New insights into image analysis applied to beach grain­size 

variability 

I. Bosnic (1, 2), H. Sousa (3), J. P. Cascalho (4), R. Taborda (2), M. Ribeiro (1, 2) e C. Lira (3) 

(1)  Instituto Hidrográfico, Rua das Trinas, 49, 1249­093 Lisboa. ibosnic@fc.ul.pt (2)  Instituto Dom Luiz, Universidade de Lisboa, Campo Grande, 1749­016 Lisboa (3)  Centro de Geologia da FCUL, Campo Grande, 1749­016 Lisboa (4)  Museu Nacional de História Natural (UL), Rua da Escola Politécnica 56/58, 1250­102 Lisboa 

 

Abstract: In the last years, image analysis emerged as an efficient tool to perform sediment textural analysis.  This  work  aims  to  improve  and  simplify  both  image  acquisition  (in­situ)  and  processing techniques  of  beach  textural  data,  supporting  the  study  of  the  textural  variability.  Research  efforts have  focused on  the development of  a  simplified  lightweight hardware  (SAND BOX©) and on  the adaptation  of  an  autocorrelation  based  software  algorithm  that  can  process  a  large  set  of  images expeditiously.    As  a  final  product,  it  was  created  a  standard  procedure  that  provides  the  sediment median grain­size directly  from  the acquired  images without any  type of calibration. The validation process shows that the median grain sizes obtained from image analysis are highly correlated with the sieving results (R2=0.90 using 169 samples), which attests the method reliability. 

Keywords: median grain size, image analysis, autocorrelation, validation 

 1.  INTRODUCTION 

Image analysis (IA) has been successfully applied to the  study  of  grain­size  analysis  and  has  become  an efficient  tool  to  perform  this  task  expeditiously  on unconsolidated sediments  (Carbonneau et al., 2004; Buscombe et al, 2008; Pina and Lira, 2009; Rubin et 

al.,  2010).  As  this  technique  can  be  applied  in  the field, it provides not only almost real­time grain­size analysis but can also extend the conditions where the use of grain­size analysis is performed. In fact, since the  requirements  for  sediment  sampling  are  no longer needed it is possible to measure grain­size at the bed surface (the part that interacts directly with a flow), thus replacing the greased­plate technique for sampling only surficial sediment. Other advantage is to  make  possible  to  measure  vertical  profiles  in grain­size  at  a  sub­millimeter  resolution  (Rubin, 2004).  The  first  generations  of  image  analysis  methods, using digital images, were designed to be automated. These algorithms (e.g. Butler et al., 2001; Sime and Ferguson,  2003;  Graham  et  al.,  2005)  use  image segmentation  and  thresholding  which  give  a  robust estimate  of  grain  size  distributions  for  coarse gravels.  However,  problems  remain  with  these methods,  such  as  those  related  with  segmenting grains  from  samples  containing  a  large  range  of colors  and  minerals.  Due  to  this  restriction,  Rubin (2004) proposed a new method for estimating grain­size  based  on  the  spatial  distribution  of  image intensity  (spatial  autocorrelation).  The  author suggested  that,  throught  the  use  of  careful calibration  correlograms  for  images  containing known  sediment  sizes,  reliable  estimates  of  mean grain­size  could  be  found  by  comparing  the correlogram  from  a  sample  image  with  the calibration catalogue, through a simple least­squares 

problem.  The  technique  has  been  validated  for  use on  sand­sized  sediment  by  Rubin  et  al.  (2007)  and Barnard et al. (2007). Nevertheless, the application of  this autocorrelation method still have limitations because it  relys on the necessary  calibration  catalogues,  on  a  high­cost device  for  taking  standardized  sediment  images (Chezar  and  Rubin,  2004;  Rubin  et  al.,  2007)  and also  on  the  lack  of  consistency  of  the  developed algorithm to obtaining grain­size distribution curves. In order to overcome the limitations outlined above, this  work  describes  an  improved  methodology, designed to obtain exclusively the median grain­size (D50) of sandy samples in the field, without the need of  any  type  of  calibration.  This  procedure  includes both  image  acquisition  and  processing  techniques (for  surficial  images  and  vertical  sequences)  and targets portability and usability.  

2.  METHODS 

2.1. Hardware development 

This  stage  consisted on  the development of  an  “in­house”  image  acquisition  system  (SAND  BOX©) where  a  compact  14  megapixels  digital  camera  is attached to a portable wooden box at a fixed distance from the sediment (7.5 cm). The device is equipped with  a  LED  illumination  system  that  aims  a homogeneous light distribution over the target area. The  SAND  BOX©  is  made  by  two  modules.  The upper one contains the camera holder outside and the LED lights inside and it is used for acquiring images from surficial sediment (Fig. 1 A). Within the lower module there is a support for a PVC core that, after being  sectioned,  slide between  the  two modules  for obtaining  a  succession  of  images  from  the  vertical sediment sequence (Fig. 1 B). 

