Применение искусственных нейронных сетей для восстановления объектов на радиолокационных изображениях


Авторы

Митькин М. А.*, Гаврилов К. Ю.**

Московский авиационный институт (национальный исследовательский университет), 125993, г. Москва, Волоколамское шоссе, д. 4

*e-mail: m-m99@yandex.ru
**e-mail: gvrk61@mail.ru

Аннотация

В работе рассмотрена возможность применения искусственных нейронных сетей (ИНС) для подавления шумов на радиолокационных изображениях (РЛИ). Основной задачей является использование модели нейронной сети для фильтрации шума и восстановления четкости изображения. Для этого разработан и сформирован набор данных, предназначенный для обучения сети с целью ее эффективного применения в реальных условиях. 
В качестве ИНС в работе выбрана модель автокодировщика, которая способна создавать компактные представления изображений в скрытом слое. Такая сеть позволяет выделять основные особенности изображений (признаки) и уменьшать размерность данных, что, как показали исследования, оказывается весьма эффективно в задачах фильтрации шума.
Предполагается, что рассматриваемая ИНС будет использована для улучшения визуального восприятия крупноразмерных объектов на радиолокационных изображениях. Во многих практических применениях такие объекты могут быть представлены в виде совокупности связанных друг с другом простых геометрических фигур типа прямоугольников, кругов, треугольников и т.д. Поэтому в качестве тестовых объектов при анализе и сравнении различных алгоритмов фильтрации использованы простые фигуры указанных видов. 
В работе проведено сравнение эффективности работы ИНС и классических алгоритмов фильтрации, таких как медианная фильтрация, усредняющий фильтр и фильтр Гаусса. В качестве критериев эффективности при сравнении различных алгоритмов восстановления изображений использованы две метрики – индекс структурного сходства (SSIM – Structural Similarity Index) и пиковое отношение сигнала к шуму (PSNR – Peak Signal-to-Noise Ratio). Описаны принципы вычисления данных метрик для каждой пары изображений – исходного и восстановленного.
Описана методика создания набора данных (изображений), используемого при обучении ИНС и ее тестировании. Приведены примеры удаления шумов при наблюдении полезных объектов в виде простых геометрических фигур – квадрата, круга, треугольника, двух дуг. Восстановленные изображения получены при использовании двух методов – с помощью обученной ИНС и с помощью традиционных фильтров. Приведены результаты расчетов показателей эффективности фильтрации для различных объектов на РЛИ. Расчеты выполнены при фильтрации с помощью ИНС и трех видов фильтров – медианного, усредняющего и фильтра Гаусса. 
Результаты расчетов показали, что при использовании ИНС эффективность фильтрации значительно выше: значение метрики SSIM для ИНС превосходит аналогичные значения для фильтров примерно в 7…20 раз; для метрики PSNR – примерно в 1,1…10 раз. Полученные значения выигрышей зависят от формы восстанавливаемого объекта и уровня шума.

Ключевые слова:

