نوع مقاله: مقاله پژوهشی

نویسندگان

1 استاد دانشکده مهندسی برق، دانشگاه علم و صنعت ایران

2 استادیار دانشکده مهندسی برق، دانشگاه علوم دریایی امام خمینی (ره)

3 دانشجوی کارشناسی ارشد دانشکده مهندسی برق، دانشگاه علوم دریایی امام خمینی (ره)

4 دانشجوی دکتری دانشکده مهندسی برق، دانشگاه علم وصنعت ایران

چکیده

ناوبری هوشمندانه و خودکار پهپاد براساس انطباق تصاویر دریافتی از پهپاد با تصاویر‌ ماهواره‌ای یکی از جدیدترین گونه‌های ناوبری‌ می‌باشد که بسیار مورد توجه محققان و صنعتگران این حوزه قرار گرفته‌است. 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 ‌می‌شود، ماتی است. مات‌زدایی از تصاویر تبدیل به یک موضوع به‌روز و چالش برانگیز برای محققان شده است. 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. نتایج نشان می‌دهد که این روش نسبت به روش‌های مطرح امروزی، کارآیی بهتری دارد. به‌طوری‌که روش پیشنهادی میزان کیفیت تصویر را نسبت به روش‌های مطرح، براساس معیار نسبت پیک سیگنال به نویز (PSNR) تقریباً به اندازه 5% افزایش می‌دهد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Improving Quality of Images in UAVs Navigation using Super-Resolution Techniques based on Convolutional Neural Network with Multi-Layer Mapping

نویسنده [English]

  • S. M Mousavi 1

چکیده [English]

Intelligent and autonomous UAV’s navigation, which is based on the compliance of received images from UAVs with those from satellites, is one of the newest types of navigation that has received much attentions from researchers and industrialists of this area. This approach is effective, in terms of electronic warfare and efficiency, when high-quality images are available so that the effective features of images can be extracted. However, blurring is one of the main destructive factors leading to decrease the extraction rate and then weak satellites’ images adaptation. So, Image de-blurring has become a new challenging issue for researchers. In this paper, a new method is proposed for improving image quality, using super-resolution techniques based on Convolutional Neural Network (CNN) with non-linear multi-layer mapping, which plays an important role in de-blurring and removing noises from UAV images. The simulation results show that the proposed method has much better performance compared to the other benchmark techniques in term of peak signal to noise ratio (PSNR) so that the proposed method increases the aforementioned criteria about 5%.

کلیدواژه‌ها [English]

  • Navigation
  • GPS
  • Super-Resolution
  • Sparse Coding‌
  • CNN

[1] سید محمد‌رضا موسوی، مریم معاضدی، محمدجواد رضایی و امیر طباطبایی، "مقابله با اختلال در گیرنده‌های GPS"، انتشارات دانشگاه علم و صنعت ایران، 1394.

[2] Lee, J. N. and Kwak, K., “A Trends Analysis of Image Processing in Unmanned Aerial Vehicle‌‌”‌, International J. of Computer, Control, Quantum and Information Engineering, Vol.8, No 2, pp.180-186, 2014.

‌[3] Niethamer, ‌U., Rothmund‌, S., Schwader, U., Zeman, J. and Joswig, ‌M.,‌ “Open Source Image-Processing Tools for Low-Cost UAV-Based Landslide Investigations”‌, International Conference on Electrical and Control Engineering, Zurich, pp.161-166, 2011.

[4] Nagai, M., Chen, T., Shibasaki, R., Kumai, H. and Ahmed, A., “UAV-Borne 3-D Mapping System by Multisensor Integration”‌, IEEE Trans. on Geoscience and Remote Sensing, Vol.‌47, No.‌3, pp.701-‌708, 2009.

[5] Bevilacqua, M., Roumy, A., Guillemot, C. and Morel, M. L. A., “Low-Complexity Single-Image Super-Resolution based on Nonnegative Neighbor Embedding”‌, IEEE Conference on Computer Vision and Pattern Recognition, French, pp.‌1-10, 2012.

[6] Huang, D., and Liu, H., “A Short Survey of Image Super Resolution Algorithms‌”‌, Journal of Computer Science Technology Updates, Vol.2, pp.19-29, 2015.

[7] Kang, W., Yu, SH., Ko, S. and Paik, J., “Multisensor Super Resolution using Directionally-Adaptive Regularization for UAV Images”, Journal on the Science and Technology of Sensors and Biosensors, Vol.15, No.2, pp.‌1-27, 2015.

[8] Kim, A., Park, J. and LEE, B.-U., “Removing Boundary Effect of a Patch-Based Super-Resolution Algorithm‌”‌, IEICE Transactions Inf. & Systems, Vol.98, No.4 pp.974-979, 2015.

[9] Zhu, X. and Milanfar, P., “Restoration for Weakly Blurred and Strongly Noisy Images‌”‌, IEEE Conference on Computer Vision, USA, pp.103-109, 2011.

[10] Dai, D., Timofte, R. and Gool, L., “Jointly Optimized Regressors for Image Super-Resolution”‌, IEEE Signal Processing Letters, Vol.‌23, No.5, pp.‌102‌-‌106, 2015.

[11] Takeda, H., Farsiu, S. and Milanfar, P., “Kernel Regression for Image Processing and Reconstruction”‌, IEEE Transactions on Image Processing, Vol.‌16, No.‌2, pp.‌349-366, 2007.

[12] Cui, Z., Chang, H., Shan, S., Zhong, B. and Chen, X., “Deep Network Cascade for Image Super-Resolution”‌, IEEE Conference on Computer Vision and Pattern Recognition, England, pp.‌49-64, 2014.

‌[13] Ouyang, W., Wang, X., Zeng, X., Qiu, S., Luo, P., Tian ,Y. and Tang, X., “Deepid-Net:‌ Deformable Deep Convolutional Neural Networks for Object Detection”‌, IEEE Conference on Computer Vision and Pattern Recognition, Boston, pp.‌2403-2412, 2015.

‌[14] Yang, J., Wang, Z., Lin, Z., Cohen, S. and Huang, T., “Coupled Dictionary Training for Image Super-Resolution”‌, IEEE Transactions on Image Processing, Vol.‌21, No.‌11, pp.‌3467-3478, 2012.

‌‌[15] Chen, X., Xiang S., Liu, C. L. and Pan, C. H., “Vehicle Detection in Satellite Images by Parallel Deep Convolutional Neural Networks”‌, IEEE Conference on Pattern Recognition, China, pp.‌181-186, 2013.