بخشی از مقاله
خلاصه
یکی از مهمترین نکات جهت تشخیص حضور مانع در تصاویر سونار ، انتخاب روشهای مناسب جهت کاهش نویز، ناحیه-بندی و دستهبندی این تصاویر است. در این تحقیق دادههای خام سیستمهای سونار با دید مستقیم* که مقادیر انرژی پژواک ناشی از امواج صوتی است، بهصورت ماتریس در اختیار ما قرار گرفته است. در مرحلهی پیشپردازش به آمادهسازی این دادهها و ذخیره در 24 بیت پرداختیم و به صورت تصویر نمایش دادیم.
جهت کاهش نویز دادههای خام سونار، فیلتر-هایی مانند میانگین، میانه، گوسین، لی، کوان، گاما-مپ و روشهای پیشنهادی خود را اعمال نمودیم. در روش پیشنهادی به علت حضور ثابت مانع در تصاویر و نویزهای تصادفی، به میانگینگیری و and تصاویر فریمهای متوالی و تشخیص مدل نویز و کاهش آن در تصاویر پرداختیم و با مقایسهی بین روشهای یاد شده و روش پیشنهادی، از طریق معیارهای کاهش نویز، میتوان دریافت روش نام برده، نتایج بهتری داشته و تصاویری با نویز کمتر به دست آمده است و درنهایت به کمک روش آستانه گذاری اتسو، تصاویر را به دو قسمت پسزمینه و پیشزمینه تفکیک نمودیم و به نمایش مانع در تصاویر پرداختیم.
-1 مقدمه
قرنهاست که بشر در فکر غلبه بر فضای تاریک و پر مخاطره اعماق دریاهاست، اما قدرت بینایی چشم غیر مسلح در آبهای آزاد کاملاً شفاف، کمتر از سه متر و در آبهای غیر شفاف حتی کمتر از نیم متر است. برای جبران این نقص از فاکتورهای دیگری که بتواند در آب نفوذ کند و مشخصات محیطی آب دریا را معرفی نماید، استفاده میشود و این فاکتور - صوت - است. امواج صوتی میتوانند تا مسافتهای طولانی در دریا منتشر شوند اما امواج الکترومغناطیسی نمیتوانند از حد مشخصی در آب نفوذ کنند و از طریق ذرات معلق، پلانکتونها و غیره در لایه های سطحی آب جذب شده و به انرژی گرمایی تبدیل میشوند.
در شرایط مختلف، میزان نفوذ صوت در آب مقادیر مختلفی را نشان میدهد، اما علی رغم همه موانع موجود در انتشار امواج صوتی در آب، میتوان از صوت به عنوان یکی از بهترین فاکتورهای کمککننده، در شناسایی محیط زیر آب نام برد .[2-1] کلمه سونار - SONAR - از Sound Navigation And Ranging گرفته شده است و به معنای فاصله یابی و ناوبری صوتی میباشد. این سیستم میتواند از طریق امواج صوتی ارسالی و دریافتی به شناسایی، موقعیتیابی و تعیین سرعت اهداف و یا اشیای غوطهور در زیر آب بپردازد.
از آنجایی که سونار هم در عرصههای تجاری و هم در عرصههای نظامی کاربردهای گوناگونی دارد، ماهیت هدف - Target - متفاوت خواهدبود. شیلات - کشف گلههای ماهی - ، تصویر برداری پزشکی، بازرسی مواد، اکتشافات لرزشی، نقشه برداری از کف دریا، ناوبری کشتی و جلوگیری از برخورد آن به برجستگی های کف دریا ازجمله صخره ها، تخته سنگها و یا تپههای شنی، عمقیابی و بسترشناسی کف دریا از کاربردهای مهم تجاری این سیستم است. همچنین شناسایی، طبقه بندی، بومیسازی و ردیابی زیردریاییها، شناور-های سطحی و یا اژدرها، هدایت سلاح کشف مین، شناسایی موانع و یا خطرات - از جمله یخهای قطبی - ، مخابرات زیر آب و روشهای جنگهای الکترونیکی زیر آب از مهمترین کاربردهای نظامی سونار به شمار میروند
عملکرد سیستمهای سونار مبتنی بر انتشار امواج بین یک هدف و یک گیرنده میباشد . سیستمهای سونار را میتوان به دو دسته سونارهای فعال و غیر فعال دستهبندی نمود. سونارهای غیرفعال هیچ سیگنالی به محیط اطراف خود ارسال نمیکنند و برای شناسایی اهداف به پردازش سیگنالهای صوتی یا نویز تولید شده از آنها، میپردازند .[4] اما در سونارهای فعال، امواج از یک فرستنده به سمت هدف منتشر میشود و بازتاب آن به سمت گیرنده باز میگردد
-2 تاریخچه
در سال 2001 ، استوارت دبلیو پری* و لینگ جوان با اعمال فیلتر میانگین بر سیگنال های ارسالی - پینگ - و کراس کرولیشین به حذف نویز تصاویر برای کاهش اثر درهم برهمی پرداخته اند و برای مجزا کردن اشیا در تصویر، ناحیه بندی تصویر صورت گرفته است. مجموعه ای با 15 ویژگی از هر شی از جمله - سایز اشیا، کنتراست، ویژگی های مرتبط با هیستوگرام درجه دوم و غیره - استخراج شده است. در نهایت از طریق شبکه عصبی به تشخیص مصنوعی یا طبیعی بودن اشیا پرداخته اند
