КОРЕКЦІЯ ІНТЕНСИВНОСТІ ЗОБРАЖЕНЬ СОНАРА БОКОВОГО ОГЛЯДУ. ОГЛЯД МЕТОДІВ
DOI:
https://doi.org/10.35546/kntu2078-4481.2025.3.2.27Ключові слова:
сонар бокового огляду, сонограма, корекція інтенсивності, сонарна мозаїка, смуговий шум, цифрова обробка сигналів, адаптивні алгоритми, глибинне навчання, комп’ютерний зірАнотація
Використання сонарів, зокрема сонарів бокового огляду, у підводних дослідженнях бере свій початок із середини ХХ століття. Завдяки своїй відносній дешевизні, простоті експлуатації та високій ефективності у візуалізації морського дна, ці пристрої стали невід’ємним інструментом гідрографії, морської археології, екологічного моніторингу та пошуково-рятувальних операцій. Однак обробка сонограм супроводжується низкою складнощів, зумовлених спотвореннями сигналу. До основних типів таких артефактів належать неоднорідності інтенсивності, смуговий шум, геометричні викривлення та залишкові наслідки недосконалої компенсації часової залежності сигналу. Враховуючи складність акустичних властивостей середовища та варіативність конфігурацій сенсорів, універсального методу корекції інтенсивності, який був би ефективним у всіх сценаріях, наразі не існує.У цьому дослідженні представлено систематизований огляд існуючих методів корекції інтенсивності зображень сонара бокового огляду, що були розроблені впродовж останніх десятиліть. Акцент зроблено на їхню алгоритмічну реалізацію, застосовність у реальному часі та ефективність у контексті побудови високоякісних сонарних мозаїк. Особливу увагу приділено аналізу причин виникнення варіацій інтенсивності, зокрема феномену спадання яскравості поперек напряму руху носія, повторюваним смуговим шумам і залишковим артефактам корекції інтенсивності у часовому домені. Розглянуто низку моделей та підходів, серед яких емпіричні згладжувальні методи, багатовимірна регресія, локальна нормалізація, гібридні фільтраційні стратегії та методи на основі фізичних моделей акустичного розсіювання. Запропонована класифікаційна схема дозволила структурувати відомі підходи за критеріями: тип моделі (емпірична, фізична, машинне навчання), вихідні припущення, обмеження в умовах реального застосування, а також тип використовуваних метрик для оцінки якості обробки.Окремо розглянуто потенціал кожного методу щодо адаптації до задач автоматичного розпізнавання об’єктів та побудови точних морфологічних моделей дна. Матеріал може бути корисним як для інженерів-практиків, що займаються прикладною обробкою сонарних зображень, так і для дослідників, зацікавлених у подальшому розвитку алгоритмів покращення якості сонограм та створенні адаптивних систем з комп’ютерним зором для роботи у складних підводних умовах.
Посилання
Blondel P. The handbook of sidescan sonar. Berlin: Springer Science & Business Media, 2010. Electronic resource. URL: https://link.springer.com/book/10.1007/978-3-540-49886-5 (date of access: 21.07.2025).
Grządziel A. The impact of side-scan sonar resolution and acoustic shadow phenomenon on the quality of sonar imagery and data interpretation capabilities. Remote Sensing. 2023. Vol. 15, No. 23. Article number: 5599. DOI: https://doi.org/10.3390/rs15235599
Zhang Y., Li H., Zhu J., Zhou L., Chen B. Contrast study of side scan sonar image enhancement methods // 2021 OES China Ocean Acoustics (COA). IEEE, 2021. P. 995–999. DOI: https://doi.org/10.1109/COA50123.2021.9520059
Ye X., Yang H., Li C., Jia Y., Li P. A gray scale correction method for side-scan sonar images based on Retinex. Remote Sensing. 2019. Vol. 11, No. 11. Article number: 1281. DOI: https://doi.org/10.3390/rs11111281
Zhao J., Yan J., Zhang H., Meng J. A new radiometric correction method for side-scan sonar images in consideration of seabed sediment variation. Remote Sensing. 2017. Vol. 9, No. 6. Article number: 575. DOI: https://doi.org/10.3390/rs9060575
Jobson D., Woodell A. Retinex processing for automatic image enhancement. Journal of Electronic Imaging. 2004. Vol. 13. P. 100–110. Electronic resource. URL: https://www.researchgate.net/publication/220050764_Retinex_processing_for_automatic_image_enhancement (date of access: 21.07.2025).
