Yerel olmayan ortalamalar yaklaşımı ile yere nüfuz eden radar görüntülerinde kargaşa giderme

Öz

Bu makalede, yere nüfuz eden radar (YNR) görüntülerinde mevcut olan kargaşayı gidermek için yerel olmayan ortalamalar (YOO) süzgeci tabanlı yöntemin kullanılması önerilmiştir. YOO süzgeci diğer yerel ortalama alan süzgeçlerden farklı olan bilateral süzgecin genellemesi olarak düşünülebilir, çünkü YOO süzgeci ilgili pikselin ağırlığını bulurken görüntüde benzer komşu piksellerin değerlerine bakarak karar verir. Bu çalışmada, YOO süzgeci  çok ölçekli-yönlü olacak şekilde genişletilmiş ve bu yeni yönteme çok-ölçekli yönlü yerel olmayan ortalamalar (ÇYYOO) süzgeci ismi verilmiştir. Daha sonra, bu yöntem YNR görüntüleri içinde bulunan hedef ve kargaşaya ait doğal geometrik bilgileri yakalamak amacıyla görüntüleri yaklaşım ve detay alt uzaylara ayrıştırmak için kullanılmıştır. Ayrıştırma yapıldıktan sonra, kargaşa sadece diyagonal bilgi içeren alt uzay görüntülerini koruyarak giderilmiştir.  Daha sonra, kargaşası giderilmiş YNR görüntüsü elde etmek için geriye kalan alt uzaylara ters dönüşüm uygulanır. Önerilen yöntem benzetim ve gerçek YNR veri seti kullanılarak literatürde var olan mevcut yöntemler ve yeni önerilen komşuluk filtresi tabanlı yöntem ile alıcı işletim karakteristik (AİK) eğrileri üzerinden karşılaştırılmış, üstünlüğü kanıtlanmıştır. 

Anahtar Kelimeler

• Kargaşa giderme,görüntü analizi,yönlü süzgeçler bankası,yumuşatma süzgeçleri,yere nüfuz eden radar,gprMax

Kaynakça

1. Daniels, D. J., Surface-Penetrating Radar, 2nd edition, IEEE Press, 2004.
2. Akkaya, A.E. and Talu, M.F., Extended Kalman Filter Based IMU Sensor Fusion Application for Leakage Position Detection in Water Pipelines. Journal of the Faculty of Engineering and Architecture of Gazi University, 32(4), 1393-1404, 2017.
3. Abujarad, F., A. Jostingmeier, and A. S. Omar, Clutter Removal for Landmine Using different Signal Processing Techniques, Proc. of the Tenth IEEE International Conference Ground Penetrating Radar, Delft- The Netherlands, 697-700, Haziran 2004.
4. Brunzell, H., Detection of shallowly buried objects using impulse radar. IEEE Transactions on Geoscience and Remote sensing, 37(2), 875-886, 1999.
5. Verma, P. K, A. N. Gaikwad, D. Singh and, M. J. Nigam, Analysis of Clutter Reduction Techniques for Through Wall Imaging in UWB range, Progress In Electromagnetics Research B, 17, 29-48, 2009.
6. Abujarad, F., G. Nadim, and A. Omar, Clutter Reduction and Detection of Landmine Objects in Ground Penetrating Radar Data Using Singular Value Decomposition (SVD), Proc. of the 3rd International Workshop on Advanced Ground Penetrating Radar, Delft- The Netherlands, 37-42, Mayıs 2005.
7. Tuncer, T., A novel image authentication method based on singular value decomposition. Journal of the Faculty of Engineering and Architecture of Gazi University, 32(3), 877-886, 2017.
8. Kumlu, D., and I. Erer, A Comparative Study on Clutter Reduction Techniques in GPR Images, International Conference on Electrical and Electronics Engineering, Ankara-Türkiye, 323-328, Nisan 2017.

9. Temlioglu, E., and I. Erer, Clutter Removal in Ground-Penetrating Radar Images Using Morphological Component Analysis, IEEE Geoscience and Remote Sensing Letters, 13 (12), 1802-1806, 2016.
10. Kumlu, D. and Erer, I., Clutter removal techniques in ground penetrating radar for landmine detection: A Survey, Operations Research for Military Organizations, IGI global, 375-399, 2019.
11. Bao, Q. Z., Q. C. Li, and W. C. Chen, GPR Data Noise Attenuation on The Curvelet Transform, Applied Geophysics, 11 (3), 301-310, 2014.
12. Terrasse, G., N. Jean-Marie, T. Emmanuel, and D. Emeline, Application of the Curvelet Transform for Clutter and Noise Removal in GPR Data, IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sensing, 10 (10), 4280-4294, 2017.
13. Kumlu, D. and Erer, I., The multiscale Directional Neighborhood Filter and Its Application To Clutter Removal in GPR Data, Signal, Image and Video Processing, 12 (7), 1237-1244, 2018.
14. Buades, A., B. Coll, and J.-M. Morel, A Non-Local Algorithm for Image Denoising, IEEE Computer Society Conference on Computer Vision and Pattern Recognition, San Diego-USA 60-65, Haziran 2005.
15. Hu, J., and S. Li, The Multiscale Directional Bilateral filter and Its Application To Multisensor Image Fusion, Information Fusion, 13 (3), 196-206, 2012.
16. Yin, H., and S. Li, Pansharpening with Multiscale Normalized Nonlocal Means Filter: A Two-step Approach," IEEE Transaction on Geoscience and Remote Sensing, 53 (10), 5734-5745, 2015.
17. Warren, C., G. Antonios, and G. Iraklis, gprMax: Open Source Software To Simulate Electromagnetic Wave Propagation for Ground Penetrating Radar, Computer Physics Communications, 209, 163-170, 2016.
18. Temliolu, E., I. Erer, and D. Kumlu, A Least Mean Square Approach To Buried Object Detection for Ground Penetrating Radar, IEEE International Geoscience and Remote Sensing Symposium, Forth Worth-USA, 4833-4836, Temmuz 2017.
19. Vrije Univ. Brussel (VUB). Real GPR data. http://www.minedet.etro.vub.ac.be. Erişim tarihi Eylül 01, 2011.