Dergiler / Journal of Naval Sciences and Engineering / 2021 / Cilt: 17 - Sayı: 1
YNR GÖRÜNTÜLERİNDE KARGAŞANIN BASTIRILMASI İÇİN ÖZGÜN TENSÖR GTBA METODU
- Sayfa
- 27–42
- DOI
- —
Özet
Yere nüfuz eden radar (YNR) görüntülerinde kargaşanın varlığı hedef tespit oranını büyük ölçüde etkilemektedir ve kargaşanın bastırılması için birçok yöntem önerilmiştir. Bu yöntemler temel olarak alçak sıra, alçak sıra ve seyrek ve tensör ayrıştırma yöntemleri olarak gruplanabilir. Temel bileşen analizi (TBA) kargaşa bastırma yöntemler arasında ilk akla gelen yöntemdir ve alçak sıra ailesinde yer alır. Daha sonra, bu yöntem alçak sıra ve seyrek ayrıştırma yöntemi olarak gürbüz temel bileşen analizi (GTBA) adıyla geliştirilmiş ve yüzeye yakın gömülen hedefler ve pürüzlü yüzeyler gibi zorlu durumlarla başa çıkabilir hale gelmiştir. Son zamanlarda önerilen tensör tabanlı yöntemler alçak sıra ve seyrek ayrıştırma problemine alternatif çözümler sağlamaktadır. Bu yöntemlerin sonuçlarından motive olarak, yeni bir ön-dönüşüm adımı ile tensör gürbüz temel bileşen analizi (TGTBA) yöntemi önerilmiştir ve önerilen yöntem TBA ve GTBA yöntemleri ile benzetim veri seti üzerinden karşılaştırılmıştır. Önerdiğimiz yöntem klasik TBA ve yeni önerilen GTBA yöntemlerine karşı hem görsel hem de sayısal olarak üstünlük sağlamıştır.
Abstract
The clutter problem in ground penetrating radar (GPR) images highly effects the peformance of target detection ratio. Various methods have been proposed for clutter suppression purposes in the GPR literature. They can be mainly grouped as low rank, low rank and sparse and tensor-based decomposition methods. Principal component analysis (PCA) and robust principal component analysis (RPCA) are classicle approaches and could be classified as low rank and low rank/sparse decomposition methods, respectively. Recently proposed tensor-based methods provide an alternative perspective of solving the low rank and sparse decomposition to handle challenging situations such as shallowly buried objects or rough surface situations. Motivated by the performance of Tensor-based methods, we propose a new pre-transformation step for tensor robust principal component analysis (TRPCA) and compare it with the PCA and RPCA methods over a simulated GPR dataset. Our proposed method outperforms the classical PCA and recent RPCA methods both visually and quantitatively in terms of clutter removal.