بخشی از مقاله
چکیده:
سیستمهای تشخیص اتوماتیک هدف با ATR جهت شناسایی، تشخیص و ردیابی اهداف جنگی پیاده سازی می شوند. یکی از مهمترین سیستم های تشخیه هدف سیستم مبتنی بر پردازش تصویر است. بخشهای اصلی این سیستم شامل تصویر برداری، پیش پردازش، قسمت بندی، توصیف و در نهایت تشخیص و تفسیر می باشد. در این مقاله سعی بر تشخیص شناورها در دریا با استفاده از روشهای آماری تشخیص الگو در تصاویر مرئی می باشد. در الگو ر ينم پیشنهادی، جهت قسمت بندی از تلفیق الگوریتم های دسته بندی آماری EM و K - Means استفاده می کنیم. در مرحله بعد با استفاده از خواص جالب توجه تبدیل فور په سته ، ویژگیهایی از اشیاء استخراج می کنیم که دارای خواص استقلال از شیفت، تغيير مقیاس و تبدیلات باشند. سپس از یک شبکه عصبی MLP جهت طبقه بندی استفاده می کنیم. در انتها پس از ارزیابی مشاهده می شود که بدلیل استفاده از ویژگیهای خوب و شبکه عصبی، الگوریتم قادر خواهد بود با دقت قابل قبولی شناورها را تشخیص دهد.
کلید واژه ها: تشخیص اتوماتیک هدف، تشخیص کشتی،K - Means EM ، شبکه های عصبی
1- مقدمه
تشخیتس هدف بطور اتوماتیک ATR به فرایند آشکار سازی، شناسایی و ردیابی هدف به صورت خودکار با استفاده از پردازش کامپیوتری دنباله های تصویر گفته می شود. برای اولین بار تشخیص هدف بطور اتوماتیک » که از دیده بانی ارتفاع پایین و هدف گیری مادون قرمز برای شب (LANTIRN)، سرچشمه می گیرد در سال ۱۹۸۰ طراحی شد[1]. این سیستم، یک سیستم هوایی مادون قرمز رو به جلو (FLIR) بود که بطور اتوماتیک اهداف مورد نظر را در یک سطح زمینی شناخته شده شناسایی و پیدا می کرد. LANTIRN / ATR تانکها را از نفربرهای موشک انداز ها و دیگر اهداف مهم جدا می کرد. امروزه اغلب تجهیزات جنگی، توانایی تشخیص اتوماتیک هدف را برای عمل روت ستار بوها و صحنه های مختلف از قبیل هوا به زمین، زمین به زمین، سطح به سطح، هوا به هوا و غیره احتیاج دارند. مسأله تشخیص اتوماتیک هدف به اجزاء زیر نیاز دارد: پردازش تصویر"(IP) ، تشخیص الگو (PR) و هوش مصنوعی ( AI. کارهای تحقیقاتی در این سطح از ۳۵ سال پیش شروع شده است و امروزه در حال بهره برداری و پیاده سازی هستند. از جمله الگوریتم های مورد استفاده دراین زمینه، توسط Q. Jaing و Sh . Wang استفاده شد. آنها از تبديل Radon برای شناسایی کشتیها در تصاویر SAR استفاده کردند[۲]. از جمله الگوریتم های دیگر توسط H . Osman و S.D .Blostein پیشنهاد شد. آنها از یک روش احتمالاتی به نام PWTA استفاده کردند[۳]. این روش از یک الگوريتم تكراری برای تخمین مراکز و واریانس دسته ها استفاده می کند و تابع چگالی دسته ها را تخمین می زند. روشهای انجام شده و فقط در تصاویر SAR کارا می باشند . همچنین از روش تشخیص الگوی ساختاری نیز توسط ولی زاده در تشخیص شناورها استفاده شده است. [۴]. در تصاویر ویدئویی بدلیل وجود جزئیات بیشتر، از الگوریتم آماری EM که دارای خواص همگرایی بهتر و سرعت بیشتری است استفاده خواهیم کرد. در این مقاله در بخش ۲ الگوریتم پیشنهادی ارائه می شود و سپس در بخشهای ۳ الی ۸ اجزاء الگوریتم پیشنهادی به ترتیب تحت عناوین پیش پردازش ،EM اصلاح شده، دوسطحی کردن ، استخراج و انتخاب ویژگی کلاسه بندی و آموزش تشریح می گردند. در بخش و الگوریتم پیشنهادی با توجه به نتایج بدست آمده، مورد ارزیابی قرار می گیرد. در پایان نتیجه گیری ارائه می شود.
٢- الگوریتم پیشنهادی در این مقاله، سعی بر این است که شناورها در تصاویر مرئی تشخیص داده شوند. برای این منظور از الگوریتم های تشخیص الگوی آماری جهت تشخیص استفاده می شود. دیاگرام پیشنهادی جهت تشخیص در شكل ۲ آمده است.
٣- پیش پردازش و تصاویر ورودی در بحث تشخیص اهداف بصورت اتوماتیک (ATR) داده های ورودی از سنسورهای مختلفی بدست می آیند. سنسور ها بنا به محدودیتهای ساختی و خواب فیزیکی، خروجیهای مختلفی را تولید می کنند. این سنسورها عبارتند از:Acoustic ، MMW Laser Radar ، FLIR SAR و Visible [۵]. در این مقاله تصاویری از ۶ صحنه دریایی سطح به سطح که با استفاده از دوربینهای ویدئویی سنسور مرئی) گرفته شده اند استفاده می شود. این ۶ صحنه در شکل 1 آمده است.
روال پیش پردازش قبل از پردازش اصلی که محاسبه ویژگی انتخاب ویژگی و کلاسه بندی است. امری لازم و ضروری می باشد. این مرحله برای بهبود وضوح" هدف طراحی می شود و نویز و شلوغی را در تصویر کاهش می دهد. در اینجا از فیلتر گابور جهت پیش پردازش و بهبود کیفیت تصویر استفاده می شود. فیلتر گابور یک فیلتر گو مسی چند جهته است و پارامترهای آن مثل مرکز و واریانس آن قابل تغییر می باشد [۶]. شكل ۳ نتیجه مرحله پیش پردازش را نشان می دهد.
- EM اصلاح شده
EM و K - Means که از جمله الگوریتمهای دسته بندی به شمار می روند، جهت قسمت بندی تصویر استفاده می شوند. الگوریتم EM جهت تخمین توابع چگالی احتمال استفاده می شود. پس از تعیین تابع چگالی احتمال هر کدام از دسته ها که تعداد آنها از قبل معلوم است، داده ورودی (سطوحخاکستری تصویر ورودی) با استفاده از تابع چگالی احتمال شرطی و قانون بیز دسته بندی می شود [۷]. برای پیاده سازی الگوریتم EM باید مقادير اولیه میانگین و واریانس دسته ها مشخص شود. زیرا این الگوریتم به مقادیر اولیه حساس بودهو با مقادیر اولیه مختلف نتایج تغییر خواهد کرد. تعیین این شرایط می تواند یا به صورت اتفاقی (ولی نامساوی با همدیگر) و یا با استفاده از هیستوگرام تصویر باشد. در صورتیکه مقادیر به صورت اتفاقی قرار داده شود ممکن است الگوریتم همگرا نشود. همچنین اگر از هیستوگرام تصویر استفاده شود، بایستی قبل از اجرای الگوریتم، بصورت دستی از روی هیستوگرام محاسبه شوند که آن هم از دقت و سرعت پایینی برخوردار است. برای رفع چنین مشکلی، شرایط اولیه را با استفاده از الگوریتم K- Means بدست می آوریم [۸]. در این روش ابتدا تصویر توسط الگوریتم K- Meansدسته بندی شده و سپس میانگین و واریانس هر دسته به عنوان شرایط اولیه به ورودی الگوریتم EM ارائه می شود. به این الگوریتمEM اصلاح شده گریند[۹]. در این صورت الگوریتم EM کاملا خودکار و با سرعت همگرایی بیشتری تصویر را دسته بندی خواهد کرد. شکل ۴ تصاویر قسمت بندی شده توسط الگوریتم K - Means و EM را نشان می دهد.
