تشخيص مانع در تصاوير سونار در زير دريا

Underwater obstacle detection in sonar imagery

يكي از مهم ترين نكات جهت تشخيص حضور مانع در تصاوير سونار ، انتخاب روش هاي مناسب جهت كاهش نويز، ناحيه-بندي و دسته بندي اين تصاوير است. در اين تحقيق داده هاي خام سيستم هاي سونار با ديد مستقيم كه مقادير انرژي پژواك ناشي از امواج صوتي است، به صورت ماتريس در اختيار ما قرار گرفته است. در مرحله ي پيش پردازش به آماده سازي اين داد ه ها و ذخيره در 24 بيت پرداختيم و به صورت تصوير نمايش داديم. جهت كاهش نويز داده هاي خام سونار، فيلتر-هايي مانند ميانگين، ميانه، گوسين، لي، كوان، گاما-مپ و روش هاي پيشنهادي خود را اعمال نموديم. در روش پيشنهادي به علت حضور ثابت مانع در تصاوير و نويز هاي تصادفي، به ميانگين گيري و and تصاوير فريم هاي متوالي و تشخيص مدل نويز و كاهش آن در تصاوير پرداختيم و با مقايسه ي بين روش هاي ياد شده و روش پيشنهادي، از طريق معيار هاي كاهش نويز، مي توان دريافت روش نام برده، نتايج بهتري داشته و تصاويري با نويز كمتر به دست آمده است و درنهايت به كمك روش آستانه گذاري اتسو، تصاوير را به دو قسمت پس زمينه و پيش زمينه تفكيك نموديم و به نمايش مانع در تصاوير پرداختيم

Selecting the appropriate methods for noise reduction, Segmentation and Clustering in sonar images is one of the most important points to determine the presence of obstacles. In this study, the primary data with a Forward Looking Sonar which has been provided in matrix form, is the amount of echo energy generated by acoustic waves. In the preprocessing section, we prepared these data and stored them in 24 bits and finally displayed it as images. To reduce the noise of sonar data, we applied filters such as Average, Median, Gaussian, Lee, Kuan, Gamma-Map and our proposed methods. In the proposed method due to the fixed presence of constant obstacles and random noise in these images. We proceed Averaging, the And of sequential frame images i.e finding something common among all images and the detection of the noise model and the reduction of it in the images .The proposed method, has had better results and images with less noise in contrast to the mentioned methods. And finally, we separated the images into two sections, the background and the foreground by the use of threshold Otsu method then we represented the obstacle in the image.