Yapay açıklı radar görüntülerinin sıkıştırılması

Abstract

ÖZET Büyük çaptaki Yapay Açıklıklı Radar (YAR) verilerinin iletimi ve depolanması önemli sorunlar yaratır. Bu yüzden YAR görüntülerinin iletim ve saklama maliyetini düşürmek için sıkıştırmaya ihtiyaç duyulur. YAR görüntüleri doğal olarak noktasal gürültü içerdiğinden, genellikle sıkıştırma işleminden önce ön süzgeçlemeye gerek duyulur. Ön süzgeçlenmiş YAR verileri, görüntünün tamamı mümkün olan en az bitle gösterilebilecek şekilde dönüştürülür, kuantalanır ve kodlanır. Her adım sıkıştırma işleminin bir parçasıdır. Her adıma ait doğal görüntüler için bilinen pek çok algoritma vardır. Ancak, bu algoritmaların çoklu spektral ve gürültü yapısı olan YAR görüntülerine uygulamasının sonuçları çok iyi bilinmemektedir. Ayrıca doğal görüntü sıkıştırması üzerine bir çok çalışma yapılmakla birlikte YAR görüntü sıkıştırma ile ilgili bu şekilde karşılaştırmalı bir değerlendirme yapılmamıştır. Bu amaçla sıkıştırma teknikleri YAR görüntülerine adapte edilmiştir. Bu çalışmada, Şekil l'de görülen sıkıştırma sistemini oluşturan bir çok farklı algoritma denenmiştir. Ortalama değer ve sigma süzgeçleri YAR verilerinden noktasal gürültünün kaldırlması amacıyla ayrı ayrı uygulanmıştır. YAR görüntülerine uygulanan Ayrık Kosinüs Dönüşümü (AKD), Karhunen-Loeve Dönüşümü (KLD), Ayrık Sinüs Dönüşümü (ASD), Slant Dönüşümü (SD), Walsh-Hadamard Dönüşümü (WHD) ve Ayrık Dlgacık Dönüşümü (ADD) için karşılaştırmalı performans değerlendirmesi verilmiştir. Karşılaştırma için ortalama karesel hata (MSE), işaret-gürültü oranı (SNR), tepeden tepeye işaret-gürültü oram (PSNR), enerji korunumu (Ec), dönüşüm kazancı (Gr), kodlama kazancı (Gc), ve toplam sıkıştırma oram (TCR) olmak üzere yedi performans kriteri verilmiştir. Dönüştürülmüş veriye skaler kuantalama ve Lempel-Ziv kodlaması daha fazla sıkıştırma sağlamak amacıyla uygulanmıştır. Görüntü sıkıştırma adımlarının tersten uygulanmasıyla yeniden elde edilir. Benzetişimlerde saf veri ortalama değer ve sigma süzgeçleriyle ayrı ayrı süzgeçlenmiş ve görüntüler karşılaştırılmıştır. Sigma süzgeci daha iyi sonuç vermesi nedeniyle benzetişimler için tercih edilmiştir. Görüntünün 8x8'lik bloklar halinde sabit IVkatsayılı dönüşümleri alınmıştır. ADD için 4, 6, 8, 12, 18 ve 24. derceden ayna süzgeçler kullanılmıştır. Sonra her dönüştürülmüş görüntü elmemanı skaler olarak kuantalanmış ve sonuç en yalan tamsayıya yuvarlatılmıştır. Son olarak kuantalanmış değerler toplam sıkıştırma oranını artırmak için Lempel-Ziv algoritmasıyla kodlanmaktadır. Şekil 1. YAR Görüntüsünün Sıkıştırma Modeli Bütün preformans kriterlerine göre AKD ve KLD diğer sabit katsayılı dönüşümlerle karşılaştırıldığında mükemmel sonuç verdiği benzetişim sonuçlarından görülmektedir. MSE, SNR ve PSNR kritelerine göre AKD ve KLD, ADD'den daha iyi sonuç vermektedir. Bunun nedeni bu tekniklerin ortalama karesel hatanın minimizasyonuna dayandırılarak ortaya konmuş olmasıdır. AKD ve KLD' de korunan dönüştürülmüş görüntü değerleri azaldıkça enerji korunumu ve kodlama kazancıda azalmaktadır. Diğer taraftan ADD için enerji korunumu yaklaşık %60, dönüşüm kazancı %75 değerini almaktadır. Kodlama kazancı bütün dönüşümler için aynıdır. ADD'nin toplam sıkıştırma oranı AKD ve KLD'den daha iyidir. Sonuçta yapılan deneylerden ADD'nün performansının diğerlerinden daha iyi olduğu, hem frekans boyutunda hem de zaman boyutunda sıkıştırma yapabildiği görülmektedir. Bu yüzden YAR görüntülerinin sıkıştırılmasında alternatif olarak tercih edilebilir.

