1. SAR gemisi hedef tespitine genel bakış
Sentetik Açıklıklı Radar (SAR), tüm hava koşullarında, tüm hava koşullarında ve hava şartlarından bağımsız görüntüleme özelliklerine sahiptir ve insanların dünyayı gözlemlemesi için önemli araçlardan biri haline gelmiştir. Bu nedenle, SAR verilerini hedef tespiti için kullanmak, görüntü yorumlamanın önemli araştırma yönlerinden biridir. Havadan ve uzaydan SAR yoluyla, çok sayıda yüksek çözünürlüklü SAR okyanus görüntüsü elde edebiliriz ve gemi hedefleri ve gemi izleri bu görüntülerde açıkça görülebilir. SAR görüntülerinden gemi hedeflerinin tespit edilmesi, çok çeşitli uygulama olanaklarına sahiptir.Askeri sahada, belirli hedeflerin konum tespiti, taktik konuşlandırmaya ve kıyı savunması erken uyarı yeteneklerinin geliştirilmesine yardımcı olur; sivil mahallelerde, bazı kaçakçılık ve yasadışı balıkçı gemileri gerçekleştirilir. Muayene, sevkiyatın izlenmesi ve yönetimi için faydalıdır.
Geleneksel gemi hedef tespitinde kullanılan veriler tek kanallı SAR verileridir Bu tür veriler yalnızca geminin yoğunluk bilgisini içerir, bu nedenle gemi hedefleri ile deniz karmaşası arasındaki saçılma bilgisindeki farkı tam olarak yansıtamaz. Bunun aksine, çok kutuplu SAR (Polarimetrik SAR) verileri daha fazla hedef saçılma bilgisi içerir, bu nedenle gemi hedefleri ile deniz dağınıklığı arasındaki saçılma bilgisindeki farkı daha etkili bir şekilde yansıtabilir, bu nedenle çoğu araştırmacı üzerinde çalışmıştır. Sıcak nokta, PolSAR görüntülerine dayanarak gemi hedefi tespiti görevine döndü.
Saçılma mekanizması perspektifinden bakıldığında, deniz yüzeyi saçılması esas olarak yüzey saçılmasıdır (tek saçma olarak da adlandırılır) ve gemi hedefleri, deniz yüzeyinden farklı bir saçılma mekanizmasına sahiptir. Karmaşık gövde yapısı, gemi hedefinin birçok farklı "açı dağılım" cihazının bir koleksiyonu olarak kabul edilmesini sağlar, bu nedenle tekli saçılmaya ek olarak, gemi hedefleri ayrıca ikincil saçılma, hacim saçılımı, spiral saçılım vb. İçerir. Şekil (1), ortak gemilerin saçılma bileşenlerinin şematik bir diyagramını gösterir.Bu farklı saçılma mekanizmaları, SAR görüntülerinde gemi hedefi tespitinin temelini oluşturur. Genel olarak, mevcut ortak ana SAR gemisi hedef tespit yöntemleri aşağıdaki üç kategoriye ayrılabilir:
Şekil 1. Tipik gemi hedefi saçılma mekanizması
2. Hedefin saçılma polarizasyon gösterimi
Burada, | · | ve (·) sırasıyla elemanın genliğini ve fazını temsil eder. Geri saçılma karşılıklılık teoremini karşılarsa, verici ve alıcı antenler değiştirilebilir ve bu zamandaki matris simetrik bir matristir, yani SHV = SVH'dir.
Aslında, matris genellikle tek bir saçılma hedefini tanımlamak için kullanılırken, doğadaki hedef genellikle dağıtılmış bir hedef olarak mevcuttur. Bu gerçeğin ışığında, araştırmacılar ayrıca bu tür bir hedefi açıklamak için 3x3 kovaryans matrisi veya 3x3 tutarlılık matrisi seçtiler. Bunlar arasında matris şu şekilde tanımlanır:
Buraya,
Formülde i (i = 1,2,3) özdeğer ve vi karşılık gelen özvektördür. Denklemdeki (5) ilişkiden dolayı ve aynı karakteristik değere sahiptir.
