قطعه‌بندي رسوبات بستر رودخانه‌اي بر مبناي اصول پردازش تصوير با استفاده از داده‌هاي اكوساندر چند‌پرتويي

Riverbed Segmentation Using Image Processing Principles Applied to Multi-Beam Echo-Sounder Data

امروزه استفاده از تجهیزات صوتی پیشرفته مانند اكوساندرهای چند‌پرتویی (MBES) در بسیاری از عملیات زیرآبی و برداشت اطلاعات از آرایش بستر، بطور چشمگیری گسترش یافته‌است. این ابزار قادر به اندازه‌گیری همزمان عمق و شدت موج برگشتی (BS) از بستر آبها با پوشش كامل می‌باشد. كلاسه‌بندی رسوبات بستر با استفاده از وابستگی زاویه‌ای مقادیر BS، از مهمترین كاربردهای این نوع داده است. از آنجا كه تابع توزیع احتمال مقادیر BS وابسته به زوایه فرودی است، پیش از این برای شناسایی صحیح رسوبات و كلاسه‌بندی آنها، داده‌های هر زاویه بطور جداگانه بكار گرفته می‌شدند. در این مقاله الگوریتمی ارائه می‌گردد كه قادر است پس از اعمال تكنیك گشتاورهای مرتبه بالا برای نرمالسازی اثر وابستگی زاویه‌ای داده‌ها، از تمامی زوایا بطور یكجا برای كلاسه‌بندی رسوبات بستر رودخانه استفاده نماید. هدف اصلی این روش، تهیه تصویر از داده‌های حجیم MBES است كه از بستر رودخانه كم‌عمق وال هلند جمع‌آوری شده‌اند. در اینجا روش كریجینگ بعنوان روشی مطلوب برای ساختاردهی اولیه و درونیابی مقادیر BS انتخاب و برای بهبود كیفیت بصری تصاویر تشكیل‌شده، برخی از روش‌های پردازش تصویری اعمال می‌شوند تا بافت بستر با وضوح بیشتری آشكار گردد. در نهایت مشاهده می‌گردد كه تبدیل آبخیز به همراه عملیات مورفولوژیكال برای قطعه‌بندی این تصاویر، نتایج قابل‌قبولی را در مقایسه با واقعیت زمینی آنها (ضریب همبستگی در حدود 63%) ارائه می‌كند. این امر حاكی از موفقیت این الگوریتم در شناسایی رسوبات بستر رودخانه با ورود به حوزه سنجش از دور است، هرچند تقریب‌گیری‌های فراوان و آستانه‌گذاری‌های تجربی در طول اجرای آن بكار رفته است.

Seafloor mapping and classification are required in many underwater operations of which acoustic signals have been playing an important role. Multi-beam echo-sounders (MBES) are acoustic systems that provides full coverage high resolution bathymetry maps and backscatter information from the seabed or riverbed. They transmit a series of beams to the riverbed and receives the backscatter strengths (BS), which depend on the angle of incidence. Angular dependence has already been applied to classify sediments using probability density function of the BS from MBES data. A complication occurs when the sediment types change along the swath, because it is difficult to separate from the beam angular dependence and the true backscatter strength variations. Therefore, the classification method is applied to the MBES data of specific angle. This paper employs an algorithm based on image processing principles, which the formation of the image from total massive data is the main step. After correcting for the angular dependence effects, they are gridded with an appropriate interpolation method. The image mosaics are then generated. The image processing techniques will then be applied to enhance the quality of images. Riverbed segmentation is performed by watershed transformation and morphological operations. Finally we assign a particular sediment type to each segment called ʹʹlabeling" by the mean grain size of the sediment grab sampling. The algorithm has been implemented on a MBES data set of the Waal river, the Netherlands. The correlation between the true data and image segmentation is about 63% using the specific segmentation. The results show that the proposed procedure improves the classification results compared to the traditional methods.