Grup Seyreklik ve Düşük Dereceli Modellerin Uzlaştırılmasıyla Çarpımsal Gürültünün Giderilmesi

Yıl 2025, Cilt: 15 Sayı: 3, 69 - 77, 29.09.2025

Mehmet Demir

Öz

Çarpımsal gürültü (benek gürültüsü olarak da bilinir) modelleri, sentetik açıklıklı radar ve sonar sistemleri ile ultrason ve lazer görüntüleme gibi eşevreli (koherent) görüntüleme sistemlerinin analizinde merkezî bir role sahiptir. Bu gürültü türü, görüntü üzerinde bölümleme (segmentasyon) veya hedef tanıma gibi algoritmaların uygulanmasını önemli ölçüde zorlaştırır. Söz konusu algoritmaların etkili bir şekilde çalışabilmesi için öncelikle benek gürültüsünün giderilmesi gerekmektedir.

Bu çalışmada, ilk aşamada homomorfik dönüşüm kullanılarak çarpımsal gürültü, toplamsal gürültüye dönüştürülmüştür. Ardından, çarpımsal gürültüye uygun istatistiksel yöntemlerle seçilen benzer yamalar üzerinde grup seyreklik ve düşük dereceli modellerin entegrasyonuna dayalı yeni bir yaklaşım önerilmiştir. Önerilen yöntemde, benzer yamalar; uyarlanabilir sözlük seçimi, seyrek katsayıların öğrenilmesi ve düşük dereceli modellerin eğitimi amacıyla kullanılmıştır. Sentetik görüntülerle gerçekleştirilen deneysel çalışmalar ve karşılaştırmalar, önerilen benek gürültüsü giderme yönteminin etkinliğini kanıtlamıştır.

Anahtar Kelimeler

Benek gürültü , grup seyreklik , düşük-dereceli model.

Kaynakça

• [1] Zhang J., Chen J., Yu H., Yang D., Xu X. ve Xing M., "Learning an SAR Image Despeckling Model Via Weighted Sparse Representation," IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol. 14., 7148-7158, 2021.
• [2] Huang S., Liu D., Gao G., Guo X., "A Novel Method for Speckle Noise Reduction and Ship Target Detection in SAR Images," Pattern Recognition, Vol. 42., 1533-1542, 2009.
• [3] Lee J.S., Jurkevich L., Dewaele P., Wamback P., Ooesterlinck A., "Speckle Filtering of Synthetic Aperture Radar Images: A Review," Remote Sensing Reviews, Vol.8., 313-340, 1994.
• [4] Lee J-S., Grunes M.R., Grandi G., "Polarimetric SAR Speckle Filtering and Its Implication for Classification," IEEE Transactions on Geoscience and Remote Sensing, Vol.37., 2363-2373, 1999.
• [5] Parrilli S., Poderico M., Angelino C.S., Verdoliva L., "A Nonlocal SAR Image Denoising Algorithm Based on LLMSE Wavelet Shrinkage," IEEE Transactions on Gescience and Remote Sensing, Vol.50., 606-616, 2012.
• [6] Fang J., Hu S., Ma X., "A Boosting SAR Image Despeckling Method Based on Non-Local Weighted Group Low-Rank Representation," Sensors, Vol.18., 2018, Art. no. 3448.
• [7] Chen G., Li G., Liu Y., Zhang X., Zhang L., "SAR Image Despeckling Based on Combination of Fractional-Order Total Variation and Nonlocal Low Rank Regularization," IEEE Trans. Geosci. Remote Sens., Vol.58., 2056-2070, 2020.
• [8] F. Bo, X. Ma, Y. Cen and S. Hu, "SAR Image Speckle Reduction Based on Nuclear Norm Minus Frobenius Norm Regularization," IEEE Transactions on Geoscience and Remote Sensing, vol. 62., 1-15, 2024.
• [9] Z. Xu, X. Feng, S. Tian, X.-J. Shen, H. Zhang and C. Wang, "Edge Preserved Low-Rank SAR Image Despeckling via Hierarchical Prior Knowledge Regulation," IEEE Transactions on Geoscience and Remote Sensing, vol. 61., 1-17, 2023.
• [10] Xu B., Cui Y., Li Z., Yang J., "An Iterative SAR Image Filtering Method Using Nonlocal Sparse Model", IEEE Geosci. Remote Sens. Lett., Vol.12., 1635-1639, 2015.
• [11] Xu B., Cui Y., Li Z., Zuo B., Yang J., Song J., "Patch Ordering-Based SAR Image Despeckling via Transform-Domain Filtering", IEEE J. Sel. Topics Appl. Earth Observ. Remote Sens., Vol.8., 1682-1695, 2015.
• [12] Chierchia G., Cozzolino D., Poggi G., Verdoliva L., "SAR Image Despeckling through Convolutional Neural Networks", in Proc. IEEE Int. Geosci. Remote Sens. Symp., 2017, 5438-5441.
• [13] Wang P., Zhang H., Patel V.M., "SAR Image Despeckling using a Convolutional Neural Network", IEEE Signal Process. Lett., Vol.24., 1763-1767, 2017.
• [14] Liu S. et al., "Convolutional Neural Network and Guided Filtering for SAR Image Denoising", Remote Sens., Vol.11., 2019, Art. no. 702.
• [15] S. Liu, L. Zhang, S. Tian, Q. Hu, B. Li and Y. Zhang, "MFAENet: A Multiscale Feature Adaptive Enhancement Network for SAR Image Despeckling," IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 16., 10420-10433, 2023.
• [16] S. Liu, S. Tian, Y. Zhao, Q. Hu, B. Li and Y. -D. Zhang, "LG-DBNet: Local and Global Dual-Branch Network for SAR Image Denoising," IEEE Transactions on Geoscience and Remote Sensing, vol. 62., 1-15, 2024.
• [17] Aharon M., Elad M., Bruckstein A., "K-SVD: An Algorithm for Designing Overcomplete Dictionaries for Sparse Representation", IEEE Trans. Signal Process., Vol.54., 4311-4322, 2006.
• [18] Zha Z., Wen B., Yuan X., Zhou J., Zhu C., "Image Restoration via Reconciliation of Group Sparsity and Low-Rank Models", IEEE Transactions on Image Processing, Vol. 30., 5223-5238, 2021.
• [19] Cui Y., Zhou G., Yang J., Yamaguchi Y., "Unsupervised Estimation of the Equivalent Number of Looks in SAR Images", IEEE Geosci. Remote Sens. Lett., Vol.8., 710-714, 2011.