3. Gemi hedefi tespit yöntemine giriş
3.1. Arka plandaki karmaşanın istatistiksel dağılımına dayalı gemi hedefi tespiti
Bazı azimut bulanıklığı ve dağınıklık pikselleri de gemilere benzer saçılma yoğunluğuna sahip olduğundan, yalnızca gemileri tespit etmek için yoğunluk dağılım modelini kullanmak bu tür hedefleri yanlış algılayabilir.Bu nedenle, hedefin yoğunluk dağılımı yoğunluğunu dikkate alırken, Leng ve ark. CFAR'ın uzamsal dağılımı, geleneksel CFAR dedektörüne eklenir ve "Bilateral CFAR" dedektörü olarak adlandırılır.
Formülde
Açıkçası, formül (14)
X ve xj arasındaki farkın içeride birikmesi. Gemi hedefinin pikselleri sürekli ve yoğun bir şekilde dağıtıldığı için, bu piksellerin karşılık gelen fh = 1 (x) değeri nispeten büyüktür, deniz parazit pikselleri ise dağınıktır ve fh = 1 (x) değeri nispeten küçüktür, bu nedenle Denklem 13 olabilir Gemi hedeflerini tespit etmek için kullanılır.
W, pencerenin genişliğidir.
Şekil 2. İkili CFAR algılama algoritmasının akış şeması
Şekil 3. Veri seti. (A) TerraSAR-X: VV; (b) ENVISAT: VV
İkili CFAR dedektörünün performansını test etmek için Leng ve diğerleri, TerraSAR-X veri seti ve ENVISAT veri seti olmak üzere iki farklı deneysel veri seti seçmiştir. Şekil 3, iki veri setinin karşılık gelen VV yoğunluk haritalarını göstermektedir.
Şekil 4. İkili CFAR dedektörünün ve Standart CFAR dedektörünün ROC eğrilerinin karşılaştırılması
3.2. Polarizasyon ayrışmasına dayalı gemi hedefi tespiti
Burada dönüş açısı ve dönüş açısı matrisidir. Dönüş açısı işlemenin amacı, gemi hedeflerinin ikincil dağılımını daha da iyileştirmek ve hacim dağılımını azaltmaktır. Daha sonra (8) temelinde, Sugimoto, 4 saçılma bileşeninin değerlerini elde etmek için Yamaguchi 4 bileşen ayrıştırma yöntemini (4-CSPD olarak kısaltılmıştır) kullanır: tek saçılım Ps, ikinci saçılım Pd (burada Optimize Edilmiş Pd olarak adlandırılır), Hacim saçılımı Pv ve spiral saçılma Pc.
Şekil 5. Algoritma algılama akış şeması
Şekil 6. Veri seti. (A) Veri seti 1: ALOS-PALSAR sözde renk haritası; (b) Veri seti 2: RADARSAT-2 sözde renkli harita. Kırmızı: ikincil saçılma, yeşil: hacim saçılması, mavi: Yüzey saçılımı Beyaz dikdörtgen kutu, homojen dağınık deniz alanını temsil eder.
Adım 1: Döndürme işlemini gerçekleştirin ve ardından Ps, Optimize EdilmişPd, Pv ve Pc parametrelerini elde etmek için 4-CSPD ayrıştırması gerçekleştirin.
Adım 2: Karşılık gelen CFAR dedektörünü oluşturmak için her dedektör ("PT-Ps", Optimize Edilmiş Pd) için arka plan parazit modellemesi gerçekleştirin.
Adım 3: Gemi hedefi tespiti yapın ve sonuçları çıkarın.
Deneysel bölümde, Sugimoto ve arkadaşları, bu iki algoritmanın algılama performansını doğrulamak için iki farklı sensörün (ALOS-PALSAR ve RADARSAT-2, Şekil 6'da gösterildiği gibi) tamamen polarize veri setlerini seçti. Veri seti 1 ile ilgili olarak, "PT-Ps" ve Optimize Edilmiş Pd grafiklerine dikdörtgen arka plan alanının dağınıklık istatistiksel dağılımını yerleştirdikten sonra Sugimoto, bu iki dedektörün arka plan karmaşasının Şekil 7'de gösterildiği gibi Gama dağılımına uyduğunu buldu. Göstermek. Gama dağılımına göre, CFAR dedektörünü oluşturarak, Şekil 8 ve Şekil 9 sırasıyla bu iki farklı algoritmanın veri setleri 1 ve 2 üzerindeki algılama sonuçlarını göstermektedir. Saptama sonucunun Pf = 1 × 10-3 ayarı koşuluyla elde edildiğine dikkat edin.
