Обробка сонарних зображень для покращеного моделювання підводного середовища
Анотація
Метою дослідження було представити послідовність розробки алгоритму підвищення якості зображень, отриманих за допомогою сонара бокового огляду. Для досягнення цієї мети використовувалися методи математичної обробки зображень, такі як посилення контрасту, обробка країв і колориметричні методи. Кроки для покращення контрастності зображення включали нормалізацію інтенсивності сигналу, адаптивне посилення контрастності за допомогою обмеженого контрастного вирівнювання гістограм і корекцію нерівномірного освітлення. Продемонстровано діаграму спрямованості гідролокатора та схему нормалізації інтенсивності зображення. Фільтр адаптивного вирівнювання гістограми з обмеженим контрастом показав вищі значення пікового відношення сигнал/шум та індексу структурної подібності порівняно зі звичайним вирівнюванням гістограми, що вказує на краще збереження деталей, структури зображення та зменшення шуму. Аналіз обробки країв, зокрема Canny і Sobel, показав їх потенційну ефективність у покращенні деталей підводних структур. Крім того, використання гаусового згладжування дозволило знизити рівень високочастотного шуму і зробити текстури більш гладкими. В результаті відбулося зменшення зернистості, м’якість контурів об’єктів і загальне згладжування сцени. Крім того, кубічна сплайн-регресія показала нормалізовані дані зображення. У свою чергу колориметричний аналіз зосереджувався на перетворенні зображень між градаціями сірого та кольоровими просторами, що полегшувало ідентифікацію підводних об’єктів і структур. Було наведено приклад компонентів Hue-Saturation-Value, які продемонстрували різний вплив на якість візуалізації зображення сонара. Компонент Value забезпечив найбільш виразне розрізнення між об’єктом і фоном, тоді як компонент Hue був неефективним для аналізу структури. Поєднання значень і насиченості дозволило покращити деталізацію контуру. Оптимізація псевдоколірної гами дозволила адаптувати зображення під різні завдання, сприяючи більш точному розпізнаванню об’єктів. Отримані результати підтверджують доцільність використання представлених методів у широкому спектрі прикладних задач, пов’язаних з візуалізацією та аналізом підводного середовища
Ключові слова
зміна контрастності; виділення країв; колориметричний аналіз; усунення спотворень; адаптивне згладжування
Використані джерела
[1] Al-Rawi, M., Galdran, A., Isasi, A., Elmgren, F., Carbonara, G., Falotico, E., Real-Arce, D.A., Rodriguez, J., Bastos, J., & Pinto, M. (2017). Cubic spline regression based enhancement of side-scan sonar imagery. In OCEANS 2017 – Aberdeen (pp. 1-7). Aberdeen: IEEE. doi: 10.1109/OCEANSE.2017.8084567.
[2] Basha, K.S., & Nambiar, A. (2024). S3Simulator: A benchmarking side scan sonar simulator dataset for underwater image analysis. In A. Antonacopoulos, S. Chaudhuri, R. Chellappa, C.-L. Liu, S. Bhattacharya & U. Pal (Eds.), Pattern recognition: 27th international conference (pp. 219-235). Heidelberg: Springer-Verlag. doi: 10.1007/9783-031-78444-6_15.
[3] Blondel, P. (2009). The handbook of sidescan sonar. Heidelberg: Springer Berlin. doi: 10.1007/978-3-540-49886-5.
[4] Bogomolov, N.F., Shlykov, V.V., & Vovianko, S.I. (2021). Computer processing of speckle interferograms for optical diagnostics of biological microobjects. Biomedical Engineering and Technology, 6. doi: 10.20535/26178974.2021.6.244563.
[5] Cui, X., Li, M., Li, J., Jiang, B., Li, L., & Li, S. (2025). Side-scan sonar submarine pipeline image enhancement incorporating gamma correction and blurring algorithms. IEEJ Transactions on Electronics Information and Systems, 145(1), 83-92. doi: 10.1541/ieejeiss.145.83.
[6] Fletcher, T., Booth, M.T., & Pritt, J.J. (2024). A comparison of recreational and survey-grade side-scan sonar systems in mapping reservoir fish habitat. North American Journal of Fisheries Management, 44(6), 1422-1438. doi: 10.1002/nafm.11060.
[7] Gao, M., Li, Z., Wang, Q., & Fan, W. (2024). DAE-GAN: Underwater image super-resolution based on symmetric degradation attention enhanced generative adversarial network. Symmetry, 16(5), article number 588. doi: 10.3390/sym16050588.
[8] GIMP – GNU Image Manipulation Program. (n.d.). Retrieved from https://www.gimp.org/.
[9] Ivaniuk, V.I., Potapova, K.R., Nalyvaichuk, M.V., Hurinenko, S.O., & Vovk, L.B. (2023). Computer vision system of autonomous unmanned underwater vehicles based on modified sea-thru method and YOLO neural network. Таuridа Scientific Herald. Series: Technical Sciences, Technical Sciences, 5, 40-54. doi: 10.32782/tnv-tech.2023.5.5.
[10] Kai, L. (2020). Side scan sonar image geocoding based on carrier velocity coarseness correction. Journal of Physics Conference Series, 1576, article number 012012. doi: 10.1088/1742-6596/1576/1/012012.
[11] Katrusha, O. (2024). Correction of roll-caused stripe noise in side scan sonar images. Information Technologies and Computer Engineering, 21(3), 77-85. doi: 10.63341/vitce/3.2024.77.
[12] Klein, O., Melnyk, V., Zhukovskyi, P., & Vizhevskyi, V. (2023). Modeling, architecture and cyber physical systems for computer vision. Measuring and Computing Devices in Technological Processes, 3, 50-56. doi: 10.31891/22199365-2023-75-5.
[13] Lei, C., Wang, H., & Lei, J. (2024). SI-GAT: Enhancing side-scan sonar image classification based on graph structure. IEEE Sensors Journal, 24(15), 24388-24404. doi: 10.1109/JSEN.2024.3416193.
[14] Li, S., Zhao, J., Yu, Y., Wu, Y., Bian, S., & Zhai, G. (2022). Anisotropic total variation regularized low-rank approximation for SSS images radiometric distortion correction. IEEE Transactions on Geoscience and Remote Sensing, 60, article number 5925412. doi: 10.1109/TGRS.2022.3229301.
[15] Liu, H., Ye, X., Zhou, H., & Huang, H. (2025). A mapping method fusing forward-looking sonar and side-scan sonar. Journal of Marine Science and Engineering, 13(1), article number 166. doi: 10.3390/jmse13010166.
[16] Liu, Y., & Ye, X. (2023). A gray scale correction method for side-scan sonar images considering rugged seafloor. IEEE Transactions on Geoscience and Remote Sensing, 61, article number 4209810. doi: 10.1109/ TGRS.2023.3334492.
[17] Lu, Z., Zhu, T., Zhou, H., Zhang, L., & Jia, C. (2023). An image enhancement method for side-scan sonar images based on multi-stage repairing image fusion. Electronics, 12(17), article number 3553. doi: 10.3390/ electronics12173553.
[18] Ma, Q., Jin, S., Bian, G., Cui, Y., & Liu, G. (2025). DBnet: A lightweight dual-backbone target detection model based on side-scan sonar images. Journal of Marine Science and Engineering, 13(1), article number 155. doi: 10.3390/ jmse13010155.
[19] Nguyen, V.D., Luu, N.M., Nguyen, Q.K., & Nguyen, T.-D. (2023). Estimation of the acoustic transducer beam aperture by using the geometric backscattering model for side-scan sonar systems. Sensors, 23(4), article number 2190. doi: 10.3390/s23042190.
[20] Pixlr Editor. (n.d.). Retrieved from https://pixlr.com/editor/.
[21] Richa, R. (2010). Preservation of transport properties trends: Computational rock physics approach. Stanford: Stanford University.
[22] Side scan sonar survey. (n.d.). Retrieved from https://www.oceandiscovery.org/en/side-scan-sonarundersokningar/.
[23] Sivachandra, K., & Kumudham, R. (2024). A review: Object detection and classification using side scan sonar images via deep learning techniques. In V.K. Gunjan, J.M. Zurada & N. Singh (Eds.), Modern approaches in machine learning and cognitive science: A walkthrough (pp. 229-249). Cham: Springer. doi: 10.1007/978-3-031-430091_20.
[24] Steiniger, Y., Kraus, D., & Meisen, T. (2022). Survey on Deep learning based computer vision for sonar imagery. Engineering Applications of Artificial Intelligence, 114, article number 105157. doi: 10.1016/j. engappai.2022.105157.
[25] Wen, X., Wang, J., Cheng, C., Zhang, F., & Pan, G. (2024). Underwater side-scan sonar target detection: YOLOv7 model combined with attention mechanism and scaling factor. Remote Sensing, 16(13), article number 2492. doi: 10.3390/rs16132492.
[26] Xia, H., Cui, Y., Jin, S., Bian, G., Liu, G., Zhang, W., & Peng, C. (2024). Improvement of criminisi’s stripe noise suppression method for side-scan sonar images. Applied Sciences, 14(20), article number 9574. doi: 10.3390/ app14209574.
[27] Yang, D., Wang, C., Cheng, C., Pan, G., & Zhang, F. (2022). Semantic segmentation of side-scan sonar images with few samples. Electronics, 11(19), article number 3002. doi: 10.3390/electronics11193002.
[28] Yuan, X., Li, J., Wang, W., Zhou, X., Li, N., & Yu, C. (2024). Improved YOLOv9 for underwater side scan sonar target detection. Computer Journal, article number bxae134. doi: 10.1093/comjnl/bxae134.
[29] Zhang, Y., Li, H., Zhu, J., Zhou, L., & Chen, B. (2021). Contrast study of side scan sonar image enhancement methods. In 2021 OES China ocean acoustics (pp. 995-999). Harbin: Institute of Electrical and Electronics Engineers. doi: 10.1109/COA50123.2021.9520059.
[30] Zhang, Z., Wu, R., Li, D., Lin, M., Xiao, S., & Lin, R. (2024). Image stitching and target perception for autonomous underwater vehicle-collected side-scan sonar images. Frontiers in Marine Science, 11, article number 1418113. doi: 10.3389/fmars.2024.1418113.
[31] Zhou, P., Chen, J., Tang, P., Gan, J., & Zhang, H. (2024). A multi-scale fusion strategy for side scan sonar image correction to improve low contrast and noise interference. Remote Sensing, 16(10), article number 1752. doi: 10.3390/rs16101752.
[32] Zhu, J., Li, H., Qing, P., Hou, J., & Peng, Y. (2024). Side-scan sonar image augmentation method based on CC-WGAN. Applied Sciences, 14(17), article number 8031. doi: 10.3390/app14178031.