کاهش نویز لکه ای در تصاویر رادار دهانه مصنوعی با استفاده از روش های یادگیری عمیق

کاهش نویز لکه ای در تصاویر رادار دهانه مصنوعی با استفاده از روش های یادگیری عمیق

شهرزاد هوشیار1 صادق صمدی2 شقایق هوشیار3 متین کمانی4 محسن اسلامی5

1) دانشجوی کارشناسی ارشد مهندسی برق، دانشکده مهندسی برق، دانشگاه صنعتی شیراز، شیراز، ایران،
2) دانشیار، دانشکده مهندسی برق، دانشگاه صنعتی شیراز، شیراز، ایران،
3) دانشجوی کارشناسی ارشد مهندسی برق، دانشکده مهندسی برق، دانشگاه صنعتی شیراز، شیراز، ایران،
4) دانشجوی دکتری مهندسی برق، دانشکده مهندسی برق، دانشگاه صنعتی شیراز، شیراز، ایران،
5) دانشیار، دانشکده مهندسی برق، دانشگاه صنعتی شیراز، شیراز، ایران،

کد IOI مقاله : AAHD-ABKKGB
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    تصاویر رادار دهانه مصنوعی (SAR) با وجود کاربرد گسترده در سنجش‌ازدور و قابلیت تصویربرداری در شرایط مختلف جوی و نوری، به‌دلیل نویز لکه‌ای ذاتی، با کاهش کیفیت و افت اطلاعات ساختاری مواجه‌اند. روش‌های یادگیری عمیق، به‌ویژه شبکه‌های رمزگذار-رمزگشا، عملکرد قابل‌توجهی در کاهش این نویز داشته‌اند، اما چالش‌هایی نظیر از دست رفتن ساختارها و عدم بهره‌گیری از اطلاعات فرکانسی همچنان باقی است. در این پژوهش، مدل مرجع با سه تغییر اصلی بهبود یافته است: (۱) جایگزینی تابع هزینه L1 با ترکیب L1 و SSIM برای تأکید بر شباهت ساختاری، (۲) اصلاح بلوک ترکیب تطبیقی ویژگی برای تعامل بهتر بین مسیرهای رمزگذار و رمزگشا، و (۳) افزودن شاخه‌ی فرکانسی سبک‌وزن مبتنی بر تبدیل موجک گسسته هار در گلوگاه شبکه که امکان استخراج و پردازش صریح مولفه‌های فرکانس‌بالا و پایین را فراهم می‌کند و ویژگی‌های فرکانسی را در کنار ویژگی‌های فضایی به کار می‌گیرد. ارزیابی مدل بر روی تصاویر واقعی SAR و فاقد داده‌ی مرجع با معیارهای بدون ‌نیاز به ‌مرجعENL ، M-Score و EPD-ROA انجام شده است. نتایج نشان می‌دهد روش پیشنهادی نسبت به مدل مرجع، نویز را موثرتر سرکوب کرده، ساختارها و لبه‌ها را با کیفیت بالاتری حفظ نموده و از تعمیم‌پذیری عملیاتی خوبی برخوردار است.

کلمات کلیدی : تصاویر رادار دهانه مصنوعی نویز لکه‌ای یادگیری عمیق شبکه‌ی رمزگذار رمزگشا تابع زیان تبدیل موجک گسسته شاخه ی فرکانسی