Derin öğrenme ile süper çözünürlüklü radar görüntüleme

Abstract

Radarlar (Radio Detection and Ranging), genellikle doğal afetler, hava trafik kontrolü, hedef arama, bulma ve takip etme gibi alanlarda kullanılan bir gözlem aracıdır. Radar görüntüleme sistemleri, günün her saatinde ve her türlü hava koşulunda görüntüleyebilme gibi avantajları nedeniyle uzaktan algılama uygulamalarında optik görüntüleme sistemlerinden üstündür. Radar anteninden yayınlanan elektromanyetik sinyal darbelerinin yansıyan tepkileri işlenerek, birçok uzaktan algılama uygulaması için önemli olan hedef nesneye ilişkin mesafe, açı ve hız gibi bilgiler elde edilebilmektedir. Bu tezde de ele alındığı gibi radarlarda en önemli uygulamalardan biri görüntülemedir. Görüntüleme radarlarının en önemli faktörü ise çözünürlüktür. En önemli faktör olmasının yanı sıra başarılması zor bir eylemdir çünkü yüksek çözünürlüklü radar görüntüsünün başarılması yüksek bant çözünürlüklüğü ve açısal genişliğe bağlıdır. Yüksek bant genişliği kademeli frekans veya doğrusal frekans kullanılarak başarılabilse de açısal genişlik antenin boyunun büyük olması ile alakalıdır. Bu durum gerçek hayatta mümkün olamadığı için yapay açıklıklı radarlar devreye girer. Sonuç olarak yüksek çözünürlük, gerçekten anten boyutunu büyütmektense radarın hareketli olmasından yararlanılarak yapay açıklık elde edilmesiyle yapılır. Yapay açıklıklı radar sistemlerinde, radar antenini belirli bir yönde sabit bir hızda hareket ettirerek, genellikle radar antenini bir uçağa entegre ederek yapay bir açıklık oluşturulur. Bu hareket sırasında antenden hedef alana veya nesneye doğru elektromanyetik sinyaller gönderilir ve aynı anda geri saçılan sinyaller toplanır. Yapay açıklıklı radar sayesinde antene gelen sinyallerle görüntü oluşturulur. Hedef hareketli ve radar sabitse ters yapay açıklıklı radar, radar hareketli hedef sabitse yapay açıklıklı radardır. Radarlarda tek bir bakış açısı ile gönderilen işaretten 1 B radar görüntüleri, farklı bakış açılarından toplanan işaretlerin gönderilmesiyle de 2 B radar görüntüleri oluşturulur. Radar görüntüsü oluşturabilmek için menzil ve çapraz menzil profillerine ihtiyaç vardır. Menzil profili oluşturmak için Fourier dönüşümünden yararlanılır. Fourier tabanlı yöntemde sınırlı bant ve açı aralığında çalışıldığı için spektral sızıntı ile karşılanır bu da yan lob problemine sebep olur. Yan lob problemi pencereleme teknikleri ile çözülmeye çalışılsa da bunu yaparken çözünürlük daha da azalır. Bu sorunları çözmek için farklı yöntemler geliştirilmiştir. Fourier dönüşümü yanında spektral kestirim yöntemleri ile de yüksek çözünürlüklü radar görüntüsü elde etmek mümkündür. Bunlara örnek olarak MUSIC VE AR modelleri verilebilir. Bu iki yöntem benzer olsa da yapılan çalışmalar sonucu MUSIC spektral kestirim yönteminin kompleks hedefleri görüntüleme de daha başarılı olduğu bulunmuştur. Başka bir TYAR görüntüleme tekniği ise sıkıştırılmış algılama tabanlı yöntemlerdir. Sıkıştırılmış algılama yöntemi ile daha az veri kullanılır. Ancak, normal Fourier dönüşümü tabanlı yöntemlere göre daha yavaştır. Ayrıca hedefin seyrek temsil edebileceği varsayımına dayanır. Bu sorunlar sebebiyle evrişimli sinir ağ metodları daha başarılı bulunmuştur. Son zamanlarda gelişen derin öğrenme metotları ile yüksek çözünürlüklü görüntüler elde edebilmekte de büyük rol oynar. Bu evrişimli sinir ağları, çok sayıda yüksek çözünürlüklü görüntü kullanarak ağ eğitip bu verileri kullanarak süper çözünürlük işlemini gerçekleştirir. Fakat radar görüntüleme ile çok sayıda görüntü elde etmek çok zor ve maliyetlidir. Bu sebeple bu sorunu çözmek için eğitim gerektirmeyen yeni bir derin ağ literatüre tanıtılmıştır. Önerilen Deep image prior ağında eğitim yapmak yerine ağın içindeki evrişimli sinir ağlarından yararlanılarak bu ağın girişine verilen gürültüyü prior bilgi olarak kullandığı düşük çözünürlüklü görüntü ile referans olarak verilen yüksek çözünürlüklü görüntüye yakınsamaya çalışır. Diğer ağlarda ağ eğitmek için veriler üretilirken veri setini büyütmek için verilere gürültü ekleme, döndürme, çevirme vb. veri çoğaltma fonksiyonları uygulanmıştır. Bu uygulanan görüntüler toplanıp bazı metrikler dahilinde karşılaştırılmıştır. Görsel karşılaştırılmaların yanı sıra elde edilen sonuçlar literatürde radar görüntüleme için kullanılan kabul görmüş bazı metrikler kullanılarak karşılaştırılmıştır. Bu metrikler psnr, entropi, ssim'dir. Sonuç olarak, düşük çözünürlüklü görüntüleri iyileştirip yüksek çözünürlüklü radar görüntüleri elde etmek için 5 farklı derin öğrenme modeli sunulmuştur. Bu ağlar PFA sonuçlarını iyileştirmek için kullanılmıştır. Eğitim gerektiren ağlarda çok sayıda veri ve uzun süreli eğitim yapılmadığı için PFA'yı geçememiş fakat DIP ile eğitime ihtiyaç duymadan radar görüntülerinin iyileştirilmesi başarılmıştır. Derin öğrenmede iyi sonuç almak için çok büyük verisetlerine ihtiyaç olmadığı, eldeki veriyi ve sinir ağlarını kullanarak çok daha yüksek çözünürlüklü görüntüler elde edilebileceği görülmüştür.