Infrared small target detection based on the Particle swarm optimization algorithm

Document Type : Research Article

Authors

1 Dept. of Computer Engineering, Faculty of Industry and Mining, University of Sistan and Baluchestan, Khash, Zahedan, Iran

2 Dept. of Mathematics, University of Bojnord, Bojnord, Iran

Abstract

One of the most important parts of infrared search and tracking systems is image processing, which detects the targets in infrared images. In this paper, a new infrared small target detection algorithm is proposed. The proposed method uses heuristic optimization algorithms to find small targets in infrared images. In this way, the particle swarm optimization algorithm is used as one of the best heuristic optimization algorithms. The performance of the proposed algorithm is evaluated using real and simulated infrared images. These images include a variety of false response sources like high-intensity edges, cloudy background, complex sea-sky background, and a target close to high-intensity background clutter. The experimental results are compared with the four common methods of infrared small target detection. The experimental results show the effectiveness and performance of the proposed algorithm. Also, the runtime of the proposed method is comparable to other commonly used methods, and this makes it usable in real-time programs.

Keywords

Full Text

1- مقدمه[1]

سامانه‌های جستجوگر و ردیاب مادون قرمز، یکی از ابزارهای مهم در صنایع نظامی محسوب می‌شوند. این سامانه‌ها از تشعشع مادون قرمز اهداف برای آشکارسازی و ردیابی آنها استفاده می‌کنند. با پیشرفت جنگ الکترونیک و افزایش توانایی در ایجاد اختلال و اغتشاش در سامانه‌های راداری الکترومغناطیسی، توجه به جستجوگرهای غیرفعال همچون سامانه‌های جستجوگر و ردیاب مادون قرمز افزایش چشمگیری یافته است.

یکی از مهم‌ترین اجزای سامانه‌های جستجوگر و ردیاب مادون قرمز، بخش پردازش تصویر است که وظیفة آن پردازش تصاویر مادون قرمز برای آشکارسازی اهداف مدنظر است. آشکارسازی اهداف در این سامانه‌ها، مشکلات و پیچیدگی‌های خاصی دارد. وجود این چالش‌ها در کنار اهمیت استفاده از آن، آشکارسازی اهداف در تصاویر مادون قرمز را به یکی از موضوعات جذاب برای پژوهشگران تبدیل کرده است؛ به‌گونه‌ای‌که الگوریتم‌های فراوانی در این زمینه ارائه شده‌اند [1].

دیدگاه آشکارسازی مبتنی بر تخمین پس‌زمینه، یکی از عمومی‌ترین دیدگاه‌های موجود برای آشکارسازی اهداف نقطه‌ای است [2-4]. سادگی و کارایی نسبتاً بالا در آشکارسازی از ویژگی‌های این روش به شمار می‌روند. در این روش‌ها معمولاً از یک فیلتر برای پیش‌بینی یا تخمین پس‌زمینه استفاده می‌شود. سپس، پس‌زمینة تخمین‌زده‌شده از تصویر اصلی تفریق می‌شود و نقاط کاندیدای هدف به دست می‌آیند.

فیلترهای حداقل میانگین مربعات، میانگین، میانه و ریخت‌شناسی فیلترهایی‌اند که پس‌زمینه را تخمین می‌زنند. در [5] روشی برای آشکارسازی اهداف در تصاویر مادون قرمز با استفاده از فیلتر حداقل میانگین مربعات دوبعدی معرفی شده است. در این مطالعه تصاویر ابتدا با یک فیلتر گوسی هموار شده است و سپس فیلتر حداقل میانگین مربعات دوبعدی به کار گرفته می‌شود. تخمین پس‌زمینه برپایه عملگر‌های ریخت‌شناسی ازجمله روش‌هایی بودند که در سال‌های اخیر شایان توجه قرار گرفته‌اند [6]. روشی برای آشکارسازی اهداف مبهم در تصاویر دیجیتال مادون قرمز در [7] برپایه پردازش تصویر ریخت‌شناسی ارائه شده است. همچنین روشی برای تخمین پس‌زمینه مبتنی بر تحلیل مؤلفه‌های پایه‌ای در [8] پیشنهاد شده است. علاوه بر توانایی‌های فیلترینگ، روش ارائه‌شده، توابع همبستگی مکانی - زمانی و چگالی طیفی توان مجموعه داده‌های اصلی را به دست می‌آورد. همچنین، یک مقیاس زمانی تعریف می‌شود که به نویز حسگر تصویربردار تخصیص یافته است. با استفاده از الگوریتم ارائه‌شده تلألؤ خورشید می‌تواند حذف شود. در [9,10] نیز تخمین پشت‌زمینه با استفاده از تحلیل مؤلفه‌های پایه‌ای صورت گرفته است.

یکی دیگر از تکنیک‌های یافتن اهداف کوچک در تصاویر مادون قرمز بهبود مستقیم هدف است. هدف اصلی در روش‌های مبتنی بر بهبود هدف، طراحی یک عملگر فیلتری است که قادر به حذف پس‌زمینه و بهبود هدف به‌صورت همزمان باشد. در [11] روشی برپایه سیستم بینایی انسان برای آشکارسازی هدف ارائه شده است. در این روش اهداف کوچک به‌صورت گوسی مدل شده‌اند و با استفاده از نمایش فضای مقیاس لاپلاسین گوسی اقدام به آشکارسازی هدف می‌شود. همچنین در [12] یک روش دیگر مبتنی بر مدل‌سازی اهداف به‌صورت گوسی ارائه شده است. در این زمینه روش دیگری برپایه آستانه‌گذاری وفقی و رشد نواحی در [13] ارائه شده است. همچنین فیلتر بالاگذر وفقی در [14] برای آشکارسازی مستقیم در سامانه‌های آشکارساز هدف در تصاویر مادون قرمز استفاده شده است. تطبیق قالب بهبودیافته در [15] برای آشکارسازی اهداف کوچک مادون قرمز ارائه شد. برخلاف تطبیق قالب سنتی، از ضرایب افکنش حاصل از تحلیل مولفة پایه‌ای به‌عنوان قالب و از یک همبستگی غیرخطی به‌عنوان معیار شباهت استفاده کردند. آشکارسازی اهداف با استفاده از بهینه‌کردن نسبت سیگنال به هدف‌نما در پس‌زمینه‌های ناهمگن در سال 2012 ارائه شد [16]. استفاده از عملگر لاپلاسین گوسی نرمالیزه‌شده در مقیاس‌های مختلف و یافتن ماکزیمم آنها برای بهینه‌کردن نسبت سیگنال به هدف‌نما استفاده شده است. در سال ۲۰۱۶، روشی به نام تفاضل میانگین مطلق سطح خاکستری برای آشکارسازی اهداف مادون‌قرمز ارائه شد [17]. در این روش، خروجی الگوریتم با استفاده از تفاضل مطلق دو پنجرة تودرتو محاسبه می‌شود که حول پیکسل مدنظر محاط شده‌اند‌. در [18] روشی مبتنی بر تفاضل میانگین مطلق سطح خاکستری ارائه شده است. در این روش سعی شده است علاوه بر رفع معایب روش میانگین مطلق سطح خاکستری بر کارآیی آن نیز افزوده شود.