در سال 2008 ، شی ژاو و همکارانش جهت کاهش نویز، از ده تصویر تصویر متوسطی تهیه نمودند و آن را به عنوان تصویر مرجع در نظر گرفتند. با تفاضل هر تصویر با تصویر مرجع و اعمال آستانهگذاری، تصاویر باینری را تشکیل دادند . در مرحلهی بعد با اعمال الگوریتمهای ریختشناسی - عملگر باز کردن و بستن - بر روی تصاویر باینری، سبب کاهش نویز و همین طور شناسایی مرزهای خارجی شی به کمک مختصات تصویر اصلی شدهاند و در انتها مسیر حرکت شی را تخمین زدند
در سال 2011 ، جینبو چن** و همکارانش از فیلتر گابور جهت بهبود تصاویر و شناسایی لبه تصاویر استفاده نموده و پارامترهای خط لوله را از طریق تبدیل هاف محاسبه کردند و برای کاهش جستجو در تصویر و پیش بینی پارامترهای خط لوله از فیلتر کالمن کمک گرفتند .[7] از آنجایی که دستهبندی اشیا از طریق روشهای شبکه های عصبی، سیستم فازی، SVM و غیره انجام می شود و هر کدام از این روش ها معایبی دارند به عنوان مثال روش شبکه های عصبی دارای زمان آموزش طولانی و نرخ همگرایی کند میباشد و یا بنا کردن سیستم فازی پیچیده است و از طرفی قابلیت تشخیص SVM تحت تاثیر پارامترهای خود میباشد و همهی این الگوریتمهای دستهبندی به نویز حساسیت دارند ، در سال 2012 ، مین شی* برای شناخت هدف در زیر آب، استخراج ویژگی و دستهبندی آن از تبدیل S کمک گرفته است. زیرا این نوع دستهبندی - که از تبدیل موجک پیوسته و تبدیل فوریه زمان کوتاه به دست میآید - به نویز حساسیتی ندارد
در سال 2013 ، آنیتا اوماناس و دکتر مالارکان از طریق سونار ساید اسکن، تعدادی تصویر از یک مکان تحت زوایای مختلف تهیه نمودند و به کمک الگوریتمهای DWT و PCA تصویر ترکیبی به دست آوردند. جهت تعیین نواحی سایه و اشیا در تصویر از الگوریتم فازی استفاده نمودند. در مرحله شناسایی شی و تعیین شکل شی، پیکسل-های مرزی که دو ناحیه را به هم متصل کردهاند شناسایی شدند و برای دستهبندی اشیا مانند سنگ، قلوه سنگ، رسوب، شن و غیره از الگوریتم ژنتیک کمک گرفتند
در 2013 کوین جی دیمارکو و همکارانش به شناسایی و ردیابی یک غواص در تصویر سونار با دید مستقیم دو بعدی پرداختند. آنها به کمک روش آستانهگذاری، تصاویر را ابتدا باینری نمودند و برای حذف اشیای ثابت و پایدار در این تصاویر نویزی، به تفاضل پسزمینه پرداختند، تا غواص متحرک قابل شناسایی و ردیابی باشد و در نهایت به کمک عملیات فرسایش و گسترش بر روی تصاویر و تطبیق مسیرهای خوشه مشاهده شده و نمونه های مدل مخفی مارکوف، تصویر را به دستههای غواص و درهم برهمی تقسیم نمودند. این کار سبب تشخیص خودکار و ردیابی یک غواص متحرک از اشیای ثابت در یک تصویر سونار نویزی شد
در سال 2015 ، وانگ لی** و همکارانش به کمک الگوریتمهای مورفولوژی - فرسایش و اتساع - به حذف لکههای کوچک تصاویر تهیه شده از طریق سونار ساید اسکن، پرداختند و از طریق دو مرحلهی فازی C-Mean و آستانهگذاری تطبیقی تصاویر را به دو ناحیهای که شامل هدف و سایهی ناشی از آن میباشد و ناحیهای که شامل این دو نمیباشد تفسیم نمودند و در نهایت به کمک جدولی که ارتباط بین اهداف و سایه ها را مشخص کرده است، به جداسازی سایهها پرداختند
در سال 2015، راجشواری و همکارانش برای شناسایی اشیا از پس زمینه، از میان روشهای متفاوت ناحیهبندی از جمله آستانهگذاری، خوشهبندی، رشد ناحیه، کنتور فعال، لبهیابی و غیره، روش آستانهگذاری را به دلیل سرعت بالای آن انتخاب نمودند. آستانهگذاری دو سطحی - شناسایی شی از پس زمینه - و چندسطحی - تشخیص چند ناحیه - صورت گرفته است. در مرحله آستانهگذاری چندسطحی روشهایی از قبیل تبدیل موجک و الگوریتم ژنتیک، میانگین و واریانس توزیع پیکسلی و آنتروپی انجام شده است که از میان آنها روش آنتروپی بهتر از بقیه شناخته شد
-3 نویز لکه
تصاویر سونار به دلیل ماهیت انسجام پدیدههای پراکندگی، دارای نویز لکه میباشند به همین خاطر فیلترهای حذف نویز لکه، جهت بهینهسازی تصاویر سونار و تشخیص شی در آن ضروری است. از طرفی نتایج حاصل از اعمال این فیلترها ممکن است در یک سنسور با طول موج معین نسبت به دیگری تغییر کند