Land E. The retinex theory of color vision. Scientific American. 1997. Vol. 237. P. 108–128. Electronic resource. URL: https://doi.org/10.1038/scientificamerican1277-108 (date of access: 21.07.2025).
Liu Y., Ye X. A gray scale correction method for side-scan sonar images considering rugged seafloor. IEEE Transactions on Geoscience and Remote Sensing. 2023. Vol. 61. P. 1–10. Electronic resource. URL: https://doi.org/10.1109/TGRS.2023.3334492 (date of access: 21.07.2025).
Li S., Zhao J., Yu Y., Wu Y., Bian S., Zhai G. Anisotropic total variation regularized low-rank approximation for SSS images radiometric distortion correction. IEEE Transactions on Geoscience and Remote Sensing. 2022. Electronic resource. URL: https://doi.org/10.1109/TGRS.2022.3229301 (date of access: 21.07.2025).
Al-Rawi M. Intensity normalization of sidescan sonar imagery. In: Image Processing Theory, Tools and Applications (IPTA), 2016. P. 1–6. Electronic resource. URL: https://doi.org/10.1109/IPTA.2016.7820967 (date of access: 21.07.2025).
Lurton X. An introduction to underwater acoustics: principles and applications. Noise Control Engineering Journal. 2011. Vol. 59, No. 1. P. 106. Electronic resource. URL: https://link.springer.com/book/9783540784807 (date of access: 21.07.2025).
Burguera A., Oliver G. Intensity correction of side-scan sonar images. In: IEEE Emerging Technology and Factory Automation (ETFA), 2014. P. 1–4. Electronic resource. URL: https://doi.org/10.1109/ETFA.2014.7005092 (date of access: 21.07.2025).
Capus C., Banks A., Coiras E., Ruiz I., Smith C., Petillot Y. Data correction for visualisation and classification of sidescan sonar imagery. IET Radar, Sonar & Navigation. 2008. Vol. 2, No. 3. P. 155–169. Electronic resource. URL: https://doi.org/10.1049/iet-rsn:20070032 (date of access: 21.07.2025).
Clarke J. Seafloor characterization using keel-mounted sidescan: Proper compensation for radiometric and geometric distortion. Electronic resource. URL: https://www.semanticscholar.org/paper/Seafloor-characterization-using-keel-mounted-proper-Clarke/863bec2b1127c2bb74e832150b8aed0671fd1f5b (date of access: 21.07.2025).
Tamsett D., Hogarth P. Sidescan sonar beam function and seabed backscatter functions from trace amplitude and vehicle roll data. IEEE Journal of Oceanic Engineering. 2016. Vol. 41, No. 1. P. 155–163. Electronic resource. URL: https://doi.org/10.1109/JOE.2015.2390732 (date of access: 21.07.2025).
Al-Rawi M. Cubic spline regression based enhancement of side-scan sonar imagery. In: OCEANS 2017 – Aberdeen. 2017. P. 1–7. Electronic resource. URL: https://doi.org/10.1109/OCEANSE.2017.8084567 (date of access: 21.07.2025).
Calder B., Linnett L., Carmichael D. Bayesian approach to object detection in sidescan sonar. In: IEE Conference Publication. 1997. No. 443, Pt. 2. P. 857–861. Electronic resource. URL: https://researchportal.hw.ac.uk/en/publications/bayesian-approach-to-object-detection-in-sidescan-sonar-2 (date of access: 21.07.2025).