یکی دیگر از روش‌های آشکارسازی اهداف کوچک در تصاویر مادون قرمز، استفاده از اطلاعات موجود در هدف است. در این روش‌ها از اطلاعاتی همچون شکل هدف، شدت روشنایی و اطلاعات حرکتی آن استفاده می‌شود. در [19] از اختلاف بین شدت روشنایی پیکسل مرکز و پیکسل‌های اطراف برای آشکارسازی استفاده شده است. الگوریتم استفاده‌شده یک فیلتر مکانی است که مبتنی بر فیلتر هموارساز وفقی و فیلتر مکانی گارد رابینسون عمل می‌کند. در [20] الگوریتمی برای آشکارسازی اهداف در تصاویر مادون قرمز مبتنی بر فیلتر ویژگی معرفی شده است. در این مقاله، در ابتدا مدلی برای نویز، پس‌زمینه و هدف با توجه به توزیع سطح خاکستری آنها در نظر گرفته می‌شود. سپس معیاری با عنوان پارامتر شکل در یک اندازة معین تعریف شده است و با توجه به آن هدف، نویز و پس‌زمینه تمیز داده می‌شوند. با تغییر مقدار اندازه در پارامتر شکل‌ می‌توان اندازة هدف را نیز به دست آورد. در [21] الگوریتمی برای آشکارسازی اهداف با اندازة متفاوت در تصاویر مادون قرمز ارائه شده است. در این الگوریتم از فیلترینگ لاپلاسین گوسی برای آشکارسازی اهداف استفاده می‌شود.

یک روش آشکارسازی اهداف مبتنی بر مدل فست و مشتقات جهتی برای تقویت ناحیة هدف در [22] ارائه شده است. در این روش ناحیه‌های همسایگی تصویر ورودی، بعد از اعمال تبدیل فست، با یک چندجمله‌ای تقریب زده می‌شوند. بعد از ترکیب این چندجمله‌ای با توابع پایة سینوسی و کسینوسی، مشتقات جهتی، ساخته و به تصویر اعمال می‌شوند.

 در [23] از تئوری نمایش تنک برای آشکارسازی اهداف در تصاویر مادون قرمز استفاده شده است. در این روش نمایش تنک براساس ایده تفاوت مرکز است. همچنین در [24] از نمایش تنک در کنار نمایش درجه پایین استفاده کرده و مدلی با نام LRSR برای آشکارسازی اهداف معرفی کرده است.

کارایی بالای الگوریتم‌های بهینه‌سازی ابتکاری در حل مسائل  [25-28]مختلف، پژوهشگران را به استفاده از این الگوریتم‌ها در زمینة آشکارسازی اهداف در تصاویر مادون قرمز سوق داده است. الگوریتم‌های بهینه‌سازی، بیشتر برای بهینه‌کردن روش‌های آشکارسازی اهداف استفاده شده‌اند. در [29] از یک عملگر غیرخطی ریخت‌شناسی برای آشکارسازی اهداف در تصاویر مادون قرمز استفاده می‌کند. در این روش انتخاب صحیح المان ساختاری نقش تعیین‌کننده‌ای در عملکرد الگوریتم دارد. در این مطالعه از الگوریتم ژنتیک برای یافتن المان‌های ساختاری مناسب برای بهبود و افزایش کارایی روش ارائه‌شده استفاده شده است. در [30] نیز دو روش برای بهینه‌کردن پارامتر‌های فیلترکردن Top-Hat با استفاده از شبکة عصبی و الگوریتم ژنتیک ارائه شده است. همچنین در [31] یک مطالعة دیگر برای بهینه‌کردن المان‌های ساختاری در روش Top-Hat با استفاده از الگوریتم‌های بهینه‌سازی ارائه شده است. در این مطالعه از الگوریتم ژنتیک کوانتوم برای این منظور استفاده شده است. در [32] از الگوریتم بهینه‌سازی ازدحام ذرات در ردیابی اهداف کوچک در تصاویر مادون قرمز استفاده شده است.

در این مقاله، از توانایی بالای الگوریتم‌های بهینه‌سازی در یافتن اهداف کوچک در تصاویر مادون قرمز استفاده می‌شود. تفاوت روش پیشنهادی با مطالعات گذشته در این است که الگوریتم بهینه‌سازی به‌طور مستقیم برای یافتن اهداف کوچک در تصاویر مادون قرمز به کار گرفته می‌شود و از هیچ‌کدام از روش‌های آشکارسازی اهداف استفاده نمی‌شود. برای رسیدن به این هدف، الگوریتم بهینه‌سازی ازدحام ذرات به‌عنوان یکی از بهترین الگوریتم‌های بهینه‌سازی ابتکاری به کار گرفته شده است.

