Automated texture-based recognition of corals in natural scene images

Blanchet, Jean-Nicola (2016). Automated texture-based recognition of corals in natural scene images. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (20MB) | Prévisualisation
Prévisualisation	PDF Télécharger (893kB) | Prévisualisation

Résumé

Current coral reef health monitoring efforts rely on biodiversity data. Although cutting-edge imaging technology enables reliable and automatic collection of such data, simple RGB digital photography in combination with manual image annotation remains a popular solution. Unlike other acquisition methods, close range visible light imaging yields detailed species and surface coverage data, and requires cheaper equipment. Moreover, images acquired in the last few decades are limited to mere RGB photographs or analog VHS video, and contain important data for long term analysis. Unfortunately, manual expert labeling has become problematic due to the high volume of images and the lack of human resources available. Consequently, coral reef biodiversity data currently available is based mostly on small sample analysis. Previous automatic benthic image annotation systems have yielded unsatisfactory results compared to human performance for the same task. This is partly due to the high diversity of complex textures found in these images. We hypothesize that these complex textures require different features to be properly characterize. Motivated by the need for an improved automated benthic image annotation system, this work proposes a new approach based on a combination of multiple state-of-the art texture recognition methods. Firstly, methods to correct and enhance images will be investigated. Secondly, various state-of-the-art texture features will be used to overcome the texture diversity challenge: many statistical features, local binary patterns, textons, vector-quantized Scale-Invariant Feature Transform (SIFT) using the Improved Fisher Vector (IFV) method, Deep Convolutional Activation Feature (DeCAF), amongst others. Thirdly, a multi-classifier fusion method is proposed to efficiently aggregate the information from these multiple texture representations using a score-level fusion. Fourthly, rejection will be applied to further enhance accuracy. The results on the AIMS dataset (Australian Institute of Marine Science) and MLC2008 (Moorea Labeled Corals 2008) containing respectively 75 825 and 131 260 coral texture patches show that the proposed multi-classifier fusion method outperforms any other single method for the task of benthic image labeling.

Titre traduit

Reconnaissance de texture appliquée à l'annotation automatisée de coraux dans des images de scènes naturelles

Résumé traduit

Les méthodes actuelles de suivi de la santé des récifs coralliens dépendent de données sur la biodiversité. Bien que les méthodes de pointes permettent une collecte automatisée et fiable de telles données, la simple photographie RVB en combinaison avec l’annotation manuelle des images reste une solution populaire. Contrairement aux autres méthodes d’acquisition, l’imagerie de près dans le spectre visible contient de l’information détaillée par rapport aux espèces et à leur occupation du substrat marin, en plus de rester la solution la moins couteuse. De plus, les images acquises dans les quelques dernières décennies sont limitées à de simples photographies RVB ou vidéos VHS analogues, et contiennent des données importantes pour les analyses historiques. Malheureusement, l’annotation manuelle par l’expert n’est plus viable due au volume élevé d’images acquises et à la faible disponibilité des ressources humaines. En conséquence, les données disponibles sur la biodiversité des récifs coralliens pour les dernières décennies sont généralement basées sur l’analyse de petits échantillons. Les systèmes d’annotation automatisés d’images benthiques proposés ont menés à des résultats insatisfaisants en comparaison à la performance de l’humain pour la même tâche. Ceci est dû en parti à la haute diversité de textures complexes trouvées dans ces images. On pose l’hypothèse que ces textures complexes nécessitent différentes caractéristiques afin d’être bien représentés. Motivé par le besoin d’un système amélioré d’annotation automatisé d’images benthiques, ce travail propose une nouvelle approche basée sur une combinaison de plusieurs méthodes de pointes utilisées dans le domaine de la reconnaissance de textures. Premièrement, la correction et l’amélioration de l’image seront explorées. Deuxièmement, diverses caractéristiques issues de la littérature de pointe seront mises à l’essai : des caractéristiques statistiques, les motifs binaires locaux, les textons, le descripteur SIFT quantifié via IFV (vecteur de Fisher amélioré) et le descripteur DeCAF (caractéristiques d’activation convolutionnelle profonde), parmis tout d’autres. Troisièmement, une méthode de fusion via de multiple séparateurs à vaste marge (SVM) faisant l’agrégation de l’information provenant de ces multiples représentations de textures sera proposée via une fusion par score. Quatrièmement, un seuil de rejet sera appliqué pour améliorer davantage les performances. Les résultats sur la base de données AIMS (Australian Institute of Marine Science) et MLC2008 (Moorea Labeled Corals 2008) contenant respectivement 75 825 et 131 260 points annotés démontre que la méthode de fusion multi-classifieur proposée performe mieux que tout autre approche basée sur un seul ensemble de caractéristiques pour la tâche d’annotation automatisé d’images benthiques.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment of the requirements for master in automation engineering". Bibliographie : pages 107-110.
Mots-clés libres:	Récifs et îles de coraux. Analyse d'images. Reconnaissance optique des textures. Traitement d'images Techniques numériques. annotation, automatisation récifs coralliens, scène naturelle, étiquettes, approche multi-classifieur, caractéristiques, rejet
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Landry, Jacques-André
Programme:	Maîtrise en ingénierie > Génie de la production automatisée
Date de dépôt:	26 avr. 2017 18:05
Dernière modification:	15 janv. 2018 21:07
URI:	https://espace.etsmtl.ca/id/eprint/1877

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt