Gabor filtreleri ve seyrek gösterim ile SAR görüntülerinde otomatik hedef tanıma

Abstract

Sentetik Açıklıklı Radar (SAR) Sistemleri, hava platformlarına entegre edilerek, keşif ve gözetleme maksadıyla, gece/gündüz ve her türlü hava koşullarında, uzun mesafeden yüksek çözünürlüklerde görüntü oluşturabilme yeteneğine sahip yüksek teknoloji içeren radar sistemleridir. SAR sistemlerinden elde edilen görüntüler çeşitli makine öğrenmesi algoritmaları ve görüntü işleme yöntemlerinden yararlanılarak hedef tanıma, hedef tespiti uygulamalarında kullanılabilmektedir. Bu çalışmada, SAR görüntüleri ile askeri hedef tanıma yapılan literatür çalışmaları araştırılmış ve otomatik hedef tanımada sınıflandırma başarısını artıran hibrid bir sistem önerilmiştir. Çalışma içeriği dört temel kısımdan oluşmaktadır. Bunlar SAR sistemlerinin temel prensiplerinin öğrenilmesi, görüntü iyileştirme, öznitelik çıkarımı ve sınıflandırma kısımlarıdır. Görüntü iyileştirme aşamasında, farklı tipteki askeri araçlara ait SAR görüntülerinde yer alan yüksek orandaki benek gürültüsünün azaltılması için çeşitli filtreleme ve eşikleme yöntemleri kullanılmıştır. Bölütleme aşamasında hedef bölgenin gereksiz ayrıntı ve hedefe ait olmayan bilgi içeren görüntü bölgesinden ayrıştırılmasını sağlamak amacıyla bazı bölütleme yöntemlerinden ve İstatistiki Bölge Birleştirme algoritmasından yararlanılmıştır. Ön işleme yapılmış görüntüler üzerinde Gabor filtreler ve Sağlam Özelliklerin Hızlandırılması algoritmaları kullanılarak özellik çıkarımı yapılmıştır. Sınıflandırma kısmında ise özellikle Seyrek Gösterim yöntemi üzerine yoğunlaşılmıştır. Bu sayede farklı araç tiplerine ait SAR görüntüleri kullanılarak çok yüksek oranda hedef tanıma başarısı elde edilmiştir. Ayrıca çalışmada Gabor filtreleri ve Seyrek Gösterim yönteminin hibrid olarak kullanılması ile elde edilen yüksek başarı oranı yine sınıflandırma aşamasında kullanılan Naive Bayes ve KNN(k En Yakın Komşu) metodları ile karşılaştırılmıştır. Elde edilen sonuçlarda Gabor filtreleri ve Seyrek Gösterim yöntemi kullanıldığında SAR görüntülerinin sınıflandırma doğruluğu oranının % 96'nın üzerinde başarı sağladığı gözlemlenmiştir.

Synthetic Aperture Radar (SAR) Systems are high tech radar systems that are integrated into air platforms, capable of producing high resolution images over long distances for day/night and all weather conditions for discovery /surveillance purposes. The images obtained from SAR systems can be used for target recognition and target detection applications by using various machine learning algorithms and image processing methods. In this study, literature studies with SAR images and military target recognition were searched and a hybrid system was proposed that increase the classification success in automatic target recognition. The study content consists of four basic parts. These are the learning of the basic principles of SAR systems, image enhancement, feature extraction and classification parts. During the image enhancement parts, various filtering and thresholding methods have been used to reduce high speckle noise in SAR images of different types of military vehicles. Some segmentation methods and Statistical Region Merging algorithms have been used to ensure that the target region is separated from the image region containing unnecessary and non-target information during the segmentation phase. On pre-processed images, feature extraction is performed by using Gabor filters and Speed Up Robust Features algorithms. In the classification part, the focus is mainly on the Sparse Representation method. In this case, very high target recognition performance was achieved using SAR images of different vehicles. In addition, the high success rate achieved by using Gabor filters and Sparse Representation method as a hybrid in the study is compared with the Naive Bayes and KNN(k Nearest Neighbor) methods used in the classification stage which are also used in classification stage. It has been observed that when using Gabor filters and Sparse Representation in the obtained results, the SAR accuracy of the images is over %96 of the classification accuracy.