حذف نويز اسپكل از تصاوير رادار SAR با استفاده از يادگيري عميق

اصفهان : دانشگاه صنعتي اصفهان

مهندسي برق

كارشناسي ارشد

رادار روزنه مصنوعي SAR يك ابزار پيشرفته در سنجش از راه دور است كه از امواج مايكروويو براي توليد تصاوير با وضوح بالا از سطح زمين استفاده مي‌كند. اين فناوري مي‌تواند در شرايط مختلف آب و هوايي، داده‌هاي دقيق جمع‌آوري كند. به دليل استفاده از امواج همدوس، تصاوير SAR با پديده‌اي به نام نويز اسپكل مواجه مي‌شوند. حذف نويزاسپكل يك گام ضروري در پردازش تصاوير دامنه يا شدت حاصل از سيستم‌هاي همدوس مانند SAR است. ازآنجا كه اسپكل ناشي از ويژگي‌هاي خاص اهداف موجود در تصوير است، براي تخمين و كاهش مؤثر آن، لازم است اين ويژگي‌ها به دقت شناسايي شوند. در اين پايان‌نامه، ابتدا روش‌هاي سنتي حذف نويز اسپكل مرور شده است. اين روش‌ها به سه دسته كلي روش‌هاي بيزي در حوزه فضايي، روش‌هاي بيزي در حوزه تبديل و روش‌هاي غير بيزي تقسيم مي‌شوند. سپس، روش‌هاي نوين مبتني بر يادگيري عميق، شامل روش‌هاي يادگيري نظارت‌شده و خود نظارتي براي كاهش نويز اسپكل، معرفي شده‌اند. در يادگيري نظارت‌شده، دو رويكرد يادگيري عميق مستقيم و مبتني بر مدل مورد بررسي قرار گرفته است. در اين پايان‌نامه، رويكردي نوين و نظارت شده مبتني بر شبكه‌هاي تخاصمي مولد واسراشتاين (Wasserstein GAN) براي كاهش نويز اسپكل در تصاوير SAR ارائه شده است. در روش پيشنهادي از دو شبكه متمايزكننده، فيلترسوبل براي حفظ جزئيات تصوير و نيز توابع هزينه متنوع استفاده شده است. نتايج كمي و تجربي حاصل از ارزيابي روي تصاوير شبيه‌سازي‌شده نشان مي‌دهد كه $PSNR$ براي شبكه پيشنهادي در تصاوير تست استاندارد حدود 9db نسبت به‌ روش‌هاي سنتي بيشتر است و همچنين در تصاوير واقعي ENL مقدار 0.6 از بهترين روش‌ سنتي بيشتر بوده است. بنابراين ضمن اينكه روش پيشنهادي نسبت به روش‌هاي سنتي، عملكرد بهتري در كاهش نويز اسپكل دارد، اين شبكه مي‌تواند جزئيات ساختاري تصوير را نيز به خوبي حفظ كند.

231787

مخابرات سيستم

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان