[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 2، شماره 1 - ( 3-1393 ) ::
جلد 2 شماره 1 صفحات 55-73 برگشت به فهرست نسخه ها
مقایسه دو روش پردازش آماری داده‌های اکوساندر چند‌پرتویی (MBES)
سمانه لسانی گویا ، علیرضا امیری سیمکویی، مهدی مؤمنی شهرکی، نفیسه کاخانی
دانشجوی کارشناسی ارشد دانشگاه اصفهان
چکیده:   (3450 مشاهده)
استفاده از روشها و تجهیزات صوتی برای برداشت اطلاعات و نقشه‌برداری از بستر آبها، بطور چشمگیری گسترش یافته است. اکوساندر چند‌پرتویی (Multi Beam Echo Sounder (MBES: از جمله سیستم‌های صوتی است که قادر به اندازه‌گیری همزمان عمق و شدت موج برگشتی از بستر آبها می‌باشد. این سیستم‌ها می‌توانند یک دسته پرتو با فواصل مساوی به سمت بستر ارسال و شدت موج برگشتی وابسته به زاویه تلاقی پرتو با سطح بستر (طبق قانون لامبرت) را دریافت نمایند. یکی از مهمترین کاربردهای این داده برای کلاسه‌بندی رسوبات است که بدین منظور در مطالعات مختلف از وابستگی زاویه‌ای استفاده شده است. در این روش، زمانی که در طول یک پینگ، نوع رسوبات تغییر کند، پیچیدگی‌هایی ظاهر می‌گردد چراکه نمی‌توان بین تغییرات زاویه‌ای پرتوها و تغییرات واقعی در نوع رسوبات تفکیک قائل شد. بنابراین پیشنهاد می‌شودکه این داده‌ها مستقل از زاویه شوند. در این مقاله دو روش آماری بر مبنای هیستوگرام برای حذف اثر وابستگی زاویه‌ای ارائه می‌گردد: 1) انطباق هیستوگرام‌ها با استفاده از گشتاورهای آماری، 2) انطباق هیستوگرام‌ها با استفاده از اصول پردازش تصویر. در هر دو روش سعی می‌شود هیستوگرام‌های داده‌ها در زاویه تقاطع نزدیک به نادیر به هیستوگرام داده‌ها در یک زاویه تلاقی کوچک (داده‌های مرجع) منطبق شوند. در نهایت نتایج حاصل از پیاده‌سازی دو روش مزبور بر داده‌های رودخانه وال هلند با یکدیگر مقایسه می‌گردند.
واژه‌های کلیدی: اکوساندر چند پرتویی (MBES)، شدت موج برگشتی، وابستگی زاویه ای، انطباق هیستوگرام، گشتاورهای آماری.
متن کامل [PDF 1572 kb]   (677 دریافت)    
نوع مطالعه: پژوهشي |
دریافت: ۱۳۹۴/۴/۲۰ | پذیرش: ۱۳۹۴/۴/۲۰ | انتشار: ۱۳۹۴/۴/۲۰
فهرست منابع
1. [1] Simons, D.G. and Snellen, M., 2009. A Bayesian Approach to Seafloor Classification using Multi-beam Echo-sounder Backscatter Data. Applied Acoustics, vol. 70, p. 11. [DOI:10.1016/j.apacoust.2008.07.013]
2. [2] AmiriSimkooei, A.R., Snellen, M., and Simons, D.G., 2009. Riverbed Sediment Classification using Multi beam Echo-sounder Backscatter Data. the Acoustical Society of America vol. 126, p. 15.
3. [3] Alexandrou, D. and Pantzartzis, D., 1993. A Methodology for Acoustic Seafloor Classification. IEEE J. Ocean. Eng. 18, p. 81–86. [DOI:10.1109/48.219527]
4. [4] Michalopoulou, Z.H., Alexandrou, D. and Moustier, C.de., 1995. Application of Neural and Statistical Classifiers to the Problem of Seafloor Characterization. IEEE J. Ocean. Eng. 20, p. 190–197.
5. [5] [5] Chakraborty, B., Mahale, V., Sousa, C. and Das, P., 2004. Seafloor Classification using Echo-Waveforms: A Method Employing Hybrid Neural Network Architecture. IEEE Geoscience and remote sensing letters, vol. 1, p. 5.
6. [6] Mignotte, M., Collet, C., Pérez, P. and Bouthemy, P., 2000. Sonar Image Segmentation using an Unsupervised Hierarchical MRF Model. IEEE Transactions on Image Processing, vol. 9, p. 16. [DOI:10.1109/83.847834]
7. [7] Chakraborty, B., Schenke, H.W., Kodagali, V. and Hagen, R., 2000. Seabottom Characterization using Multibeam Echosounder Angular Backscatter: An Application of the Composite Roughness Theory. IEEE, vol. 38, p. 4.
8. [8] Allen1, Y.C., Wilson, C.A., Roberts, H.H. and Supan, J., 2005. High Resolution Mapping and Classification of Oyster Habitats in Nearshore Louisiana using Sidescan Sonar. Estuarine Research Federation, vol. 28, p. 12.
