應用於側掃聲納影像水下物體自動辨識的機器視覺元演算法

1. 簡介

本文旨在解決於水文測量、搜救、水下考古及海洋科學等領域中定位水下物體的關鍵挑戰。惡劣的環境、高品質影像獲取困難，以及載人或遙控潛水器解決方案的高成本，構成了重大的操作障礙。配備側掃聲納等聲學感測器的自主水下載具逐漸成為趨勢，其產生的大量數據流，在後處理階段形成了瓶頸。本文提出一種新穎的即時元演算法，旨在自動化偵測並對側掃聲納影像中的物體進行地理參照，以降低成本、減少延遲並提升態勢感知能力。

2. 先前研究與背景

作者將其研究與傳統的特徵描述方法（如 SIFT、SURF、BRIEF、ORB）及現代卷積神經網路（如 AlexNet、VGG、GoogLeNet）進行對比。他們正確地指出一個關鍵限制：這些方法需要對目標物體有先驗知識以及大量的訓練資料集。在水下領域，這是一個主要障礙，因為目標物體多樣（例如，無數種類的船隻殘骸或漁具），且標記資料稀缺或獲取成本高昂。他們的演算法被設計為一種通用偵測器，繞過了對特定物體模板或大型訓練集的需求。

3. 方法論：三階段元演算法

核心創新是一個精簡的三階段流程，將原始感測器資料轉化為可執行的物體資訊。

3.1 第一階段：影像合成與校正

處理原始 XTF 格式的側掃聲納資料（串流或檔案），合成二維影像。應用幾何校正（例如，斜距校正）與輻射校正（例如，時變增益補償），以產生適合自動化視覺分析的影像，減輕聲納特有的偽影。

3.2 第二階段：特徵點雲生成

將標準的二維特徵偵測演算法（例如，角點偵測器如 Harris 或 FAST、邊緣偵測器）應用於校正後的影像。這會生成一個由視覺微特徵（角點、邊緣）組成的「點雲」。其基本假設（得到文獻支持，如 Viola & Jones, 2004）是：人造或獨特的自然物體，相對於較為嘈雜、稀疏的背景，會表現為這些特徵的密集群集。

3.3 第三階段：分群與物體編目

將偵測問題重新定義為一項分群與雜訊剔除任務。將分群演算法（例如，建議使用 DBSCAN 或 mean-shift）應用於特徵點雲，以識別高特徵密度區域。計算每個群集的質心，從而提供一個定義明確、具有地理參照的感興趣區域。輸出是一個即時的地理定位物體目錄。

4. 案例研究與應用

本文強調了兩個受益於其通用方法的引人注目的應用案例：

• 水下考古學：偵測非標準化且通常已劣化的船隻殘骸與文物，在這些情況下為 CNN 建立全面的訓練集是不切實際的。
• 海洋廢棄物管理（幽靈漁具）：識別遺失或廢棄的漁具（漁網、陷阱、釣線），這些漁具形狀和尺寸各異，使得基於模板的方法效果不彰。

5. 技術深入探討

演算法的有效性取決於分群階段。像 DBSCAN（基於密度的含雜訊空間分群）這樣的合適演算法是理想的選擇，因為它可以找到任意形狀的群集，並將稀疏點標記為雜訊。核心操作可以概念化為在特徵集合 $F = \{f_1, f_2, ..., f_n\}$ 中尋找群集 $C$，其中每個特徵 $f_i$ 具有影像座標 $(x_i, y_i)$。一個群集 $C_k$ 的定義是：對於距離 $\epsilon$ 和最小點數 $MinPts$，其鄰域內的密度超過一個閾值，從而將其與背景雜訊分離。物體位置則由質心給出：$\text{Centroid}(C_k) = \left( \frac{1}{|C_k|} \sum_{f_i \in C_k} x_i, \frac{1}{|C_k|} \sum_{f_i \in C_k} y_i \right)$。

6. 結果與效能

雖然提供的 PDF 摘錄未包含量化結果，但所描述的工作流程暗示了關鍵的效能指標：

• 偵測率：識別感興趣物體（真陽性）的能力。
• 誤報率：將海底紋理或雜訊錯誤標記為物體。分群階段對於雜訊剔除至關重要。
• 地理定位準確度：計算出的質心相對於物體真實位置的精度，取決於聲納導航資料的品質。
• 處理延遲：系統跟上即時聲納資料攝取速度的能力，這是其聲稱相對於後處理的優勢。

視覺化：輸出可以視覺化為側掃聲納影像疊加圖：原始的聲納瀑布顯示圖，在偵測到的群集周圍繪製邊界框或標記，以及一個單獨的面板列出地理參照目錄（緯度、經度、置信度分數）。

7. 分析框架與範例

評估框架：要評估此類系統，需要建構一個包含已知真實物體（例如，在已知海底模擬或部署的目標）的測試資料集。分析將遵循以下流程：

1. 輸入：包含混合物體（例如，沉船碎片、陶瓷雙耳瓶、現代廢棄物）和複雜背景（沙、岩石、植被）的原始 XTF 側掃聲納資料檔案。
2. 處理：執行三階段演算法。調整第二階段特徵偵測器的靈敏度和第三階段分群參數（$\epsilon$, $MinPts$），以最佳化偵測與誤報之間的權衡。
3. 輸出分析：將演算法的目錄與真實情況進行比較。計算精確率 $P = TP/(TP+FP)$、召回率 $R = TP/(TP+FN)$ 和 F1 分數。分析遺漏的物體（偽陰性）——它們是否對比度低或缺乏銳利特徵？分析誤報——它們是否來自密集的生物群落或岩石露頭？
4. 見解：此框架揭示了演算法的基本效能邊界：它擅長尋找特徵密集的異常，但可能難以處理平滑的大型物體，或被某些自然紋理所誤導。

8. 未來方向與應用

所提出的元演算法為幾項進階發展奠定了基礎：

• 混合式人工智慧系統：該演算法的 ROI 輸出可以饋送到一個次級、專門的 CNN 分類器。元演算法充當「粗略過濾器」，尋找候選區域，而一個精簡的 CNN 則執行細粒度分類（例如，「漁網 vs. 輪胎 vs. 岩石」），利用少樣本學習等領域的研究成果。
• 多模態融合：整合來自 AUV 上其他感測器的資料，例如測深聲納（多波束）或底層剖面儀，以建立三維特徵點雲，提高物體與海底之間的辨識能力。
• 適應性分群：實作線上分群演算法，根據當地海底類型（例如，在沙地區域更敏感，在岩石區域更保守）調整參數，參考先前地圖或同步的海底分類資訊。
• 更廣泛的應用：管線與電纜檢查（偵測暴露或損壞）、水雷反制措施（作為快速初步掃描）以及海洋棲息地監測（偵測異常結構）。

9. 參考文獻

1. Lowe, D. G. (1999). Object recognition from local scale-invariant features. Proceedings of the Seventh IEEE International Conference on Computer Vision.
2. Bay, H., Ess, A., Tuytelaars, T., & Van Gool, L. (2008). Speeded-Up Robust Features (SURF). Computer Vision and Image Understanding.
3. Viola, P., & Jones, M. (2004). Robust Real-Time Face Detection. International Journal of Computer Vision.
4. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems.
5. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer-Assisted Intervention (MICCAI). (類比於聲納中的編碼器-解碼器結構)。
6. NOAA Ocean Exploration. (2023). Advancing Technologies for Ocean Exploration. https://oceanexplorer.noaa.gov/technology/technology.html

10. 專家分析與評論