275

Lisboa, 20, 21 e 22 de junho de 2012

 

 

Fig. 1. SAND BOX. A) Upper module. B) Lower module 

 

2.2. Software development 

Image  processing  was  based  on  the  algorithm 

proposed  by  Barnard  et  al.  (2007),  which  has  been 

improved, mainly, in what concerns the computation 

of  the sediment median grain­size without any  type 

of calibration and the adaptation of the algorithm to 

analyze images acquired from vertical sequences. 

To  allow  the  computation  of D50 directly  from 

sediment  images without the  need  of  calibration 

catalogues, a  conceptual  model  that  relates  the  lag 

size  or  offset  (associated  with  a  predefined 

autocorrelation  value)  with  the  sediment  median 

grain­size  was  developed.  To  define  the  optimal 

autocorrelation value  it was performed a systematic 

analysis  of  several  autocorrelation  curves  from 

various  sieved  grain­size  fractions.  This  analysis 

revealed  that  the  best  discrimination  between  grain 

size  fractions  is  found  when  the  autocorrelation  is 

equal to 0.5. Independently, Buscombe et al. (2010) 

also found a similar relation on their work.   

The  software  development  started  with  the 

autocorrelation  computation  of  images  from  the 

sieved  fractions.  Then,  the  obtained offsets  and  the 

corresponded  sieving  median  grain  sizes  have 

supported the creation of the following model:      

              D50= 0.0204 × offset1.2982                Eq. 1 

A fluxogram  representing the  algorithm  of  this 

model is shown in figure 2 . 

The  Matlab®  scripts  are  freely  available  on 

http://sandcode.fc.ul.pt/ImageAnalysis.html. 

 

Fig.  2.  Work  flowchart  representing  the  software  development 

and  its  application  in  order  to obtain  the  sample  median  grain­

size (D50). 

2.3  Method  extension  to  sedimentary  vertical 

sequences 

For  analyzing  images  from  vertical  sediment 

sequences,  the  same existing algorithm was  revised 

in  order  to  create  a  specific  routine  to  this  kind  of 

samples.  

In the IA process of vertical sediment sequences, the 

images are firstly cut to restrict the target area to be 

filled  with  sediment.  After  that,  the  autocorrelation 

computation is made for each set of 32 lines (pixels) 

using a moving average. As a  final  result  a median 

grain­size  value,  for  each  centimeter  layer,  is 

obtained. Vertical resolution was chosen considering 

sample  representativeness  and  the  scale  at  which 

beach  sedimentary  processes  occur  (Bosnic  et  al., 

2011). However,  the  layer  thickness  to be analyzed 

is  totally  flexible  and  depends  only  on  the  digital 

camera resolution.  

A 

B 

276

2.as Jornadas de Engenharia Hidrográfica

The  figure  3  shows  the  IA  process  applied  to  the 

analysis of a short beach core.  

 

Fig.  3.  Example  of  image  analysis  of  a  small  core  performed  at 

the beach face.  

3.  VALIDATION 

Method  validation  was  supported  by  a  set  of  169 

samples of beach sediment collected in the scope of 

a  coastal  monitoring  program  being  developed  for 

the coast under the jurisdiction of the Administração 

da Região Hidrográfica do Tejo, I.P. (Andrade et al. 

2010).  The  sampling  was  conducted  in  order  to 

collect  sediment only  from  the most  surficial  layer. 

These  samples  were  sieved  and  photographed  in 

laboratory.  The  acquired  images  were  processes 

according  to  the  model  application  descripted  on 

figure  2.  After  that,  both  median  grain  size  results 

were represented on a scatterplot (Fig.4). 

 

Fig.  4.  Scatterplot  of  169  median  grain  sizes  obtained  throught 

image analysis and sieving (R2 = 0.90). 

The  method  validation  revealed  an  excellent 

correlation  between  the  image  analysis  and  sieving 

results, with a determination coefficient (R2) of 0.90 

and a standard error of the estimate (SEE) of 0.2  .  

Nevertheless, within the scatter plot we can observe 

that  some  samples  are  anomalously  deviated  from 

the trend line. The  deviated  samples  were  identified  and  its 

statistical  parameters  obtained  from  sieving  data 

were  analyzed  in  order  to  inspect  if  there  is  any 

relation  between  sediment  sorting  and  the  error  of 

the  image  analysis  method.  Non­systematic  visual 

observation  showed  that  samples  with  high 

deviations were often poorly sorted . Based on that, 

both  grain­size  parameters  were  represented  in  a 

scatterplot (Fig. 5).  

 

Fig. 5. Scatterplot of absolute deviation between sieved and image 

analysis D50 and the sorting coefficient. 

As expected,  there  is a positive correlation between 

both  sorting  and  the  absolute  deviation,  so  the 

proposed  method  performs  better  in  moderate  to 

moderate well­sorted sediments. Futher investigation 

is  needed  to  improve  method  application  to  poorly 

sorted sediments. 

4.  CONCLUSIONS 

This  work  describes  a  low­cost  technique  for 

studying  the  textural  variability  of  sandy  beach 

environments.  Hardware  improvement  consisted  on 

the  development  of  a  portable,  low­cost,  image 

analysis device that allows the acquisition of images 

from  both  vertical  sequences  and  horizontal  in­situ 

sediments.  Concerning  software  development, 

several  adaptations  were  carried  out  into  existing  

algorithms  that  optimize  and  simplify  image 

processing.  The  major  advantage  of  the  new 

algorithm  is  related  to  the  fact  that  it  does  not 

require any kind of calibration. 

