 $k_{y}$ 的带限频谱， $\delta _{x}^{'}=\alpha _{x}\delta _{x}$ ，且有 $\delta _{y}^{'}=\alpha _{y}\delta _{y}$ 是分辨率降低单元的尺寸， $win(x)$ 是一个仅在区间上非零的窗口函数 $x\in [-0.5,0.5]$ ，且有

$I(k_{x},k_{y})=\int_{-\infty}^{+\infty}i(x,y)exp(-j(k_{x}x+k_{y}y))dk_{x}dk_{y}$

是全分辨率图像 $i(x,y)$ 的光谱。然后，我们根据相同的因子 $\alpha _{x}$ 和 $\alpha _{y}$ 对图像像素进行相应的抽取。

该图像波数滤波程序对给定SAS图像的影响如图2所示，其中显示了各种分辨率降低情况下的带限光谱。（为了便于说明，光谱是从大型SAS场景中提取的一个小片段。）重要的是，这种原则性的方法并不等同于简单地对全分辨率图像进行下采样，这不会以正确的方式真正模拟低分辨率系统。

将全分辨率SAS图像（片段）降级为一系列不同的沿轨迹分辨率和距离分辨率的示例结果如图3所示。（图2所示的图像波数谱对应于该目标。）

数据

在这项工作中，第二节中描述的程序被用于将目标检测性能量化为图像分辨率的函数。研究中使用的数据由CMRE的装备SAS的AUV（称为MUSCLE）收集。该SAS的孔径长度为 $D=5$ ，带宽为 $B=60$ kHz，其产生的（全）分辨率单元沿轨道尺寸为 $\delta _{x} = 2.5 cm$ ，距离尺寸为 $\delta _{x} = 1.25 cm$ 。

这些数据是在2008年至2012年间NURC/CMRE在地中海和波罗的海的八个不同地理位置进行的主要海洋实验期间收集的。数据包括1527幅图像（图1为其中之一），总面积超过8平方公里，包含2157多个类似水雷的目标。

这里，数据集中的每个全分辨率图像被降级为一系列不同的沿轨迹分辨率和距离分辨率。我们考虑图像分辨率退化因子 $\alpha _{x}$ 和 $\alpha _{y}$ 分别取自集合 $A=\left \{ 1,2,4,6,8,10\right \}$ 的情况。这转化为检查总共36种情况，其中所考虑的沿轨道分辨率为2.5厘米至25.0厘米，因子为2，所考虑的距离分辨率为1.25厘米至12.5厘米，因子2。

然后将级联目标检测算法应用于每个图像。该算法基于一个整体图像公式，该公式允许非常快速地搜索阴影区域和高亮区域，这些区域一起通常表示目标。该检测算法根据（输入）图像分辨率自动调整必要的基于大小的量，但对于所有实验，所有其他算法参数都保持不变。

实验结果

对于每个图像分辨率情况，计算正确检测到的目标数量和生成的错误警报。所有站点的这些检测性能结果汇总如图4所示。应注意，结果（如检测概率）是针对全分辨率情况给出的。正如人们所预期的那样，随着分辨率的降低，检测概率降低，虚警率增加。然而，重要的是，我们量化了这些变化对目标检测任务的影响。

例如，当 $\alpha _{x} = 4$ 和 $\alpha _{y}=4$ 时，对应于10.0cm的沿道分辨率和5.0cm的距离分辨率，检测概率下降约3%，而错误警报的数量增加约1.5倍。（值得注意的是，一种常用的900 kHz侧扫声纳的近似分辨率在沿航迹方向为11.7厘米，在距离方向为5.8厘米。）这些结果可以部分回答第一节中提出的一些问题。

上面这个图也要会看，沿道分辨率和距离分辨率衰减系数越大，他们探测的成功率就越小。

很好奇这种图示怎么画出来的？于是查了查在matlab里面，很简单类似于这样做：
A = [];
imagesc(A);
colormap jet
colorbar

图4的结果也以另一种格式显示在图5中。图5更清楚地显示了性能的总体趋势，作为沿航迹和距离分辨率因子乘积的函数。该乘积乘以 $\delta _{x}\delta _{y}=3.125cm^{2}$ 得到分辨率单元的面积，该面积也与目标上的像素数成反比。对于图5，当多个情况产生相同的乘积（例如，｛ $\alpha _{x} = 6$ ， $\alpha _{y} = 1$ ｝和｛ $\alpha _{x} = 1$ ， $\alpha _{y} = 1$ ｝产生6的乘积）时，显示的结果是平均值。

讨论

水下水雷对抗领域经常出现的一个话题是比较不同声纳系统的性能。特别是，将一艘AUV上的侧扫声纳与另一艘AUV上的SAS进行比较，通常会引起人们的兴趣。不幸的是，不可能进行直接、直接的比较，从而得出一个简单的数字答案。

即使两个系统在时间偏移非常小的情况下调查同一区域，也不可能控制影响性能的众多因素。水下环境在不断变化——水流在流动，鱼在场景中穿行等等——但还有更大的障碍。首先，部署声纳系统的平台将具有不同的稳定性和导航能力，这可能会通过收集的声纳数据影响声纳的质量。但是声纳系统通常也会在不同的深度航行，这反过来会影响信号的入射角。此外，该系统还将对不同的海底带进行声波传播，因此每个AUV执行的共同勘测轨迹不会在相同的海底精确区域产生图像。每个系统的区域覆盖率也会有所不同，这一事实突出表明需要额外的评估指标。此外，与SAS不同，侧扫声纳的沿航迹分辨率在距离上不是恒定的。所有这些基本问题使得很难分离声纳本身对性能的基本影响。

这突出了本研究的效用，其中所有其他条件保持不变。影响性能的唯一因素是图像分辨率。上述侧扫声呐数据的问题意味着，基于本工作中模拟的低分辨率数据的结果应被视为在给定分辨率下使用真实侧扫系统可以实现的上限。

在这项工作中，研究了图像分辨率对目标检测性能的影响。没有考虑目标识别链中的后续阶段：特征提取和分类。通常，检测阶段依赖于相对粗糙的属性，而分类阶段通常利用更精细的细节。因此，使用低分辨率图像可能会比检测性能更严重地降低分类性能。然而，这项研究为比较图像分辨率和性能提供了有用的初步研究，并反过来提供了这种关系的定量证据。这里获得的结果可以外推到现有的侧扫声纳系统，作为性能比较的估计。

结论

据我们所知，这项工作首次将SAS系统的目标检测性能量化为不同分辨率的函数。由于时间带宽的增加和空间带宽（即换能器元件尺寸）的减少增加了SAS系统的成本，因此了解目标检测性能受图像分辨率影响的程度是有价值的。该信息可用于通知SAS系统设计和采购决策。此外，它还可以帮助确定AUV上处理图像的最低分辨率（处理能力有限），以便基于传感器数据进行有效的实时测量自适应。

未来的工作将研究SAS图像分辨率对特征提取过程和分类的影响。其他工作将探索基于多分辨率图像的新特征的开发。