Login| Sign Up| Help| Contact|

Patent Searching and Data


Title:
METHOD FOR IDENTIFYING OR LOCATING AN UNDERWATER OBJECT, ASSOCIATED COMPUTER OR MEASUREMENT SYSTEM, AND A WATER VEHICLE.
Document Type and Number:
WIPO Patent Application WO/2014/124628
Kind Code:
A1
Abstract:
The invention relates to a method for automatically identifying and/or locating an underwater object, said method comprising the following steps: generating or using a model image of the underwater object; spectrally transforming the model image, particularly determining a 2D power density spectrum of the model image so as to provide a 2D model image reference; determining or using a first measurement scene image; spectrally transforming the first measurement scene image, particularly determining a 2D power density spectrum of the first measurement scene image so as to provide a 2D measurement scene image reference; extracting a directional model image portion from the 2D model image reference and extracting a directional measurement scene image portion so as to provide, in particular, a 1D model image feature vector and particularly a 1D measurement scene image feature vector, and; correlating said directional model image portion to the directional measurement scene image portion so as to provide an accordance information. Such a reduction of image information to be evaluated allows the provision of a method which is able to be used in real-time and in which objects being searched for can be automatically identified or located with low signal-to-noise ratios and high levels of reliability. The present method allows secure identification or location in very unfavourable signal-to-noise ratios, even in those that are negative in terms of dB.

Inventors:
LORENSON ANTON (DE)
Application Number:
PCT/DE2014/100009
Publication Date:
August 21, 2014
Filing Date:
January 15, 2014
Export Citation:
Click for automatic bibliography generation   Help
Assignee:
ATLAS ELEKTRONIK GMBH (DE)
International Classes:
G01S7/527; G01S15/04; G01S15/89; G06V10/42
Foreign References:
US5339275A1994-08-16
Other References:
JAE. S. LIM: "Two-Dimensional Signal and Image Processing", 1990, PTR PRENTICE HALL, INC., A SIMON AND SCHUSTER COMPANY, ENGELWOOD CLIFFS
K.D. KAMMEYER; K. KROSCHEL: "Digitale Signalverarbeitung, Filterung und Spektralanalyse", 2009, GWV FACHVERLAGE GMBH
NACH J. S; BENDAT, A.G: "Piersol: Random Data: Analysis and Measurment Procedures", 1971, WILEY & SONS, INC
DENNIS V. LINDLEY; WILLIAM F. SCOTT: "New . Cambridge Statistical Tables", 2003, CAMBRIDGE UNIVERSITY PRESS
Download PDF:
Claims:
Patentansprüche :

1. Verfahren zum Identifizieren und/oder zum Orten eines Unterwasserobjekts, insbesondere einer

Unterwasserpipeline, wobei das Verfahren folgende Schritte umfasst

- Generieren oder Verwenden eines Modellbildes des Unterwasserobjekts ,

- Spektrales Transformieren des Modellbildes, insbesondere Bestimmen eines 2D- Leistungsdichtespektrums des Modellbildes, sodass eine 2D-Modellbildreferenz vorliegt,

- Ermitteln oder Verwenden eines ersten Messszenenbildes, wobei das Messszenenbild insbesondere einen Bildausschnitt eines nach dem Unterwasserobjekt durchsuchten Geländes umfasst,

- Spektrales Transformieren des ersten Messszenenbildes, insbesondere Bestimmen eines 2D-Leistungsdichtespektrum des Messszenebildes, sodass eine 2D-0bjektbildreferenz vorliegt ,

- Extrahieren eines Richtungsmodellbildanteils aus der 2D-Modellbildreferenz und Extrahieren eines Richtungsszenenbildanteils, sodass insbesondere ein 1D- Modellbildmerkmalsvektor und insbesondere ein 1D- Messszenenmerkmalsvektor vorliegen,

- Korrelieren des Richtungsmodellbildanteils mit dem Richtungsszenenbildanteil, sodass eine Übereinstimmungsinformation in Form eines maximalen Korrelationskoeffizienten und der sich aus dem Korrelationsmaximum ergebenden Richtung vorliegt,

2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Verfahren einen der folgende Schritte zusätzlich oder alternativ aufweist

- Urteilen über das eventuelle Vorhandensein des gesuchten Unterwasserobjektes und der sich aus dem Korrelationskoeffizienten resultierenden statistischen Signifikanz

- Bestimmen einer Obj ektausrichtung in einer Messszene anhand einer Richtungslage des Maximalen Korrelationskoeffizienten .

3. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass das Verfahren für ein zweites Messszenenbild oder drittes Messszenenbild oder für weitere Messszenenbilder angewandt wird.

4. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das Verfahren für ein zweites Modellbild oder drittes Modellbild oder für weitere Modellbilder angewandt wird.

5. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass ein Bewerten der Übereinstimmungsinformation mittels eines Signifikanzniveaus erfolgt.

6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass beim Bewerten der Übereinstimmungsinformation das Ermitteln eines Maximums oder mehrerer Maxima erfolgt.

7. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass die 2D- Modellbildreferenz und/oder die 2D- Messszenenbildreferenz segmentiert wird, sodass Sektoren vorliegen.

8. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass die 2D- Modellbildreferenz und/oder die 2D- Messszenenbildreferenz unterteilt wird, sodass Abschnitte vorliegen.

9. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass vor dem jeweiligen spektralen Transformieren das Messszenenbild und/oder das Modellbild aufbereitet werden.

10. Rechner, der derart eingerichtet ist, dass ein Verfahren nach einem der vorherigen Ansprüche durchführbar ist.

11. Messsystem mit einem Sonar, welches einen Rechner nach Anspruch 10 aufweist, wobei das Sonar die jeweiligen Objektbilder ermittelt.

12. Wasserfahrzeug, welches einen Rechner nach Anspruch 10 und/oder ein Messsystem nach Anspruch 11 aufweist.

Description:
Verfahren zum Identifizieren oder zum Orten eines Unterwasserobjekts, zugehöriger Rechner oder Messsystem, sowie Wasserfahrzeug

[Ol] Die Erfindung betrifft ein Verfahren zum Identifizieren und/oder zum Orten eines Unterwasserobjekts, insbesondere einer Unterwasserpipeline, einen Rechner der das Verfahren durchführt, ein Messsystem, welches den Rechner umfasst und ein Wasserfahrzeug, welches den Rechner oder das Messsystem aufweist.

[02] Beim Orten und Identifizieren von Unterwasserobjekten, wie beispielsweise Pipelines oder Detonationskörper, werden insbesondere mittels Sonaren (Sound Navigation and Ranging) ermittelte Objektbilder mit in einer Datenbank befindlichen Referenzbildern verglichen. Bei diesem Vergleich werden beispielsweise Mustererkennungsverfahren eingesetzt.

[03] Bei dem Mustererkennen werden jeweils die Pixel oder erkannte Strukturen des ermittelten Szenenbildes mit den Pixeln der bekannten Strukturen verglichen. Hinzu kommt, dass die Orientierung der gesuchten Struktur oder Objekts unbekannt ist, sodass Drehungen eines der Bilder und Skalierungen rechentechnisch zu beachten sind.

[04] Dies ist so rechenintensiv, dass das Identifizieren oder das Orten nicht echt zeitfähig durchführbar ist, da die Wiederholgeschwindigkeiten der Objektbildbestimmung durch das Sonar größer sind als die Berechnungsgeschwindigkeiten für das Identifizieren oder das Orten.

[05] Daraus folgt, dass zum einen nicht sämtliche Objektbilder ausgewertet werden und insbesondere dazu, dass Unterwassergeräte, wie beispielsweise U-Boote oder Unterwasserroboter, ihre Näherungsgeschwindigkeit an das Objekt verringern müssen.

[06] Zudem ergeben sich Schwierigkeiten beim Identifizieren und Orten des Unterwasserobjekts, da die Objektbilder häufig lediglich niedrige Signal-zu-Rausch-Verhältnisse aufweisen, welche beispielsweise auf inhomogene oder turbulente Strömungen zurückzuführen sind.

[07] Aufgabe der Erfindung ist, den Stand der Technik zu verbessern .

