Unsupervised Detec/on of Bow Echoes in Dual Polariza/on - - PowerPoint PPT Presentation

Unsupervised ¡Detec/on ¡of ¡Bow ¡ Echoes ¡in ¡Dual ¡Polariza/on ¡Radar ¡ Data ¡

Ma<hew ¡Wiesner, ¡Joseph ¡Hardin, ¡V. ¡ Chandrasekar ¡

Project ¡Mo/va/on ¡

• Facilitate ¡historical ¡

radar ¡data ¡lookup ¡

– Search ¡by ¡feature ¡not ¡by ¡ date ¡

• Adap/ve ¡Radar ¡Sensing ¡
• Prior ¡work ¡separates ¡

radar ¡segmenta/on ¡ from ¡feature ¡ iden/fica/on ¡

– This ¡work ¡a<empts ¡to ¡ integrate ¡both ¡fields ¡

Methodology: ¡Outline ¡

• Segmenta/on ¡(Lakshmanan) ¡+ ¡Feature ¡

Detec/on ¡

• 1. Grid ¡Radar ¡Data ¡(Image) ¡
• 2. Compute ¡texture ¡vectors ¡at ¡each ¡image ¡pixel ¡
• 3. Use ¡k-­‑means ¡algorithm ¡and ¡flood-­‑fill ¡for ¡

hierarchical ¡segmenta/on ¡

• 4. Principal ¡Components ¡Analysis ¡(PCA) ¡and ¡2nd ¡
• rder ¡polynomial ¡for ¡feature ¡detec/on ¡

Texture ¡

• Textures ¡in ¡Radar ¡ ¡

– Computed ¡in ¡a ¡7x7 ¡neighborhood ¡ – Txy ¡= ¡{mean, ¡variance, ¡coefficient ¡of ¡varia/on, ¡skewness, ¡ kurtosis, ¡homogeneity, ¡contrast} ¡ ¡

Texture: Mean

50 100 150 20 40 60 80 100 120 140 160 180 Mean 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Texture: Variance

50 100 150 20 40 60 80 100 120 140 160 180 Variance 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Texture: Coefficient of Variation

50 100 150 20 40 60 80 100 120 140 160 180 Coefficient of Variation 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Texture: Skew

50 100 150 20 40 60 80 100 120 140 160 180 Skew 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Texture: Kurtosis

50 100 150 20 40 60 80 100 120 140 160 180 Kurtosis 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Texture: Homogeneity

50 100 150 20 40 60 80 100 120 140 160 180 Homogeneity 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Texture ¡Segmenta/on ¡

• Formal ¡method ¡of ¡forming ¡textures ¡by ¡k-­‑means ¡

clustering ¡(Lakshmanan): ¡

– Pixels ¡should ¡be ¡clustered ¡based ¡on ¡their ¡texture ¡ values ¡as ¡done ¡on ¡the ¡previous ¡slide ¡ – Pixels ¡should ¡be ¡clustered ¡based ¡on ¡a ¡Markov ¡ assump/on ¡that ¡adjacent ¡pixels ¡will ¡be ¡members ¡of ¡ the ¡same ¡texture ¡ – A ¡pixel ¡is ¡assigned ¡to ¡the ¡cluster ¡which ¡minimizes ¡a ¡ cost ¡func/on ¡that ¡accounts ¡for ¡both ¡of ¡the ¡above ¡

Texture ¡Segmenta/on ¡

• Results ¡of ¡k-­‑means ¡clustering ¡for ¡5 ¡textures ¡

5 Quantizations

50 100 150 20 40 60 80 100 120 140 160 180 Quantizations 1 2 3 4 5 6

Radar Image: July 7, 2010 1:01:38 :Downsampling Factor = 4

50 100 150 200 250 300 350 400 450 500 50 100 150 200 250 300 350 400 450 500

dBZ

• 10

10 20 30 40 50 60 70

Finest Level of Image Segmentation

20 40 60 80 100 120 140 160 180 20 40 60 80 100 120 140 160 180

R egions

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47

Segment ¡Merging ¡

• Next ¡highest ¡level ¡of ¡segmenta/on ¡hierarchy ¡
• Merge ¡Segments ¡in ¡order ¡of ¡texture ¡space ¡proximity ¡

Second Level of Image Segmentation

20 40 60 80 100 120 140 160 180 20 40 60 80 100 120 140 160 180

R egions

1 2 3 4 5 6 7 8 9

Radar Image: July 7, 2010 1:01:38 :Downsampling Factor = 4

50 100 150 200 250 300 350 400 450 500 50 100 150 200 250 300 350 400 450 500

dBZ

• 10

10 20 30 40 50 60 70

Candidate ¡Segments ¡

• Which ¡segments ¡are ¡candidate ¡bow ¡echoes? ¡

– Segments ¡should ¡have ¡a ¡high ¡mean ¡reflec/vity ¡ – Segments ¡should ¡not ¡be ¡too ¡small ¡ – Examine ¡each ¡level ¡in ¡the ¡hierarchical ¡ segmenta/on ¡for ¡candidate ¡segments ¡

Chosen Segments from Most Detailed Segmentation Level

dBZ

• 10

Chosen Segments from Next Most Detailed Segmentation Level

20 40 60 80 100 120 140 160 180 20 40 60 80 100 120 140 160 180

dBZ

• 10

10 20 30 40 50 60 70

Bow ¡Echo ¡Condi/ons ¡

• Segment ¡must ¡be ¡LINEAR ¡

– One ¡large ¡eigenvalue ¡of ¡covariance ¡matrix ¡(PCA) ¡

• Segment ¡must ¡have ¡no/ceable ¡CURVATURE ¡

– Rela/vely ¡high ¡weight ¡of ¡2nd ¡order ¡term ¡in ¡quadra/c ¡fit ¡ ¡

• Segment ¡must ¡have ¡an ¡ARC ¡LENGTH ¡longer ¡than ¡20km ¡
• The ¡THICKNESS ¡to ¡length ¡ra/o ¡of ¡the ¡segment ¡must ¡be ¡

low ¡

– A ¡measure ¡of ¡“noise” ¡around ¡a ¡skeleton ¡of ¡the ¡bow ¡echo ¡

• If ¡these ¡condi/ons ¡are ¡met, ¡a ¡bow ¡echo ¡is ¡detected ¡

Bow ¡Echo ¡Detec/on ¡

• Example ¡of ¡Linear, ¡Non-­‑Bow ¡Echo ¡Storm ¡

¡Curvature ¡= ¡0.0162 ¡ ¡ ¡ ¡ ¡ ¡ ¡Linearity ¡= ¡0.94 ¡

¡arc ¡length ¡= ¡162.0088 ¡

¡

x km y km

Principal Components Analysis on a Radar Image Segment

• 150
• 100
• 50

50 100 150

• 150
• 100
• 50

50 100 150

Gaussian Fit Segment Data Points Direction of Maximum Variance

• 100
• 50

50 20 40 60 80 100 120

Curvature and Arc Length on Radar Image Segment

X' km Y' km Segment Data Points Skeleton 2nd Order Fit

Bow ¡Echo ¡Detec/on ¡

• A ¡successfully ¡detected ¡bow ¡echo ¡meets ¡all ¡of ¡the ¡previous ¡

requirements ¡as ¡in ¡the ¡example ¡shown ¡below ¡

• 45
• 40
• 35
• 30
• 25
• 20
• 15
• 10
• 5

20 25 30 35 40 45 50

X' km Y' km

Bow Echo Segment from July 29, 1997 Bow Echo Event at 3:07:34

Segment Data Points Skeleton 2nd Order Fit

Performance ¡

• Algorithm ¡run/me ¡scales ¡poorly ¡with ¡resolu/on ¡which ¡

limits ¡accuracy ¡

• Down-­‑sampling ¡factor ¡depends ¡on ¡the ¡size ¡of ¡the ¡range ¡

gates ¡(4 ¡for ¡1 ¡km, ¡15 ¡for ¡0.25 ¡km) ¡ ¡

• Run/me/scan ¡<= ¡1 ¡min ¡

True ¡Posi/ve ¡Rate: ¡89.6% ¡ False ¡Posi/ve ¡Rate: ¡6.13% ¡ False ¡Nega/ve ¡Rate: ¡1.04% ¡

True ¡Posi/ve ¡Rate: ¡78% ¡ False ¡Posi/ve ¡Rate: ¡3.07% ¡ False ¡Nega/ve ¡Rate: ¡2.19% ¡

True ¡Nega/ve ¡Rate ¡: ¡ ¡89.8% ¡ False ¡Posi/ve ¡Rate ¡ ¡: ¡10.2% ¡ False ¡Posi/ve ¡Rate ¡in ¡ ¡ Thunderstorms: ¡ ¡28.2% ¡ ¡

¡

Performance ¡

• Op/mizing ¡performance ¡
• True ¡Posi/ve ¡Rate ¡is ¡between ¡70 ¡– ¡90% ¡depending ¡on ¡parameter ¡

values ¡

• False ¡Posi/ve ¡Rate ¡can ¡be ¡up ¡to ¡30% ¡
• Run/me ¡per ¡scan ¡is ¡<= ¡1 ¡minute ¡
• ROC ¡curves ¡indicate ¡reasonable ¡results ¡for ¡1rst ¡past ¡classifier ¡
• Temporal ¡analysis ¡yields ¡more ¡accuracy, ¡and ¡can ¡be ¡used ¡to ¡give ¡

confidence ¡margins ¡ ¡

Future ¡Work ¡

• Acceptable ¡preformance ¡but… ¡

– Improved ¡detec/on ¡with ¡more ¡sophis/cated ¡ algorithms ¡(Hough ¡Transform ¡for ¡parabola ¡ detec/on) ¡ – Algorithm ¡can ¡be ¡used ¡to ¡create ¡a ¡training ¡corpus ¡

• f ¡bow ¡echoes ¡for ¡use ¡in ¡supervised ¡detec/on ¡

– Algorithm ¡may ¡run ¡much ¡quicker ¡if ¡op/mized ¡for ¡ speed ¡