9. [9] Lubniewski, Z. and Chybicki, A., 2008. Seabed Classification using Multibeam Echosounder. IEEE/ Information Technology, 2008, IT. 1st International Conference on Gdansk, p. 4. [DOI:10.1109/INFTECH.2008.4621690]
10. [10] Chenadec, G.Le. and Boucher, J.M., 2005. Sonar Image Segmentation using the Angular Dependence of Backscattering Distributions. IEEE/Oceans 2005, Europe, vol. 1, p. 6.
11. [11] Chenadec, G.Le., Bouchert, J.M., Lurton, X. and Augustin, J.M., 2004. Angular Dependence of Statistical Distributions for Backscattered Signals: Modelling and Application to Multibeam Echosounder Data. IEEE, vol. 2, p. 7.
12. [12] AmiriSimkooei, A.R., Snellen, M. and Simons, D.G., 2008. Using the MBES for Classification of Riverbed Sediments. the Acoustical Society of America, vol. 123, p. 6.
13. [13] Lurton, X., 2002. An Introduction to Underwater Acoustics: Principles and Applications. Springer, New York, p. 90–91.
14. [14] Hovem, J.M., 2006. Underwater Acoustics: Propagation, devices and systems. Polecer International Conference, Springer, Ed. Hafjell, Lillehammer-Norway, p. 9.
15. [15] Simons, D.G., 2010. Seafloor Mapping: Underwater Acoustics Group. (TNO-FEL), the Netherlands, lecture notes.
16. [16] Mishra, DR., Narumalani, S., Rundquist, D., Lawson, M., 2005. High-resolution ocean color remote sensing of benthic habitats: a case study at the Roatan Island, Honduras. IEEE Trans Geosci Remote Sensing, vol. 43, p. 1592–1604. [DOI:10.1109/TGRS.2005.847790]
17. [17] Purkis, SJ., 2005. A reef-up approach to classifying coral habitats from IKONOS imagery. IEEE Trans Geosci Remote Sensing, vol. 43, p. 1375–1390. [DOI:10.1109/TGRS.2005.845646]
18. [18] Brouwer, P.A.I., 2008. Seafloor Classification Using a Single Beam Echosounder. Department of Earth Observation & Space Systems chair of Acoustic Remote Sensing. vol. Master: Delft, The Netherlands.
19. [19] Hsu, C.w. and Lee, L.s., 2004. Higher Order Cepstral Moment Normalization (HOCMN) for Robust Speech Recognition. IEEE, p. 4.
20. [20] Suk, Y.H., Choi, S.H., and Lee, H.S., 1999. Cepstrum Third-order Normalisation Method for Noisy Speech Recognition. IEEE, vol. 35, p. 2.
21. [21] Montgomery, D.C., Runger, G.C., 2002. Applied Statistics and Probability for Engineers. John Wiley & Sons, 3rd edition, the United States of America.
22. [22] Perry, S.W., 2000. Applications of Image Processing to Mine Warfare Sonar. DSTO Aeronautical and Maritime Research Laboratory PO Box 4331 Melbourne Victoria 3001 Australia.
23. [23] Cervenka, P., and Moustier, C.de., 1993. Sidescan SonarImage Processing Techniques. IEEE, vol. 18, p 15.
24. [24] Gonzales, R.C. and Woods, R.E., 2002. Digital Image Processing. Prentice Hall, second edition.
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Lesani-Gooya S, Amiri-Simkooei A, Momeni-Shahraki M, Kakhani N. mparison between Two Statistical Processing Methods of Multi-Beam Echo-Sounder Data on Histogram Matching. jgit. 2014; 2 (1) :55-73
URL: http://jgit.kntu.ac.ir/article-1-112-fa.html

لسانی گویا سمانه، امیری سیمکویی علیرضا، مؤمنی شهرکی مهدی، کاخانی نفیسه. مقایسه دو روش پردازش آماری داده‌های اکوساندر چند‌پرتویی (MBES). مهندسی فناوری اطلاعات مکانی. 1393; 2 (1) :55-73

URL: http://jgit.kntu.ac.ir/article-1-112-fa.html



دوره 2، شماره 1 - ( 3-1393 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.05 seconds with 29 queries by YEKTAWEB 3742