ÖZET Büyük çaptaki Yapay Açıklıklı Radar (YAR) verilerinin iletimi ve depolanması önemli sorunlar yaratır. Bu yüzden YAR görüntülerinin iletim ve saklama maliyetini düşürmek için sıkıştırmaya ihtiyaç duyulur. YAR görüntüleri doğal olarak noktasal gürültü içerdiğinden, genellikle sıkıştırma işleminden önce ön süzgeçlemeye gerek duyulur. Ön süzgeçlenmiş YAR verileri, görüntünün tamamı mümkün olan en az bitle gösterilebilecek şekilde dönüştürülür, kuantalanır ve kodlanır. Her adım sıkıştırma işleminin bir parçasıdır. Her adıma ait doğal görüntüler için bilinen pek çok algoritma vardır. Ancak, bu algoritmaların çoklu spektral ve gürültü yapısı olan YAR görüntülerine uygulamasının sonuçları çok iyi bilinmemektedir. Ayrıca doğal görüntü sıkıştırması üzerine bir çok çalışma yapılmakla birlikte YAR görüntü sıkıştırma ile ilgili bu şekilde karşılaştırmalı bir değerlendirme yapılmamıştır. Bu amaçla sıkıştırma teknikleri YAR görüntülerine adapte edilmiştir. Bu çalışmada, Şekil l'de görülen sıkıştırma sistemini oluşturan bir çok farklı algoritma denenmiştir. Ortalama değer ve sigma süzgeçleri YAR verilerinden noktasal gürültünün kaldırlması amacıyla ayrı ayrı uygulanmıştır. YAR görüntülerine uygulanan Ayrık Kosinüs Dönüşümü (AKD), Karhunen-Loeve Dönüşümü (KLD), Ayrık Sinüs Dönüşümü (ASD), Slant Dönüşümü (SD), Walsh-Hadamard Dönüşümü (WHD) ve Ayrık Dlgacık Dönüşümü (ADD) için karşılaştırmalı performans değerlendirmesi verilmiştir. Karşılaştırma için ortalama karesel hata (MSE), işaret-gürültü oranı (SNR), tepeden tepeye işaret-gürültü oram (PSNR), enerji korunumu (Ec), dönüşüm kazancı (Gr), kodlama kazancı (Gc), ve toplam sıkıştırma oram (TCR) olmak üzere yedi performans kriteri verilmiştir. Dönüştürülmüş veriye skaler kuantalama ve Lempel-Ziv kodlaması daha fazla sıkıştırma sağlamak amacıyla uygulanmıştır. Görüntü sıkıştırma adımlarının tersten uygulanmasıyla yeniden elde edilir. Benzetişimlerde saf veri ortalama değer ve sigma süzgeçleriyle ayrı ayrı süzgeçlenmiş ve görüntüler karşılaştırılmıştır. Sigma süzgeci daha iyi sonuç vermesi nedeniyle benzetişimler için tercih edilmiştir. Görüntünün 8x8'lik bloklar halinde sabit IVkatsayılı dönüşümleri alınmıştır. ADD için 4, 6, 8, 12, 18 ve 24. derceden ayna süzgeçler kullanılmıştır. Sonra her dönüştürülmüş görüntü elmemanı skaler olarak kuantalanmış ve sonuç en yalan tamsayıya yuvarlatılmıştır. Son olarak kuantalanmış değerler toplam sıkıştırma oranını artırmak için Lempel-Ziv algoritmasıyla kodlanmaktadır. Şekil 1. YAR Görüntüsünün Sıkıştırma Modeli Bütün preformans kriterlerine göre AKD ve KLD diğer sabit katsayılı dönüşümlerle karşılaştırıldığında mükemmel sonuç verdiği benzetişim sonuçlarından görülmektedir. MSE, SNR ve PSNR kritelerine göre AKD ve KLD, ADD'den daha iyi sonuç vermektedir. Bunun nedeni bu tekniklerin ortalama karesel hatanın minimizasyonuna dayandırılarak ortaya konmuş olmasıdır. AKD ve KLD' de korunan dönüştürülmüş görüntü değerleri azaldıkça enerji korunumu ve kodlama kazancıda azalmaktadır. Diğer taraftan ADD için enerji korunumu yaklaşık %60, dönüşüm kazancı %75 değerini almaktadır. Kodlama kazancı bütün dönüşümler için aynıdır. ADD'nin toplam sıkıştırma oranı AKD ve KLD'den daha iyidir. Sonuçta yapılan deneylerden ADD'nün performansının diğerlerinden daha iyi olduğu, hem frekans boyutunda hem de zaman boyutunda sıkıştırma yapabildiği görülmektedir. Bu yüzden YAR görüntülerinin sıkıştırılmasında alternatif olarak tercih edilebilir.