مقاله حذف نویز اسپکل از تصاویر SAR به روشی ساختارمند و با استفاده از نمایش تنک

بخشی از مقاله

خلاصه

رادار روزنه مصنوعی - SAR - یک سیستم نظارتی است و در همه وضعیتهای آب و هوایی روز و شب، قادر به تهیه تصویر میباشد. رادار روزنه مصنوعی ذاتا تحت تاثیر نویز ضرب شونده به نام اسپکل قرار میگیرد، که ناشی از ماهیت همدوس پدیده پراکندگی است. به دلیل و جود نویز اسپکل میزان خطای بصری بالا میرود. بنابراین، حذف نویز اسپکل از تصویر SAR ضروری است. راه کارهای مختلفی در حوزههای مختلف از جمله حوزه تبدیل برای حذف این نویز پیشنهاد شده است که استفاده از نمایش تنک یکی از جدیدترین راه کارهاست. در این مقاله با استفاده از ایده خوشه بندی تصاویر برای شناسایی ساختارهای مختلف تصویر و هم چنین استفاده از نمایش تنک به حذف نویز اسپکل موجود در تصاویر ماهوارهای میپردازیم.

کلمات کلیدی: نمایش تنک، OMP، آموزش دیکشنری، الگوریتم K-svd ، دسته بندی k-means

.1 مقدمه

امروزه تصاویر، SAR کاربردهای گستردهای دارند زیرا دارای قابلیتهای زیادی از جمله؛ سازگاری با همه شرایط آب و هوایی در تمامی زمانها و نفوذپذیری قدرتمندی هستند. با این وجود باید بدانیم همراهی تصاویر SAR با نویزهای اسپکل غیر قابل اجتناب میباشد، همین عامل باعث افت کیفیت تصویر میشود.[2] حذف نویز اسپکل، یک اقدام حیاتی در مرحله پیش پردازش مربوط به تحلیل تصویر SAR میباشد. حذف نویز اسپکل از تصویر SAR را میتوان با یک تکنیک یکپارچگی چند نگاهی - multi-look integration - در حین مرحله جمع آوری تصاویر، پیاده سازی نمود. این کار را با تقسیم عرض باند طیف آزیموت تصویر، به چندین قطعه انجام میدهند. این تصویر راداری متناظر است با صحنهای که مشاهده و دریافت میشود، همچنین این فرآیند با یک اپراتور متوسط گیر، دنبال میشود. اگر حذف نویز در حین گرفتن تصویر انجام شود، گرچه در کاهش نویز موثر است اما موجب کاهش رزولوشن تصویر نیز میشود.[3] به طور معمول، برای حذف اسپکل از تکنیکهای فیلترینگ تصویر استفاده میشود[4] اما همین فیلترینگ همواره با تکنیکهای یکپارچه چند نگاهی ترکیب میگردد.[5] فیلترهای مکانی کلاسیک همچون فیلتر لی، فراست، کوان وگاما- مپ قادرند که نویز اسپکل را تا حدودی حذف نمایند اما در مقابل باعث تاری در تصویر وکاستیهایی در حفظ جزئیات تصویر میشوند.[5] اخیرا، تبدیل موجک [6]

توضیحات مربوط به نویسندهاوّل * Corresponding author: Email: توجه زیادی را به خود جلب کرده است و به عنوان یک ابزار قدرتمند در تحلیل سیگنالهای غیر ایستا و تصاویر، معرفی    *    
شده است. گرچه روشهای مبتنی بر تبدیل موجک در حذف اسپکل موثر واقع شده اند و از فیلترهای مکانی کلاسیک به لحاظ حفظ ساختار پیشی گرفته اند، اما پدیده گیبز - - ringing gibbs - like  را با خود به همراه دارند. به دنبال گسترش فیلترهای میانگین گیر غیرمحلی، فیلتر احتمالاتی مبتنی بر خوشه probabilistic patch-based - patch - - PPB - نیز ارائه شده است.[7] به عنوان یکی از روشهای نوین، میتوان گفت PPB عملکرد خوبی در خنثی نمودن اسپکل داشته است. گرچه این روش همواره اثرات بیش از حد نرم کنندگی و یا محصولات - مصنوعی و ساختگی - شبیه به         موج با خود به همراه دارد. در [8] روش سه بعدی تطبیق بلوک SAR ، SAR block matching 3 dimension - SAR-BM3D - مطرح شده است که عنوان نسخهای از حذف نویز اسپکل SAR مربوط به فیلتر BM3D، به خودگرفته است.

SAR -BM3D، عملکرد فوق العادهای در حفظ ساختارها دارد اما نرم کنندگی آن در خصوص نواحی همگن ضعیف است. در نتیجه مسئلهای که در فیلتر کردن نویز اسپکل باقی است این میباشد که همزمان با حذف قدرتمند اسپکل ، چگونه جزئیات تصویر را بدون ایجاد محصولات مصنوعی دیگر، حفظ نماییم. مدلهای مذکور بر اساس  مدل نویز جمع شونده میباشند. اخیرا چندین روش حذف اسپکل معرفی شده است که بتواند روشهای پیشین را که بر اساس نویز جمع شونده کار میکردند، بهبود ببخشد و از آنها برای پردازش تصاویر SARدر یک روش فیلترینگ هم ریخت بهره بگیرد [9] که در این خصوص نیاز است ابتدا با اعمال اپراتور لگاریتمی نویز ضرب شونده اسپکل را به نویز جمع شونده تبدیل کند.                    

S.Mallat - و - Z.Zhang درسال1993برای اولین بار، مفهوم دیکشنری فوق کامل - over -complete - رامعرفی کردند به گونهای که ابتدا میتوان یک تصویر را در یک دیکشنری فوق کامل تجزیه نمود سپس به یک نمایش تنک از تصویر دست یافت. حذف نویز اسپکل از تصویر SAR مبتنی بر نمایش تنک، یک جایگاه حساس و پر اهمیت در تحقیقات امروزی به خود اختصاص داده است. روشهاییکه از نمایش تنک     - Sparse Representation - استفادهمیکنند در ارتباط با پردازش تصاویر طبیعی مختلف، نتایج خوبی به ارمغان آوردهاند برای مثال میتوان حذف نویز وطبقهبندی - Classification - را نام برد.

براساس تئوری SR با توجه به دیکشنری در دسترس میتوان قسمتهای تمیز   سیگنال آلوده را به طور تنک با یک روش مناسب، نمایش داد [10] سپس آن تصویر بدون نویز برآورد شده را میتوان از        طریق کدگذاری تنک و بازسازی تصویر، بدست آورد. در [1] با استفاده از پیگیری تطبیقی متعامد OMP توانستند به یک نمایش تنک - sparse - از تصویر نویزی بر دیکشنری ثابت و کامل دست پیدا کنند و سپس دیکشنری اولیه را به گونهای با  تصویر دارای نویز، با الگوریتم K-SVD آموزش - train - دهند که به یک دیکشنری جدیدی تبدیل شود و در نهایت  تصویر را با استفاده از همین دیکشنری بازسازی نمودند. الگوریتم k-SVD دارای برتریهایی نسبت به سایر روش هاست.        

زیرا که نمایش تنک دارای قابلیت بهترین تشخیص بین اطلاعات نویزی و اطلاعات مفید میباشد. با این حال به دلیل نیاز به محاسبات تکراری - iterative - و اثر سرعت همگرایی، زمان اجرای الگوریتم K-SVD بیشتر از روشهای معرفی شده است. جهت بهبود توانایی درنمایش وفقی تنک، میتوان از دیکشنریهای فرعی - Sub-dictionary - مبتنی بر دسته  بندی یا خوشه بندی به جای دیکشنریهای سنتی استفاده کرد و آنها را آموزش داد.[11] تحقیقات پیرامون روشهای مبتنی بر SR تاکنون بیشتر بر محور تصاویر اپتیکی بوده است و تعداد اندکی از آنها به پردازش تصاویر SARپرداخته اند.نویسندگان [13 ,12] برای حذف اسپکل از SAR، یک مدل SR را اعمال کرده اند و در این حین از افزونگی ذاتی بین تکههای تصویر استفاده کرده اند. چنین روشهایی، مشخصههای بازتاب پذیری زمینی و ویژگی ساختار تصاویر SARرا درنظر نمیگیرند و بدین ترتیب نمیتوانند جهت بهبود کیفیت نتایج حذف نویز، به کار آیند. مضاف بر این جهت ایجاد تعادل  بین نرم کنندگی و حفظ جزئیات میتوان از روشهای مبتنی بر طبقه بندی استفاده نمود [14]