[08] Gelöst wird die Aufgabe durch ein Verfahren zum Identifizieren und/oder zum Orten eines Unterwasserobjekts, insbesondere einer Unterwasserpipeline, wobei das Verfahren folgende Schritte umfasst

- Generieren oder Verwenden eines Modellbildes des Unterwasserobjekts ,

- Spektrales Transformieren des Modellbildes, insbesondere Bestimmen eines 2D- Leistungsdichtespektrums des Modellbildes, sodass eine 2D-Modellbildreferenz vorliegt,

- Ermitteln oder Verwenden eines ersten Messszenenbildes, wobei das Messszenenbild insbesondere ein Bildausschnitt eines nach dem Unterwasserobjekt durchsuchten Geländes umfasst,

- Spektrales Transformieren des ersten Messszenenbildes, insbesondere Bestimmen eines 2D- Leistungsdichtespektrum des Messszenebildes, sodass eine 2D-0bjektbildreferenz vorliegt,

- Extrahieren eines Richtungsmodellbildanteils aus der 2D-Modellbildreferenz und Extrahieren eines Richtungsszenenbildanteils, sodass insbesondere ein lD-Modellbildmerkmalsvektor und insbesondere ein 1D- Messszenenmerkmalsvektor vorliegen,

- Korrelieren des Richtungsmodellbildanteils mit dem Richtungsszenenbildanteil, sodass eine Übereinstimmungsinformation in Form der maximalen Korrelationskoeffizienten und der sich aus den Korrelationsmaxima ergebenden Richtung vorliegt,

[09] Somit kann ein robustes echt zeitfähiges Verfahren zur Verfügung gestellt werden, bei dem Objekte bei niedrigen Signal-zu-Rausch-Verhältnissen mit hoher Zuverlässigkeit identifizierbar oder ortbar sind. Mit vorliegendem Verfahren kann eine sichere Identifizierung oder Ortung bei ungünstigen Signal-zu-Rausch-Verhältnissen erreicht werden .

[10] Zudem eignet sich das hier vorgestellte Verfahren zur autonomen Mustererkennung. Auch kann die

Näherungsgeschwindigkeit oder eine Aufklärungsgeschwindigkeit eines Unterwasserroboters oder eines U- Boots erhöht werden, da der „Flaschenhals" nunmehr bei den Repititionsraten (Wiederholraten) des Sonars liegt.

[11] Folgendes Begriffliche sei erläutert:

[12] Unter „Identifizieren" ist insbesondere das eindeutige Erkennen einer Struktur auf einem vorgegebenen statistischen Signifikanzniveau zu verstehen.

Beispielsweise kann dies soweit gehen, dass ein Unterwasserdetonationskörper von anderen

Unterwasserobjekten unterschieden werden kann. Auch ein Klassifizieren nach Bauart und Typ kann ermöglicht werden.

[13] Beim „Orten" wird die Lage eines Unterwasserobjekts ermittelt. Insbesondere bei Gas- oder Öl-Pipelines ist die Kenntnis über den Verlauf der Pipeline für Wartung und Reparatur von größter Bedeutung, sodass mit dem Orten derartige Tätigkeiten erst sinnvoll und zeiteffizient durchführbar sind.

[14] Der Begriff „Unterwasserobjekt" umfasst sämtliche natürliche und/oder technische Strukturen, welche mittels bildgebender Verfahren (Sonar, Optik) ermittelbar sind. Insbesondere umfasst sind Pipelines, bemannte oder unbemannte Unterwasserfahrzeuge, Bohrtürme, Off-Shore- Windenergieanlagenfundamente oder auch Kabel bis unterhalb von Kabeldicken von 10cm.

[15] Das „Generieren eines Modellbildes" umfasst das Erstellen einer Datenrepräsentanz des zu identifizierenden oder zu ortenden Unterwasserobjekts. Dies kann ein Simulieren des Unterwasserobjekts als auch das Bearbeiten eines Unterwasserobjektbildes umfassen. Beim „Verwenden eines Modellbildes" wird eine bereits simulierte oder bearbeitete Datenrepräsentanz des Unterwasserobjekts, beispielsweise aus einer Datenbank, verwendet.

[16] Beim „Ermitteln eines Messszenenbildes" werden insbesondere Messdaten eines Sonars bildlich aufbereitet. Auch kann das Ermitteln anhand optischer Daten (z.B. mittels einer Kamera) erfolgen.

[17] Für den Fall, dass beispielsweise Objektdaten aufgezeichnet wurden und diese später analysiert werden, kann ein „Verwenden eines Objektbildes" durchgeführt werden. So werden insbesondere Sonardaten eines unbemannten Unterwasserfahrzeugs aufgezeichnet und später an Bord eines Schiffes mittels des beschriebenen Verfahrens ausgewertet.

