Kenar Koruyan Görüntü Ayrışım Yöntemleri İle Sar Görüntülerinde Otomatik Hedef Sınıflama Performansının Arttırılması

Abstract

Radar teknolojisi ikinci dünya savaşının kaderini belirlemiş ve bu zamana kadar çok büyük bir aşama kaydetmiştir. Özellikle son dönemde gelişen teknolojilerden biri radar teknolojileriyle görüntülemenin yapılmasıdır. Yapay olarak açıklık oluşturma tekniği ile oluşturulan bu görüntülere SAR görüntüleri denir. SAR görüntüleri her türlü hava koşulunda ve her durumda alınabildikleri için kullanılması ve değerlendirilmesi büyük önem arzetmektedir. SAR görüntülerinin en büyük kullanım alanlarından biri de görüntülenen hedeflerin belirlenmesi. Fakat bu işlem SAR görüntülerinin doğasında bulundurduğu yüksek bozucu etkiler gereği problemli olmaktadır. Bu etkilerin giderilmesinin daha kolay ve daha yüksek başarımlı bir sınıflama sağlaması beklenmektedir. Radar görüntüleri hedefin belirli bir frekans bandı ve açı aralığında taranarak elde edilen geri yansıyan işaretlerin işlenmesi ile oluşturulur. Hedef ile radar doğrultusu menzi ekseni buna dik olan doğrultu da çapraz menzil eksenini oluşturu. Menzil ve çapraz menzil çözünürlüğü sıraıyla kullanılan frekans bandına ve gözlem açı aralığına bağlıdır. Uygulamada bu değerlerin çok yüksek tutulamaması oluşturulan radar görüntülerinde çözünürlük problemine neden olmaktadır. Ayrıca geri yansıyan işaretlerden görüntü oluşturmak için kullanılan Fourier dönüşümü de geri planda yan lob problemine neden olur. Ayrıca görüntüdeki bir çözünürlük hücresine karşı düşen hdef parçasında farklı yapıların buluması geri yanısyan işaretlerin girişimine neden olur ve bu etki de radar görüntüsü üzerinde benek gürültüsü olarak adlandırılan taneciklerşeklinde kendini gösterir. Tüm bu bozucu etkiler radar görüntüleri ile elde edilebilecek hedef sınıflama performansını sınırlamaktadır. Benek gürültüsü etkileri ve istatistikleri iyice çıkarılmış bir gürülltü çeşididir. Bu gürültüyü bastırmak için çeşitli yöntemler önerilmiş ve kullanılmıştır. Gürültü bastırmada en önemli hususlardan biri de detayların korunmasıdır, zaten düşük çözünürlüklü olarak elde edilen görüntülerdeki detaylar içeriğinin tespit edilebilmesi için büyük önem taşımaktadır. Görüntü bastırma işlemleri genellikle yumuşatma yaptıkları için bu detayların korunması sorun olmaktadır. Bu sebeple en önemli detaylardan biri olan kenarların korunması için kenar koruma özellikli filtreler benek gürültüsünün bastırılması için kullanılmaktadır. Bu filtreler bölgesel medyan değeri bularak piksel içeriğini bu medyan değer ile değiştiren medyan filtre, bir tür dalgacık dönüşümü ile kenarların korunmasını sağlayan ATWT, bu dalgacık dönüşümü için yoğunluk parametresi barındıran ağırlıklı ATWT ve hem yoğunluk hem de pikseller arası ilişkinin miktarının parametrelerini barındıran bilateral filtredir. Filtrelerin performansları görüntülerin kendinden nitel olarak anlaşılabilse de bunların nicel olarak ölçülebilmesine de yarayan görüntü metrikleri bulunmaktadır. Bu metriklerden bir kısmı görüntünün değişimini, bir kısmı hedef üzerindeki değişiklikleri belirlerken bir kısmı da benek gürültüsünün ne kadar kaldırıldığının göstergesini verir. xx SAR görüntüleri hedef sınıflama için benzersiz bir fırsat sunar. Başlangıçta bu işlem insanlar tarafından görüntülerin sınıflanması ile yapılırken zaman içinde bilgisayar teknolojisindeki ilerleme ve bilgisayar bilimlerindeki gelişmeler ile birlikte otomatik olarak bilgisayarlar tarafından yapılmaya başlanmıştır. Bunun için çeşitli otomatik tanıma algoritmaları önerilmiş ve geliştirilmiştir. Kim ve diğerleri tarafından önerilen yöntem ile hızlı bir şekilde hedeflerin tanınması yapılabilmektedir. Bu yönteme göre dönme etkilerini azaltma amaçlı alınan görüntü, menzilde ve çapraz menzilde sıkıştırılır ve buna PCA ile özetlenmiş görüntü de eklenerek öznitelik çıkartılır. Daha sonra bu öznitekiller sınıflama işlemine tabi tutulur. Tezde sınıflama işlemi iki farklı makine öğrenmesi yöntemi kullanılarak gerçekleştirilmiştir. Bu yöntemlerden birincisi çok basit yapıda olan KNN sınıflayıcısıdır. Burada eğitim kümseinde bulunan özniteliklerden, sınıflanması istenen görüntüye en yakın k adet komşu hesaplanır, en çok komşulukta öznitelik barındıran sınıfa sınıflanması istenen görüntü de dahil edilir. Daha sofistike bir yöntem olarak karşımıza çıkan destek vektör makineleri (DVM) özellikle lineer ya da düşük düzlemlerde ayrışması zor olan kümelerde yüksek boyuta taşıma yöntemiyle sınfılayabilen bir yapıdadır. Bu çalışmada radar görüntülerindeki bozucu etkilerin azaltılması dolayısıyla sınıflama performansının arttırılması için kenar koruyan görüntü ayrışımları sınıflama öncesi radar görüntülerine uygulanmış bozucu etkiler detay görüntülere akratılmış sadece kalıntı görüntüler sınıflama için kullanılmıştır. Kenar koruyan ayrışımların performansları büyük ölçüde parametrelere bağlı olduğu için farklı yaklaşımlar kullanılarak parametreler öncelikle gürültü ve görüntü metrik değerlerinin optimizasyonu sağlanarak belirlenmiş, farklı bir yaklaşım olarak da doğrudan sınıflama yüzdesini en iyileyecek şekilde seçilmiştir. Elde edilen değerler MSTAR veri setinin sınıflamasında kullanılmıştır. Sınıflama deneyinde kullanılan MSTAR veri seti Sandia National Laboratary tarafından hazırlanmı 7 farklı kara hedefine ait 298’ar görüntü içeren bir veri setidir. Görüntüleme x bandında yapılmış her bir görüntü 1,5𝑜 aralıklarla görüntülenmiştir. Filtrelenmiş görüntülerin sınıflama performansları beklendiği üzere artmıştır, yöntemin sofistikelik seviyesi arttıkça performansta da artma görülmüştür. Özellikle parametre ile kontrol edilebilen ağırlıklı ATWT ve bilateral filtre çok daha iyi sınıflama sonuçları vermiştir.Bunlardan iki parametre içeren bilateral filtre sınıflama performansını önemli bir ölçüde arttırmıştır. Kenar koruyan görüntü ayrışımlarına dayalı önişleme yöntemleriyle radar hedef sınıflama oranını arttırdığı gösterilmiştir. Tanıma oranının arttırılması için ayrıştırma sisteminin parametrelerinin sınıflama için optimize edilmesine dayanır. Böylelikle fazlalık olan bilgi gürültüyle birlikte detay düzlemine aktarılırken, tanıma işlemi için gereken ayırıcı detayların kalıntı görüntüde kalması sağlanır. Bu gerekli bilgiyi taşıyan kalıntıların sınıflama için kullanılması tanıma oranlarının optimum düzeyde olmasını sağlar.

Radar technology determined the flow of the second world war and since it took far away from where it started. By the developing technology radar systems are available to use in remote sensing and imagery. Synthetic apertures created by moving targets or moving radars are able to create SAR images. This imaging technic is widely available regardless of weather and lumination conditions. One of the biggest application of this images is remote target recognition. But the nature of radar imagery puts some challenges into this process. Highly corrupting effects present in radar images make them problematic for recognition algorithms. Some processes are proposed and defined to come over this effects. Suppression of this effects are expected to increase the classification performance of target recognition algorithms. Radar images are created in high frequency region within a wide frequency band sweep. Synthetic aperture is created during the movement of the radar in this sweep period. Scattering pulses are collected to create range profiles in complex plane. Since the sweep is not in a completely linear area range profiles are taken to the Cartesian plane from cylindrical plane via interpolation and rearrangement methods. At this point received data is in cartesian plane as range profiles in a matrix. Here it must be given attention to high frequency regions in the data which are located away from the center are mostly noise. To overcome this noise windowing is applied to the data and suppress the noise cumulated in high frequency. As final step an inverse FFT is applied to create images itself as range and cross range in two dimensions. Creation of the image includes the cascading steps listed. In this process not only applied to scatterers coming from target but also to the scatterers coming from side effects and especially from earth in the ground target imaging. During these complicated computations especially background scatterers present in ground targets are cumulated and pitches into significant noise effects. This significant effects get present in image as a granular texture in total called speckle noise. Speckle noise is well known and well-studied noise type. There are various approaches studied and proposed in order to suppress speckle noise. Since its presence is in the wide frequency bands and these approaches includes mostly filtering technics. One of the most important aspects of the speckle suppression technics should be protection of the target details. SAR images are already in the low resolution, protection of the details in the images have a huge importance in recognition of the targets in the images. Speckle suppression filters mostly work via smoothing operation which could be problematic for detail preserving. Especially edges and fine lines are mostly gets erased or become unnoticeable after smoothing operation. To prevent this there are edge preserving filters present which are eligible to be used in speckle suppression. These filters are median filter which replaces the value of the pixel with the median of the frame region, a shift invariant application of wavelet transform ATWT that protects edges; another variant of this wavelet with a parameter to set xxiii intensity of the operation called weighted ATWT, and a filter consists with two parameters one to consider intensity and another one sets the effect of neighboring pixels on the operated pixel called bilateral filter. Effects of the filters on the images can be assessed visually, but this will be a highly qualitied and subjective assessment. In order to achieve a better assessment and success an objective evaluation we need to employ some quantative measures. There are some metrics defined to measure state of SAR images, while some of them takes care of the image general like entropy some of them takes account of target area like main lobe width, some of the metrics solely focuses on speckle reduction like equivalent number of looks, and some like edge save index focuses on the edges present in the images and tracks the changes among them. Since SAR is operational regardless of the weather conditions and since it can extract more information it is really suitable for target recognition applications. While recognition is performed by the human operators at the beginning as the technological developments in the information processing and computer applications this task is left to computers with the automatic target recognition. To perform automatic target recognition various methods are suggested. There are some criterions should be better to taken care while choosing the ATR method, first one of course the recognition precision, but the computational load and applicability to different mediums are also contributes towards suitability. The ATR method proposed by Kim et. al. is easily implementable with an ease of computation. According to this method images are processed to get feature vectors. Each image is summed vertically and horizontally and an additional PCA compressed summary of the image are used together to create feature vector in one dimension. This feature vector creation procedure is repeated for each images in the data set. Feature vectors extracted are split into two parts one part is used for training group for the classification algorithm and the rest is used as test group which is classified trough the algorithm to see its performance. As classification algorithms two different algorithms uses different approaches are used to verify the consistency of the results. KNN k-Nearest neighborhood algorithm calculates k number of the closest neighbors and tags the test vector as the majority target. It is a really simple and reliable algorithm. Other algorithm is a more sophisticated algorithm support vector machine (SVM) which brings non linearly separable targets to higher dimension and makes a classification through it. MSTAR dataset used in experiment is a data set prepared for US Air Force by Sandia National Laboratory, later it made public for the research purposes. Data set contains various images, targets taken in various scenarios. But in the volume we are interested there are 7 different targets each with the 298 images taken from various angles. Images are taken in X band and each image has a 1,5𝑜 difference to the following image. Noise suppressed images via filtering technics had an increase in the classification performance as it is expected. Also a more sophisticated classifier resulted a better classification in a harmony with the simple classifier. Especially weighted ATWT and bilateral filter those are parameter optimized filters made a bigger increase in the classification results. Bilateral filter that consists two parameters outperformed weighted ATWT and resulted a significant increase in classification performance.