آمار
| تعداد نشریات | 36 |
| تعداد شماره‌ها | 1,192 |
| تعداد مقالات | 8,579 |
| تعداد مشاهده مقاله | 6,988,716 |
| تعداد دریافت فایل اصل مقاله | 4,032,571 |
بهبود کیفیت تصاویر موجمیلیمتری از طریق ترکیب با تصاویر مرئی | ||
| پدافند الکترونیکی و سایبری | ||
| مقاله 7، دوره 9، شماره 4 - شماره پیاپی 36، اسفند 1400، صفحه 77-86 اصل مقاله (808.38 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| رویا امینی راد1؛ احمد عفیفی* 2؛ محمد حسین فهیمی فر2 | ||
| 1کارشناسی ارشد، گروه الکترونیک، دانشگاه صنعتی مالک اشتر، تهران، ایران | ||
| 2دانشیار، گروه الکترونیک، دانشگاه صنعتی مالک اشتر، تهران، ایران | ||
| تاریخ دریافت: 19 اردیبهشت 1400، تاریخ بازنگری: 04 مهر 1400، تاریخ پذیرش: 22 آذر 1400 | ||
| چکیده | ||
| یکی از کاربردهای تصویربرداری موجمیلیمتری غیر فعال PMMW برای نشان دادن اشیاء پنهان در زیر لباس انسان است. نمایش اشیاء پنهان شده به لحاظ امنیتی در مکانهایی مانند فرودگاهها از اهمیت فوق العادهای برخوردار است. بطور کلی تصاویر موج میلیمتری کیفیت پایینی دارند و از اینرو استفاده از تکنیکهای پردازش تصویر برای افزایش کیفیت این تصاویر استفاده می شود. در این مقاله با استفاده از رویکرد همجوشی تصاویر PMMW و مرئی روشی برای دستیابی به تصویری که در آن شیء پنهان از تصویر PMMW استخراج و همچنین جزئیات تصویر مرئی در آن حفظ شود را ارائه می دهد. در روش پیشنهادی، ابتدا تصاویر با استفاده از تبدیل BEMD به زیر تصاویر فرکانس بالا و فرکانس پایین تجزیه شدهاند. در مرحله بعد، از تبدیل NSST برای تجزیه تصاویر حاصل از مرحله قبل در تفکیکپذیریها و جهتهای مختلف استفاده شده و در ادامه از شبکه عصبی SCM بهبود یافته به عنوان قانون همجوشی بهره گرفته شده است. نتایج به دست آمده با استفاده از معیارهای اثربخشی همجوشی QAB/F و MI ارزیابی شدهاند و روش پیشنهادی توانسته است کیفیت تصاویر ترکیبی و نمایش اشیاء پنهان، که با استفاده از روش تجزیه NSST و قانون ISCM ترکیب شده بودند، را بهبود داده و معیار QAB/F را به طور میانگین تا 33 درصد ارتقا دهد. | ||
| کلیدواژه‌ها | ||
| دوربین موج میلیمتری پسیو؛ همجوشی تصاویر؛ تجزیه حالت تجربی دوبعدی؛ تبدیل شییرلت؛ شبکه عصبی ISCM؛ معیار ارزیابی همجوشی | ||
| عنوان مقاله [English] | ||
| Improving the Quality of Millimeter Wave Images by Fusion with Visible Images | ||
| نویسندگان [English] | ||
| Roya Amini Rad1؛ Ahmad afifi2؛ mohammad hossein fahimifar2 | ||
| 1M.Sc., Department of Electronics, Malek Ashtar University of Technology, Tehran, Iran | ||
| 2Associate Professor, Department of Electronics, Malek Ashtar University of Technology, Tehran, Iran | ||
| چکیده [English] | ||
| Passive millimeter wave imaging is used to discover the objects concealed under a person's clothes. Discovering hidden objects is extremely important in the places such as airports, because of security. However, millimeter wave images have low-quality and image processing techniques are needed to improve the quality of the images. This paper attempts to use the fusion approach to present a method for discovering hidden objects from PMMW images while preserving the details of visible images. In the proposed method, images are subdivided using BEMD conversion into high frequency and low frequency sub-images. In the next step, the NSST conversion is used to parse images from the previous step in different resolutions and directions, and then the improved SCM neural network is used as the fusion rule. The results are evaluated using fusion effectiveness criteria of QAB/F and MI. Simulation results show that the proposed method improves the previous results, which were combined using the NSST analysis method and the ISCM law, with an average of about 33% for the QAB/F criterion . | ||
| کلیدواژه‌ها [English] | ||
| Passive Millimeter Wave Imaging, Image Fusion, Bidimensional Empirical Mode Decomposition, Shearlet Transform, ISCM Neural Network, Fusion Evaluation Criterion | ||
| مراجع | ||
|
[1] S. L. Dong, X. G. Chen, W. Y. Yu, and Y. H. Yin, "Indoor Passive Millimeter-Wave Imaging for Concealed Object Detection," in Advanced Materials Research, 2013, vol. 760, pp. 1581-1584: Trans Tech Publ. [2] S. Mousavi Mirkalaei, M. Mansoori, and M. Bisjerdi, "Retrieve blurry images based on optimal estimation of point distribution function (in Persian)" Department of Electrical Engineering, Iran University of Science and Technology, Narmak, Tehran 13114-16846, Iran,2019. [3] Z. Lin, J. Yan, and Y. Yuan, "Algorithm for image fusion based on orthogonal grouplet transform and pulse-coupled neural network," Journal of Electronic Imaging, vol. 22, no. 3, p. 033028, 2013. [4] L. Li, J. Yang, and C. Li, "Super-resolution restoration and image reconstruction for passive millimeter wave imaging," in Image Restoration-Recent Advances and Applications: IntechOpen, 2012. [5] G. Easley, D. Labate, and W.-Q. Lim, "Sparse directional image representations using the discrete shearlet transform," Applied and Computational Harmonic Analysis, vol. 25, no. 1, pp. 25-46, 2008. [6] A. Linderhed, "Image empirical mode decomposition: A new tool for image processing," Advances in Adaptive Data Analysis, vol. 1, no. 02, pp. 265-294, 2009. [7] S. Amira-Biad, T. Bouden, M. Nibouche, and E. Elbasi, "A Bi-Dimensional Empirical Mode Decomposition Based Watermarking Scheme," International Arab Journal of Information Technology (IAJIT), vol. 12, no. 1, 2015. [8] W. Kong, B. Wang, and Y. Lei, "Technique for infrared and visible image fusion based on non-subsampled shearlet transform and spiking cortical model," Infrared Physics & Technology, vol. 71, pp. 87-98, 2015. [9] J.-c. Yu, B.-y. Chen, A.-l. Xia, and X.-g. Liu, "A millimeter wave image fusion algorithm design and optimization based on CDF97 wavelet transform," in International Symposium on Photoelectronic Detection and Imaging 2011: Advances in Infrared Imaging and Applications, 2011, vol. 8193, p. 81931V: International Society for Optics and Photonics. [10] M.-H. Bisjerdi and M.-R. Mosavi, "An optimal algorithm for fusion of passive millimeter wave and visible images based on non-subsampled shearlet transform and improved spiking cortical model," Wireless Personal Communications, vol. 103, no. 3, pp. 2599-2620, 2018. [11] M. Mosavi, M.-H. Bisjerdi, and G. Rezai-Rad, "Optimal target-oriented fusion of passive millimeter wave images with visible images based on contourlet transform," Wireless Personal Communications, vol. 95, no. 4, pp. 4643-4666, 2017. [12] H. Li, B. Manjunath, and S. K. Mitra, "Multisensor image fusion using the wavelet transform," Graphical models and image processing, vol. 57, no. 3, pp. 235-245, [13] Q. Xiao-Bo, Y. Jing-Wen, X. Hong-Zhi, and Z. Zi-Qian, "Image fusion algorithm based on spatial frequency-motivated pulse coupled neural networks in nonsubsampled contourlet transform domain," Acta Automatica Sinica, vol. 34, no. 12, pp. 1508-1514, 2008. [14] P. R. Hill, C. N. Canagarajah, and D. R. Bull, "Image Fusion Using Complex Wavelets," in BMVC, 2002, pp. 1-10: Citeseer. [15] W. Kong, L. Zhang, and Y. Lei, "Novel fusion method for visible light and infrared images based on NSST–SF–PCNN," Infrared Physics & Technology, vol. 65, pp. 103-112, 2014. [16] C. a. Xydeas and V. Petrovic, "Objective image fusion performance measure," Electronics letters, vol. 36, no. 4, pp. 308-309, 2000. [17] M. Mansoori, M. R. Mosavi, and M.-H. Bisjerdi, "Regularization-based semi-blind image deconvolution using an improved function for PMMW images application," Journal of Circuits, Systems and Computers, vol. 27, no. 07, p. 1850107, 2018. [18] V. Tsagaris and V. Anastassopoulos, "Global measure for assessing image fusion methods," Optical Engineering, vol. 45, no. 2, p. 026201, 2006. | ||
|
آمار تعداد مشاهده مقاله: 309 تعداد دریافت فایل اصل مقاله: 195 |
||