سازمان‌دهی این مقاله به این ترتیب است که در بخش دوم، الگوریتم بهینه‌سازی ازدحام ذرات بیان می‌شود. بخش سوم به روش پیشنهادی اختصاص داده شده است. در بخش چهارم نتایج مربوط به عملکرد الگوریتم پیشنهادی در آشکارسازی اهداف کوچک در تصاویر مادون قرمز نشان داده می‌شوند و درنهایت در بخش پنجم، نتیجه‌گیری این پژوهش ارائه می‌شود.

 

2- الگوریتم بهینه‌سازی ازدحام ذرات

الگوریتم بهینه‌سازی ازدحام ذرات برای نخستین‌بار در سال 1995 مطرح شد. این الگوریتم به‌صورت مؤثری در حل بسیاری از مسائل پیچیده استفاده شده است [33-37]. ایدة اصلی روش جستجو در این الگوریتم، از حرکات منظم پرندگان و ماهی‌ها اقتباس شده است. برای مدل‌سازی نظم موجود در حرکت جمعی این جانداران دو دیدگاه در نظر گرفته شده است. یک بعد، تعاملات اجتماعی موجود بین اعضای گروه است و بعد دیگر امتیازات فردی است که ممکن است هریک از اعضای گروه واجد آنها باشد. در بعد اول همه اعضای گروه موظف‌اند همواره موقعیت خود را با تبعیت از موقعیت بهترین فرد گروه تغییر دهند و از بعد دوم لازم است تک‌تک اعضا بهترین موقعیتی که تاکنون شخصاً تجربه کرده‌اند را در حافظة خود نگهداری کنند و تمایلی نیز به بهترین موقعیت درک‌شدة گذشته خود داشته باشند.

در این الگوریتم موقعیت و سرعت هر ذره با روابط زیر بیان می‌شود:

 

(1)
 

(2)

 

در این رابطه W وزن اینرسی، c1 و c2 دو عدد ثابت مثبتاند که به‌ترتیـــب «پارامتر فردی» و «پارامتر اجتماعی» نام دارند. Xi و Vi به‌ترتیب نشان‌دهندة موقعیت و سرعت ذره iام است. همچنین، Pbest و  Gbest به‌ترتیب نشان‌دهندة بهترین موقعیت ذره iام و بهترین موقعیت کل ذرات است.

مراحل الگوریتم بهینه‌سازی ازدحام ذرات به‌صورت زیر است‌.

  1. مقداردهی اولیه جمعیت (آرایه) از ذرات با موقعیت‌ها و سرعت‌های تصادفی در d بعد در فضای جستجوی الگوریتم؛
  2. محاسبة میزان برازندگی ذرات؛
  3. به‌روزرسانی بهترین موقعیت هر ذره Pbest و بهترین موقعیت کل ذره‌های Gbest؛
  4. به‌روزرسانی موقعیت و سرعت ذرات؛
  5. بررسی شرط توقف؛
  6. تکرار مراحل 2 تا 5 در صورت نرسیدن به شرط توقف.

 

3- روش پیشنهادی

در این بخش یک روش جدید مبتنی بر الگوریتم بهینه‌سازی ازدحام ذرات برای شناسایی اهداف کوچک در تصاویر مادون قرمز ارائه می‌شود. نخستین قدم در به‌کارگیری الگوریتم بهینه‌سازی ازدحام ذرات برای آشکارسازی اهداف در تصاویر مادون قرمز تعریف‌کردن ذرات است.

 

3-1- تعریف ذرات

ذرات درواقع پاسخ‌هایی‌اند که در طول اجرای الگوریتم ایجاد شده‌اند و با تابع ارزیابی بررسی می‌شوند. در الگوریتم پیشنهادی ذرات نشان‌دهندة یک ناحیه در تصویر به‌عنوان پنجرة هدف‌اند. در شکل 1 نحوة تعریف ذرات در الگوریتم پیشنهادی نشان داده شده است.

شکل (1): تعریف ذره در الگوریتم پیشنهادی

 

همان‌طور که مشاهده می‌شود هر ذره با 6 عدد نمایش داده می‌شود که دو عدد اول نشان‌دهندة موقعیت پنجرة جستجو، اعداد سوم و چهارم نشان‌دهندة ابعاد پنجرة جستجو و اعداد پنجم و ششم نشان‌دهندة ابعاد هدف‌اند. مشاهده می‌شود یک ذره شامل 3 پارامتر موقعیت ناحیة جستجو، ابعاد ناحیة جستجو و ابعاد ناحیة هدف است و موقعیت پنجرة هدف در ذرات مشخص نشده است. با توجه به مشخصات ذکرشده برای اهداف در تصاویر مادون قرمز، در ناحیة هدف بیشترین مقدار شدت روشنایی مربوط به هدف است. در الگوریتم پیشنهادی از این نکته برای تعیین موقعیت پنجرة هدف در پنجرة جستجو استفاده شده است.

در این الگوریتم نقطة مرکزی پنجرة هدف برابر با موقعیت پیکسلی با بیشترین شدت روشنایی در پنجرة جستجو است. به این ترتیب، می‌توان با استفاده از پارامترهای مشخص‌شده در هر ذره، یک ناحیه را پنجرة هدف در نظر گرفت.

 

3-2- جمعیت اولیه

در الگوریتم ازدحام ذرات، جمعیت اولیه به‌صورت کاملاً تصادفی در فضای جستجو انتخاب می‌شوند؛ اما از آنجایی که اطلاعات مفیدی دربارة موقعیت مکان‌های احتمالی هدف در تصویر مادون قرمز وجود دارد، در الگوریتم پیشنهادی می‌توان با ایجاد تغییراتی در نحوة انتخاب جمعیت اولیه، عملکرد الگوریتم پیشنهادی را در یافتن اهداف بهبود بخشید. نکتة شایان توجه در تعیین جمعیت اولیه این است که شدت روشنایی در نقاط هدف بیشتر از پس‌زمینة تصویر است. به این ترتیب، بهتر است در انتخاب جمعیت اولیه به‌گونه‌ای عمل شود که نقاط با روشنایی بیشتر، شانس بیشتری برای انتخاب داشته باشند.

