g u t x .com.tr İpek yolu - Çin'i anlamaya götürürüm

SAR görüntülerinde gemi hedefi tespitine giriş

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:

Arka plandaki karmaşanın istatistiksel dağılımına dayalı gemi hedefi tespiti
Polarizasyon ayrışmasına dayalı gemi hedefi tespiti
Polarizasyon özelliklerine göre gemi hedefi tespiti

Şekil 1. Tipik gemi hedefi saçılma mekanizması

2. Hedefin saçılma polarizasyon gösterimi

2 × 2 Sinclair saçılma matrisi, hedeflerin saçılma mekanizmasını tanımlamak için yaygın olarak kullanılan bir matristir. Doğrusal polarizasyon tabanından (H / V) türetilen ortak matris şu şekilde tanımlanır:

Burada SHV, elektromanyetik dalgaların dikey emisyonu ve yatay alımı anlamına gelir.Matristeki diğer üç parametre de benzer şekilde tanımlanmıştır. İçindeki öğeler karmaşık öğeler olduğundan, matris şu şekilde de ifade edilebilir:

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:

Burada, (·) H eşlenik devriktir, < · > Ortalama anlamına gelir, "*" eşlenik anlamına gelir ve k, 3 boyutlu sözlük benzeri bir vektördür, yani:

Burada (·) T, devrik işlemi anlamına gelir. Tutarlılık matrisi aşağıdaki ilişkiye sahip olduğundan burada ifadeyi vermeyeceğiz.

Buraya,

Ek olarak, özdeğerlerle de ifade edilebilir:

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

Sabit Yanlış Alarm Oranı (CFAR), en yaygın kullanılan gemi hedefi tespit algoritmalarından biridir ve arka plandaki karmaşanın istatistiksel dağılımını modelleyerek gemi hedeflerini tespit eder. Bu nedenle, CFAR dedektörünün anahtar adımı, arka plan karmaşasının istatistiksel modellemesinde yatmaktadır. Olasılık yoğunluk fonksiyonu fpdf (x) belirlendikten sonra, T eşiği tarafından üretilen yanlış alarm oranı:

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.

Makalede, Leng ve arkadaşları, hedeflerin uzamsal dağılımını belirlemek için nükleer yoğunluk tahminlerini kullandı. Çekirdek yoğunluğu tahmincisi şu şekilde tanımlanır:

Formülde, x1 ... xn hedef örnekleme pikselleri, n örnekleme noktalarının sayısı ve h çekirdek fonksiyonunun genişliğidir. K (·) bir çekirdek işlevidir ve aşağıdaki ilişkiyi karşılar:

Burada, literatür standart normal dağılımı bir çekirdek işlevi olarak kabul eder, yani:

O zaman fh (x) şu şekilde ifade edilebilir:

Formülde

Sürgülü pencerenin boyutudur. Son olarak, h = 1 olsun, x xspatial'ın uzamsal değeri şu şekilde ifade edilebilir:

Katsayılar doğrusal dönüşümü etkilemediğinden, (12) şu şekilde de basitleştirilebilir:

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.

Tablo 1: SAR görüntülerinde farklı piksel türlerinin xintensity, xspatial ve xcombined değerleri

Yukarıdaki analize dayanarak, xcombined hedefinin ortak dağılımı şu şekilde tanımlanır:

Ortalama xcombined:

W, pencerenin genişliğidir.

Deniz yüzeyinde gemi pikselleri, homojen olmayan alanlarda parlak pikseller, homojen olmayan alanlarda koyu pikseller ve homojen alanlarda karanlık pikseller olmak üzere 4 tip piksel bulunduğundan, yoğunluk ve uzaysal dağılım arasındaki ilişkiye göre gemi tespiti xcombined olur. Tablo 1'de gösterildiği gibi 4 durum olacaktır. Her durumda, kombine xcombined görüntünün yüksek bir sinyal-gürültü oranı görüntüsü olduğu, bu nedenle literatürdeki ikili mod yönteminin, T eşiğini daha da elde etmek için kullanılabileceği ve son olarak standart CFAR (Standart CFAR) dedektörünün algılamak için kullanıldığı bulunabilir. Gemi hedefi. Şekil 2, tüm algoritmanın akış şemasını göstermektedir.

Şekil 2. İkili CFAR algılama algoritmasının akış şeması

Şekil 3. Veri seti. (A) TerraSAR-X: VV; (b) ENVISAT: VV

Tablo 2: TerraSAR-X ve ENVISAT veri kümelerinde farklı algoritmaların algılama sonuçları

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.

Tablo 2, bu iki veri setinin deneysel sonuçlarını göstermektedir. Açıktır ki, geliştirilmiş Bilateral CFAR detektörünün performansı, Standart CFAR detektöründen daha iyidir. Şekil 4 ayrıca ikisinin ROC eğrilerini göstermektedir.

Şekil 4. İkili CFAR dedektörünün ve Standart CFAR dedektörünün ROC eğrilerinin karşılaştırılması

3.2. Polarizasyon ayrışmasına dayalı gemi hedefi tespiti

Sugimoto ve arkadaşları, gemilerin ve denizlerin farklı saçılma mekanizmalarını kullanarak iki farklı gemi hedefi tespit yöntemi önermiştir. Dedektörü inşa etmeden önce, Sugimoto ve arkadaşları açıyı döndürmek için kovaryans matrisini aşağıdaki gibi işledi:

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.

