Engel arkası hedef tespitinde yeni kargaşa giderme yöntemleri

Hedef görüntüleme ve algılamada ultra geniş bantlı (UGB, ultra–wide band-UWB) radarlar yaygınlıkla kullanılmaktadır. Duvar arkası ve yer altı görüntülemede bu radarların başarı oranı oldukça yüksektir. Bu radarların en önemli özelliği metal olmayan materyallere nüfuz ederek yüksek çözünürlüklü görüntü sağlayabilmesidir. Burada görüntü elektromanyetik dalganın farklı elektriksel özelliklere sahip materyallerden farklı yansıma ve kırılmasına bağlı olarak oluşmaktadır. UGB radarların kullanım alanı göre farklı frekans aralıkları tercih edilmekte ve engel arkası insan ve hedef (materyal) tespiti için de kullanılmaktadır. UGB radarlardan yararlanarak engel arkası insan ve hedef tespiti sivil ve askeri uygulamalar için son derece önemlidir. Bu uygulama alanları doğal felaketler (deprem, sel, toprak kayması, çığ, fırtına, hortum, vs.) ve insan kaynaklı felaketler (nükleer patlama, terörist eylemler, endüstriyel kazalar, vs.) olmak üzere, yaralı tespiti, mayın tespiti, beton analizi, asfalt analizi, köprü analizi, yeraltı borularının analizi, arkeolojik araştırmalar gibi pek çok farklı alanda olabilir. Burada, bu sistemin kullanılmasının temel sebebi engel arkasını görebilme yeteneğidir. Fakat bu yetenek büyük bir problemi de beraberinde getirmektedir. Çünkü bu sistemler engel arkasındaki her şeyi görebilmektedir. Buna örnek olarak engel arkasındaki düzensizlikler, diğer hedefe benzeyen cisimler verilebilir. Bu istenmeyen cisimlerin varlığı tarama yapılan bölgede hedef cisme ait sinyal olmadığı halde, olduğu algısını oluşturarak yanlış alarmlara yol açabilmektedir. Bununla beraber hedef tespitini güçleştiren diğer sorunlar, alıcı-verici anten arasında oluşan kuplaj, engelden geri yansıyan işaretin genliğinin, hedef cisimden yansıyan işaretlerin genliğinden fazlasıyla büyük olması, çevresel faktörler (toprak çeşiti, gömülü cismin materyeli, vs.) ve hava durumu (yağmur, kar, güneş, vs.) olarak sayılabilir. Literatüre incelendiğinde UGB radarların duvar arkasından ziyade gömülü cisimleri tespit etmekte daha yaygın olarak kullanıldığı görülmektedir ve bu uygulamada kullanılan radarların özel ismi yere nüfuz eden radar (YNR, ground–penetrating radar-GPR) olarak bilinmektedir. Gömülü cisimler için YNR radarın verdi˘gi görüntüyü simüle etmek amacıyla açık kaynak kodlu gprMax simülasyon programı kullanılmaktadır. Bu program sayesinde farklı senaryolar oluşturulabilir ve bunlara ait görüntüler (YNR görüntüsü veya B-tarama görüntüsü adı verilir.) üretilebilir. Bu program vasıtasıyla yapılan senaryoları, gerçek sistemler ile oluşturmak oldukça zaman alıcı ve zahmetlidir. Bu sebeple literatürde de simüle veriler sıklıkla kullanılmaktadır. Ayrıca, literatürde gömülü cisimlerin tespitinde kullanılacak metotları test etmek için gerçek veri seti de mevcuttur. Bu sebeple, bu çalışmada önerilen metotlar gömülü cisimlerde ve özellikle mayına benzeyen hedeflerin tespitinde kullanılmıştır. Mevcut gürültü giderme metotlarının test edilebilmesi ve performanslarının kıyaslanması maksadıyla simüle veri seti oluşturulmuştur. Çünkü kar¸sıla¸sılan en büyük problemlerden birisi veri setinin ve çeşitliliğinin azlığıdır. Ayrıca gerçek veriler genellikle sınırlı sayıda olduğu ve referans görüntü içermediği için sayısal analiz yapmak güvenilir olmamakta ve sadece görsel sonuçlara bağlı değerlendirme ise taraflı olmaktadır. Bu sebeple metotları sayısal olarak da karşılaştırabilmek için simüle veri setinden yararlanılmıştır. GprMax programında tez kapsamında oluşturduğumuz simüle veri seti, 112 YNR görüntüsü