بهبود اهداف کوچک در تصاویر مادون قرمز با استفاده از آنتروپی وزن‌دار آماری

نویسندگان

1 دانشگاه جامع امام حسین (ع)

2 پژوهشگر مدعو، دانشگاه جامع امام حسین (ع)

3 دانشگاه شاهرود

چکیده

بهبود اهداف کوچک در تصاویر مادون‌قرمز یکی از مهمترین مسائل در سامانه‌های آشکارسازی و ردیابی اهداف می‌باشد. الگوریتم-های بهبود اهداف، امکان تفکیک دقیق‌تر بین پیکسل‌های نواحی پس‌زمینه و اهداف را در تصاویر مادون‌قرمز فراهم می‌آورد. در این مقاله، روش جدید آنتروپی وزن‌دار آماری جهت تضعیف کلاترهای پس‌زمینه و افزایش کنتراست بین اهداف و کلاتر پس‌زمینه پیشنهاد شده است. از بهترین راه‌ها برای بیان مشخصات شدت روشنایی تصویر، استفاده از آنتروپی محلی است. در نتیجه، آنتروپی وزن‌دار آماری مطابق با این واقعیت طراحی شده است که پیکسل‌های شامل اهداف کوچک، باعث تغییرات عمده‌ای در مقدار آنتروپی وزن‌دار آماری در پنجره‌های محلی تصویر مادون‌قرمز می‌گردد و براحتی می‌توان پیکسل‌های هدف و پس‌زمینه را از هم تفکیک نمود. در مرحله اول، آنتروپی وزن‌دار آماری هر پنجره محلی متناظر با هر پیکسل از تصویر محاسبه می‌شود. در پایان این مرحله، شدت روشنایی کلاترهای پس‌زمینه تا حد زیادی تضعیف گردیده و پیکسل‌های هدف بهبود می‌یابند. در مرحله بعد، از یک ضریب بهبود خودکار به منظور برجسته‌تر شدن اهداف و ایجاد کنتراست بیشتر بین ناحیه هدف و کلاترهای پس‌زمینه، استفاده می‌شود. به منظور ارزیابی کیفی و کمی، الگوریتم پیشنهادی بر روی مجموعه‌ای از تصاویر مادون‌قرمز شامل 30 تصویر با پس‌زمینه‌های مختلف و پیچیده، مورد آزمایش قرار گرفت. نتایج نشان می‌دهد که روش پیشنهادی بخوبی می‌تواند با تضعیف کلاتر پس‌زمینه، باعث بهبود ناحیه هدف گردد و در نتیجه احتمال آشکارسازی و ردیابی اهداف را بیشتر نماید.