Şekil 7. Farklı algoritmaların istatistiksel dağılımı. (A) "PT-Ps" görüntüsü; (b) Dikdörtgenlerin istatistiksel dağılımı (a); (c) Optimize edilmiş Pd grafiği; (d) (c) 'deki dikdörtgenlerin istatistikleri Dağıtım
Şekil 9. Veri setinde farklı algoritmaların tespit sonuçları 2. (a) "PT -Ps"; (b) Optimize Edilmiş Pd
Şekil 10. SAR görüntüsü eğik aralıkta ve azimut yönünde bulanık. (A) Eğik aralık bulanık; (b) azimut yönü bulanık
3.3. Polarizasyon özelliklerine göre gemi hedefi tespiti
Formülde, n bulanıklık numarası, dalga boyu, fp PRF, v SAR platform hızı, fDR Doppler oranı ve fDC Doppler merkezidir.
Şekil 13. AIRSAR C-Band deniz alanı veri seti, Kojima Körfezi yakınında. (A) Güç haritası; (b) HH genlik haritası; (c) HV genlik haritası; (d) VV genlik haritası. Buradaki görüntünün yatay yönünün Eğik mesafe yönü, dikey yön azimut yönüdür.
3 düşüktür, bu nedenle özdeğer ayrıştırma yöntemi gemi hedefi tespiti için kullanılabilir.
Özellikle Wang ve arkadaşları, gemi hedeflerini tespit etmek için aşağıdaki dört ana adımı kullandı:
Adım 1: Tutarlılık matrisini filtreleyin.
Adım 2: Karşılık gelen 3 öz değeri, yani 1, 2, 3 elde etmek için her pikselin matrisini ayrıştırın.
Adım 3: Tahmin edilecek her pikselin homojen alanını hesaplamak için 3'ü kullanın.
Adım 4: Eşiği belirleyin ve algılama sonucunu verin.
Şekil (12), belirli algoritma akış şemasını göstermektedir.
Algoritmanın etkililiğini doğrulamak için Wang ve diğerleri, deneysel veri seti olarak Japonya'daki Kojima Körfezi yakınlarındaki denizdeki AIRSAR verilerini seçmişlerdir.Şekil (13) ilgili C-Band gücünü ve bu alandaki her bir kanal yoğunluğu haritasını göstermektedir. Açıktır ki, A11 ve A12, hedef Tl'e karşılık gelen azimut bulanıklıklarıdır.
Ardından, Şekil (14) 'de gösterilen sonucu elde etmek için veri setinde özellik ayrıştırması gerçekleştirin. Şekil (14) 'ü analiz ederek, üç özdeğer sonuç rakamında, yalnızca şekil (c)' deki gemi hedefi 3 değerinin arka plan karmaşasına ve azimut bulanıklığına karşılık gelen 3 değerinden çok daha yüksek olduğunu bulabiliriz. Bu nedenle, bu doğrudan gemi tespiti için karakteristik 3 değerinin etkinliğini kanıtlar. Şekil (15), bu veri seti üzerindeki her bir algoritmanın algılama sonuçlarını göstermektedir. TP-CFAR ve PWF dedektörleriyle karşılaştırıldığında, yeni algoritmanın gemiyi tespit ederken azimut bulanıklığını başarılı bir şekilde ortadan kaldırdığı görülebilir.
Dört özet
Bu makale, SAR görüntülerinde gemi hedefi tespitinin mevcut yöntemlerini ve yöntemlerini özetlemekte ve bazı popüler algoritmaları ayrıntılı olarak tanıtmaktadır. Ancak, yukarıda açıklanan algoritma, SAR görüntü gemisi hedef tespit algoritmasındaki buzdağının yalnızca görünen kısmıdır.Derin öğrenmeye dayalı SAR gemisi tespiti ve diğer görüntü bilgilerine dayalı SAR gemisi hedef tespiti gibi daha fazla tespit yöntemi de olacaktır. Gelecekteki araştırmaların odak noktası.
Kaynak: SIGAI
(Bu makale bir ağ alıntı veya yeniden basımdır, telif hakkı orijinal yazara veya yayın medyasına aittir. Çalışmanın telif hakkına dahilseniz, lütfen bizimle iletişime geçin.)