Deniz yüzeyindeki polarizasyon saçılma mekanizmasının esas olarak tek saçılma olduğu düşünüldüğünde, Sugimoto tarafından önerilen ilk detektör, toplam enerji PT'sinden tek saçılım Ps'yi çıkarmak, yani gemileri tespit etmek için "PT-P'ler" kullanmaktır; İkinci yöntem, gemileri tespit etmek için 4-CSPD ile elde edilen Optimize Edilmiş Pd bileşenini doğrudan kullanmaktır. İkinci yöntem makuldür, çünkü deniz yüzeyinin ikinci saçılma yoğunluğu gemi hedefininkinden daha küçüktür. Şekil 5, bu iki yöntemin akış şemasını göstermektedir. Özetle, bu iki algoritma esas olarak aşağıdaki 3 adımdan oluşur:

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 8 incelendiğinde, Optimize Edilmiş Pd'nin algılama performansının PT-Ps algoritmasınınkinden daha iyi olduğu görülebilir. Şekil 9 ayrıca veri seti 2'nin test sonuçlarını gösterir. Açıktır ki, tüm hedefler "PT-P'ler" tarafından tespit edilir, bu nedenle Şekil 8 ve Şekil 9'daki sonuçların kapsamlı analizi, "PT-P'lerin" Optimize Edilmiş Pd detektöründen daha sağlam olduğunu kanıtlayabilir.

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 8. Veri seti 1'de farklı algoritmaların tespit sonuçları. (A) "PT -P'ler"; (b) Optimize Edilmiş Pd

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

Yaygın karışıklık yanlış alarmlarına ek olarak, gemi hedefinin kendisinin neden olduğu azimut belirsizliği de gemi hedefi tespitinde zor bir sorundur. Geminin azimutunun belirsizliğine, Şekil (10) 'da gösterildiği gibi Doppler etkisinin neden olduğu "hayalet gemi" hedefi de denir. Sistem tasarımı perspektifinden, çok yüksek bir PRF (darbe tekrarlama frekansı) üst üste binen sürekli dönüş sinyalleri üretebilir ve bu da eğik mesafe bulanıklığı üretir (Şekil 10.a'da gösterildiği gibi). Aksine, çok düşük bir PRF, Doppler frekansının PRF'den daha yüksek olmasına neden olur ve bu da azimut bulanıklığı ile sonuçlanır (Şekil 10.b'de gösterildiği gibi). SAR görüntüsünün meyil aralığı ve azimut yönünde geminin bulanıklaşmasının xAZ ve xRA mesafeleri şunlardır:

Formülde, n bulanıklık numarası, dalga boyu, fp PRF, v SAR platform hızı, fDR Doppler oranı ve fDC Doppler merkezidir.

Denklem (18.a) incelendiğinde, xAZ'ın dalga boyuyla hiçbir ilgisi olmadığı görülebilir Denklemde (18.b), radar dalga boyu kısa olduğunda, gerçek hedef ve buna karşılık gelen belirsizlik eğim yönünde daha yakındır. Diğer bir deyişle, diğer parametreler değişmeden kaldığında, daha uzun bir dalga boyuna sahip sistemin eğim yönünde daha düşük bulanıklık olasılığı vardır, çünkü bu bulanıklıklar eğim yönünde hedef alanı aşmıştır. Bu nedenle, SAR görüntüsü gemi tespitinde, daha fazla bilim insanı azimut bulanıklığının kaldırılmasına dikkat etmektedir. Ek olarak, bu analizlere dayanarak, Şekil (11) 'de gösterildiği gibi, C-bandı SAR görüntülerinin L-bandı SAR görüntülerine göre azimut bulanıklığına daha yatkın olduğunu da bulabiliriz.

Şekil 11. AIRSAR veri seti. (A) L-bandı güç haritası; (b) C-bandı güç haritası. Burada A1, hedef S1'in azimut bulanıklığıdır. Buradaki görüntünün yatay yönünün eğim yönü ve dikey yönün Azimut.

Şekil 12. Azimut bulanıklığı giderme algoritmasının akış şeması.

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.

Wang ve arkadaşları, azimut belirsizliğinin etkisini ortadan kaldırmak için gemi tespiti için denklem (7) 'deki özdeğerleri kullandı. Bu mantıklıdır çünkü gemi hedefi karmaşık bir metal yapıya sahiptir ve tüm gemiler tek saçılma, ikinci saçılma ve depolarizasyon saçılması gibi saçılma mekanizmalarının bir karışımıdır. Geminin azimut bulanıklığı esas olarak geminin tek veya çift saçılmasından kaynaklandığından, tek saçılma ve azimut bulanıklığının ikinci saçılımına karşılık gelen özdeğerler 1 ve 2 daha yüksekken, depolarizasyon saçılması,

Şekil 14. Her bir özdeğerin sonuçları. (A) 1; (b) 2; (c) 3.

Şekil 15. Farklı algoritmaların tespit sonuçları. (A) Bu makaledeki algoritma; (b) TP-CFAR; (c) PWF.

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.)

Gülümsemek! Yasayı çiğneme nedenleri şaşırtıcı!

Bali'ye gitmeyi bırak, seni bilinmeyen pembe bir adayı keşfetmeye götür