ایجاد تصویر حسگر نوری از داده های حرکتی در متلب

شنبه ۴ تیر ۱۴۰۱
بازدید ۳۹۱ نفر
AmRo
(10 امتیاز از 2 رای)
Loading...

ایجاد تصویر حسگر نوری از داده های حرکتی در MATLAB

این مثال نحوه تولید یک فیلم با 64 فریم و اندازه فریم 64 در 64 پیکسل (با سرعت 10 فریم در ثانیه) را نشان می دهد. این فیلم شامل شبیه سازی یک هدف متحرک است که در حال حرکت در یک پس زمینه ساختار یافته می باشد و خود نیز در حال حرکت است. یک حرکت لرزش ناشی از ارتعاش تصادفی نیز ایجاد می شود (در یک مدل Simulink با نام aero_vibrati) و حرکت لرزش به حرکت کلی حسگر اضافه می شود. در نهایت، تصویر از طریق یک تابع گسترش نقطه نوری گاوسی تار می شود. توجه: تغییر جزئیات در اینجا مستلزم تغییر در کادر محاوره ای و تنظیم پارامترها در ارتعاش مدل سیمولینک می باشد.

delt = 0.1; % Sample time of the generated sequence
num_frames= 64; % Number of frames to generate
framesize = 64; % Square frame size in pixels

out = zeros(framesize,framesize,num_frames); % Initialize movie storage as a 3D Array

delt = 0.1; % Sample time of the generated sequence

num_frames= 64; % Number of frames to generate

framesize = 64; % Square frame size in pixels

out = zeros(framesize,framesize,num_frames); % Initialize movie storage as a 3D Array

تولید هدف و تعیین حرکت

اولین مرحله در تولید یک هدف و تعیین حرکت در آن، تعریف شکل ظاهری و حرکت شی مورد نظر است. شکل انتخاب شده یک علامت مثبت بزرگ است، و تصویر با ماتریسی که شدت تصویر را در هر موقعیت پیکسل نشان می دهد، تعریف می گردد. هدف به صورت حرکت از مرکز به سمت راست پایین تصویر تعریف می شود.

target = [zeros(3,11)
zeros(1,5) 6 zeros(1,5)
zeros(1,5) 6 zeros(1,5)
zeros(1,3) 6 6 6 6 6 zeros(1,3) % Target is a plus sign 5 by 5 pixels across
zeros(1,5) 6 zeros(1,5) % with an intensity of 6 (S/N ratio is ~4).
zeros(1,5) 6 zeros(1,5) % The total target image is made on an 11x11 grid to
zeros(3,11)]; % allow the image to be interpolated without error.

target_velx = 1; % target velocity in x direction in pixels per second
target_vely = 1; % target velocity in y direction in pixels per second
target_x_initially = framesize/2; % the target is initially in the center of the frame in x
target_y_initially = framesize/2; % and in y

figure(1);
colormap('gray');
image(target*32);
title('Target Image')

target = [zeros(3,11)

zeros(1,5) 6 zeros(1,5)

zeros(1,3) 6 6 6 6 6 zeros(1,3) % Target is a plus sign 5 by 5 pixels across

zeros(1,5) 6 zeros(1,5) % with an intensity of 6 (S/N ratio is ~4).

zeros(1,5) 6 zeros(1,5) % The total target image is made on an 11x11 grid to

zeros(3,11)]; % allow the image to be interpolated without error.

target_velx = 1; % target velocity in x direction in pixels per second

target_vely = 1; % target velocity in y direction in pixels per second

target_x_initially = framesize/2; % the target is initially in the center of the frame in x

target_y_initially = framesize/2; % and in y

figure(1);

colormap('gray');

image(target*32);

title('Target Image')

ایجاد پس زمینه و انتخاب هدف از تصویر ترکیبی

یک پس زمینه با همبستگی سینوسی ایجاد کرده و یک حرکت انحرافی به آن بدهید. سپس، هدف را روی تصویر پس زمینه قرار دهید.

