Automatic object detection and segmentation from underwater images via saliency-based region merging

Zhu, Yafei; Chang, Lin; Dai, Jialun; Zheng, Haiyong; Zheng, Bing

doi:10.1109/oceansap.2016.7485598

Cited by 18 publications

(11 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Su altı görüntülerinde insan yapımı nesnelerin tespiti için belirginlik tabanlı bölge birleştirme algoritmaları gibi farklı algoritmalarda geliştirilmiş ve test edilmiştir (Williams & Groen, 2011), (Zhu et al, 2016).…”

Section: Introductionunclassified

Su Altı Görüntülerinden Nesne Tespiti

Kilinç¹,

Metlek²

2021

European Journal of Science and Technology

View full text Add to dashboard Cite

ÖzYeryüzünün büyük bir kısmı sularla kaplıdır. Bu suların büyük bir çoğunluğunu da okyanuslar oluşturmaktadır. Bu kadar çok alanın sularla kaplı olmasına rağmen sualtı görüntüleme ilgili yapılan araştırmalar, yer üstü araştırmaları kadar çok değildir. Su altı araştırmaları ile ilgilenen araştırmacıların yeterli düzeyde görüntüleme yapabilmeleri için kullanmış oldukları görüntüleme cihazları son derece özel ve maliyetli cihazlardır. Bu cihazlarında özellikle maliyetli olması sualtı görüntülemesi ile ilgilinen araştırmacılar için önemli bir engel oluşturmaktadır. Bu nedenle yapılan çalışmada bu durum göz önüne alınarak düşük kapasiteye sahip donanım ve ekipmanlar kullanılarak elde edilen sualtı görüntüleri üzerinden nesne tespit edilmesi amaçlanmıştır. Bu amaç doğrultusunda AQUALOC veri setinde ki düşük çözünürlüklü sualtı görüntüleri ve görüntü işleme algoritmaları kullanılarak, görüntüden nesne tespit işlemi gerçekleştirilmiştir. Çalışma sonunda su altı görüntüleri üzerinden nesne tespiti yapabilecek masaüstü bir yazılım geliştirilmiş olup, tespit ettiği nesnelerin görüntüleri de çalışmada sunulmuştur. Geliştirilen yazılımda minimum hata değerleri olarak MSE, RMSE, MAE ve MAPE hata fonksiyonları için sırasıyla 0.08, 0.09, 0.28 ve %16 olarak elde edilmiştir. Çalışmanın gerçek zamanlı alınabilecek görüntüler üzerinde de uygulanabilir nitelikte olması sualtı araştırmaları ile ilgilenen araştırmacılar içinde oldukça önem arz etmektedir. Bununla birlikte çalışma deniz tabanından geçirilen petrol boru hattı gibi enerji hatları ile diğer iletişim hatlarının güvenliklerini sağlamak amacıyla kullanılan insansız sualtı araçlarında da kullanılabilecektir. Çalışma bu yönü ile de önümüzdeki dönemlerde de geliştirilebilecek bir yapıya sahiptir.

show abstract

Section: Introductionunclassified

Su Altı Görüntülerinden Nesne Tespiti

Kilinç¹,

Metlek²

2021

European Journal of Science and Technology

View full text Add to dashboard Cite

show abstract

“…As an extension to this method, an updated model was proposed by combining a number of low-complexity but moderately accurate color feature detectors [13,14]. Moreover, saliency detection methods have been introduced to initially identify the region of underwater objects [15][16][17][18][19]. e problem is obvious, as common image features are possibly nonsalient owing to the light attenuation effect.…”

Section: Object Detection From Underwater Imagesmentioning

confidence: 99%

Optical Prior‐Based Underwater Object Detection with Active Imaging

Shen

Chen

et al. 2021

Complexity

View full text Add to dashboard Cite

Underwater object detection plays an important role in research and practice, as it provides condensed and informative content that represents underwater objects. However, detecting objects from underwater images is challenging because underwater environments significantly degenerate image quality and distort the contrast between the object and background. To address this problem, this paper proposes an optical prior-based underwater object detection approach that takes advantage of optical principles to identify optical collimation over underwater images, providing valuable guidance for extracting object features. Unlike data-driven knowledge, the prior in our method is independent of training samples. The fundamental novelty of our approach lies in the integration of an image prior and the object detection task. This novelty is fundamental to the satisfying performance of our approach in underwater environments, which is demonstrated through comparisons with state-of-the-art object detection methods.

show abstract

“…Zhu et al proposed an underwater object detection method based on the discriminative regional feature integration. In this method, three features, including regional contrast, regional property, and regional background descriptors, are jointly used to establish a comprehensive saliency map for underwater images [18].…”

Section: A Underwater Object Segmentationmentioning

confidence: 99%

Underwater Object Segmentation Integrating Transmission and Saliency Features

Chen

Sun

et al. 2019

IEEE Access

View full text Add to dashboard Cite

Various types of knowledge and features have been explored for level set-based segmentation. On the ground, the prior knowledge and carefully-designed features perform well to identify the foregroundbackground contrast, which improves the performance of the segmentation method for complicated and distorted data. However, this is not the case for underwater environments, since the features available on the ground are not suitable for challenging underwater environments. Thus, underwater image segmentation currently lags behind ground-based segmentation. In this paper, novel cues and a suitable model formulation for object segmentation from underwater images are proposed. We consider the special haze effect over underwater images and extract an informative feature (transmission feature) from haze condensation. The saliency feature is also used for underwater object segmentation. Consequently, in our method, the objectbackground difference can be presented by these features on two levels, i.e., the edge-level transmission and region-level saliency features. These two types of features are integrated into a unified level set formulation to propose a solution that handles the challenging issues in underwater object segmentation. The experimental comparisons of our method with other methods comprehensively demonstrate the satisfactory performance of our method.

show abstract

Automatic object detection and segmentation from underwater images via saliency-based region merging

Cited by 18 publications

References 10 publications

Su Altı Görüntülerinden Nesne Tespiti

Su Altı Görüntülerinden Nesne Tespiti

Optical Prior‐Based Underwater Object Detection with Active Imaging

Underwater Object Segmentation Integrating Transmission and Saliency Features

Contact Info

Product

Resources

About