içermektedir ama bu görüntülerin referans görüntüsü mevcut değildir. Bundan dolayı ölçüm metriği olarak alıcı işletim karakteristikleri (AIK, receiver operating characteristic-ROC) eğrisi kullanılmıştır. Referans görüntüsü mevcut olan verilerde tepe sinyal-gürültü-oranı (TSGO, peak signal-to-noise ratio-PSNR) ve yapısal benzerlik indeksi (YBİ, structural similarity index-SSIM) gibi metrikler de kullanılabilir ama bu oluşturulan simüle veri seti için bu metrikler uygun değildir. AİK eğrileri gürültüsü giderilmiş görüntülerdeki piksel enerjileri dikkate alınarak hesaplanmıştır. Bu simüle veri setinde, 7 farklı toprak tipi, 2 farklı hedef materyali tipi ve 2 farklı hedef derinliği kullanılmış ayrıca her konfigürasyon için 4 farklı senaryo hazırlanmıştır. İlk senaryo düz yüzey olarak tasarlanmış, ikinci senaryo da düz yüzey üzerine çim konulmuştur, üçüncü senaryo da engebeli yüzey oluşturulmuş ve son senaryo da ise engebeli yüze üzerine su birikintisi eklenmiştir. Ayrıca sonuçların geçerliliğini test etmek için gerçek veri seti de kullanılmıştır. Bu veri seti "Vrije Universiteit Brussel" tarafından kullanıma açılan ve birden fazla hedefin gömülü olduğu zor senaryolar içermektedir. Önerilecek yöntemleri tespit başarı performanslarını kıyaslayabilmek maksadıyla literatürde kabul görmüş popüler metotlar mevcuttur. Bu yöntemleri alt uzay öğrenme ve çoklu çözünürlük yöntemleri olarak iki temel grupta toplanabilir. Alt uzay öğrenme yöntemleri temel bileşen analizi (TBA, principal component analysis-PCA), bağımsız bileşen analizi (BBA, independent component analysis-ICA), tekil değer ayrışımı (TDA, singular value decomposition-TDA) ve biçimsel eleman analizi (BEA, morphological component analysis-MCA) olarak verilebilir. TBA, BBA ve TDA yöntemleri genel olarak görüntü matrislerini farklı kısıtlar altında parçalamakta kullanılmaktadır ve her birinde kullanılan ayrıştırma kısıtı farklıdır. Bu parçalamanın sonucunda aynı boyutlarda alt görüntüler elde edilir. Bu görüntülerden ilki gürültüye aittir çünkü YNR görüntülerinde gürültü hedefe göre çok daha fazla baskındır. Diğer alt görüntülerin toplamından ise hedef görüntü oluşturulur. BEA metodu bu grupta yer almasına rağmen bir ön işleme tabidir. Burada gürültü ve hedef için ayrıştırma öncesinde ayrı birer sözlük oluşturulur daha sonra bu sözlüklerden faydalanılarak YNR görüntüsü gürültü ve hedef olmak üzere biçimsel (morfolojik) bileşenlerine ayrıştırılır. İkinci grup metotlar ise çoklu çözünürlük yöntemleri olarak geçmektedir. Bu metotlar dalgacık dönüşümü (DD, wavelet transform-WT) tabanlı gürültü giderme yöntemlerinin geliştirilmiş versiyonudur. Dalgacık dönüşümü tabanlı yöntemlerde bir görüntü farklı ölçeklerde yatay, dikey ve diyagonal bileşenlerine ayrılırken çoklu çözünürlük yöntemleri sayesinde çok daha fazla ölçek ve yöne ayrıştırılabilmekte ve böylece hedef bilgisi daha iyi lokalize edilmektedir. Bu yöntemlerden en çok bilineni eğricik dönüşümü (ED, curvelet transform-CT)'dür. Bu yöntem ile YNR görüntüsü farklı ölçeklerde farklı sayıda yönlere ayrılır. Literatürde yaygın olarak kullanılan ve koduna açık kaynaklardan ulaşılabilen hızlı ayrık eğricik dönüşümü (HAED, fast discrete curvelet transform-FDCT) mevcuttur fakat bu algoritmaya müdahale etmek mümkün olmadığından dönüşümün bize ayrıştırdığı farklı ölçeklerde yer alan farklı yönlerdeki alt görüntülerden faydalanılır. Diğer bir metot ise alt örneklenmemiş konturcuk dönüşümü (AÖKD, nonsubsampled contourlet transform-NSCT)'dür. Bu metot da, farklı ölçeklere ayrıştırma kısmında, Laplace piramidi ve farklı yönlere ayrıştırma da yönlü filtreler bankası (YFB, directional filter banks-DFB)'ndan faydalanır. Yine bu metotlara benzer literatürde gömülü cisimlerin tespitine yönelik başka çoklu çözünürlük yöntemleri de önerilmiştir. Bu tez çalışmasında, her iki gruba da yeni metotlar önerilmiştir. İlk gruba önerilen metot negatif olmayan matris ayrıştırma (NOMA, nonnegative matrix factorization-NMF) yöntemidir. Bu metot TBA, BBA ve TDA'ya benzer bir yapıda görüntüyü farklı iki matrisin çarpımı şeklinde ifade etmektedir ama burada kısıt her iki matrisin elemanlarının da negatif olmamasıdır. Bu kısıt bizim problemimiz için oldukça uygundur çünkü YNR görüntüleri piksel değerleri ile ifade edilir ve bu değerler negatif değildir. NOMA literatürde birçok sinyal işleme probleminde kullanılmıştır bunlara örnek olarak, gürültü giderme, boyut azaltma/sıkıştırma, özellik çıkarma, sınıflandırma verilebilir. Biz NOMA'yı kullanırken sıkıştırma özelliğinden faydalandık ve bu sayede YNR görüntüsünü gürültü bileşenine indirgeyerek oradan da hedef görüntüsünü elde ettik. Önerdiğimiz NOMA metodu diğer alt uzay öğrenme metotlarından daha iyi performans vermiş ve işlem süresi olarak da oldukça hızlı olduğunu ispatlamıştır. İkinci gruba ise çok-ölçekli yönlü bilateral süzgeç (ÇYBS, multiscale directional bilateral filter-MDBF) önerilmiştir. Burada yapılan en büyük yenilik YNR görüntüsünü farklı ölçeklere ayırırken bilateral süzgeç (BS, bilateral filter-BF)'nin kullanılmasıdır. Çünkü YNR görüntüsünü BF süzgeçten geçirdiğimizde kenar bilgisini kaybolmamakta ve bu da daha sonrasında kullanacağımız YFB'nin performansını arttırmaktadır. BS'de kullanılan iki Gauss süzgecinin yaptığı uzamsal ve mesafeye bağlı olarak süzgeçleme performansın yükselmesinde oldukça etkilidir. Sırasıyla uygulanan BS ve YFB sonucu YNR görüntüsü farklı ölçeklerde farklı sayıda yönlü görüntülere ayrılır. Burada gürültü ve hedefin sahip olduğu geometrik özellikleri kullanarak (hedef hiperbolik bir şekle, gürültü yatay bir şekle sahiptir.) hedef ve gürültü birbirinden ayrıştırılır. Daha sonra ters dönüşüm uygulanarak gürültüden temizlenmiş hedef görüntüsü tekrar oluşturulabilir. ÇYBF metodu uygulanırken uzamsal Gauss süzgecinin YNR görüntülerinde bir etkisi olmadığı fark edilmiş ve literatürde komşuluk süzgeci (KS, neighboorhood filter) olarak geçen ve sadece mesafe bilgisine dayanan Gauss süzgeci, BS yerine kullanılmıştır. Böylece sadece tek Gauss süzgeci kullanılan KS sayesinde hem performans arttırılmış hem de işlem süresi yarı yarıya azaltılmıştır. Bu yeni yönteme çok-ölçekli yönlü komşuluk süzgeci (ÇYKS, multiscale directional neighborhood filter-MDNF) adı verilmiştir. Performans analizleri için, gprMax simülasyon programında oluşturulan simüle veri seti kullanılmış ve mevcut metotlar ile birlikte yeni önerilen metotlar bu veri setinde AİK eğrileri kullanılarak kıyaslanmıştır. Ayrıca sayısal değerlendirmelerin yanında görsel değerlendirmeler de gerçek veri seti ile birlikte sunulmuştur. Simüle ve gerçek veri seti üzerinde yapılan sayısal ve görsel analizlerde NOMA metodunun diğer alt uzay öğrenme metotlarından daha iyi sonuç verdiği ve işlem süresinin gerçek zamanlı uygulamalar için daha uygun olduğu görülmüştür. Yine önerilen ÇKYS metodu çoklu çözünürlük metotları içinde en iyi performansı göstermiş fakat kullanılan yöntem optimize edilmediği için işlem süresi diğer metotların gerisinde kalmıştır. Bütün metotlar beraber test edildiğinde, en iyi performansın ÇKYS tarafından elde edildiği fakat gerçek uygulamalar için NOMA metodunun daha hızlı ve ÇKYS'ye yakın sonuçlar vereceği için tercih edilebileceği değerlendirilmiştir.