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

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 i dag. 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 en del 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 beskrives 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 nøytralt 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 etter hvert 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.