Skip to main content
فهرست مقالات

بهبود کیفیت تصاویر در ناوبری پهپاد با استفاده از روش فراتفکیک پذیری مبتنی بر شبکه عصبی کانولوشنی با نگاشت چندلایه

نویسنده:

(11 صفحه - از 1 تا 11)

ناوبری هوشمندانه و خودکار پهپاد براساس انطباق تصاویر دریافتی از پهپاد با تصاویر ماهواره ای یکی از جدیدترین گونه های ناوبری است که بسیار مورد توجه محققان و صنعت گران این حوزه قرار گرفته است. این روش هم از نظر جنگ الکترونیک و هم از نظر کارآیی، زمانی موثر است که تصاویری با کیفیت بالا موجود باشد تا ویژگیهای تصاویر را بتوان استخراج نمود. اما یکی از عواملی که سبب کاهش بهره استخراج ویژگیهای تصاویر و انطباق آن با تصاویر ماهوارهای می شود، ماتی است. مات زدایی از تصاویر تبدیل به یک موضوع به روز و چالش برانگیز برای محققان شده است. در این مقاله روشی نوین برای به سازی کیفیت تصاویر با استفاده از روش فراتفکیک پذیری مبتنی بر شبکه عصبی کانولوشنی CNN با چند لایه نگاشت غیرخطی ارائه گردید که نقش بسزایی در ماتزدایی و نویززدایی از تصاویر پهپاد دارد. نتایج نشان میدهد که این روش نسبت به روشهای مطرح امروزی، کارآیی بهتری دارد. بهطوریکه روش پیشنهادی میزان کیفیت تصویر را نسبت به روش های مطرح، براساس معیار نسبت پیک سیگنال به نویز (PSNR) تقریبا به اندازه 5% افزایش میدهد.

خلاصه ماشینی:

"در این مقاله روشی نوین برای بهسازی کیفیت تصاویر با استفاده از روش فراتفکیک‌پذیری مبتنی بر شبکه عصبی کانولوشنی CNN با چند لایه نگاشت غیرخطی ارائه گردید که نقش بسزایی در مات‌زدایی و نویز‌زدایی از تصاویر پهپاد دارد. هدف این مقاله بهبود عملکرد روش فراتفکیک‌پذیری مبتنی بر بخش‌بندی است که با استفاده از شبکه عصبی کانولوشنی 1 CNN)) متشکل از چندین لایه نگاشت غیر خطی، اثرات (ماتی) نامطلوب بخش‌های مجاور بخش مورد نظر از تصویر مات شده، کاهش می‌یابد. همان‌طور که در شکل (10) ملاحظه می‌شود، در شبکه عصبی CNN با افزایش اندازه فیلتر‌ها در لایه‌های کانولوشنی، این نتایج حاصل شده است که هر چه اندازه فیلتر در لایه دوم (‌با شرط اینکه اندازه فیلتر لایه اول بیشتر از اندازه لایه سوم باشد)، بیشتر شود، تاثیر بهتر و کارآتری بر روی PSNR تصویر دارد. با توجه به جدول (1) و مقادیر PSNR و SSIM می‌توان نتیجه‌گیری کرد که روش فراتفکیک‌پذیری مبتنی ‌بر شبکه عصبی CNN کیفیت تصاویر دریافتی از پهپاد را تقریبا به اندازه 5% افزایش می‌دهد که نشان‌دهنده افزایش کیفیت تصویر یا کاهش ماتی در تصویر با کیفیت پایین است. در حالی که در روش پیشنهادی از کرنل‌های گوسی برای استخراج ویژگی‌ها از تصویر ورودی و آشکارسازی لبه استفاده شده است و سبب بهبود عملکرد شبکه عصبی CNN گردید و توانسته وضوح تصویر خروجی را بالا برده و ماتی را به مقدار قابل قبولی حذف نماید. نتایج حاصل نشان می‌دهد که روش فراتفکیک‌پذیری مبتنی بر شبکه CNN دارای ساختاری سریع است، زیرا تمام مراحل پردازش تصاویر را در لایه‌های خود به صورت یک‌جا و بهینه دارا است که نقش بسزایی در انطباق تصاویر برای ناوبری پهپاد دارد."


برای مشاهده محتوای مقاله لازم است وارد پایگاه شوید. در صورتی که عضو نیستید از قسمت عضویت اقدام فرمایید.