[18] Das „Spektrales Transformieren" kann sowohl auf den jeweiligen Gesamtausschnitt der Bilder (Objekt/Modell) oder auf Teilausschnitte angewandt werden. Insbesondere können Quadratische Ausschnitte verwendet werden. Mit dem spektralen Transformieren kann insbesondere ein Raumfrequenz spektrum erzeugt werden. Eine einfache Umsetzung ist durch eine diskrete 2D-Fourier-Transformation oder eine 2D-FFT (Fast Fourier Transformation) gegeben. Insbesondere kann ein „Bestimmen eines 2D-

Leistungsspektrums" (LDS) erfolgen. Dabei wird beispielsweise mathematisch das Betragsquadrat der 2D-FFT gebildet .

[19] Vorteilhaft dabei sind die systemtheoretischen Eigenschaften des 2D-LDS, welche als eine Abbildung des Originalbereichs zu linearen Verschiebungen des Bildobjekts im Originalbereich, unter der Annahme, dass die Rauschenergie gleich Null ist, invariant und geben gleichzeitig die Verdrehungen des Bildobjekts wider. Hierzu sei auf Jae . S. Lim: Two-Dimensional Signal and Image Processing, PTR Prentice Hall, Inc., A Simon and Schuster Company, Engelwood Cliffs, New Jersey, 1990, verwiesen.

[20] Das jeweilige Ergebnis des spektralen Transformierens ist für das Modellbild die „2D-Modellbildreferenz" und für das Messszenenbild die „2D-Messszenenbildreferenz" . In einfachen Fällen kann dies jeweils einer mathematischen 2D- Matrix entsprechen.

[21] Durch das „Extrahieren eines Richtungsmodellbild- anteils" und des „Extrahierens eines Richtungsobjektbild- anteils" kann ein wesentlicher Beitrag zur Reduktion eines Rechenaufwandes geleistet werden. Das Ergebnis des jeweiligen Extrahierens ist ein W 1D-

Modellbildmerkmalsvektor" und entsprechend ein „1D- Messszenenbildmerkmalsvektor" .

[22] Insbesondere werden beim Extrahieren des jeweiligen Richtungsanteils unter diskreter Sektorintegration und Mittelwertbildung, insbesondere 2N-Mal per 360° und M-Mal über die Entfernung im LDS, die jeweiligen radialen Spektralvektoren gewonnen. Dabei wird insbesondere die Symmetrie-Eigenschaft des LDS eines reellen 2D-Signals ausgenutzt und nur jeweils ein Teil des Sektorenpaares, dies entspricht gegenüberliegenden Sektoren, oder eine geeignete Mittelung beider verwendet (siehe Fig. 4) . [23] Dies kann den Vorteil haben, dass die Speichergröße reduziert wird, wobei die Identifizierungs- und Ortungsmerkmale beibehalten werden. Die sich ergebenen 1D- Signale können die wichtige Eigenschaft ausbilden, dass sie abgesehen vom Rauschen annähernd quadrierte Direchlet-Kerne (oder allgemeiner Direchlet-Kernpakete ) darstellen, welche der der Breite des gesuchten Objektes entsprechen. Hierzu sei verwiesen auf K.D. Kammeyer, K. Kroschel: Digitale Signalverarbeitung, Filterung und Spektralanalyse, 7. Aufl. GWV Fachverlage GmbH, Wiesbaden, 2009.

[24] Beim „Korrelieren" wird insbesondere mathematisch ein (Wahrscheinlichkeits- ) Wert ermittelt, welcher eine Information bzgl. einer Übereinstimmung darstellt.

[25] In einer weiteren Ausprägungsform kann das Verfahren folgende Schritte zusätzlich oder alternativ aufweisen:

- Urteilen über ein eventuelles Vorhandensein des gesuchten Unterwasserobjektes und der sich aus dem Korrelationskoeffizienten resultierenden statistischen Signifikanz ,

- Bestimmen der Obj ektausrichtung in der Messszene anhand einer Richtungslage eines maximalen Korrelationskoeffi z ienten

[26] In einer Ausprägungsform wird das Verfahren für ein zweites Messszenenbild oder drittes Messszenenbild oder für weitere Messszenenbilder angewandt. [27] Somit können unterschiedliche Objektbilder ausgewertet werden. Insbesondere können direkt hintereinander aufgenommene Messszenenbilder mit einem Modellbild abgeglichen werden. Dies kann somit eine echt zeitfähige Durchsuchung oder Durchkämmung eines bestimmten Gebietes beispielsweise für autonome Unterwasserfahrzeuge gewährleisten .

[28] Um eine Klassifizierung bzgl. der Wahrscheinlichkeit einer Übereinstimmung von Objektbild und Modellbild zu ermöglichen, kann ein Bewerten der

Übereinstimmungsinformation mittels eines

Signifikanzniveaus erfolgen. Liegt eine

Übereinstimmungsinformation oberhalb (oder unterhalb) des Signifikanzniveaus, so kann ein Identifizierungstreffer oder eine Objektausrichtung als gesichert angenommen werden .

[29] In einer weiteren Ausprägungsform erfolgt beim Bewerten der Übereinstimmungsinformation das Ermitteln eines Maximums oder mehrerer Maxima. So können gleichzeitig mehrere sich in der Messszene überlagernde Objekte auf vorgegebenem Signifikanzniveau identifiziert werden und die Obj ektausrichtungen bestimmt werden.

[30] Um die Richtungsbildanteile zu ermitteln, können die 2D- Modellbildreferenz (LDS) und/oder die 2D-

Obj ektbildreferenz ( LDS ) segmentiert werden, sodass Sektoren vorliegen .

[31] Nach einer weiteren Ausführungsform werden die 2D- Modellbildreferenz ( LDS ) und/oder die 2D- Obj ektbildreferenz ( LDS ) unterteilt, sodass Abschnitte vorliegen .

[32] Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass vor dem jeweiligen spektralen Transformieren das Messszenenbild und/oder das Modellbild aufbereitet werden. Die Aufbereitung kann Folgendes einzeln oder in Kombination mit einschließen:

- Ändern der Abtastrate (Angleichung der Modellabtastrate des Modellbildes und Messszenenbildes ) unter einem Ausnutzen einer der Methoden wie Nearest-Neighbor , bilinearen oder bikubischen oder Barnes oder Lanzcos oder Inverse Distance Weighting oder spline oder Kriging oder anderen Interpolationsmethoden,

- Subtrahieren eines Gleichanteils mit dem Zweck der Kontrasterhöhung

- Potenzieren diskreter Messwerte mit dem Zweck der Kontrasterhöhung

- Glättung des Messszenenbildes mittels eines oder mehreren aufeinander folgenden Medianfilters und/oder Mittelwertfilters mit dem Zweck der Rauschunterdrückung und Ausreißer-Werte Eliminierung

- Durchführung einer Opening oder Closing Operation mit dem Zweck der Szenenrekonstruktion bei ungünstigen SNR (Signal- to-Noise-Ratio ) Messwerten.

[33] In einer weiteren Ausgestaltung der Erfindung wird die Aufgabe gelöst durch einen Rechner, der derart eingerichtet ist, dass ein zuvor beschriebenes Verfahren durchführbar ist .

[34] Somit kann eine Vorrichtung bereitgestellt werden, mittels derer das zuvor beschriebene Verfahren durchführbar ist .

[35] Der vorliegende „Rechner" kann sowohl ein Standardrechner als auch ein Rechner sein, welcher entsprechende FPGAs (Field Programmable Gate Array) oder DSPs (Digital Signal Processor) aufweist.

[36] Um eine gekapselte Vorrichtung bereitzustellen, welche in autonomen oder bemannten Unterwasserfahrzeugen einsetzbar ist, kann die Aufgabe gelöst werden durch ein Messsystem mit einem Sonar, welches einen zuvor beschriebenen Rechner aufweist, wobei das Sonar die jeweiligen Objektbilder ermittelt. alternativ, kann das Messsystem statt des Sonars oder ergänzend ein optisches Kamerasystem aufweisen.

[37] In einer abschließenden Ausgestaltung der Erfindung wird die Aufgabe gelöst durch ein Wasserfahrzeug, welches einen zuvor beschriebenen Rechner und/oder ein zuvor beschriebenes Messsystem aufweist.

[38] Wasserfahrzeuge in diesem Sinne können insbesondere U- Boote oder unbemannte Wasserfahrzeuge sein.

