14971

14971

استخراج و انتخاب ويژگي هاي بهينه براي آشكارسازي و دسته بندي اهداف در تصاوير ماهواره‌اي SAR

دكتري

الكترونيك

شهريور ماه 1394

شهريور ماه 1394

دكتر غلامعلي رضايي راد

دكتر محمدرضا دليري

برق

چكيده هدف از انجام اين رساله ارائه سيستمي براي شناسايي خودكار اهداف مي باشد كه شامل آشكارسازي، تمايزسازي (استخراج و انتخاب ويژگي ها)، دسته‌بندي و تشخيص اهداف در تصاوير ماهواره‌اي از نوع SAR است. انجام عمليات تشخيص موفق، مستلزم پياده‌سازي عمليات آشكارسازي مؤثر و مفيد است. به عبارت ديگر، اولين مرحله قبل از رسيدن به يك طبقه‌بندي و تشخيص درست، مرحله‌ي آشكارسازي در تصاوير SAR است كه براي مواجه شدن با نويزهاي خال خالي (Speckle) موجود در تصاوير SAR بسيار ضروري است. در اين رساله، ﺑـﺮﺍﻱ ﺁﺷﮑﺎﺭﺳـﺎﺯﻱ اهداف ﺍﺯ ﺳﻴﺴـﺘﻢ ﺗﻮﺟـﻪ ﺑﺼـﺮﻱ ﺍﻧﺴـﺎﻥ ‫ﺍﺳﺘﻔﺎﺩﻩ شده است. ﺳﻴﺴﺘﻢ ﺗﻮﺟﻪ ﺑﺼﺮﻱ ﺍﻧﺴﺎﻥ ﺑﻪ ﮔﻮﻧﻪﺍﻱ ﺍﺳﺖ ﮐـﻪ ﺍﺷـﻴﺎﻱ ﺑﺮﺟﺴـﺘﻪ ﻭ ﺟـﺬﺍﺏ ﺩﺭ ﻫـﺮ‬ ‫ﺗﺼﻮﻳﺮ ﻳﺎ ﺻﺤﻨﻪﻱ ﺩﺭ ﺣﺎﻝ ﻧﻤﺎﻳﺶ ﺭﺍ ﺷﻨﺎﺳﺎﻳﻲ ﮐﺮﺩﻩ ﻭ ﭼﺸﻢﻫﺎﻱ ﻣﺎ ﺭﺍ ﺭﻭﻱ ﺁﻥﻫﺎ ﺧﻴﺮﻩ ﻧﮕﻪ ﻣـﻲﺩﺍﺭﺩ. ‬ﺍﺯ ﺍﻳـﻦ ﺭﻭ ﻣـﺎ ﺳـﻌﻲ ‫ﮐﺮﺩﻳﻢ ﺑﺎ ﻣﺪﻝﮐﺮﺩﻥ ﺳﻴﺴﺘﻢ ﺗﻮﺟﻪ ﺑﺼﺮﻱ ﺍﻧﺴﺎﻥ ﻭ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺁﻥ ﺩﺭ ﻓﺎﺯ ﺁﺷﮑﺎﺭﺳﺎﺯﻱ، ﻧﻪ ﺗﻨﻬـﺎ ﺍﻫـﺪﺍﻑ ﺭﺍ ﺑﻪ ﺻﻮﺭﺕ ﺩﻗﻴﻖ ﺁﺷﮑﺎﺭ ﮐﺮﺩﻩ ﺑﻠﮑﻪ ﺗﻌﺪﺍﺩ ﭘﻴﮑﺴﻞﻫﺎﻱ ﮐﺎﺫﺏ ﺭﺍ ﺑﻪ ﻣﻴﺰﺍﻥ ﻗﺎﺑﻞ ﺗﻮﺟﻬﻲ ﮐﺎﻫﺶ ﺩﻫﻴﻢ. ‬ﺑﺮﺧﻼﻑ ﺍﮐﺜﺮ ﺍﻟﮕﻮﺭﻳﺘﻢﻫﺎﻱ ﻣﻮﺟﻮﺩ ﺩﺭ ﻣﻘﺎﻻﺕ، ﺍﻳﻦ ﺍﻟﮕﻮﺭﻳﺘﻢ ﭘﻴﺸﻨﻬﺎﺩﻱ ﻣﻲﺗﻮﺍﻧـﺪ ﻫـﻢ ﺑـﺮﺍﻱ ﺗﺼـﺎﻭﻳﺮ ﻫﻤﮕﻦ ﻭ ﻫﻢ ﺑﺮﺍﻱ ﺗﺼﺎﻭﻳﺮ ﻏﻴﺮﻫﻤﮕﻦ (ﺑﺎ ﺑﻴﺸﺘﺮﻳﻦ ﻏﻴﺮﻳﮑﻨﻮﺍﺧﺘﻲ) ﺑﻪ ﮐﺎﺭ ﺭﻭﺩ. روش ارائه شده به خاطر اين كه نيازي به تخمين توزيع ندارد، داراي زمان خيلي كمي نسبت به الگوريتم هاي CFAR مي باشد و نسبت به CFAR براساس توزيع گوسي 5 برابر و بر اساس توزيع K، 20 برابر سريعتر مي باشد. پديده شدت روشنايي ناهمگن و غير يكنواخت در تصاوير SAR به دليل وجود نويز لكه‌هاي خال خالي ذاتي به طور عمده در اين تصاوير رخ مي‌دهد و به همين دليل ويژگي هاي متداول دسته بندي براي اين نوع از تصاوير كارآمد نيست. گشتاورهاي زرنيك به عنوان ويژگي براي اولين بار براي تمايزسازي و دسته بندي اهداف در تصاوير SAR پيشنهاد شده است و با استفاده از الگوريتم هاي هوشمند ويژگي هاي زرنيك بهينه براي متمايز سازي اهداف از كلاتر تعيين شده اند. براي مقايسه الگوريتم پيشنهادي با مقاله هاي گذشته از ROC و دقت متمايز سازي استفاده كرده ايم، نتايج شبيه سازي كارايي الگوريتم ارائه شده را براي متمايزسازي اهداف در تصاوير راداري SAR نشان مي دهد. دقت متمايزسازي كل الگوريتم ارائه شده برابر 99.73 مي باشد و با توجه به مساحت زير منحني ROC، روش ارائه شده داراي بالاترين مساحت مي باشد. مساحت روش ارائه شده برابر 0.9771، روش Gui برابر 0.9541 و روش Bhaun برابر 0.889 مي باشد. براي دسته بندي اهداف در پايگاه داده MSTAR كه داراي جهت هاي مختلفي از 0 تا 360 درجه مي باشند، در اكثر روش هاي قبلي ابتدا جهت اهداف تخمين زده مي شود و تمامي اهداف هم جهت مي شوند و سپس عمل دسته بندي انجام مي گيرد. تخمين جهت اهداف در اين روش ها يكي از محدوديت هاي اصلي آنها مي باشد. تعداد ويژگي هاي بالا نياز به محاسبات زيادي دارد كه اين يكي ديگر از محدوديت هاي روش هاي قبلي مي باشد. ويژگي هاي ارائه شده همراه با روش پيشنهادي نه تنها داراي هزينه محاسباتي پاييني است، بلكه براي كاربردهاي زمان واقعي مناسب مي باشد، چون نه تعداد ويژگي ها زياد است و نه نياز به تخمين جهت اهداف مي باشد. در الگوريتم ارائه شده، دقت دسته بندي با 22 ويژگي در حدود % مي باشد كه كارايي بالاي اين ويژگي ها را در بازشناسي اهداف در مقايسه با تحقيقات گذشته نشان مي دهد. درضمن ويژگي هاي ارائه شده براي تصاوير نويزي تا 5dB بادقت بالايي عمل طبقه بندي اهداف را انجام مي دهند و در مقابل نوير بسيار مقاوم هستند. در اين رساله، با اضافه كردن ترم دقت متمايزسازي اهداف به تابع هدف با دقت كل يك تابع هدف بهبود يافته جديد براي انتخاب ويژگي هاي بهينه با الگوريتم هاي تكاملي ارائه شده است كه دقت متمايزسازي اهداف را بهبود داده است. در پايان با افزايش تعداد اهداف از تركيب دسته بندي كننده ها با روش هاي مختلف استفاده كرده ايم تا به دقت مناسب براي دسته بندي اهداف برسيم. در اين روش دسته بندي كننده پايه SVM به همراه تصميم گيري دمپستر-شفر بالاترين دقت طيقه بندي را داشتند. براي 10 دسته دقت دسته بندي برابر 96.47% مي باشد كه با مقايسه آن با نتايج مقالات ديگر، روش پيشنهاد شده براي بازشناسي ده دسته اهداف به اندازه كافي كارآمد مي باشد و براي سه دسته دقت دسته بندي 97.84 مي باشد. واژه‌هاي كليدي: سيستم تصويربرداري SAR، استخراج و انتخاب ويژگي، دسته بندي، متمايزسازي اهداف، گشتاورهاي زرنيك، ﺳﻴﺴـﺘﻢ ﺗﻮﺟـﻪ ﺑﺼـﺮﻱ ﺍﻧﺴـﺎﻥ و سيستم شناسايي خودكار اهداف