دوره 18، شماره 3 - ( 10-1400 )
جلد 18 شماره 3 صفحات 160-147 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mahmoodzadeh A. Marine Target Detection in Noisy Infrared Images using a Hybrid Recognition Algorithm. JSDP 2021; 18 (3) :147-160
URL: http://jsdp.rcisp.ac.ir/article-1-1061-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1061-fa.html
محمودزاده آذر. کشف اهداف دریایی در تصاویر حرارتی نوفهای با استفاده از یک الگوریتم بازشناسی ترکیبی. پردازش علائم و داده‌ها. 1400; 18 (3) :147-160
دانشگاه آزاد اسلامی، واحد شیراز
چکیده: (1942 مشاهده)
سامانه‌های حمل و نقل دریایی بخش مهمی از ترابری جهانی را شامل می‌شوند. سامانه‌های نظارتی در صنایع دریانوردی و کشف اهداف دریایی از اهمیت به‌سزایی در کاربردهای نظامی و تجاری برخوردار است. افزایش روزافزون ترابری دریایی موجب علاقه پژوهش‌گران به توسعه روش‌های نظارتی هوشمند در زمینه ترابری دریایی شده است. به‌دلیل وجود کلاترها، مه و گرد و غبار در دریا، تصاویر حرارتی نسبت به تصاویر مرئی در این زمینه، از کارایی و دقت تشخیص بالاتری برخوردار هستند. در این مقاله، یک روش برای کشف اهداف دریایی در تصاویر نوفهای حرارتی ارائه شده است. روش پیشنهاد‌شده شامل دو مرحله آشکارسازی خط افق در تصویر و سپس کشف اهداف است. ابتدا خط افق با استفاده از روش بیشینه‌‌گیری از تصویر گرادیان و برازش خط آشکار، سپس یک ناحیه مشخص برای جستجوی اهداف دریایی حول خط افق انتخاب میشود. محدود‌کردن ناحیه جستجو باعث افزایش سرعت روش پیشنهادی و کاهش هشدارهای کاذب میشود. در مرحله دوم، ناحیه انتخابی بلوک‌بندی میشود و از هر بلوک تعدادی ویژگی استخراج میشود. این ویژگی‌ها به چندین دسته‌بند متعارف داده و نتایج آنها به یک تصمیم‌ساز فازی نوع دوم بازه‌ای داده میشود تا با ترکیب این نتایج در مورد تعلق بلوک به ناحیه هدف یا پس‌زمینه تصمیم‌گیری نهایی را انجام دهد؛ در‌نهایت اهداف مورد نظر از تجمیع این بلوک‌ها و حذف موارد ناخواسته کشف می‌شوند. مقادیر شاخصه‌های ارزیابی دقت، صحت و فراخوان سیستم پیشنهادی روی پایگاه داده به‌ترتیب 59/97%، 19/96% و 92/97% بوده که نسبت به سایر روش‌های مقایسه شده، مقادیر بالاتری را گزارش داده است. نتایج به‌دست‌آمده نشان می‌دهد که در روش پیشنهادی، خط افق با حجم محاسباتی کم و با دقت خوبی آشکار شده و در‌نهایت اهداف دریایی مورد نظر با دقت بالایی کشف می‌شوند.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش تصویر
دریافت: 1398/5/27 | پذیرش: 1400/2/20 | انتشار: 1400/10/30 | انتشار الکترونیک: 1400/10/30
دریافت: 1398/5/27 | پذیرش: 1400/2/20 | انتشار: 1400/10/30 | انتشار الکترونیک: 1400/10/30
فهرست منابع
1. [1] Jiao J, Lu H, Wang Z, Zhang W, Qi L. "L0 Gradient Smoothing and Bimodal Histogram Analysis: A Robust Method for Sea-sky-line Detection", InProceedings of the ACM Multi-media Asia, 2019 Dec 15, pp. 1-6 [DOI:10.1145/3338533.3366554]
2. [2] Li F, Zhang J, Sun W, Jin J, Li L, Dai Y, "Sea-sky line detection using gray variation differences in the time domain for unmanned surface vehicles", Signal, Image and Video Processing, no.8, pp.1-8, 2020. [DOI:10.1007/s11760-020-01733-0]
3. [3] B. Wang, Y. Su and L. Wan, "A sea-sky line detection method for unmanned surface vehicles based on gradient saliency," Sensors, vol. 16, no. 4, pp. 543, 2016. [DOI:10.3390/s16040543] [PMID] [PMCID]
4. [4] I. Lipschutz, E. Gershikov and B. Milgrom, "New methods for horizon line detection in infrared and visible sea images," Int. J. Comput. Eng. Res, vol. 3, no. 3, pp. 1197-1215, 2013.
5. [5] Zhu M, Liu B, Wang M, Lu Y. Design and Analysis of Switch Median Filters for Salt and Pepper Noise. InAdvances in Graphic Communication, Printing and Packaging 2019 (pp. 220-226). Springer, Singapore. [DOI:10.1007/978-981-13-3663-8_31]
6. [6] Abdallah MB, Malek J, Azar AT, Belmabrouk H, Monreal JE, Krissian K, "Adaptive noise-reducing anisotropic diffusion filter", Neural Computing and Applications, vol.1;27(5), pp.1273-300. 2016 [DOI:10.1007/s00521-015-1933-9]
7. [7] Z. C. Wang, "A bilateral filtering based image de-noising algorithm for night time infrared monitoring images," in International Con-ference on Computational Science and Compu-tational Intelligence, pp. 199-203, 2014.