глубокое обучение, нейронные сети, радиолокационное изображение, фильтрация шума

Библиографический список

  1. El-Darymli K., E. W. Gill, Power D., Moloney C. Automatic target recognition in synthetic aperture radar imagery: a state-of-the-art review // IEEE Access. 2016. V. 4, P. 6014–6058. DOI: 10.1109/ACCESS.2016.2611492
  2. Amoon M., Rezai-Rad G.A. Automatic target recognition of synthetic aperture radar (SAR) images based onoptimal selection of Zernike moments features // IET Computer Vision. 2014. V. 8, No. 2. P. 77–85. DOI: 10.1049/iet-cvi.2013.0027
  3. Ding B., Wen G., Ma C. et al. Target recognition in synthetic aperture radar images using binary morphological operations // Journal of Applied Remote Sensing. 2016. V. 10, No. 4. DOI: 10.1117/1.JRS.10.046006
  4. Shan C., Huang B., Li M. Binary morphological filtering of dominant scattering area residues for SAR target recognition // Computational Intelligence and Neuroscience. 2018. V. 2. DOI: 10.1155/2018/9680465
  5. Jin L., Chen J., Peng X. Synthetic aperture radar target classification via joint sparse representation of multi-level dominant scattering images // Optik. 2019. V. 186, P. 110–119. DOI: 10.1016/j.ijleo.2019.04.014
  6. Tan J., Fan X., Wang S. et al. Target recognition of SAR images by partially matching of target outlines // Journal of Electromagnetic Waves and Applications. 2019. V. 33, No. 7. P. 865–881. DOI: 10.1080/09205071.2018.1495580
  7. Papson S., Narayanan R.M. Classification via the shadow region in SAR imagery // IEEE Transactions on Aerospace and Electronic Systems. 2012.V. 48, No. 2. P. 969–980. DOI: 10.1109/TAES.2012.6178042
  8. Mishra A.K. Validation of PCA and LDA for SAR ATR // In Proceedings of the IEEE Region 10 Conference TENCON, November 2008, Hyderabad, India. P. 1–6. 
  9. Zhao Q., Principe J.C. Support vector machines for SAR automatic target recognition // IEEE Transactions on Aerospace and Electronic Systems. 2001. V. 37, No. 2. P. 643–654. DOI: 10.1109/7.937475
  10. Liu H., Li S. Decision fusion of sparse representation and support vector machine for SAR image target recognition // Neurocomputing. 2013. V. 113, P. 97–104. DOI: 10.1016/j.neucom.2013.01.033
  11. Tiagaraianm J.J., Ramamurthy K.N., Knee P., Spanias A., Berisha V. Sparse representations for automatic target classification in SAR images // In Proceedings of the 4th International Conference on Signal Processing and Communication Systems. March 2010. Limassol, Cyprus. P. 1–4. DOI: 10.1109/ISCCSP.2010.5463416
  12. Song H., Ji K., Zhang Y. et al. Sparse representation-based SAR image target classification on the 10-class MSTAR data set // Applied Sciences. 2016. V. 6, No. 26. DOI: 10.3390/app6010026
  13. Ding B., Wen G. Sparsity constraint nearest subspace classifier for target recognition of SAR images // Journal of Visual Communication and Image Representation. 2018. V. 52, P. 170–176. DOI: 10.1016/j.jvcir.2018.02.012
  14. Kang M., Ji K., Leng X. et al. Synthetic aperture radar target recognition with feature fusion based on a stacked autoencoder // Sensors. 2017. V. 17, No. 1. P. 192. DOI: 10.3390/s17010192
  15. Morgan D.E. Deep convolutional neural networks for ATR from SAR imagery // Proceedings of the SPIE. 2015. V. 9475, P. 1–13. DOI: 10.1117/12.2176558
  16. Chen S., Wang H., Xu F. et al. Target classification using the deep convolutional networks for SAR images // IEEE Geoscience and Remote Sensing Letters. 2016. V. 47, No. 6. P. 1685–1697. DOI: 10.1109/TGRS.2016.2551720
  17. Zhao J., Zhang Z., Yu W. et al. A cascade coupled convolutional neural network guided visual attention method for ship detection from SAR images // IEEE Access. 2018. V. 6, P. 50693–50708. DOI: 10.1109/ACCESS.2018.2869289
  18. Min R., Lan H., Cao Z. et al. A gradually distilled CNN for SAR target recognition IEEE Access. 2019. V. 7, P. 42190–42200. DOI: 10.1109/ACCESS.2019.2906564
  19. Олькина Д.С. Алгоритм семантической сегментации изображений для решения задачи позиционирования летательного аппарата на земной поверхности // Труды МАИ. 2023. № 130. URL: https://trudymai.ru/published.php?ID=174617. DOI: 10.34759/trd-2023-130-18
  20. Черников А.А. Алгоритм обнаружения и классификации объектов на неоднородном фоне для оптико-электронных систем // Труды МАИ. 2023. № 129. URL: https://trudymai.ru/published.php?ID=173039. DOI: 10.34759/trd-2023-129-26
  21. Коваль Н.А. Сравнительный анализ нейросетевых архитектур в задаче обнаружения и различения сигналов цели и уводящей помехи // Труды МАИ. 2024. № 134. URL: https://trudymai.ru/published.php?ID=178473
  22. Гаврилов К.Ю., Каменский И.В., Кирдяшкин И.В. Цифровая обработка изображений в Matlab. – М.: Горячая линия – Телеком. 2025. – 160 c.
  23. Гаврилов К.Ю., Каменский К.В., Малютина О.А. Моделирование траекторного сигнала в радаре с синтезированием апертуры на основе оптических изображений земной поверхности // Труды МАИ. 2021. № 118. URL: https://trudymai.ru/published.php?ID=158252. DOI: 10.34759/trd-2021-118-12
  24. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. – СПб: Питер, 2018. - 480 c.
  25. Antonio Gulli, Anita Kapoor, Sujit Pal. Deep Learning with TensorFlow2 and Keras. -Birmingham-Mumbai, Packet Publishing, 2019. 646 p.
  26. Шолле Ф. Глубокое обучение на Python. – СПб: Питер, 2018. – 576 c.
  27. Wang Z., Bovik A.C., Sheikh H.R., Simoncelli E.P. Image Quality Assessment: From Error Visibility to Structural Similarity // IEEE Transactions on Image Processing. 2004. V. 13, Issue 4. P. 600-612. DOI: 10.1109/TIP.2003.819861
  28. Rajiv Kumar Gurjwar, Divya Rishi Sahu, Deepak Singh Tomar. An Approach to Reveal Website Defacement // International Journal of Computer Science and Information Security. June 2013. V. 11, no. 6.


Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2025

 Вход