2-boyutlu Seyrek Özbağlanımlı Modelleme İle Radar Hedef Sınıflandırma

Abstract

Sentetik açıklı radar görüntülemede kullanılan geleneksel yöntem hızlı ve işlem maliyetinin düşük olması nedeniyle 2 boyutlu Fourier dönüşümüdür. Radar görüntülemede menzil çözünürlüğü frekans bant genişliğine, çapraz menzil çözünürlüğü ise gözlem açı aralığına bağlı olduğundan 2 boyutlu Fourier dönüşümüyle yüksek çözünürlüklü görüntü elde edebilmek için geniş bant-geniş gözlem açı aralığında veri toplamak gerekmektedir. Ancak gerçek hayatta gerçekleştirilen uygulamalarda bu koşulları sağlamak oldukça zordur. Dar bant-dar açı koşullarında 2 boyutlu Fourier dönüşümü istenen çözünürlüğü sağlayamamaktadır. Literatürde bu problemin çözümü için yüksek çözünürlüklü spektral kestirim yöntemleri kullanılmaktadır. Bu çalışmada spektral kestirim yöntemlerinden MUSIC (Multiple Signal Classification) ve özbağlanımlı (Auto-Regressive) modelleme metodlarına değinilecektir. MUSIC algoritması ile radar hedef görüntülemede gürültü saçıcıları başarılı bir şekilde bastırılmasına rağmen veri toplanan frekans bandı ve açı sektörü daraldıkça radar hedef görüntüsünde bozulmalar önemli ölçüde artmaktadır. Özbağlanımlı (AR) modellemede ise dar frekans bandı ve açısal sektörde hedef radar görüntüsü korunsa da çok sayıda sahte saçıcılar oluştuğundan görüntüde hedef ile arka plan ayrımı zorlaşmaktadır. Özbağlanımlı modellemede sahte saçıcıların bastırılması amacıyla tekil değer ayrışımı (singular value decomposition-SVD) kullanılır. Bu yöntem özbağlanımlı modelleme ile elde edilen radar hedef görüntüsünde sahte saçıcıları bastırmayı başarsa da radar hedef görüntüsünde veri kaybını engelleyemememektedir. Bu çalışma kapsamında önerdiğimiz seyrek özbağlanımlı (sparse AR) modelleme yönteminde ise veriler dar frekans bandı ve açısal sektörde toplansa dahi sahte saçıcılar başarılı bir şekilde bastırılmaktadır. Ayrıca bu işlemi yaparken görüntülenmesi amaçlanan hedefin görüntüsünde oluşabilecek bozulmayı önemli ölçüde engellemektedir.

Traditional SAR imaging method is 2-D Fourier transform, because of its speed and simplicity. In SAR imaging range resolution depends on frequency bandwidth and cross-range resolution depends on angular width. Because of this condition, wide frequency bandwidth and wide angular width is needed for high resolution SAR images. However it is hard to meet this conditions in real life applications. In the literature, there are some high resolution spectral estimation techniques to get high resolution SAR images in the narrow frequency bandwidth - angular width such as MUSIC (Multiple Signal Classification) and AR (Auto-Regressive) Modelling. MUSIC algorithm is a successful method to suppress the spurious scatterers. Nevertheless, when frequency bandwidth and angular sector is narrow, deteriorations affect the radar target image highly. AR modelling method works well in case of narrow frequency band and angular sector; but there are too many spurious scattering centers that prevent to distinguish the radar target image and background. SVD can be used to suppress spurious scattering centers; but it also causes to suppress scattering centers of target. In this study, we present sparsity regularized AR models and apply them to the problem of high resolution radar imaging. We constraint AR coefficient vector to be sparse. By using the sparsity prior we constrain AR coefficient vector to be sparse. The use of resulting coefficient vector yields radar images with reduced side lobes improving the discrimination of the target from the background. This method also works successfully in case of narrow frequency band and angular sector.