Klassifikasjon i SAR-bilder ved bruk av ulike preprosesseringsteknikker og klassifikatorer

Abstract

Automatisk målgjenkjenning (ATR) i SAR-bilder kan lette arbeidet til en operatør. En høyoppløselig SAR-sensor vil kunne generere store mengder data, og det er derfor ønskelig å automatisere klassifikasjonsprosessen. For at ATR skal kunne brukes operativt må den være robust nok til at en operatør stoler på den. Dette er den store utfordringen med SAR ATR, og grunnen til at det ikke brukes operativt i noen særlig grad idag. Det er vanskelig å finne algoritmer som er robuste, bl.a. når bakgrunnen endrer seg, objektet er forsøkt skjult etc. Denne rapporten gir en kort oversikt over fagfeltet, samt en oppsummering av hva vi har sett på av metoder i prosjekt SOBEK. Den vil samtidig si noe om hva som bør gjøres videre i prosjektet på dette området. Mye av det som nevnes er ennå ikke implementert, men vi mener det er nyttig å ha det med for å gi en helhetlig oversikt. To hovedmåter å tilnærme seg problemet på nevnes, en som baserer seg på innsamlede data og en som baserer seg på modellering av signaturer. Analysene i rapporten bruker den første tilnærmingen, da vi har tilgang til slike data. De forskjellige delene av SAR ATR prosesseringskjeden er beskrevet. Dette omfatter deteksjon, segmentering og annen preprosessering av bildene. Videre presenteres et utvalg av aktuelle egenskaper man kan tenke seg å bruke i en klassifikator, samt metoder for å finne de ’optimale’ egenskapene fra et utvalg. Fordi egenskaper ved målet ofte er avhengige av aspektvinkelen mellom radaren og målet, har vi brukt endel tid på å estimere denne vinkelen. En metode som baserer seg på fusjon av ulike estimater blir beskrevet. Det viser seg i våre tester at det alltid lønner seg å bruke dette samlede estimatet istedenfor noen av de individuelle. En lignende metode demonstreres også for å estimere målenes lengde og bredde. Tre klassifikatorer har blitt implementert, og disse bekrives sammen med resultater av tester. Testene viser et relativt godt resultat med k-nærmeste nabo-metoden. Dette er imidlertid den tregeste metoden. Med minimum feilrate-metoden og neuralt nettverk blir resultatene dårligere, og vi må derfor jobbe videre med å finne bedre egenskaper som kan skille mellom de ulike klassene i treningssettet. Andre klassifikatorer som vil bli forsøkt implementert etterhvert nevnes også. For å kunne sammenligne en klassifikator med andre er det viktig å gi et kvantitativt mål på ytelsen. Det er ulike måter å gjøre dette på i ATR-miljøene. Vi har valgt å presentere og bruke en evalueringsmåte som vi mener gir et helhetlig bilde av ytelsen.

Automatic target recognition (ATR) in SAR imagery kan reduce the workload for an analyst. A high resolution SAR sensor can produce large amounts of data, and it is therefore desirable to automate the classification process. In order to use ATR in the field it has to be robust enough to make the analyst trust it. This is the main challenge with SAR ATR, and the reason why it is not used to any extent in the field. It is difficult to find algorithms that are robust, for example when the background changes or if the object is hidden. This report will give a short overview of SAR ATR, together with a presentation of what has been done on this subject in project SOBEK. It will also indicate what should be done in the future. A lot of what is mentioned is still not implemented, but we think it is instructive to include it to get a more complete overview. Two main approaches to solve the problem will be described, one that is based on recorded data and one that is based on modelled signatures. The analyses in this report will use the first approach, since we have access to such data. The different parts of the SAR ATR processing chain will be described. This includes detection, segmentation and other preprocessing of the images. Then a selection of features that may be useful in a classifier is presented, along with methods to find the ’optimal’ features from such a selection. As features of a target often depend on the aspect angle between the sensor and the target, we have tried to estimate this angle. A method based on fusion of different estimates will be described. From our tests we see that it is always feasible to use this combined estimate over the individual estimates. A similar method will be demonstrated to estimate the length and the width of the targets. Three classifiers have been implemented, and they will be described along with testresults. The tests show a relatively good result for the k-nearest neighbour method. However, this is the slowest method. The results for the minimum error rate method and the neural network are not so good. We therefore have to work harder to find better features that can separate the different classes in the training set. Other classifiers that will be implemented at a later time are also mentioned. To compare one classifierwith others it is important to be able to give a quantitativemeasure of the performance. Different measures have been used in different ATR communities. We have chosen to present and use one evaluation method here that we feel gives a complete picture of the performance.