برای پیاده‌سازی این فرایند از الگوریتم چرخ رولت استفاده شده است. روش چرخ رولت روشی برای انتخاب تصادفی بین چند گزینه به‌صورت وزن‌دار است؛ به‌گونه‌ای‌که احتمال انتخاب هر گزینه متناسب با وزن آن گزینه است. در الگوریتم پیشنهادی وزن مربوط به هر پیکسل از تصویر مقدار شدت روشنایی آن پیکسل است. به این ترتیب، موقعیت نواحی انتخاب‌شده به‌عنوان جمعیت اولیه، در مکان‌هایی با شدت روشنایی بیشتر نسبت به زمینة تصویر بیشتر است. همچنین، ابعاد این نواحی به‌صورت کاملاً تصادفی در بازة مجاز تعیین شده‌اند.

 

3-3- تابع ارزیابی

تابع ارزیابی، تابعی ریاضی است که ورودی آن یک نقطه (یا یک پاسخ) در فضای جستجو بوده و خروجی آن یک عدد است که میزان برازندگی آن نقطه را به‌عنوان نقطة بهینه یا هدف نشان می‌دهد. در الگوریتم پیشنهادی ورودی تابع ارزیابی یک ناحیه، پنجره هدف است. خروجی تابع ارزیابی عددی است که نشان‌دهندة برازندگی این ناحیه به‌عنوان هدف است. میزان موفقیت الگوریتم بهینه‌سازی در یافتن اهداف به‌طور مستقیم وابسته به تابع ارزیابی تعریف شده است. در صورت نبود ارزیابی مناسب نقاط مختلف شناسایی هدف غیرممکن خواهد بود.

در الگوریتم پیشنهادی، تابع برازندگی باید با داشتن شدت روشنایی مربوط به پنجرة هدف، میزان برازندگی آن ناحیه را مشخص کند؛ بنابراین، برای تعریف یک تابع ارزیابی مناسب باید ویژگی اهداف در تصاویر مادون قرمز در نظر گرفته شود. در شکل 2، تصویر بزرگنمایی‌شده‌ای از یک هدف واقعی در تصاویر مادون قرمز نشان داده شده است.

 

شکل (2): نمای نزدیک یک هدف کوچک در تصاویر مادون قرمز

 

به‌صورت کلی برای اهداف کوچک در تصاویر مادون قرمز ویژگی‌های زیر در نظر گرفته می‌شوند [38].

  • شدت روشنایی اهداف نسبت به نقاط همسایگی‌شان بیشتر است.
  • ابعاد اهداف با توجه به فاصلة هدف از دوربین متغیر است.
  • با توجه به میدان‌های حرارتی موجود در اتمسفر، لبه‌های هدف محو می‌شوند و به راحتی تشخیص داده نخواهد شد.

با در نظر گرفتن شرایط مورد نیاز یک تابع برازندگی به‌صورت زیر تعریف شده است:

(3)

  

 

در این رابطه  برابر شدت روشنایی در پیکسل ، مجموعه Θ نشان‌دهندة پیکسل‌های موجود در پنجرة هدف،  برابر ضریب شدت روشنایی هدف در پیکسل  و  برابر ضریب شدت روشنایی پس‌زمینه در پیکسل  است. رابطة میان  و  نیز به‌صورت زیر تعریف شده است.

(4)

  

(5)

  

 

در این رابطه،   و  موقعیت نقطة مرکزی در پنجرة هدف است و مقادیر  و  با توجه به ابعاد پنجرة هدف تعیین می‌شوند. این مقادیر به‌گونه‌ای انتخاب شده‌اند که مقادیر ضرایب شدت روشنایی در نقاط مرزی پنجرة هدف کمتر از 1/0 باشد. مقادیر  و  از روابط زیر به دست می­آیند.

(6)

  

(7)

  

 

در شکل 3 مقادیر مربوط به ضرایب شدت روشنایی هدف و پس‌زمینه برای یک پنجرة هدف با ابعاد 7*7 نشان داده شده‌اند.

تابع برازندگی تعریف‌شده در رابطة 3، تفاضل میانگین وزن‌دار شدت روشنایی در پنجرة هدف را محاسبه می‌کند. با استفاده از این تابع، وجود یک هدف در پنجرة داده شده ارزیابی می‌شود.

نکتة دیگر در تعیین پنجرة هدف در الگوریتم پیشنهادی این است که پنجرة هدف کمترین اندازة ممکن را داشته باشد. برای رسیدن به این هدف، تابع ارزیابی تعریف‌شده در رابطة 3 به‌صورت زیر تغییر می‌یابد.

(8)

  

 

در این رابطه مقادیر  و  ابعاد پنجرة هدف‌اند. به این ترتیب، تابع برازندگی بین دو پنجره با ابعاد متفاوت و  یکسان به پنجره با ابعاد کوچک‌تر امتیاز بهتری می‌دهد.

 

 

شکل (3): ضرایب مربوط به (الف) شدت روشنایی هدف و (ب) شدت روشنایی پس‌زمینه برای یک پنجرة هدف با ابعاد 7*7

 

3-4- شرط توقف

الگوریتم‌های بهینه‌سازی به معیاری مناسب برای توقف روند تکرار نیازمندند. معیارهای مختلفی همچون تعداد نسل‌ها، محدودیت زمانی، محدودیت شایستگی، رکود نسلی و رکود زمانی را می‌توان معیار توقف در نظر گرفت. در الگوریتم پیشنهادی، رکود نسلی، معیار توقف انتخاب شده است. با استفاده از این معیار، توقف الگوریتم پیشنهادی زمانی صورت می‌گیرد که در تعداد مشخصی تکرار الگوریتم هیچ‌گونه پیشرفتی حاصل نشود.

 

3-5- پیاده‌سازی الگوریتم پیشنهادی

در الگوریتم 1 شبه کد مربوط به الگوریتم پیشنهادی ارائه شده است. همان‌طور که مشاهده می‌شود الگوریتم پیشنهادی کاملاً بر الگوریتم بهینه‌سازی ازدحام ذرات منطبق است.