5- دو سطحی کردن، بهبود و حذف اطلاعات اضافی
دو سطحی کردن تصویر یعنی تبدیل همه سطوح خاکستری آن به دو سطح. اینکار باعث کاهش حجم محاسبات و سادگی عملیات می شود. در این مرحله تصویر قطعه بندی شده توسط الگوریتم EM اصلاح شده در سطحی می شود به این صورت که فقط قطعه ای از تصویر که شامل کشتی می شود به عنوان شيء و با مقدار او بقیه تصویر به عنوان پس زمینه و با مقدار سفر در نظر گرفته می شود. در این مرحله قطعه با بیشترین واریانس مربوط به موقعیت پیکسلها، حاوی گشتی خواهد بود. شكل هالفت تصویر دو سطحی شده را نشان می دهد. یکی دیگر از روشهای بهبود کیفیت تصویر استفاده از عملگرهای مورفولوژی می باشد. این عملگر ها در تصاویر
دو سطحی شده استفاده می شوند [۱۰]. با استفاده از عملگرهای مورفولوژی مانند انقیان " و باز کردن، تا حد امکان پیکسلهای نقطه ای را حذف و همچنین مرزهای بین نواحي کنار هم را باز می کنیم. در این مرحله چاله های درون مرزهای هسته را نیز با استفاده از همین عملگرها پر می کنیم. شكل ۵-ب اعمال این عملگرها را نشان می دهد.
با توجه به اینکه تعداد نواحی زیاد است، می توان از خواص شکلی تصویر جهت حذف اطلاعات اضافی استفاده کرد. بدین منظور، خط افق تصویر که مرز دريا و آسمان است را پیدا می کنیم. در دو نوع تصویر خط افق را بدست می آوریم بدین صورت که ابتدا تصویر را از میانگین سطوح خاکستری اش کم می کنیم و سپس با استفاده از پنجره Roberts یکبار لبه های تصویر حاصله و یکبار لبه های تصویر دو سطحي شده را پیدا می کنیم [۱۱]. سپس با استفاده از پروفایل عمودی در دو تصویر و پیدا کردن ماکزیمم آن، خط افق برای هر کدام به دست می آید . . تصاویر مربوط به پیدا کردن خط افق و نتایج آن در شکلهای ۶ ولا برای دو صحنه متفاوت نشان داده شده است. در تصاویر شعر و ۷ محور افقی در پروفایل عمودی، سطر های تصویر لبه یابی شده است و محور عمودی تعداد پیکسلها با مقدار ا در هر تصویر می باشد. خط افق در هر تصویر با توجه به پروفایل عمودی، سطر با بیشترین تعداد پیکسلهای ۱ می باشد. خط افق اصلی تصویر، مینیمم دو مقدار بدست آمده خواهد بود. حال تمام اشیائی که بالای خط (5/ -HorizonHorizon ) و پایین خط (5/ Horizon + Horizon ) قرار دارند حذف می شوند. شکل ۸ نتیجه اعمال سطح افق جهت حذف اطلاعات اضافی را نشانمیدهد
حال چند تصویر از صحنه های مختلف را جهت آموزش انتخاب کرده و با استفاده از شبکه آزمایش EM ، دسته بندی شده و پس از دو سطحی شدن و اعمال عملگرهای مورفولوژی، اطلاعات اضافی با استفاده از خط افق حذف می شود. شکل و تصاویر مربوط به این مرحله را نشان می دهد.