[39] Im Weiteren wird die Erfindung anhand von Ausführungsbeispielen erläutert. Es zeigen Figur 1 eine schematische Darstellung

Grundzüge des Verfahrens,

Figur 2 eine schematische Darstellung einer oberflächensimulierten Pipeline,

Figur 3 eine schematische Darstellung eines

Schattenwurfs der simulierten Pipeline,

Figur 4 eine schematische Darstellung eines

Extrahierens eines Richtungsbildanteils (Objekt/Modell) ,

Figur 5 eine schematische Darstellung einer

Korrelationsmatrix mit einsprechender Benamung der Spalten und Zeilen,

Figur 6 eine schematische Darstellung des spektralen Transformierens (LDS Bilden) des Modellbilds und

Figur 7 eine schematische Gesamtdarstellung des erfindungsgemäßen Verfahrens.

[40] Das Verfahren kann auf folgende ( Grund- ) Einzelschritte zurückgeführt werden (siehe Fig. 1) :

[41] Simulation 101 des gesuchten Objektes in einer idealen (rauschfreien) Umgebung unter Ausnutzung eines linearen Ray-Tracings , sodass ein Bild 103 des gesuchten Objekts vorliegt .

[42] Messtechnisches Bestimmen 111 eines Sonar-Bildes 113 und Vorverarbeitung 121 des aus dem Sonar-Messverfahren gewonnenen Bildes (Messszenenbild) 113 und Modellbildes 103, sodass ein aufbereitetes Messszenen- und Modellbild 125 vorliegen.

[43] Vorverarbeitung 121 und Spektrales Transformieren 125 des simulierten Modellbilds und des Objektbildes 123, sodass das jeweilige 2D-Spektrum 127 des Messszenenbildes und des Modellbildes 123 vorliegt.

[44] Anschließend erfolgt für die jeweiligen 2D-Spektren 127 Betragsquadratbilden (LDS) ein Extrahieren 129 des richtungsrelevanten Anteils, sodass ein lD-Modellvektor 133 und lD-Obj ektvektoren 143 vorliegen mit anschließendem paarweise Korrelieren 162 der so gewonnenen Merkmalsvektoren 133/143, sodass ein Korrelationsergebnis 164 vorliegt. Die ermittelten Korrelationsergebnisse 164 werden mittels eines Signifikanzniveaus bewertet 166.

Generieren eines Modellbildes (Fig. 2)

[45] Die Suchreferenz wird durch eine Simulation gewonnen. Bei der Objektsimulation (Modellbild) wird die Oberfläche eines Objektes durch Eintragungen einer 2D Matrix kodiert.

[46] Anschließend wird der lineare Schattenwurf kalkuliert, da dies das eigentlich zu verwendende Modellbild (Fig. 3) vervollständigt .

Spektrales Transformieren (Erzeugen des LDS)

[47] Eine Ausnutzung der spektralen Transformationen des Originalbereichs bietet diverse Vorteile: • Eine Invarianz zu den Verschiebungen des Objektes im Originalbereich, so entfällt aufwendiges Nachjustieren des Objekts im Modellbild 103 bzgl. Lage im Modellbild 103 und damit verbundener Rechenaufwand.

• Durch einfache punktweise Multiplikationen können Bandpassfilter zur Minimierung der Rauscheinwirkung realisiert werden

• Einfache Richtungsmerkmal-Gewinnung wegen Richtungskorrespondenz im Spektral- und Originalbereich

[48] Das Raumfrequenz spektrum 127 eines Bildes 103, 113, 123 ist im diskreten Fall durch eine diskrete zweidimensionale Fourier-Transformation gegeben (Formel 1.1):

[49] wobei u,v diskrete Werte der Raumfrequenzen, f (x,y) Bildmatrixwerte und M, Ν Anzahl der Zeilen und Spalten darstellen .

[50] Das mathematische Betragsquadrat einer diskreter 2D- Fouriertransformierten liefert das LDS (Formel 1.2) : [51] Durch seine systemtheoretische Eigenschaft ist das 2D Leistungsdichtespektrum als eine Abbildung des Originalbereiches zu den linearen Verschiebungen des Bildobjektes im Originalbereich unter Annahme, dass die Rauschenergie gleich Null ist, invariant.