ورودی: یک تصویر مادون قرمز

خروجی: ناحیة هدف

جمعیت اولیه را تعیین کن

تازمانی که شرط توقف برآورده شود

نواحی هدف را ارزیابی کن

مقادیر PBest و GBestرا به‌روزرسانی کن

نواحی هدف را به‌روزرسانی کن

اتمام حلقه

ناحیه با بهترین مقدار برازندگی را بازگردان

الگوریتم (1): شبه کد الگوریتم پیشنهادی

 

4- نتایج شبیه‌سازی‌ها

در این بخش، عملکرد الگوریتم پیشنهادی برای یافتن اهداف کوچک در تصاویر مادون قرمز بررسی می‌شود. در شکل 4 (الف) یک تصویر مادون قرمز با پس‌زمینة ابری مشاهده می‌شود. شکل 4 (ب) – (و) موقعیت ذرات در تکرارهای مختلف روش پیشنهادی برای یافتن هدف نشان داده شده‌اند. نقطة هدف، بیشترین میزان برازندگی را دارد و در الگوریتم ازدحام ذرات، ذرات تمایل دارند به سمت بیشترین میزان برازندگی حرکت کنند؛ بنابراین در طول اجرای الگوریتم، ذرات به سمت نقطة هدف همگرا می‌شوند. این امر در شکل 4 نیز مشاهده می‌شود. با توجه به شکل، با افزایش تعداد تکرار تمامی ذرات به سمت هدف همگرا شده‌اند.

به‌منظور ارزیابی عملکرد الگوریتم پیشنهادی در یافتن اهداف کوچک، ابتدا یکسری اهداف شبیه‌سازی‌شده در نظر گرفته می‌شوند. اهداف با ابعاد و شدت روشنایی‌های مختلف در پس‌زمینه‌های مختلف در نظر گرفته شده‌اند.

در شکل 5 پس‌زمینه‌های در نظر گرفته شده در این بخش نمایش داده شده‌اند. در این تصاویر سعی شده است چالش‌های موجود در یافتن اهداف کوچک در تصاویر مادون قرمز شبیه‌سازی شود. این تصاویر شامل پس‌زمینه‌های ابری، بازتاب نور در سطح دریا، وجود ساختمان‌ها و اشیای با شدت روشنایی بالا هستند.

 

شکل (4): (الف) یک تصویر مادون قرمز، (ب) موقعیت جمعیت اولیه، (ج) موقعیت ذرات پس از تکرار 5ام، (د) موقعیت ذرات پس از تکرار 15ام، (ه) موقعیت ذرات پس از تکرار 25ام، (و) موقعیت ذرات پس از تکرار 40ام

 

 

شکل (5): تصاویر پس‌زمینه‌های مختلف

 

در شکل 6 اهدافی با ابعاد و شدت نور مختلف روی تصاور مادون قرمز ایجاد شده‌اند. این اهداف با اضافه‌کردن یک ماتریس هدف به تصویر پس‌زمینه ایجاد شده است. در این شکل نتایج به‌دست‌آمده از آشکارسازی این اهداف با روش پیشنهادی مشاهده می‌شوند. نتایج مربوط به آشکارسازی اهداف شبیه‌سازی‌شده با روش پیشنهادی نشان‌دهندة عملکرد مطلوب این روش در یافتن اهداف کوچک در تصاویر مادون قرمز در شرایط متفاوت است.

 

شکل (6): آشکارسازی اهداف شبیه‌سازی‌شده در شرایط مختلف با الگوریتم پیشنهادی

 

همچنین عملکرد الگوریتم پیشنهادی با 8 تصویر مادون قرمز واقعی سنجیده شده است. این تصاویر که در شکل 7 نمایش داده شده‌اند، پس‌زمینه‌های متفاوت دارند و همچنین اهداف موجود در این تصاویر با ابعاد و شدت نور‌های مختلف‌اند.

به‌منظور مقایسة عملکرد الگوریتم پیشنهادی با روش‌های رایج آشکارسازی اهداف کوچک در تصاویر مادون قرمز، نتایج به‌دست‌آمده از الگوریتم پیشنهادی با 4 روش متداول در این زمینه مقایسه شده‌اند.

این روش‌ها عبارت‌اند از:

  • روش میانگین تفاضل (AAGD) [17]
  • روش Top_Hat
  • روش تباین محلی چند مقیاسه (MLCM) [39]
  • روش معیار تباین مبتنی بر تکه تصویر (MPCM) [40]

 

شکل (7): تصاویر مادون قرمز با اهداف واقعی

 

پارامترهای مربوط به این روش‌ها در جدول 1 آمده‌اند.

 

جدول (1): مقادیر پارامترهای الگوریتم‌های آشکارسازی

مقدار

پارامتر

عنوان

3×3، 5×5، 7×7،9×9

Φ

اندازة پنجره‌های داخلی در AAGD

19×19

Ω

اندازة پنجره‌های داخلی در AAGD

3×3، 5×5، 7×7،9×9

P

اندازة سلول‌ها درروش‌های PCM و LCM

5

se

اندازة المان ساختاری در Top-hat

2

c1,c2

ضرایب ثابت در PSO

7/0

W

وزن اینرسی در PSO

به‌منظور مقایسة نتایج روش پیشنهادی با روش‌های متداول، از دو کمیت نرخ آشکارسازی هدف و نرخ هشدار خطا استفاده شده است.

نرخ (احتمال) آشکارسازی هدف از رابطة زیر محاسبه می‌شود.

(7)

  

نرخ (احتمال) هشدار خطا از رابطة زیر محاسبه می‌شود.

(8)

  

 

نرخ آشکارسازی و نرخ هشدار خطا دو پارامتر مهم برای ارزیابی سامانه‌های آشکارساز مادون قرمزند. نرخ آشکارسازی نشان‌دهندة حساسیت سیستم است و در آزمایشات به‌صورت نسبت اهداف آشکارشده به کل اهداف موجود تعریف می‌شود. نرخ هشدار خطا را می‌توان بیان‌کنندة قابلیت سیستم در اختصاصی‌گری دانست که به‌صورت نسبت آشکارسازی‌های نادرست به کل آشکارسازی‌ها تعریف می‌شود.

پارامترهای نرخ آشکارسازی و نرخ هشدار خطا را در قالب منحنی عملیاتی گیرنده (ROC) می‌توان با هم ادغام کرد. در منحنی ROC سامانه‌ای عملکرد بهتری دارد که نرخ آشکارسازی بالاتر و نرخ هشدار خطای کمتری داشته باشد.

در جدول 2 نتایج مربوط به نرخ آشکارسازی و نرخ هشدار خطای روش‌های مختلف در آشکارسازی اهداف شکل 7 آمده‌اند. با توجه به ماهیت تصادفی‌بودن الگوریتم پیشنهادی، نتایج به‌دست‌آمده در جدول 2 برای این روش حاصل میانگین 10 بار تکرار الگوریتم است. همچنین، مقادیر گزارش‌شده برای سایر الگوریتم‌ها به این ترتیب محاسبه شده‌اند که بهترین پاسخ به‌دست‌آمده از سه سطح آستانه‌گذاری با مقایر K برابر با 3، 5 و 10 پاسخ نهایی در نظر گرفته شده است.

با مقایسة نتایج به‌دست‌آمده از روش پیشنهادی و سایر روش‌های آشکارسازی مشاهده می‌شود که روش پیشنهادی توانسته است عملکرد مطلوبی از خود نشان دهد.

در شکل 8 نتایج آشکارسازی شکل 7 (الف) با روش‌های مختلف مشاهده می‌شوند. وجود ابرهای پراکنده با شدت نور متفاوت در این تصویر باعث بروز خطا در بسیاری از الگوریتم‌های آشکارسازی می‌شود. نتایج مربوط به این آزمایش نشان‌دهندة عملکرد مطلوب الگوریتم پیشنهادی در یافتن هدف در این تصویر است.

 

 

جدول (2): مقایسة کارایی الگوریتم پیشنهادی با الگوریتم‌های رایج آشکارسازی اهداف

تصویر

 

AAGD

Top-Hat

MLCM

MPCM

الگوریتم پیشنهادی

شکل 7 (الف)

Pd

100

100

100

66

100

Pf

0.3

0.2

0.25

0.2

0.01

شکل 7 (ب)

Pd

90.9

100

100

81.8

86.3

Pf

0.6

0.8

0.04

0.009

0.001

شکل 7 (ج)

Pd

100

100

100

100

100

Pf

0.02

0.06

0.2

0.01

0.01

شکل 7 (د)

Pd

100

100

100

100

100

Pf

0.05

0.06

0.42

0.06

0.03

شکل 7 (ه)

Pd

100

100

100

100

100

Pf

0.07

0.05

0.65

0.12

0.05

شکل 7 (و)

Pd

100

100

100

100

100

Pf

0.02

0.01

0.04

0.005

0.004

شکل 7 (ز)

Pd

100

100

0

100

100

Pf

0.03

0.15

0

0.02

0.01

شکل 7 (ح)

Pd

100

100

100

100

100

Pf

0.07

0.02

0.18

0.03

0.01

 

 

 

شکل (8): (الف) تصویر مادون قرمز شکل 7 (الف)، (ب) خروجی روش AAGD، (ج) خروجی روش Top-Hat، (د) خروجی روش MLCM، (ه) خروجی روش MLPM ، (و) خروجی روش پیشنهادی

 

شکل (9): نمودار ROC تصویر مادون قرمز شکل 7 (الف)

 

همچنین در شکل 9، منحنی ROC به‌دست‌آمده از تصویر مادون قرمز شکل 7 (الف) با استفاده از الگوریتم‌های مختلف مشاهده می‌شود. در این منحنی با توجه به اینکه الگوریتم پیشنهادی تنها یک ناحیه را هدف نهایی انتخاب می‌کند، در این نمودار نتایج حاصل از الگوریتم پیشنهادی با یک نقطه نشان داده شده‌اند. نتایج حاصل نشان‌دهندة برتری الگوریتم پیشنهادی بر سایر الگوریتم‌ها در یافتن هدف در این تصویر است.

با توجه به اینکه سیستم‌های آشکارسازی اهداف به‌صورت آنلاین عمل می‌کنند، یکی از پارامترهای مهم در الگوریتم‌های آشکارسازی اهداف مدت زمان آشکارسازی هدف است. با توجه به ساختار خاص الگوریتم پیشنهادی که از روش بهینه‌سازی ازدحام ذرات برای یافتن هدف استفاده می‌کند، حجم محاسبات و مدت زمان آشکارسازی هدف، از دغدغه‌های اصلی در این الگوریتم به حساب می‌آیند.

جدول 2، مدت زمان آشکارسازی این تصاویر را با الگوریتم‌های متفاوت نشان می‌دهد. این نتایج با استفاده از نرم‌افزار متلب و با یک کامپیوتر با مشخصات 4-GB حافظة دسترسی تصادفی و پردازندة مرکزی دوهسته‌ای P8700 با فرکانس 2.53 GHZ به دست آمده‌اند.

با توجه به نتایج به‌دست‌آمده، روش AAGD سریع‌ترین روش در میان این روش‌ها است. همچنین، مدت زمان آشکارسازی اهداف در الگوریتم پیشنهادی با زمان آشکارسازی الگوریتم‌های MPCM و MLCM مقایسه‌پذیر است. این امر نشان می‌دهد الگوریتم پیشنهادی ازنظر مدت زمان آشکارسازی، در سامانه‌های آشکارسازی اهداف می‌تواند استفاده شود.

نکته درخور توجه دیگر در جدول 3، وابستگی شدید مدت زمان آشکارسازی در الگوریتم‌های آشکارسازی هدف است. به این دلیل که در این الگوریتم‌ها فیلترکردن روی تمامی پیکسل‌های تصویر اعمال می‌شود و با افزایش تعداد پیکسل‌ها حجم محاسباتی نیز به همان نسبت افزایش می‌یابد؛ اما در الگوریتم پیشنهادی فقط تعداد محدودی از نقاط موجود در تصویر ارزیابی می‌شوند.