backsize = framesize+36; % Make the background bigger than the frame so when it
% drifts there are new pixels available to drift into.
xygrid = (1:backsize)/backsize;
B=2*sin(2*pi*xygrid).^2'*cos(2*pi*xygrid).^2;

psd = fft2(B);
psd = real(psd.*conj(psd));

background = B + 0.5*randn(backsize); % Add a specular Gaussian white
% sequence to the structure with
% variance of 0.25 (sigma of 0.5).

xoff = 10;
yoff = 10; % Sensor location is offset from the 0,0 of the background
driftx = 1;
drifty = 1; % drift rate of the background in a and y directions pix/sec.

minout = min(min(min(background)));
maxout = max(max(max(background)));
colormap('gray');
image((background-minout)*64/(maxout-minout))
title('Background image with additive white specular noise')

backsize = framesize+36; % Make the background bigger than the frame so when it

% drifts there are new pixels available to drift into.

xygrid = (1:backsize)/backsize;

B=2*sin(2*pi*xygrid).^2'*cos(2*pi*xygrid).^2;

psd = fft2(B);

psd = real(psd.*conj(psd));

background = B + 0.5*randn(backsize); % Add a specular Gaussian white

% sequence to the structure with

% variance of 0.25 (sigma of 0.5).

xoff = 10;

yoff = 10; % Sensor location is offset from the 0,0 of the background

driftx = 1;

drifty = 1; % drift rate of the background in a and y directions pix/sec.

minout = min(min(min(background)));

maxout = max(max(max(background)));

colormap('gray');

image((background-minout)*64/(maxout-minout))

title('Background image with additive white specular noise')

شبیه سازی ارتعاش چرخشی ردیاب

ارتعاش چرخشی ردیاب با استفاده از مدل aero_vibrati شبیه سازی شده است. داده های مورد نیاز برای شبیه سازی ارتعاش ردیاب با اجرای مدل aero_vibrati در محیط سیمولینک تولید می شود. مدل ارتعاش سیمولینک را با استفاده از دستور sim اجرا کنید. توجه داشته باشید که اگر delt از 0.1 ثانیه تغییر کرد، مدل سیمولینک نیز باید تغییر کند تا اطمینان حاصل شود که زمان نمونه برای لرزش با زمان نمونه در این مدل تصویر ردیاب مطابقت دارد. چرخش های تصادفی حاصله در شکل Figure 1 نشان داده شده است.

omega = 2*pi*5; % The structural frequencies are 5, 10 and 15 Hz in the model.
zeta = 0.01; % Damping ratio for all modes

open_system('aero_vibrati')
simout = sim('aero_vibrati','SrcWorkspace','current');

vibdat = simout.get('vibdat'); % The Simulink model "aero_vibrati"
% generates the vibration data at
% a sample time of 0.01 sec.
vibx = vibdat(1:10:1000); % The output of simulation is
% returned as the variable simout
% The variable simout contains
viby = vibdat(1001:10:2000); % the in array vibdat that contains
% the vibration data

levarmx = 10; % Rotational lever arm for vibration noise in x
levarmy = 10; % and in y.

subplot(211);
plot(0.01*(1:10:1000),vibx);grid;
title('Time history of the random Tracker rotations')
xlabel('Time');ylabel('x direction')

subplot(212);
plot(0.01*(1:10:1000),viby);grid;
xlabel('Time');ylabel('y direction')

omega = 2*pi*5; % The structural frequencies are 5, 10 and 15 Hz in the model.

zeta = 0.01; % Damping ratio for all modes

open_system('aero_vibrati')

simout = sim('aero_vibrati','SrcWorkspace','current');

vibdat = simout.get('vibdat'); % The Simulink model "aero_vibrati"

% generates the vibration data at

% a sample time of 0.01 sec.

vibx = vibdat(1:10:1000); % The output of simulation is

% returned as the variable simout

% The variable simout contains

viby = vibdat(1001:10:2000); % the in array vibdat that contains

% the vibration data

levarmx = 10; % Rotational lever arm for vibration noise in x

levarmy = 10; % and in y.

subplot(211);

plot(0.01*(1:10:1000),vibx);grid;

title('Time history of the random Tracker rotations')

xlabel('Time');ylabel('x direction')

subplot(212);

plot(0.01*(1:10:1000),viby);grid;

xlabel('Time');ylabel('y direction')

شبیه سازی جلوه های حرکتی، هدف و جیتر

فریم هایی که فیلم را تشکیل می دهند اکنون در یک آرایه چند بعدی (خارجی) ایجاد و ذخیره می شوند. هر فریم دارای پس زمینه و هدف در موقعیت های مختلف به دلیل حرکت هدف، انحراف پس زمینه و لرزش ردیاب است. اولین فریم فیلم در شکل Figure 1 نشان داده شده است.

clf; drawnow;

for t = 1:num_frames

% Drift the Background at the rate driftx and drifty
% (in pixels/second) and add in the vibration:
xshift = driftx*delt*t+levarmx*vibx(t,1);
yshift = drifty*delt*t+levarmy*viby(t,1);

% Interpolate the 2D image using the MATLAB(R) function interp2:
[xgrid, ygrid] = meshgrid(1:backsize);
[xindex, yindex] = meshgrid(xshift:1:xshift+backsize,yshift:1:yshift+backsize);
outtemp = interp2(xgrid,ygrid,background,xindex,yindex);

% Truncate the drifted image down from backsize to framesize:
out(:,:,t) = outtemp(xoff:xoff+framesize-1,xoff:xoff+framesize-1);

% Now let the target move also:
tpixinx = floor(target_velx*delt*t);
tpixiny = floor(target_vely*delt*t); % Before interpolating extract the number of pixels moved
txi = target_velx*delt*t - tpixinx;
tyi = target_vely*delt*t - tpixiny; % Interpolate on sub-pixels around the origin only
[txgrid tygrid] = meshgrid(1:11); % meshgrid here generates a matrix of grid elements
[txi tyi] = meshgrid(txi+1:txi+11,tyi+1:tyi+11); % meshgrid generates 2 matrices with the x and y grids

% Interpolate the intensity values first using interp2 -- a built in MATLAB command
temp = interp2(txgrid,tygrid,target,txi,tyi);

% Insert the target at the location determined by the initial offset, and the number of whole pixels moved
tx = tpixinx + target_x_initially-1;
ty = tpixiny + target_y_initially-1;
out(tx:tx+6,ty:ty+6,t) = temp(9:-1:3,9:-1:3) + out(tx:tx+6,ty:ty+6,t);

end

minout = min(min(min(out)));
maxout = max(max(max(out)));
colormap('gray');
image((out(:,:,1)-minout) * 64/(maxout-minout));
title('First frame of combined target and background image.')

clf; drawnow;

for t = 1:num_frames

% Drift the Background at the rate driftx and drifty

% (in pixels/second) and add in the vibration:

xshift = driftx*delt*t+levarmx*vibx(t,1);

yshift = drifty*delt*t+levarmy*viby(t,1);

% Interpolate the 2D image using the MATLAB(R) function interp2:

[xgrid, ygrid] = meshgrid(1:backsize);

[xindex, yindex] = meshgrid(xshift:1:xshift+backsize,yshift:1:yshift+backsize);

outtemp = interp2(xgrid,ygrid,background,xindex,yindex);

% Truncate the drifted image down from backsize to framesize:

out(:,:,t) = outtemp(xoff:xoff+framesize-1,xoff:xoff+framesize-1);

% Now let the target move also:

tpixinx = floor(target_velx*delt*t);

tpixiny = floor(target_vely*delt*t); % Before interpolating extract the number of pixels moved

txi = target_velx*delt*t - tpixinx;

tyi = target_vely*delt*t - tpixiny; % Interpolate on sub-pixels around the origin only

[txgrid tygrid] = meshgrid(1:11); % meshgrid here generates a matrix of grid elements

[txi tyi] = meshgrid(txi+1:txi+11,tyi+1:tyi+11); % meshgrid generates 2 matrices with the x and y grids

% Interpolate the intensity values first using interp2 -- a built in MATLAB command

temp = interp2(txgrid,tygrid,target,txi,tyi);

% Insert the target at the location determined by the initial offset, and the number of whole pixels moved

tx = tpixinx + target_x_initially-1;

ty = tpixiny + target_y_initially-1;

out(tx:tx+6,ty:ty+6,t) = temp(9:-1:3,9:-1:3) + out(tx:tx+6,ty:ty+6,t);

end

minout = min(min(min(out)));

maxout = max(max(max(out)));

colormap('gray');

image((out(:,:,1)-minout) * 64/(maxout-minout));

title('First frame of combined target and background image.')