Extrahieren eines Richtungsbildanteils (Modell/Objekt; Fig. 4)

[52] Aus dem LDS 401 werden im Zuge der Merkmalsvektoraufstellung 419 die 2N Mal im Winkelmaß gleiche Sektoren per 360° radialen Spektralvektoren 417 gewonnen. Jeder dieser Vektoren wird in jeweils M über die Radiale Entfernung gleich breite Abschnitte unterteilt.

[53] Die Abschnittsmittelwerte 415 werden für jedes

Sektorpaar 403 und 403(1) berechnet Dabei wird die Symmetrie-Eigenschaft des Leistungsdichtespektrums eines reellen 2D Bildes ausgenutzt und nur jeweils ein Teil des Sektorenpaares (gegenüberliegende Sektoren 403(1), 403 (1+N) oder geeignete Mittelung beider benutzt.

[54] So reduziert sich die Speichergröße und die defektierungsrelevanten Merkmale werden beibehalten. Diese 1D-Signale haben eine wichtige Eigenschaft: sie stellen annähernd quadrierte Dirichlet Kerne (im Allgemeinen Dirichlet-Kernpakete ) dar, welche der Breite (oder der Beschaffenheit der Abbildung in der transversalen Richtung) des gesuchten Objektes, entsprechen. Korrelation und Signifikanzniveau (Fig. 5)

[55] Anschließend werden die beiden Vektoren (aus jeweils Objektbild 123 und Modellbild 103) zum Berechnen eines Korrelationskoeffizienten r (als Schätzer) herangezogen (Formel 1.3):

[56] Nach J. S. Bendat, A.G. Piersol : Random Data: Analysis and Measurment Procedures, Wiley & Sons, Inc, Los Angeles,

1971 kann die Verteilung einer Zufallsvariablen w, sich wie folgt berechnen lassen (Formel 1.4) :

1 + r

ω = — In

2 1 - r

[57] wobei r die aus Messverfahren gewonnene Korrelationskoeffizientschätzung ist, und w annähernd als normalverteilt mit einem Mittelwert von

1-p

[58] betrachtet werden kann, wobei p der wahre Wert des Korrelationskoeffizients ist Dabei bedeutet p=0 eine Nichtkorrelation . Zudem gilt dann für die Varianz (Formel 1.5) :

[59] wobei N die Größe der Messreihe ist

[60] Davon ausgehend wird als Hypothese überprüft, ob die Annahme, dass der wahre Korrelationskoeffizient gleich Null ist, zutrifft. Dann wird das Intervall der Akzeptanz der Hypothese durch (Formel 1.6)

angegeben .

[61] Nach Dennis V. Lindley, William F. Scott: New Cambridge Statistical Tables, Cambridge University Press 2003 ist das Signifikanzniveau in % und /2- /2- prozentiger Wert der Normalverteilung, diejenige Zahl, die von einer normalverteilten Zufallsvariablen mit der Wahrscheinlichkeit /2 überschritten wird.

[62] Unter Ausnutzung dieses Hypothesentests wird auf einem bestimmten Signifikanzniveau die Hypothese der NichtKorrelation akzeptiert oder abgelehnt, damit ist das gesuchte Objekt detektiert, gleichzeitig wird seine Orientierung im Bild bestimmt.

[63] Dabei in einer diskreten zyklischen

Korrelationskoeffizienten Bildung (Aufstellung einer Korrelationskoeffizienten-Matrix) gleichzeitig nach einem Maximum-Wert oder mehreren maximalen Werten und ihrer Lage gesucht, siehe Fig. 5.

[64] Aufgrund der Symmetrie der Korrelationskoeffizienten- Matrix 507, reicht es aus, lediglich die erste Zeile auszuwerten. Da die Richtung der Längsachse des Modellobjekts bekannt ist, und diese Richtung mit dem 1-ten Sektor des Modellbild LDS 401 korrespondiert, reicht es aus, das aus diesem Sektor hergeleitete 1D-Signal (s. Fig. 4) zur Auswertung heranzuziehen, vgl. zudem mit Fig. 6.

[65] Hier ist die Sektornummer K=l, und die zur Objektlängsachse orthogonale Richtung durch den Winkel φ gegeben. Diese Information ist aus dem Modellbild apriori bekannt .

[66] So reduziert sich die auszuwertende Menge an Korrelationskoeffizienten (siehe Fig.5) auf den

Korrelationskoeffizientenvektor R K i ,i e Ι,.,.,Μ . Mit Formel 1.7 w max

w=arg max(i)

[67] So liefert jedes Korrelationsmaximum nach der Formel 1.7 neben dem Signifikanzniveau (Formel 1.6) und gleichzeitig den Aspektwinkel des so im Originalbild aufgefundenen Objektes bezüglich des Aspektwinkels φ des simulierten Objektes (siehe Fig. 6.)

[68] Im Folgenden wird das Gesamtverfahren nochmal in einzelnen Schritten anhand der Fig. 7 detailliert erläutert :

[69] Aus jeweils dem Modellbild 103 und Messszenenbild 103(1) wird nach Vorverarbeitung und Fourier-Transformation mit anschließender Quadrierung 125 das LDS 127 gebildet. Aus dem LDS 127 werden im Zuge der

Merkmalsvektoraufstellung (LDS 2N Mal per 360° in im Winkelmaß gleiche Sektoren unterteilt, jeder dieser Sektoren in jeweils M über die Radiale Entfernung gleich breite Abschnitte) die jeweils radialen Spektralvektoren 417 wie folgt gewonnen:

Die Abschnittsmittelwerte 415 werden für jedes Sektorpaar 403 und 403(1) (s. Fig.4) berechnet Dabei wird die Symmetrie-Eigenschaft des Leistungsdichtespektrums eines reellen 2D Signals ausgenutzt und nur jeweils ein Teil des Sektorenpaares (gegenüberliegende Sektoren 403(1), 403 (1+N) oder geeignete Mittelung beider benutzt.

Für jedes so gewonnene radiales Spektralvektoren-Paar (radialer Spektralvektor 417 des Modellbild-LDS 417 und N radiale Spektralvektoren 417(1) bis 417 (1+N) des Messszenenbild-LDS ) wird ein Korrelationskoeffizient 162 bestimmt. Anschließend werden eins oder mehrere maximale Korrelationswerte 782 bestimmt und dazu gehörendes radiales Spektralvektoren Paarindex 1 bis N vorgemerkt.

Jeder der maximalen Korrelationskoeffizienten wird nach Signifikanzniveau mittels vorgegebenen Signifikanz-Schranke 166 geprüft und so eine oder mehrere

DefektionsentScheidungen 788 getroffen.

Für jede Detektion aus 788 werden unter Auswertung der im 782 gespeicherten Paarindizien die Objektlagen im Messszenenbild detektierter Objekte (Winkel zwischen der Objekthauptachse und Bildordinate) 786 bestimmt.

Bezugs zeichenliste

101 Parametrisierung und Modellbildgenerierung

103 Modellbild

111 Generierung des Messszenenbildes /Sonarbildes

113 Messszenenbild

121 Vorverarbeitung

123 vorverarbeitetes Modellbild oder Messszenenbild

125 Generierendes 2D-LDS des Modellbildes oder des Messszenenbildes

127 2D-Spektrum des transformierten Modellbildes oder Messszenenbildes

129 Extrahieren des richtungsrelevanten Anteils

131 lD-Vektor (Modellbild)

133 Modellbildmerkmalsvektor

141 lD-Vektor (Objektbild)

143 Messszenenbildmerkmalsvektor

162 Korrelation

164 Korrelationsergebnis (Zahl)

166 Bewerten des Korrelationsergebnisses mittels eines Signifikanzniveaus

401 LDS

403 Integrationssektor

415 Abschnittsmittelwerte

417 1D-Signal

419 Sektorintegration 507 Korrelationsmatrix

517 1. 1D-Signal der Länge M (Objektbild)

527 N. 1D-Signal der Länge M (Objektbild)

537 1. 1D-Signal der Länge M (Modellbild)

547 N. 1D-Signal der Länge M (Modellbild)

561 Korrelationskoeffizienten der Korrelationsmatrix 507

671 synthetisches Objekt (Pipeline)

673 Abszisse

675 Ordinate

771 Objekt im Sonarbild

782 Maximumbestimmung

784 Versatzbestimmung Objekt /Modell

786 Objektlage im Messszenenbild (Winkel zwischen der Objekthauptachse und Bildordinate)

788 DefektionsentScheidung