Visão computacional em meio subaquático: um estudo sobre detecção de pontos de interesse e classificação utilizando contexto

Abstract

A exploração e o monitoramento do bentos no ambiente marinho possuem importância econômica e ambiental crescente na sociedade atual. A qualidade da tecnologia de obtenção de imagens óticas subaquáticas tem melhorado consideravelmente devido ao advento dos Remotely Operated Vehicles (ROV) e dos Autonomous Underwater Vehicles (AUVs), o que tem possibilitado a coleta de milhares de dados visuais do fundo do oceano. Técnicas de visão computacional, atualmente em franca utilização em ambientes terrestres, podem auxiliar a interpretação automática destas imagens, seja para minimizar o trabalho de identificação e monitoramento de feições e espécies, seja para fornecer subsídios a realização autônoma de missões. Porém devido a presença do meio líquido, a propagação da luz no meio subaquático apresenta efeitos fotométricos que causam degradação na imagem, emergindo diversas questões a serem tratadas na classificação de imagens subaquáticas, as quais não estão presentes em outros ambientes. Assim, o objetivo geral deste trabalho é estudar técnicas de visão computacional, e sua sensibilidade a presença do meio líquido. De forma mais precisa, duas técnicas de visão computacional são principalmente tratadas: a detecção de pontos de interesse e a adição das informações de contexto para classificação de objetos em ambientes subsea. São aplicados e analisados diferentes algoritmos de detecção de pontos de interesse frente a imagens com diferentes níveis de turbidez. Um novo dataset foi proposto capaz de fornecer cenários com diferentes níveis de turbidez e objetos em cena, permitindo o testes múltiplos dos detectores mais usados na literatura e seu comportamento frente os fenômenos de degradação causados na imagem no meio subaquático. Foi encontrado que o algoritmo DoG se mostrou como uma melhor alternativa para resolver tal problema de forma invariante a escala. Também foi estudada a questão da adição de contexto como forma de melhorar a taxa de acerto da classificação de imagens subaquáticas. Foi proposto um novo método para incluir contexto na classificação baseado em Geoestatística e comparou-se com outras formas tradicionais de adição de contexto como os Conditional Random Fields (CRF).

The exploration and monitoring of the benthic sea zone has an important economic and environmental role in the nowadays society. The quality of the optical image acquiring technologies has become considerably better. This happened mainly due to the advent of the Remotely Operated Vehicles (ROV) and the Autonomous Underwater Vehicles (AUVs) and has opened the possibility to collect thousands of visual data from the seabed environment. Computer vision techniques are today being largely used in over-land environments and can help the autonomous interpretation of images. These techniques can help to minimize the work of identifying and monitoring species and objects. Either having vision as a data acquiring source or to assist the automation of the operations. However, due to the presence of the liquid media, the light propagation in underwater environments has photometric effects that cause degradation of the image. This degradation develops a lot of issues to be treated on underwater images that do not exist in other environments. Thus, the objective of this work is to study computer vision tecniques considering their sensibility to phenomenas of the underwater environments media. More precisely, mainly two computer vision techniques are considered: feature point detection and the adition context information for image classification, both on underwater images. Different algorithms for feature point detection are applied for feature point detection under different turbidity levels. We provide a new dataset capable of providing different scenarios with different levels of turbidity. This dataset allowed the test of multiple feature detectors regarding their behavior with respect to the degradation effects of water turbidity. We found that, in this scenario, the CenSurE algorithm is the best alternative to solve scale invariant feature detection problems. Finally, we studied the issue concerning the addition of context as a way to improve the accuracy of underwater image classification. We proposed a new method to include the context information on classification that is based on Geostatistics. This method was compared with an other traditional form of context addition that is the Conditional Random Fields (CRF).