GPR Clutter Reduction by Robust Orthonormal Subspace Learning

Abstract

El desorden disminuye severamente la visibilidad del objetivo, por lo tanto, las tasas de detección en los sistemas de radar de penetración terrestre (GPR). El método de eliminación de desorden basado en el análisis robusto de componentes principales (RPCA) recientemente propuesto descompone la imagen GPR en su rango bajo y partes dispersas correspondientes a los componentes de desorden y objetivo. Motivado por sus resultados alentadores, muchos métodos de descomposición de rango bajo y escasa (LRSD) de menor complejidad, como la descomposición go (GoDec) o la factorización de matriz no negativa robusta (RNMF), se han aplicado a GPR.Este documento propone un nuevo método de reducción de desorden utilizando un aprendizaje robusto del subespacio ortonormal (ROSL). La imagen GPR sin procesar se descompone en sus partes de desorden y objetivo a través de ROSL.El método propuesto es más rápido que el popular RPCA. Aunque tiene una complejidad similar y un rendimiento similar con GoDec y RNMF para parámetros ajustados de estos métodos, el método propuesto no requiere ningún preajuste de los parámetros del algoritmo. Su rendimiento sigue siendo independiente para un valor de parámetro de amplio rango. Los resultados demuestran que el método propuesto logra un rendimiento 14-48% más alto en términos de valores PSNR que los métodos LRSD de última generación para una elección arbitraria de parámetros.Le fouillis diminue considérablement la visibilité de la cible, donc les taux de détection dans les systèmes de radar pénétrant dans le sol (GPR). La méthode d'élimination du fouillis basée sur l'analyse en composantes principales robustes (RPCA) récemment proposée décompose l'image GPR en ses parties de bas rang et éparses correspondant au fouillis et aux composantes de la cible. Motivé par ses résultats encourageants, de nombreuses méthodes de décomposition de bas rang et éparses (LRSD) de complexité inférieure telles que la décomposition go (GoDec) ou la factorisation matricielle non négative robuste (RNMF) ont été appliquées à GPR.Cet article propose une nouvelle méthode de réduction du fouillis utilisant un apprentissage sous-espace orthonormé robuste (ROSL). L'image GPR brute est décomposée en ses parties fouillis et cibles via ROSL.La méthode proposée est plus rapide que le RPCA.Bien qu'elle ait une complexité similaire et des performances similaires avec GoDec et RNMF pour les paramètres affinés de ces méthodes, la méthode proposée ne nécessite aucun préréglage des paramètres de l'algorithme. Ses performances restent indépendantes pour une valeur de paramètre de large plage. Les résultats démontrent que la méthode proposée atteint des performances de 14 à 48 % supérieures en termes de valeurs PSNR que les méthodes LRSD de pointe pour un choix de paramètre arbitraire.The clutter severely decreases the target visibility, thus the detection rates in ground penetrating radar (GPR) systems.Recently proposed robust principal component analysis (RPCA) based clutter removal method decomposes the GPR image into its low rank and sparse parts corresponding to clutter and target components.Motivated by its encouraging results, many lower complexity low rank and sparse decomposition (LRSD) methods such as go decomposition (GoDec) or robust non-negative matrix factorization (RNMF) have been applied to GPR.This paper proposes a new clutter reduction method using robust orthonormal subspace learning (ROSL).The raw GPR image is decomposed into its clutter and target parts via ROSL.The proposed method is faster than the popular RPCA.Although it has similar complexity, and similar performance with GoDec and RNMF for fine tuned parameters of these methods, the proposed method does not require any presetting of the algorithm parameters.Its performance remains independent for a broad range parameter value.Results demonstrate that the proposed method achieves 14 -48% higher performance in terms of PSNR values than the state-of-the-art LRSD methods for an arbitrary parameter choice.تقلل الفوضى بشدة من وضوح الهدف، وبالتالي فإن معدلات الكشف في أنظمة الرادار المخترق للأرض (جي بي آر). تعمل طريقة إزالة الفوضى القائمة على تحليل المكونات الرئيسية القوية (RPCA) المقترحة مؤخرًا على تحليل صورة جي بي آر إلى أجزائها منخفضة الرتبة والمتفرقة المقابلة للفوضى والمكونات المستهدفة. بدافع من نتائجها المشجعة، تم تطبيق العديد من طرق التحليل منخفض الرتبة والتحلل المتناثر ذات التعقيد المنخفض (LRSD) مثل تحليل التحلل (GoDec) أو تحليل المصفوفة غير السلبية القوية (RNMF) على جي بي آر. تقترح هذه الورقة طريقة جديدة للحد من الفوضى باستخدام تعلم الفضاء الجزئي المتعامد القوي (ROSL). تتحلل صورة GPR الخام إلى الأجزاء الفوضوية والمستهدفة عبر ROSL. الطريقة المقترحة أسرع من RPCA الشائعة. على الرغم من أنها ذات تعقيد مماثل، وأداء مماثل مع GoDec و RNMF للمعلمات المضبوطة بدقة لهذه الطرق، إلا أن الطريقة المقترحة لا تتطلب أي إعداد مسبق لمعلمات الخوارزمية. يظل أدائها مستقلاً لقيمة معلمة واسعة النطاق. توضح النتائج أن الطريقة المقترحة تحقق أداءً أعلى بنسبة 14-48 ٪ من حيث قيم PSNR من أحدث طرق LRSD لاختيار المعلمة التعسفي.