Method validation was based on  the  comparison of 

the  median  grain­size  obtained  through  image 

analysis and standard sieving methods, using a set of 

169  sediment  samples.  Results  show  a  high 

determination  coefficient  (0.90)  between  both 

methods which attest  the  reliability of  the proposed 

methodology.  

Acknowledgements 

This  work  was  undertaken  as  part  of  the  project 

Beach  Sand  Code  (PTDC/CTE­GEX/64592/2006). 

The authors would like to thank the CISML program 

for the availability of data which was fundamental in 

this article.  

277

Lisboa, 20, 21 e 22 de junho de 2012

REFERENCES 

Andrade  C,  Marques  F,  Taborda  R,  Freitas  MC, Silveira  T,  Antunes  C,  Barata  A,  Rosa  T, Fortunato  AB,  Oliveira  A,  Marques  da  Silva  J, Cabral  H,  Brotas  V,  Correia  O,  Branquinho  C. (2010).  Sistema  de  Monitorização  no  Litoral  na Área  de  Actuação  da  ARH  do  Tejo.  Revista 

InfoTejo, 9, Novembro, 1 ­ 10. 

Barnard,  P.  L.,  D.  M.  Rubin,  J.  Harney,  and  N. Mustain  (2007),  Field  test  comparison  of  an autocorrelation  technique  for  determining  grain­sizeusing  a  digital  ‘beachball’  camera  versus traditional methods, Sedimentary. Geology., 201, 180–195. 

Bosnic,  I.,  Cascalho,  J.,  Taborda,  R.,  Ribeiro,  M., Oliveira,  A.,  Rodrigues,  A.,  Lira,  C.,  (2011). Textural  characterization  of  the  beach  active layer. Journal of Coastal Research, SI 64, 40­44. 

Buscombe,  D.,  G.  Masselink,  and  D.  M.  Rubin (2008).  Granular  properties  from  digital  images of  sediment:  Implications  for  coastal  sediment transport  modelling.  Coastal  Engineering, Proceedings of the 31st International Conference on Coastal Engineering,   vol. 2, pp. 1625–1637, World Sci., London 

Buscombe,  D.,  Rubin,  D.M.,  Warrick,  J.A.  (2010). A  universal  approximation  of  grain­sizefrom images  of  non  cohesive  sediment.  Journal  of 

Geophysical Research, 115, F02015. 

Butler,  J.B.,  Lane,  S.N.  And  Chandler,  J.H.  (2001) Automated  extraction  of  grain­size  data  from gravel  surfaces  using  digital  image  processing for  hydraulic  research,  Journal  of  Hydraulic 

Research, v. 39, p. 1–11 

Carbonneau,  P.E.;  Lane,  S.N.;  Bergeron,  N.E. (2004).  Catchment‐ scale  mapping  of  surface grain­sizein  gravel‐bed  rivers  using  airborne digital  imagery.  Water  Resources  Research,  40, W07202. 

Chezar,  H.,  Rubin,  D.M.,  (2004).  Underwater Microscope System. United States Patent Office, The United States of America as  represented by the  Secretary  of  the  Interior,  US  Patent  No. 6,680,795 B2, 9 pp 

Graham,  D.  J.,  S.  P.  Rice,  and  I.  Reid  (2005),  A transferable  method  for  the  automated  grain sizing  of  river  gravels,  Water  Resour.  Res.,  41, W07020. 

Pina,  P.  and  Lira,  C.    (2009).  Sediment  image analysis  as  a  method  to  obtain  rapid  and  robust size measurements. Journal of Coastal Research, SI 56, 1562 – 1566. 

Rubin,  D.M.  (2004).  A  simple  autocorrelation algorithm for determining grain­size from digital 

images  of  sediment.  Journal  of  Sedimentary 

Research 74 (1), 160–165.  

Rubin,  D.M.,  Chezar,  H.,  Harney,  J.N.,  Topping, D.J.,  Melis,  T.S.,  Sherwood,  C.R.  (2007). Underwater  microscope  for  measuring  spatial and  temporal  changes  in  bed­  sediment  grain size. Sedimentary Geology 202 (3), 402–408 

Rubin,  D.M.,  Topping,  D.J.,  Chezar,  Henry,  Hazel, J.E.,  Schmidt,  J.C.,  Breedlove,  Michael,  Melis, T.S.,  and  Grams,  P.E.  (2010).  20,000  grain­size  observations from the bed of the Colorado River, and  implications  for  sediment  transport  through Grand  Canyon.  Federal  Interagency 

Sedimentation Conference, 9th, Las Vegas, Nev., June 27­July 1, Proceedings. 

Sime, L. C., and R. I. Ferguson (2003), Information on grain sizes in gravel­bed rivers by automated image analysis, Journal. Sedimentary. Research., 73, 630–636. 

 

278

2.as Jornadas de Engenharia Hidrográfica