آمار

تعداد نشریات36
تعداد شماره‌ها1,191
تعداد مقالات8,575
تعداد مشاهده مقاله6,906,372
تعداد دریافت فایل اصل مقاله3,972,139
سید مروستی, فرشته السادات, نصیری, مهدی, موسوی میرکلایی, سید محمد رضا. (1396). آشکارسازی اهداف کوچک در حال پرواز در تصاویر مادون قرمز مبتنی بر تبدیل Top-Hat تطبیقی. پدافند الکترونیکی و سایبری, 5(3), 11-25.
فرشته السادات سید مروستی; مهدی نصیری; سید محمد رضا موسوی میرکلایی. "آشکارسازی اهداف کوچک در حال پرواز در تصاویر مادون قرمز مبتنی بر تبدیل Top-Hat تطبیقی". پدافند الکترونیکی و سایبری, 5, 3, 1396, 11-25.
سید مروستی, فرشته السادات, نصیری, مهدی, موسوی میرکلایی, سید محمد رضا. (1396). 'آشکارسازی اهداف کوچک در حال پرواز در تصاویر مادون قرمز مبتنی بر تبدیل Top-Hat تطبیقی', پدافند الکترونیکی و سایبری, 5(3), pp. 11-25.
سید مروستی, فرشته السادات, نصیری, مهدی, موسوی میرکلایی, سید محمد رضا. آشکارسازی اهداف کوچک در حال پرواز در تصاویر مادون قرمز مبتنی بر تبدیل Top-Hat تطبیقی. پدافند الکترونیکی و سایبری, 1396; 5(3): 11-25.

آشکارسازی اهداف کوچک در حال پرواز در تصاویر مادون قرمز مبتنی بر تبدیل Top-Hat تطبیقی