Anstee S. Removal of range-dependent artifacts from sidescan sonar imagery. Electronic resource. URL: https://apps.dtic.mil/sti/tr/pdf/ADA393168.pdf (date of access: 21.07.2025).
Capus C. Compensation for changing beam pattern and residual TVG effects with sonar altitude variation for sidescan mosaicing and classification. Electronic resource. URL: https://www.researchgate.net/publication/229012920 (date of access: 21.07.2025).
Shippey G., Bolinder A., Finndin R. Shade correction of side-scan sonar imagery by histogram transformation. In: OCEANS’94. 1994. P. II/439–II/443. Electronic resource. URL: https://doi.org/10.1109/OCEANS.1994.364084 (date of access: 21.07.2025).
Wilken D., Feldens P., Wunderlich T., Heinrich C. Application of 2D Fourier filtering for elimination of stripe noise in side-scan sonar mosaics. Geo-Marine Letters. 2012. Vol. 32, No. 4. P. 337–347. Electronic resource. URL: https://doi.org/10.1007/s00367-012-0293-z (date of access: 21.07.2025).
Cervenka P., de Moustier C. Sidescan sonar image processing techniques. IEEE Journal of Oceanic Engineering. 1993. Vol. 18, No. 2. P. 108–122. Electronic resource. URL: https://doi.org/10.1109/48.219531 (date of access: 21.07.2025).
Burguera A., Oliver G. High-resolution underwater mapping using side-scan sonar. PLoS ONE. 2016. Vol. 11, No. 1. Article ID: e0146396. Electronic resource. URL: https://doi.org/10.1371/journal.pone.0146396 (date of access: 21.07.2025).
Chang Y., Hsu S., Tsai C. Sidescan sonar image processing: Correcting brightness variation and patching gaps. Journal of Marine Science and Technology. 2010. Vol. 18, No. 6. Electronic resource. URL: https://doi.org/10.51400/2709-6998.1935 (date of access: 21.07.2025).
Galdran A. An efficient non-uniformity correction technique for side-scan sonar imagery. In: OCEANS 2017 – Aberdeen. 2017. P. 1–6. Electronic resource. URL: https://doi.org/10.1109/OCEANSE.2017.8084577 (date of access: 21.07.2025).
Nguyen V., Luu N., Nguyen Q., Nguyen T. Estimation of the acoustic transducer beam aperture by using the geometric backscattering model for side-scan sonar systems. Sensors. 2023. Vol. 23, No. 4. Article ID: 2190. Electronic resource. URL: https://doi.org/10.3390/s23042190 (date of access: 21.07.2025).
Tamsett D. Geometrical spreading correction in sidescan sonar seabed imaging. Journal of Marine Science and Engineering. 2017. Vol. 5, No. 4. Article ID: 54. Electronic resource. URL: https://doi.org/10.3390/jmse5040054 (date of access: 21.07.2025).
Wang Z., Bovik A., Sheikh H., Simoncelli E. Image quality assessment: From error visibility to structural similarity. IEEE Transactions on Image Processing. 2004. Vol. 13, No. 4. P. 600–612. Electronic resource. URL: https://doi.org/10.1109/TIP.2003.819861 (date of access: 21.07.2025).
Sivachandra K., Kumudham R. A review: Object detection and classification using side scan sonar images via deep learning techniques. In: Modern Approaches in Machine Learning and Cognitive Science: A Walkthrough. Vol. 4. P. 229–249. Electronic resource. URL: https://doi.org/10.1007/978-3-031-43009-1_20 (date of access: 21.07.2025).
Steiniger Y., Kraus D., Meisen T. Survey on deep learning based computer vision for sonar imagery. Engineering Applications of Artificial Intelligence. 2022. Vol. 114. Article ID: 105157. URL: https://doi.org/10.1016/j.engappai.2022.105157 (date of access: 21.07.2025).
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