علی الخصوص ، هدف این روشها در حذف نویز از نواحی مختلف با شماتیکها یا پارامترهای متفاوت است. در [5] به ارائه یک روش موثر در مورد حذف نویز از تصویر SAR مبتنی بر نمایش تنک ساختارمند پرداخته شده است. ابتدا برحسب ویژگی بازتاب پذیری زمین، تصویر SARرا به دو گروه نواحی همگن و نواحی ناهمگن طبقه بندی میکنند. سپس، بر اساس اینکه با کدام دسته یا طبقه از تصاویر SARروبرو هستیم، شماتیکهای مختلف بازسازی مبتنی بر - SR - Sparse Representation طراحی میگردند . در رابطه با نواحی ناهمگن با ساختار و بافت اطلاعاتی قوی، دیکشنریهای ساختارمند را به گونهای آموزش میدهند تا بتوانند ساختارهای محلی متفاوت را بهتر توصیف کنند و سپس هر تکه از تصویر با منطبق ترین دیکشنری فرعی کدگذاری تنک میشود. اما در مورد نواحی همگن، از خود متشابه فوتومتریک با افزونگی بالا جهت حذف اسپکل به همراه مدل همزمان و اصلاح شده کدگذاری تنک استفاده میشود.

در عرصه مقایسه بین این روش و روشهای سنتی مبتنی بر SR برای مثال [12] میتوان دریافت که روش پیشنهادی، خواص بازتاب پذیری زمینی و ویژگی ساختار تصاویر SAR را به همراه مدل بازسازیSR در یک دستور کاری قرار میدهد و بدین شکل میتواند عملکرد حذف اسپکل را بهبود ببخشد، و در واقع تعادلی بین نرم کنندگی و حفظ جزئیات تصویر ایجاد نماید. در این مقاله با بهره گیری از ایده فوق، برای استفاده از ساختارهای متفاوت موجود در تصویر و اعمال آنها در دیکشنری خود، از دسته بندی استفاده کرده و دیکشنری مربوط به تصاویر را آموزش میدهیم. سپس از دیکشنریهای آموزش یافته برای حذف نویز استفاده میکنیم.

ساختار این مقاله بدین صورت است: در بخش 2 تئوری مختصری در مورد نمایش تنک و بازسازی سیگنال با استفاده از آن و هم چنین نحوه آموزش دیکشنری ارائه میگردد. در بخش 3 روش پیشنهادی برای حذف نویز اسپکل با استفاده از نمایش تنک ارائه میگردد و در بخش 4 به بررسی الگوریتم پیشنهادی و مقایسه آن میپردازیم. بخش 5 که آخرین بخش این مقاله است به نتیجه گیری و بحث در مورد یافتههای این پژوهش میپردازد.

.2 مختصری از نمایش تنک و آموزش دیکشنری

در بسیاری از کاربردهای پردازش سیگنال، سیگنالها را در حوزه تبدیل بررسی میکنند. دلیل آن است که در این حوزه میتوان راحت تر بخشهای مختلفی که تشکیل دهنده سیگنال هستند را بررسی کرد. به طور کلی یک سیگنال را میتوان مطابق آن چه در رابطه - 1 - نشان داده شده است بر حسب یک سری سیگنال پایه بیان کرد: که در این رابطه fs سیگنالی است که بر اساس سیگنالهای پایه pk توسط ضرایب تجزیه ck بیان شده است. در نمایش تنک یک سیگنال، پایهها همان اتمها هستند و مجموعه سیگنالهایی که اتمها از آن انتخاب میشوند دیکشنری نام دارد. البته در این حالت پایهها دارای حشو یا به عبارتی redundancy نیز هستند که این امر موجب میشود که توصیف نهایی حاصل از این روش دارای خاصیت تنکی باشد.

در کاربرد پردازش تصویر و نمایش یک تصویر به صورت تنک، هدف یافتن مجموعه ضرایبی از بهترین اتمهایی از دیکشنری فوق کامل است که بتواند تصویر را توصیف کند. در این حالت دیکشنری به صورت ماتریسی تعریف میشود که در آن ستونها همان اتمها هستند. ضرایب تجزیه سیگنال بر روی دیکشنری فوق کامل یکتا نیست و مسأله یافتن ضرایب و اتمهای متناظر آن به صورت مسأله بهینه سازی زیر تعریف میشود: