توصيفگر ها :
توموگرافي رادار دهانه مصنوعي , آشكارسازي , تخمين , انتخاب مرتبه مدل , آلگوريتم MUSIC متوالي , تخمين ماتريس كوواريانس
چكيده فارسي :
امروزه رادار دهانه مصنوعي (SAR)به دليل توانايي تصويربرداري با تفكيك‌پذيري بالا، امكان كار در شب و در شرايط بد آب و هوايي و استفاده از اطلاعات اضافي فاز سيگنال يكي از مهمترين ابزار سنجش از راه دور به شمار مي‌آيد. كاربردهاي متنوعي مانند زمين شناسي، آشكارسازي تغييرات روي زمين، نقشه برداري سه بعدي با ابزار تداخل سنجي، راهكار پلاريمتري براي سنجش بافت هاي سطح زمين و نيز كاوش سيارات از جمله قابليت هاي رادار دهانه مصنوعي به شمار مي روند. در تصويربرداري رادار دهانه مصنوعي معمول، اطلاعات منعكس‌كننده‌ها در بعد سوم يعني ارتفاع از دست مي‌رود. با استفاده از راهكارهاي تصويربرداري سه‌بعدي مانند تداخل سنجي، اطلاعات منعكس‌كننده در ارتفاع بدست مي‌آيد، اما مشكل تداخل‌سنجي، نداشتن تفكيك‌پذيري در جهت ارتفاع است. براي ايجاد تفكيك‌پذيري بايد يك دهانه در اين راستا ايجاد شود كه اين كار با ابزار توموگرافي محقق شده است. با بهره‌گيري از ابزار توموگرافي، جداسازي اهداف گسسته و شناسايي لايه‌اي اهداف حجمي، امكان‌پذير مي‌گردد. براي استخراج اطلاعات منعكس‌كننده‌ها با ابزار توموگرافي، روش‌هاي مختلفي ارائه شده است كه اغلب آنها به حل يك مساله تخمين طيفي منجر مي‌شود كه به دو صورت پارامتري و يا غيرپارامتري قابل انجام است. اگر چه در توموگرافي، استخراج كامل اطلاعات منعكس‌كننده‌ها در بعد ارتفاع، مطلوب است، اما در بسياري از كاربردها نياز به تخمين شدت انعكاس نيست. در اين موارد كه سناريوهاي شهري و محيط‌هاي ساختماني را شامل مي‌شود، آشكارسازي اهداف به تنهايي كافي به نظر مي‌رسد.
در اين تحقيق، توموگرافي در محيط‌هاي شهري و براي اهداف تنك مد نظر قرار مي‌گيرد و روش‌هايي در تخمين و آشكارسازي به كار گرفته مي‌شود كه كارآيي قابل قبولي داشته و همچنين پيچيدگي محاسباتي بالايي نداشته باشند. براي استخراج اطلاعات در توموگرافي، ابتدا از روش تخمين پارامتري كمترين مربعات خطا بر پايه معيار بيشترين شباهت استفاده مي‌شود تا بالاترين تفكيك‌پذيري فراهم گردد. همچنين در اين روش، با به كارگيري روش غيرپارامتري پرتوساز معمول، ناحيه جستجوي فراگير، محدود مي‌شود تا حجم محاسبات كاهش يابد. از نقطه نظر دقت تخمين و قدرت آشكارسازي نيز روش پيشنهادي را مورد تحليل قرار داده و يك رابطه فرم بسته نيز براي احتمال آشكارسازي اين روش ارائه مي‌شود. در ادامه، تاثير معيار انتخاب شده براي انتخاب مرتبه مدل، در كيفيت تصوير سه‌بعدي بازسازي شده با استفاده از روش پيشنهادي بررسي مي‌شود. در گام بعدي، در يك بستر توموگرافي چندبرداشتي، راهكارهايي جستجو مي‌شود تا بتوان از خاصيت تنكي توام در راستاي افزايش دقت تخمين موقعيت اهداف بهره برد. براي انجام اين كار، روش MUSICمتوالي را مورد استفاده قرار داده و با پيشنهاد روشي جديد كه در آن حذف متوالي مولفه از خود ماتريس كوواريانس صورت مي‌گيرد، دقت تخمين افزايش داده مي‌شود. سپس با به كارگيري يك روش جديد تخمين ماتريس كوواريانس، كه موجب نويززدائي در خروجي روش MUSICمي‌شود، كارآيي روش MUSICمتوالي پيشنهادي، بهبود داده مي‌شود. همچنين روش ديگري براي آشكارسازي اهداف ارائه مي‌شود، كه در آن با تركيب روش بيشترين شباهت و MUSIC، آشكارسازي اهداف با تفكيك‌پذيري بالا فراهم مي‌گردد. نتايج شبيه‌سازي نشان مي‌دهد كه اين روش، دقت بالاتري نسبت به روش بر پايه مينيمم‌سازي نرم يك داشته و پيچيدگي محاسباتي آن نيز پائين‌تر است.
چكيده انگليسي :
Today, synthetic aperture radar (SAR) is one of the most important remote sensing tools due to its high-resolution imaging capability and the ability to work at night and bad weather conditions. Using interferometry as a 3D SAR imaging solution, the topography of the land is retrievable, however, the problem with interferometry is the lack of resolution in the direction of elevation. Using SAR tomography (TomoSAR), it is possible to resolve discrete scatterers and characterize the volumetric environments like snow and forest. Various methods have been proposed to extract scatterers’ information by tomographic tools, most of which lead to solving a spectral estimation problem. Although in tomography, complete extraction of scatterers information in the height is desirable, but in many applications, there is no need to estimate the reflectivity of the scatterers. In these cases, which include urban infrastructure, detection of sparse point-like objects seems sufficient. In this study, tomography in urban environments with sparse targets is considered. In our first presented method, the highest resolution is provided using the NLS estimation. Before applying the NLS, the search area is limited by finding the possible location of targets with the aid of the beamforming method. In addition, we investigate the estimation accuracy of the method analytically through CRLB calculations. Also, a closed-form relationship is derived for the probability of detection of the NLS method. The effect of the selected model order scheme on the quality of the reconstructed 3D images is investigated. In the next step, in a multilook tomographic context, we seek solutions that utilize joint sparsity to increase the resolution of the detected targets. To do this, a sequential MUSIC algorithm is proposed, which increases the estimation accuracy in comparison with the other sequential methods. Also, by deploying a new covariance matrix estimation method, noise reduction is gained at the output of the MUSIC algorithm, and hence, the efficiency of the proposed sequential MUSIC method is further improved. Finally, we present a target detection method, which exploits the improved MUSIC algorithm to reduce the search space for the NLS method. The simulation results show that the proposed method, decreases the computational complexity, compared to the similar method based on ℓ1-norm minimization.