8. [8] Bartyzel K. Adaptive kuwahara filter. Signal, Image and Video Processing. 2016 Apr 1;10(4):663-70. [DOI:10.1007/s11760-015-0791-3]
9. [9] Z. Liu, C. Sun, X. Bai and F. Zhou, "Infrared ship target image smoothing based on adaptive mean shift," International Conference on Digital lmage Computing: Techniques and Applications, Nov201, pp.425-27.
10. [10] L. Dong, D. Ma, G. Qin, T. Zhang,W. Xu, "Infrared target detection in backlighting maritime environment based on visual attention model", Infrared Physics & Technology, no,1, pp. 193-200, 2019. [DOI:10.1016/j.infrared.2019.04.018]
11. [11] W.Yang, H. Li, J. Liu, S. Xie, J. Luo , "A sea-sky-line detection method based on Gaussian mixture models and image texture features", International Journal of Advanced Robotic Systems,2019 Dec ;16(6):1729881419892116. [DOI:10.1177/1729881419892116]
12. [12] X. Bai, F. Zhou, Y. Xie, T. Jin, "Adaptive morphological method for clutter elimination to enhance and detect infrared small target," International Conference on Internet Comput-ing in Science and Engineering, pp. 47 - 52, 2008. [DOI:10.1109/ICICSE.2008.28]
13. [13] X. Chen and Y. Wang, "Detection of low contrast targets based on lifting scheme wavelet transform," International Conference on Mechatronics and Automation, pp. 4349 - 4354, 2009.
14. [14] X. Bai and F. Zhou, "Analysis of new top-hat transformation and the application for infrared dim small target detection," Pattern Recog-nition, pp. 2145-2156, 2010. [DOI:10.1016/j.patcog.2009.12.023]
15. [15] X. Kong, L. Liu, Y. Qian and M. Cui, "Automatic detection of sea-sky horizon line and small targets in maritime infrared imagery," Infrared Physics & Technology, pp. 185-199, 2016. [DOI:10.1016/j.infrared.2016.01.016]
16. [16] H. Deng, X. Sun, and X. Zhou, "A multiscale fuzzy metric for detectingsmall infrared targets against chaotic cloudy/sea-sky backgrounds," IEEE Trans. Cybern., vol. 49, no. 5, pp. 1694-1707, May 2019. [DOI:10.1109/TCYB.2018.2810832] [PMID]
17. [17] L. Zhang, L. Peng, T. Zhang, S. Cao, and Z. Peng, "Infrared small tar-get detection via non-convex rank approximation minimization jointl2,1norm," Remote Sens., vol. 10, no. 11, p. 1821, 2018. [DOI:10.3390/rs10111821]
18. [18] P. Du and A. Hamdulla, "Infrared moving small-target detection usingspatial-temporal local difference measure," IEEE Geosci. Remote Sens.Lett., vol. 17, no. 10, pp. 1817-1821, Oct. 2020 [DOI:10.1109/LGRS.2019.2954715]
19. [19] S. Kim, "Analysis of small infrared target features and learning-based false detection removal for infrared search and track," Pattern Analysis and Applications, vol. 17, no. 4, pp. 883-900, 2014. [DOI:10.1007/s10044-013-0361-7]
20. [20] Scherreik MD, Rigling BD. Open set recognition for automatic target classification with rejection. IEEE Transactions on Aerospace and Electronic Systems. 2016 May 26;52(2):632-42. [DOI:10.1109/TAES.2015.150027]
21. [21] R.O. Duda, P.E. Hart, and D.G. Stork, Pattern classification, John Wiley & Sons, 2012.
22. [22] J. Gou, H. Ma, w. Ou, S. Zeng, Y. Rao, H. Yang , A generalized mean distance-based k-nearest neighbor classifier. Expert Systems with Applications. 2019 Jan 1;115:356-72. [DOI:10.1016/j.eswa.2018.08.021]
23. [23] M. Bilal, MS. Hanif, "High performance real-time pedestrian detection using light weight features and fast cascaded kernel SVM classification", Journal of Signal Processing Systems, vol.19, pp.117-29, 2019. [DOI:10.1007/s11265-018-1374-7]
24. [24] M. Khishe, A. Safari , "Classification of sonar targets using an MLP neural network trained by dragonfly algorithm", Wireless Personal Communication, vol.1, pp.2241-60, 2019. [DOI:10.1007/s11277-019-06520-w]
25. [25] Z. Liu, X. Bai, C. Sun, F. Zhou, Y. Li , "Multi-modal ship target image smoothing based on adaptive mean shift", IEEE Access, vol. 18;6, pp. 12573-86, 2018. [DOI:10.1109/ACCESS.2018.2794141]
26. [26] W. Xiao, A. Zaforemska, M. Smigaj, Y. Wang, R. Gaulton, "Mean shift segmentation assessment for individual forest tree delineation from airborne lidar data", Remote Sensing, vol. 11(11), pp.1263, 2019. [DOI:10.3390/rs11111263]
27. [27] P. Melin , E.Ontiveros-Robles ,CI. Gonzalez, JR. Castro, O. Castillo, "An approach for parameterized shadowed type-2 fuzzy membership functions applied in control applications", Soft Computing, vol.1, no-.23(11), pp.3887-901, 2019. [DOI:10.1007/s00500-018-3503-4]
28. [28] V. Gandhi, V. Mendiratta, S. Thakur, Ms. Choudhry, "Morphological Operations For denoising of White Gaussian Noise Corrupted MR Images", In2020 International Con-ference on Electronics and Sustainable Co-mmunication Systems (ICESC), 2020 Jul 2 ,pp. 228-234. [DOI:10.1109/ICESC48915.2020.9155936] [PMID]
29. [29] L. Ltti, C. Koch and E. Niebur, "A model of saliency-based visual attention for rapid scene analysis," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 11, pp. 1254 - 1259, 1998. [DOI:10.1109/34.730558]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