کلیدواژه‌ها


enhancement and detection based on modified top-hat transformations,” Computers and Electrical Engineering, pp. 1193-1201, 2010.
Z. Chaofu, M. Li-ni, and J. Lu-na, “Mixed Frequency domain and spatial of enhancement algorithm for infrared image,” in International Conference on Fuzzy Systems and Knowledge Discovery, 2012.
M. Tang, S. Ma, and J. Xiao, “Model-based adaptive enhancement of far infrared image sequences,” Pattern Recognition, vol. 21, pp. 827–835, 2000.
R. Zheng, J. Hong, and Q. Liao, “Study of Infrared Image Enhancement Algorithm in Front End,” in Advances in Computer Science, Environment, Ecoinformatics, and Education, Springer Berlin Heidelberg, pp. 416-422, 2011.
C. Cafer, J. Silverman, and J. Mooney, “Optimization of point target tracking filters,” IEEE Trans Aerospace Electronic System, vol. 36, no. 1, pp. 15–25, 2000.
S. Deshpande, H. E. Meng , V. Ronda, and P. Chan, “Max-mean and max-median filters for detection of small targets,” Proc. SPIE, vol. 3809, pp. 74-83, 1999.
S. Leonov, “Nonparametric method for clutter removal,” IEEE Trans Aerospace & Electronic Systems Society, vol. 37, no. 3, pp. 832 - 848, 2001.
Y. Gu , C. Wang, B. Liu, and Y. Zhang, “A Kernel-Based Nonparametric Regression Method for Clutter Removal in Infrared Small-Target Detection Applications,” IEEE Geoscience And Remote Sensing Letters, vol. 7, no. 3, pp. 469 - 473, 2010.
T.-W. Bae, “Spatial and temporal bilateral filter for infrared small target enhancement,” Infrared Physics & Technology, vol. 63, pp. 42-53, 2014.
H. Deng, J. Liu, and Z. Chen, “Infrared small target detection based on modified local entropy and EMD,” Chinese Optics Letters, vol. 8, no. 1, pp. 24–28, 2010.
X. Qu, H. Chen, and G. Peng, “Novel detection method for infrared small targets using weighted information entropy,” Journal of Systems Engineering and Electronics, vol. 23, no. 6, pp. 838–842, 2012.
H. Deng and J. Liu, “Infrared small target detection based on the self-information map,” Infrared Physics & Technology, vol. 54, pp. 100–107, 2011.
C. Yang, J. Ma, M. Zhang, S. Zheng, and X. Tian, “Multiscale facet model for infrared small target detection,” Infrared Physics & Technology, vol. 67, pp. 202–209, 2014.
X. Shao, H. Fan, G. Lu, and J. Xu, “An improved infrared dim and small target detection algorithm based on the contrast mechanism of human visual system," Infrared Physics & Technology, vol. 55, pp. 403–408, 2012.
X. Sun, W. Hou, Q. Yu, X. Liu, and Y. Shang, “Small infrared target detection using frequency-spatial cues in a single image,” Journal of Electronic Imaging, vol. 23, no. 4, pp. 043003-1- 043003-10, 2014.
S. Qi, D. Ming, J. Ma, X. Sun, and J. Tian, “Robust method for infrared small-target detection based on Boolean map visual theory,” Optical Society of America, vol. 53, no. 18, pp. 3929-3940, 2014.
X. Bai, “Morphological infrared image enhancement based on multi-scale sequential toggle operator using opening and closing as primitives,” Infrared Physics & Technology, vol. 68, pp. 143–151, 2015.
S. Qi, J. Ma, H. Li, S. Zhang, and J. Tian, “Infrared small target enhancement via phase spectrum of quaternion Fourier transform,” Infrared Phys. Technol., vol. 62, pp. 50–58, 2014.
B. Zhu and Y. Xin, “Effective and robust infrared small target detection with the fusion of polydirectional first order derivative images under facet model,” Infrared Physics & Technology, vol. 69, pp. 136–144, 2015.
T. Bae, F. Zhang, and I. Kweon, “Edge directional 2D LMS filter for infrared small target detection,” Infrared Phys. Technol., vol. 55, no. 1, pp. 137–145, 2012.
L. Yang, Y. Zhou, J. Yang, and L. Chen, “Variance WIE based infrared images processing,” Electronics Letters, vol. 42, no. 15, pp. 857-859, 2006.
F. Zhang, C. Li, and L. Shi, “Detecting and tracking dim moving point target in IR image sequence,” Infrared Phys. Technol., vol. 46, pp. 323–328, 2005.
X. Bai, S. Zhang, B. Du, Z. Liu, T. Jin, B. Xue, and F. Zhou, “Survey on dim small target detection in clutter background:wavelet, inter-frame and filter based,” Procedia Engineering, vol. 15, pp. 479 – 483, 2011.
Z. Cao, Y. Ge, and F. Feng, “Fast target detection method for high-resolution SAR images based on variance weighted information entropy,” Advances in Signal Processing, 2014.
M. Varma and A. Zisserman, “Texture classification: are filter banks necessary?,” in IEEE Conference on Computer Vision and Pattern Recognition, 2003.
S. Mirmahdavi, A. Ahmadyfard, A. Shahraki, and P. Khojasteh, “A Novel Modeling of Random Textures Using Fourier Transform for Defect Detection,” in Computer Modelling and Simulation, Cambridge, 2013.
S. Fine, J. Navratil, and R. Gopinatth, “A Hybrid GMM/SVM Approach to Speaker Identification,” ICASSP, 2001.
W. Zhang, M. Cong, and L. Wang, “Algorithms for optical weak small targets detection and tracking: review,” in Neural Networks and Signal Processing, Nanjing, 2003.
C. Hilliard, “Selection of a clutter rejection algorithm for real-time target detection from an airborne platform,” in Proc. SPIE 4048, Signal and Data Processing of Small Targets, 2000.