پدافند الکترونیکی و سایبری
مقاله 2، دوره 5، شماره 3، آبان 1396، صفحه 11-25    اصل مقاله (1.28 M)
نویسندگان
فرشته السادات سید مروستی1؛ مهدی نصیری2؛ سید محمد رضا موسوی میرکلایی* 1
1دانشکده مهندسی برق، دانشگاه علم و صنعت ایران
2دانشگاه جامع امام حسین (ع)
تاریخ دریافت: 04 آبان 1395،  تاریخ بازنگری: 30 تیر 1403،  تاریخ پذیرش: 28 شهریور 1397 
چکیده
آشکارسازی و ردیابی خودکار اهداف کوچک در تصاویر مادون‌قرمز از اهمیت زیادی در جهان مدرن برخوردار است. تبدیل Top-Hat دسته مهمی از تبدیل‌های غیرخطی ریخت شناسی است که کاربردهای گسترده‌ای در آشکارسازی و ردیابی اهداف در تصاویر مادون‌قرمز دارد. مهم‌ترین مسئله در بهبود کارایی تبدیل‌‌ Top-Hat، به‌کارگیری المان‌ساختاری متناسب با SNR هر تصویر است. از آن جایی که تصاویر دارای کلاتر و اهداف متفاوتند، استفاده از المان‌ساختاری با ابعاد و شکل ثابت برای تصاویر با SNRهای مختلف در بسیاری از موارد نمی‌تواند به آشکارسازی دقیق اهداف منجر شود. در این مقاله به منظور آشکارسازی دقیق اهداف در تصویر مادون قرمز، الگوریتم ژنتیک پیوسته برای دست‌یابی به المان‌ساختاری تطبیقی پیشنهاد شده است که مقادیر هر یک از پیکسل‌های المان آن منطبق با ویژگی‌های پس‌زمینه و هدف است. نتایج ارزیابی‌های کمی و کیفی بر روی تصاویر مادون‌قرمز واقعی نشان می‌دهد که روش پیشنهادی در مقایسه با روش‌های دیگر بر پایه ریخت شناسی با المان‌ساختاری ثابت و تطبیقی، دارای نسبت سیگنال به کلاتر (SCR) و ضریب تضعیف پس‌زمینه (BSF) به‌مراتب بالاتری است و هشدار‌های کاذب کمتری تولید می‌کند.
کلیدواژه‌ها
آشکارسازی اهداف؛ تبدیل ریخت شناسی؛ تبدیل Top-Hat؛ تصاویر مادون‌قرمز؛ الگوریتم‌ ژنتیک و المان‌ساختاری تطبیقی
مراجع
  1. R. Xia, J. Zhao, B. Hui, Z. Chang, and G. Zhou, “A simple and efficient saliency extraction method based on multi-scale horizon-directional filter for infrared dim small target detection,” Pattern Recognition and Computer Vision, vol. 8004, pp. 978-989, 2011.
  2. S. D. Deshpande, M. H. Er, V. Ronda, and P. Chan, “Max-mean and max-median filters for detection of small-targets,” Proc. SPIE, vol. 3809, pp. 74–83, 1999.
  3. P. A. French, J. R. Zeidler, and W. H. Ku, “Enhanced detectability of small objects in correlated clutter using an Improved 2-D adaptive lattice algorithm,” IEEE Transactions on Image Processing, vol. 6, no. 3, pp. 383-397, 1997.
  4. M. Nasiri, M. R. Mosavi, and S. Mirzakuchaki, “Infrared dim small target detection with high reliability using saliency map fusion,” IET Image Processing, vol. 10, no. 7, pp. 524-533, 2016.
  5. X. Bai, “Morphological center operator for enhancing small target obtained by infrared imaging sensor,” International Journal for Light and Electron Optics, vol. 125, no. 14, pp. 3697-3701, 2014.
  6. X. Qin, Y. Zhao, K. Yang, and H. Wang, “Research on IR small target detection and background suppression,” IEEE International Conference on Information Theory and Information Security (ICITIS), pp. 80-83, 2010.
  7. C. E. Charlene, J. Silverman, and J. M. Mooney, “Optimization of point target tracking filters,” International Journal of Signal Processing, Image Processing and Pattern Recognition, vol. 8, no. 11, pp. 255-264, 2015.
  8. S. Kim, “Min-local-LoG filter for detecting small targets in cluttered background,” IEEE Conference on Image and Signal Processing, pp. 105-106, 2011.
  9. H. Deng, Y. T. Wei, and M. W. Tong, “Small target detection based on weighted self-information map,” Infrared Physics & Technology, vol. 60, pp. 197-206, 2013.
  10. J. Wu, S. Huang, H. Kang, and Y. Zhong, “Fusion Detection Algoritm for Infrared Dim Target based on Temporal – Spatial Domain Accumulation and Difference,” IEEE Transactions on Aerospace and Electronic Systems, vol. 36, no. 1, pp. 15-25, 2000.
  11. Z. Peng, X. Hu, and J. Lu, “The research of dual-band IR imaging information processing,” SPIE Multispectral Image Acquisition and Processing, pp. 356-366, 2010.
  12. F. Zhao, H. Lu, Z. Zhang, and S. Xiao, “Complex background suppression based on fusion of morphological open filter and nucleus similar pixels bilateral filter,” Infrared Physics & Technology, vol. 55, no. 6, pp. 454-461, 2012.
  13. R. Saran and A. K. Sarje, “Robust Long Range Target Detection Algorithm using Adaptive Selective Top-Hat Transform,” IEEE International Conference on Image Information Processing (ICIIP), pp. 1-5, 2012.
  14. H. Lee, S. Kima, J. H. Leea, W. Choia, D. Parka, C. Nohb, and N. Kangc, “Development of a demeaning filter for small object detection in infrared images,” Polarimetric and Infrared Processing for Automatic Target Recognition, pp. 688-697, 2009.
  15. J. Wang and D. Gao, “Improved morphological Top-Hat filter optimized with genetic algorithm,” IEEE Conference on Image and Signal Processing, pp. 17-28, 2009.
  16. W. Ming, W. Zhen, L. Ying, and W. Yun, “IR image signature of target detection based on the morphology filter with self-adaptive optimized genetic algorithms,” International Symposium on Photoelectronic Detection and Imaging, vol. 7383 , no. 3, pp. 85-93, 2009.
  17. Z. Shao, X. Zhu, and J. Liu, “Morphology infrared image target detection algoritm optimized by genetic theory,” International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, pp. 1299-1304, 2008.
  18. S. Kim, Y. Yang, J. Lee, and Y. Park, “Robust scale invariant small target detection using the Laplacian scale-space theory,” SPIE Signal and Data Processing of Small Targets, vol. 14, no. 21, pp. 57-66, 2010.
  19. H. B. Srivastava, V. Kumar, H. K. Verma, and S. S. Sundaram, “Image preprocessing algorithms for detection of small/point airborne targets,” Defense Science, vol. 59, no. 2, pp. 166-174, 2009.
  20. X. Bai and F. Zhou, “Infrared small target enhancement and detection based on modified Top-Hat transformations,” Computers & Electrical Engineering, vol. 36, no. 6, pp. 1193–1201, 2010.
  21. C. Hong and S. Longhe, “The Optimized Design and Application of circular Morphological Filter,” IEEE Transactions on Aerospace and Electronic Systems, vol. 3, pp. 761 - 767, 2009.
  22. N. Yu, C. Y. Wu, and F. M. Li, “Automatic target recognition in infrared image using morphological genetic filtering algorithm,” IEEE Transactions on Aerospace and Electronic Systems, vol. 2, pp. 1251-1254, 2003.
  23. S. Kim, Y. Yang, J. Lee, and Y. Park, “Small target detection utilizing robust methods of the human visual system for IRST,” Journal Infrared Milli Terahz Waves, vol. 30, pp. 994-1011, 2009.
  24. Y. F. Gu, C. Wang, B. X. Liu, and Y. Zhang, “A kernel-based nonparametric regression method for clutter removal in infrared small-target detection applications,” IEEE Conference on Image and Signal Processing, pp. 469-473, 2010.
آمار
تعداد مشاهده مقاله: 1,026
تعداد دریافت فایل اصل مقاله: 211