Recalage à long terme d'images sonar par mise en correspondance de cartes de classification automatique des fonds

Long term registration of sonar images by an automatic matching of seafloor classification maps

• Auteur / Autrice : Isabelle Leblond
• Direction : Basel Solaiman
• Type : Thèse de doctorat
• Discipline(s) : Électronique
• Date : Soutenance en 2006
• Etablissement(s) : Brest
• Ecole(s) doctorale(s) : École doctorale Sciences de la matière, de l'information et de la santé (Brest, Finistère)
• Partenaire(s) de recherche : Laboratoire : Laboratoire E3I2 - Extraction et exploitation de l'information en environnements incertains (Brest, Finistère)
• Partenaire(s) de recherche : Autre partenaire : École nationale supérieure des ingénieurs des études et techniques d'armement (1971-2010)

Mots clés

Mots clés contrôlés

Granularité (optique)

Ondelettes

Traitement d'images -- Techniques numériques

Recalage d'images

Sonar latéral

Résumé

Ce travail montre la possibilité d'utiliser des images issues d'un sonar latéral pour se repérer sur le fond marin. Nous prenons l'hypothèse que l'on évolue dans un environnement précédemment cartographié et par rapport auquel on va se repérer. La zone de recherche est de la centaine de mètre ou plus et les images peuvent avoir été acquises sous des caps différents. Nous décidons d'opérer en deux temps : extraction de données symboliques nommés ''amers'' puis appariements. Préalablement, nous présentons les différentes données. Une attention particulière est portée sur la physique des fonds marins, afin d'appréhender les divers types d'amers utilisables. Nous présentons également la problématique du recalage sonar, en terme de difficultés et de solutions proposées pour les résoudre. Une deuxième partie est consacrée au prétraitement des données : correction de la TVG par une normalisation en fonction de l'angle et de despecklelisation par un seuillage de décompositions en ondelettes. L'étape d'extraction des amers est réalisée par une classification/segmentation des données. Les amers sont constitués par des zones contenant les diverses classes de fonds marins et leurs frontières. Nous montrons l'intérêt d'utiliser des paramètres classifiant issus d'une décomposition par ondelettes de Gabor et de réaliser la classification par le plus proche voisin en plusieurs étapes. La dernière phase est celle du recalage, effectuée en deux niveaux principaux. Le premier est un recalage symbolique, où les résultats de la classification sont appariés de manière de plus en plus fine. Le deuxième est un recalage quantitatif, où des données issues directement des images sonar sont associées.

This study deals with sea-floor localization problem by using sidescan sonar images. Here, we assume that the considered seafloor areas have previously been mapped. The size of each considered seafloor area is over a hundred square metres and the images can be recorded with different courses. A direct matching of theses images is obviously unacceptable. Therefore, we consider a two step method : extraction of symbolic data named “landmarks” and a matching process. Before these two steps, we begin by presenting the different data. We particularly focus on the physics of the seafloor, in order to grasp the different types of usable landmarks. We present also the problematic of sonar registration, both in terms of difficulties and proposed solutions to solve them. A second part is devoted to the preprocessing of the data : correction of the TVG (Time Varying Gain) by a normalization of the images according to the grazing angle and the despecklelisation by thresholding on wavelet decomposition. Concerning the landmark extraction, we apply a segmentation/classification of the data. Classifying parameters extracted from a Gabor wavelet decomposition are used to realize a classification by the nearest neighbour in several stages. The obtained landmarks contain different kinds of seafloor and their boundaries. The registration is achieved using mainly two steps. The first step is a symbolic registration, where the classification results are matched more an more accurately. The second one is a quantitative registration, where data, extracted directly from images, are matched.