تصاویر را از طریق اپتیک عبور دهید – از یک عملکرد دیافراگم گاوسی استفاده کنید.

عبور تصاویر از طریق اپتیک – استفاده از عملکرد دیافراگم گاوسی

در این بخش کد می توانید از یک تابع دیافراگم اندازه گیری شده به همین راحتی استفاده کنید. به سادگی پنج خط بعدی را با load measured_aperture جایگزین کنید، جایی که measured_aperture تابع اندازه گیری شده را در ASCII ذخیره می کند. داده های ذخیره شده در فایل measured_aperture.mat قرار دارد. این فایل mat حاوی تابع ماتریس است. برای راهنمای بیشتر و آشنایی با نحوه استفاده از mat فایل در متلب، دستور help load را تایپ کنید و به کد c و fortran نگاه کنید، در آنجا می توانید نحوه خواندن و نوشتن فایل های mat را مطالعه کنید. توجه داشته باشید که وقتی تابع Point Spread گاوسی است، تابع دیافراگم نیز گاوسی می باشد. برای شبیه سازی اثر اپتیک ردیاب، هر یک از فریم های فیلم اکنون با استفاده از یک FFT دو بعدی (تبدیل فوریه سریع) تار می شوند. اولین فریم از تصویر به دست آمده در شکل Figure 1 نشان داده شده است.

x = 1:framesize;
y = 1:framesize;
sigma = 120;
apfunction = exp(-(x-framesize/2).^2/(2*sigma))' * exp(-(y-framesize/2).^2/(2*sigma));
apfunction = fftshift(apfunction); % Rotate so it conforms with FFT convention

for j = 1:num_frames
out(:,:,j) = real(ifft2(apfunction.*fft2(out(:,:,j))));
end

minout = min(min(min(out)));
maxout = max(max(max(out)));
colormap('gray');
image((out(:,:,1)-minout)*64/(maxout-minout));
title('First frame of blurred image.')

x = 1:framesize;

y = 1:framesize;

sigma = 120;

apfunction = exp(-(x-framesize/2).^2/(2*sigma))' * exp(-(y-framesize/2).^2/(2*sigma));

apfunction = fftshift(apfunction); % Rotate so it conforms with FFT convention

for j = 1:num_frames

out(:,:,j) = real(ifft2(apfunction.*fft2(out(:,:,j))));

end

minout = min(min(min(out)));

maxout = max(max(max(out)));

colormap('gray');

image((out(:,:,1)-minout)*64/(maxout-minout));

title('First frame of blurred image.')

تولید و پخش فیلم MATLAB

فریم فیلم را طوری تنظیم کنید که دارای 64 مقدار شدت از حداقل تا حداکثر باشد و سپس نتیجه را به صورت تصویر نشان دهید. راهنمای MATLAB را برای نحوه کار فیلم in و getframe ببینید.

minout = min(min(min(out)));
maxout = max(max(max(out)));

M = moviein(num_frames);
for j = 1:num_frames
image((out(:,:,j)-minout)*64/(maxout-minout))
drawnow
M(:,j) = getframe;
end

% colormap('gray')
% movie(M);

minout = min(min(min(out)));

maxout = max(max(max(out)));

M = moviein(num_frames);

for j = 1:num_frames

image((out(:,:,j)-minout)*64/(maxout-minout))

drawnow

M(:,j) = getframe;

end

% colormap('gray')

% movie(M);

اختیاری: ذخیره فیلم در یک فایل mat

شما می توانید به صورت اختیاری فیلم ردیاب تولید شده را در یک mat فایل ذخیره کنید و همچنین psd پس زمینه را برای استفاده های بعدی با فیلم ذخیره کنید.

save trackerimage out
save psdback psd
save moviedat M

bdclose('aero_vibrati');

save trackerimage out

save psdback psd

save moviedat M

bdclose('aero_vibrati');

