19346

16749

كارشناسي ارشد

مخابرات سيستم

اصفهان : دانشگاه صنعتي اصفهان

1402

پانزده، 96ص.: مصور، جدول، نمودار

1403/01/20

كتابنامه

مهندسي برق

مهندسي برق و كامپيوتر

1403/01/21

23027198

امروزه تصاوير رادار روزنه مصنوعي (SAR) به دليل كاربرد گسترده آن در اهداف نظامي و غيرنظامي از اهميت ويژه‌اي برخوردار هستند. اين تصاوير آلوده به نويزهايي هستند كه نويز لكه ناميده مي‌شوند. وجود لكه‌ها در تصاوير SAR درك و تفسير آن‌ها را براي طيف وسيعي از كاربرد‌ها غيرممكن مي‌سازد. با اين حال، برخي از ويژگي‌هاي SAR مانند توانايي عملكرد آن بدون توجه به شرايط آب و هوايي‌، باعث مي‌شود چنين تصاويري براي استخراج اطلاعات مربوطه، ارزش پردازش را داشته باشند. از جمله ساده‌ترين روش‌ها براي حذف نويز تصاوير، روش‌هاي فيلترينگ مي‌باشد.اين فيلتر‌ها با استفاده از يك پنجره لغران و يك ماتريس وزن، منجر به هموار كردن تصاوير و در نتيجه كاهش نويز مي‌شوند؛ اما در بسياري از موارد اين روش منجر به تار شدن و حذف جزئيات مي‌شود. در اين پايان نامه روش‌هاي كلاسيك براي نويززدايي از تصاوير ارائه و بررسي شده‌است؛ اما به دليل اهميت اين تصاوير و گستردگي علم هوش مصنوعي در حوزه‌هاي مختلف از جمله پردازش تصوير و حذف نويز و نتايج مورد تاييد آن، روش‌هاي حذف نويز لكه با استفاده شبكه‌هاي عصبي و يادگيري عميق توصيه مي‌شود. در اين پايان نامه به دليل اهميت موضوع، تصاوير واقعي SAR مورد بررسي قرار گرفته‌اند. از آنجا كه نويز لكه در تصاوير واقعي SAR بسيار مخرب‌تر از حالت مصنوعي آن مي‌باشد، نشان داده شده كه الگوريتم‌هاي هوش مصنوعي به تنهايي قادر به نويززدايي از تصاوير نيستند. الگوريتم پيشنهادي در اين پايان نامه به اين صورت است كه ابتدا به كمك روش‌هاي كلاسيك روي داده‌هاي واقعي پيش پردازش انجام مي‌شود سپس با ارائه يك شبكه عصبي اقدام به نويززدايي از تصاوير SAR مي‌كند. نتايج كمّي و بصري نشان مي‌دهد كه اين روش نسبت به روش‌هاي پيشين، نويززدايي از تصاوير SAR را به خوبي انجام داده و در عين حال حذف اطلاعات را به حداقل رسانده‌است.

Nowadays, Synthetic-Aperture Radar (SAR) images are importance due to their widespread use in military and civilian purposes. These images are contaminated with noise called speckle noise. The presence of spots in SAR images makes it impossible to understand and interpret them for a wide range of applications. However, some characteristics of SAR, such as its ability to operate regardless of weather conditions, make such images worth processing to extract relevant information. Filtering methods are among the simplest methods to remove noise from images. These filters use a sliding window and a weight matrix to smooth images and reduce noise. But in many cases, this method leads to blurring and removing details. In this dissertation, classical methods for denoising images are presented and reviewed; however, due to the importance of these images and the extent of artificial intelligence science in various fields, including image processing and noise removal and its confirmed results, speckle noise removal methods using neural networks and deep learning are recommended. In this dissertation, real SAR images have been examined. Since the speckle noise in real SAR images is much more destructive than its artificial state, it has been shown that artificial intelligence algorithms alone are not able to denoise these images. The algorithm proposed in this thesis is pre-processed with the help of classical methods on the real data, then it attemps to denoise the SAR images by providing a neural network. Quantitative and visual results show that this method has performed denoising of SAR images well and has minimized information removal at the same time.

محمدرضا تابان

مجتبي بهشتي

محمود مدرس هاشمي