 

 

جدول (3): مدت زمان آشکارسازی اهداف با الگوریتم‌های مختلف برحسب میلی‌ثانیه

تصویر

ابعاد

AAGD

Top-Hat

MLCM

MPCM

الگوریتم پیشنهادی

شکل 7 (الف)

256×200

26

46

195

220

190

شکل 7 (ب)

484×335

68

77

590

703

350

شکل 7 (ج)

259×194

21

38

195

206

164

شکل 7 (د)

150×150

17

28

106

127

158

شکل 7 (ه)

128×128

12

27

90

88

166

شکل 7 (و)

493×638

129

154

1136

1132

608

شکل 7 (ز)

201×200

19

31

158

162

195

شکل 7 (ح)

201×250

24

39

231

261

260

 

 

5- نتیجه‌گیری

آشکارسازی اهداف کوچک، اهمیت بالایی در سامانه‌های جستجوگر و ردیاب مادون قرمز دارد. در این مقاله یک روش جدید مبتنی بر الگوریتم بهینه‌سازی ازدحام ذرات برای یافتن اهداف کوچک در تصاویر مادون قرمز ارائه شد. کارایی این روش با آزمایش‌هایی ارزیابی شد. در نخستین مرحله، عملکرد این روش در یافتن یک هدف کوچک در تصاویر مادون قرمز بررسی شد. نتایج این بخش نشان‌دهندة همگرایی مطلوب ذرات در طول اجرای الگوریتم بود. در دومین مرحله، عملکرد الگوریتم پیشنهادی با استفاده از یکسری تصاویر مادون قرمز و اهداف شبیه‌سازی‌شده‌ ارزیابی شد. پس‌زمینه‌های در نظر گرفته شده در این آزمایش شامل ساختمان‌های با شدت روشنایی بالا، آسمان ابری و بازتاب نور از سطح دریا در تصویر بود. اهداف شبیه‌سازی‌شده نیز در ابعاد و شدت روشنایی مختلف در تصاویر قرار گرفتند. نتایج حاصل از این آزمایش نشان‌دهندة عملکرد مطلوب الگوریتم پیشنهادی در یافتن اهداف مختلف در تصاویر مادون قرمز بود. سومین آزمایش انجام‌شده در این پژوهش، استفاده از 8 تصویر واقعی برای ارزیابی عملکرد الگوریتم پیشنهادی بود. همچنین، نتایج این آزمایش با نتایج به‌دست‌آمده از چهار روش متداول آشکارسازی اهداف در تصاویر مادون قرمز مقایسه شدند. نتایج این بخش نیز نشان‌دهندة عملکرد مطلوب الگوریتم پیشنهادی بود.


[1]تاریخ ارسال مقاله: 18/01/1399

تاریخ پذیرش مقاله: 23/04/1399

نام نویسنده مسئول: هادی شهرکی

نشانی نویسنده مسئول: ایران، دانشگاه سیستان و بلوچستان، دانشکده صنعت و معدن خاش

References

[1] S. Moradi, P. Moallem, and M.F. Sabahi, "A false-alarm aware methodology to develop robust and efficient multi-scale infrared small target detection algorithm," Infrared Phys. Technol., Vol. 89, pp. 387-397, 2018.
[2] K. Bai, Y. Wang, Q. Song, and D. Liu, "Semi-supervised learning based edge-preserving background estimation for small target detection," Infrared Physics & Technology, Vol. 72, pp. 29-36, 2015.
[3] K. Bai, Y. Wang, and Q. Song, "Patch similarity based edge-preserving background estimation for single frame infrared small target detection," International Conference on Image Processing (ICIP), 2016.
[4] L.-L. Wan and M. Wang, "Infrared target enhancement and detection based on modified TDLMS filter," in Design, Manufacturing and Mechatronics, pp. 656-663, 2015.
[5] Y. Zhao, H. Pan, C. Du, Y. Peng, and Y. Zheng, "Bilateral two-dimensional least mean square filter for infrared small target detection," Infrared Physics & Technology, Vol. 65, pp. 17-23, 2014.
[6] X. Bai, F. Zhou, T. Jin, and Y. Xie, "Infrared small target detection and tracking under the conditions of dim target intensity and clutter background," in MIPPR 2007: Automatic Target Recognition and Image Analysis; and Multispectral Image Acquisition, pp. 67862-67869, 2007.
[7] J.-F. Rivest and R. Fortin, "Detection of dim targets in digital infrared imagery by morphological image processing," Optical Engineering, Vol. 35, pp. 1886-1893, 1996.
[8] J. M. López-Alonso and J. Alda, "Characterization of dynamic sea scenarios with infrared imagers," Infrared Physics & Technology, Vol. 46, pp. 355-363, 2005.
[9] Y. Dai, Y. Wu, and Y. Song, "Infrared small target and background separation via column-wise weighted robust principal component analysis," Infrared Physics & Technology, Vol. 77, pp. 421-430, 2016.
[10] C. Wang and S. Qin, "Adaptive detection method of infrared small target based on target-background separation via robust principal component analysis," Infrared Physics & Technology, Vol. 69, pp. 123-135, 2015.
[11] S. Kim, Y. Yang, J. Lee, and Y. Park, " Small target detection utilizing robust methods of the human visual system for IRST," ournal of Infrared, Millimeter, and Terahertz Waves, Vol. 30, pp. 994-1011, 2009.
[12] S. Moradi, P. Moallem, and M. Sabahi, "Scale-space point spread function based framework to boost infrared target detection algorithms," Infrared Physics & Technology Vol. 77, pp. 27-34, 2016.
[13] H. Deng and J. Liu, "Infrared small target detection based on the self-information map," Infrared Physics & Technology, Vol. 54, pp. 100-107, 2011.
[14] X. Dong, H. Jiang, H. Li, J. Zhang, and Y. Wang, "Characteristic Analysis of Infrared Target and Design of Target Detection System," International Conference on Multimedia and Signal Processing (CMSP), 2011.
[15] R. Liu, Y. Lu, C. Gong, and Y. Liu, "Infrared point target detection with improved templatematching," Infrared Physics & Technology, Vol. 55, pp. 380-387, 2012.
[16] S. Kim and J. Lee, "Scale invariant small target detection by optimizing signal-to-clutter ratio in heterogeneous background forinfrared search and track," Pattern Recognition Letters, Vol. 45, pp. 393-406, 2012.
[17] H. Deng, X. Sun, M. Liu, C. Ye, and X. Zhou, "Infrared small-target detection using multiscale gray difference weighted image entropy,," IEEE Transactions on Aerospaceand Electronic Systems, Vol. 52, pp. 60-72, 2016.
[18] S. M. S Aghaziyarati, H Talebi, "Small infrared target detection using absolute average difference weighted by cumulative directional derivatives," Infrared Physics & Technology, Vol. 101, pp. 78-87, 2019.
[19] J.-h. Luo, H.-b. Ji, and J. Liu, "An algorithm based on spatial filter for infrared small target detection and its application to an all directional IRST system," International Congress on High-Speed Photography and Photonics, 2007.
[20] R. Hu, X. Zhou, G. Zhang, and G. Zhang, "Infrared dim target detection based on character filter," in MIPPR 2011: Automatic Target Recognition and Image Analysis, Guilin, China, 2011, pp. 80031A-7.
[21] S. Kim and J.-H. Lee, "Robust scale invariant target detection using the scale-space theory and optimization for IRST," Pattern Analysis & Applications, Vol. 14, pp. 57-66, 2011.
[22] X. Bai and Y. Bi, "Derivative entropy-based contrast measure for infrared small-target detection," IEEE Transactions on Geoscience and Remote Sensing, Vol. 56, pp. 2452-2466, 2018.
[23] J. Zhao, J. Chen, Y. Chen, H. Feng, Z. Xu, and Q. Li, "Sparse-representation-based automatic target detection ininfrared imagery," Infrared Physics & Technology, Vol. 56, pp. 85-92, 2013.
[24] Y. He, M. Li, J. Zhang, and Q. An, "Small infrared target detection based on low-rank and sparse representation," Infrared Physics & Technology, Vol. 68, pp. 98-109, 2015.
[25] H. Shahraki and S.-H. Zahiri, "Ant colony optimization and decision function estimation," Intelligent Decision Technologies, Vol. 11, pp. 71-78, 2017.
[26] E. Davoodi and E. Babaei, "A modified imperialist competitive algorithm for combined heat and power dispatch," Computational Intelligence in Electrical Engineering, Vol. 10, pp. 1-18, 2019.
[27] H. Shahraki and S.-H. Zahiri, "Fuzzy decision function estimation using fuzzified particle swarm optimization," International Journal of Machine Learning and Cybernetics, 2016.
[28] M. Sharifiasn, H. Karshenas, and S. Sharifiasn, "Improving Network Intrusion Detection by Identifying Effective Features using Evolutionary Algorithms based on Support Vector Machine," Computational Intelligence in Electrical Engineering, Vol. 11, pp. 29-42, 2019.
[29] F. S. Marvasti, M. R. Mosavi, and M. Nasiri," Flying small target detection in IR images ased on adaptive toggle operator," IET Computer Vision, Vol. 12, No. 4, 527-534, 2018.
[30] M. Zeng, J. Li, and Z. Peng, "The design of Top-Hat morphological filter and application to infrared target detection," Infrared Physics & Technology, Vol. 48, pp. 67-76, 2006.
[31] L. Deng, H. Zhu, Q. Zhou, and Y. Li, "Adaptive top-hat filter based on quantum genetic algorithm for infrared small target detection," Multimedia Tools and Applications, Vol. 77, pp. 10539-10551, 2018.
[32] K. Ahmadi and E. Salari," Small dim object tracking using a multi objective particle swarm optimisation technique," IET Image Processing, Vol. 9, No. 9, 820-826, 2015.
[33] H.Shahraki and S.H.Zahiri, "Design and Simulation of an RF MEMS Switch for Removing the Self - Actuation and Latching Phenomena Using PSO Method," Iranian Journal of Electrical and Computer Engineering, Vol. 12, pp. 56-63, 2013.
[34] M. Abedini, R. Eskandari, J. Ebrahimi, M. H. Zeinali, and A. Alahyari, "Optimal Placement of Power Switches on Malayer Practical Feeder to Improve System Reliability Using Hybrid Particle Swarm Optimization with Sinusoidal and Cosine Acceleration Coefficients," Computational Intelligence in Electrical Engineering, Vol. 11, pp. 73-86, 2020.
[35] M. Emarati, F. Keynia, and A. Askarzadeh, "Application of hybrid neural networks combined with comprehensive learning particle swarm optimization to short-term load forecasting," Computational Intelligence in Electrical Engineering, Vol. 10, pp. 31-40, 2019.
[36] H. Shahraki and S.-H. Zahiri, "Particle swarm classifier for fuzzy data sets," the Artificial Intelligence and Signal Processing (AISP), 2015.
[37] F. Garehdaghi and S. Meshgini, "Detection of Epileptic Seizures using Wavelet Coefficients, Artificial Neural Networks (ANNs) and Particle Swarm Optimization (PSO)," Computational Intelligence in Electrical Engineering, Vol. 10, pp. 11-24, 2019.
[38] P. Khaledian, S. Moradi, and E. Khaledian, "A new method for detecting variable-size infrared targets," presented at the Proceedings Volume 9159, Sixth International Conference on Digital Image Processing, 2014.
[39] C. L. P. Chen, H. Li, Y. Wei, T. Xia, and Y. Y. Tang, "A Local Contrast Method for Small Infrared Target Detection," IEEE Transactions on Geoscience and Remote Sensing, Vol. 52, pp. 574-581, 2014.
[40] Y. Wei, X. You, and H. Li, "Multiscale patch-based contrast measure for small infrared target detection," Pattern Recognition, Vol. 58, pp. 216-226, 2016.
Computational Intelligence in Electrical Engineering
Volume 12, Issue 2
July 2021
Pages 77-90

Files

History

  • Receive Date: 06 April 2020
  • Revise Date: 24 May 2020
  • Accept Date: 13 July 2020

Share

How to cite

Statistics