نکته پایانی: این مقاله آموزشی متلب از مثال های آماده خود نرم افزار MATLAB است که اگر تولباکس سیمولینک (Simulink) بر روی متلب شما نصب باشد، می توانید با تایپ دستور زیر در پنجره کامند متلب به این کدها و دستورات دسترسی داشته باشید.

openExample('simulink_aerospace/OpticalSensorImageGenerationExample')

1	openExample('simulink_aerospace/OpticalSensorImageGenerationExample')

منبع: mathworks

آموزش پردازش سیگنال های دیجیتال توسط دکتر مشهدی از دانشگاه شریف

آموزش تشخیص الگو توسط دکتر فاطمی ‌زاده از دانشگاه صنعتی شریف

آموزش شبکه عصبی در متلب به صورت فیلم از موسسه Udemy

فیلم آموزش متلب مقدماتی از دکتر طاهر لطفی به زبان فارسی

آموزش پردازش تصویر و رابط گرافیکی در متلب به صورت سرگرم کننده

آموزش پردازش و تحلیل داده های سری زمانی در نرم افزار MATLAB

فیلم آموزش شبکه عصبی در نرم افزار MATLAB به زبان فارسی

آموزش تجزیه و تحلیل داده های آماری با نرم افزار MATLAB

آموزش پردازش سیگنال های دیجیتال توسط دکتر مشهدی از دانشگاه شریف

آموزش تشخیص الگو توسط دکتر فاطمی ‌زاده از دانشگاه صنعتی شریف

آموزش شبکه عصبی در متلب به صورت فیلم از موسسه Udemy

فیلم آموزش متلب مقدماتی از دکتر طاهر لطفی به زبان فارسی

آموزش پردازش تصویر و رابط گرافیکی در متلب به صورت سرگرم کننده

آموزش پردازش و تحلیل داده های سری زمانی در نرم افزار MATLAB

فیلم آموزش شبکه عصبی در نرم افزار MATLAB به زبان فارسی

آموزش تجزیه و تحلیل داده های آماری با نرم افزار MATLAB

ایجاد تصویر حسگر نوری از داده های حرکتی در متلب

ایجاد تصویر حسگر نوری از داده های حرکتی در MATLAB

تولید هدف و تعیین حرکت

ایجاد پس زمینه و انتخاب هدف از تصویر ترکیبی

شبیه سازی ارتعاش چرخشی ردیاب

شبیه سازی جلوه های حرکتی، هدف و جیتر

عبور تصاویر از طریق اپتیک – استفاده از عملکرد دیافراگم گاوسی

تولید و پخش فیلم MATLAB

اختیاری: ذخیره فیلم در یک فایل mat

فشرده سازی تصویر پزشکی با الگوریتم JPEG2000 به روش DCT در متلب

شبیه سازی سطح پلاسمون میکرو نانو فوتونیک در نرم افزار متلب

رمزنگاری و رمزگشایی تصویر با شبکه عصبی SOM و LVQ در متلب

تشخیص لبه و حذف پس زمینه از تصاویر میدان نوری با نرم افزار متلب

بررسی خواص مکانیکی فیبر نوری در محلول آبی CTAC با متلب

خوشه بندی طیفی در تصاویر رنگی با الگوریتم Kmeans در متلب

تحلیل تقویت کننده‌ فیبر نوری آلاییده به اربیوم (EDFA) در مخابرات نوری با متلب

فشرده سازی تصویر پزشکی با الگوریتم JPEG2000 به روش DCT در متلب

شبیه سازی سطح پلاسمون میکرو نانو فوتونیک در نرم افزار متلب

رمزنگاری و رمزگشایی تصویر با شبکه عصبی SOM و LVQ در متلب

تشخیص لبه و حذف پس زمینه از تصاویر میدان نوری با نرم افزار متلب

بررسی خواص مکانیکی فیبر نوری در محلول آبی CTAC با متلب

خوشه بندی طیفی در تصاویر رنگی با الگوریتم Kmeans در متلب

تحلیل تقویت کننده‌ فیبر نوری آلاییده به اربیوم (EDFA) در مخابرات نوری با متلب

فشرده سازی تصویر پزشکی با الگوریتم JPEG2000 به روش DCT در متلب