SAR görüntülerinde hedeflerin tespiti için görüntü işleme yöntemleri ve performans karşılaştırması
Image processing methods and performance comparison for target detection in SAR images
- Tez No: 994952
- Danışmanlar: DR. ÖĞR. ÜYESİ FATİH ALPASLAN KAZAN
- Tez Türü: Yüksek Lisans
- Konular: Savunma ve Savunma Teknolojileri, Defense and Defense Technologies
- Anahtar Kelimeler: BayesShrink, Dalgacık dönüşümü, DnCNN, Lee filtresi, SAR, Benek gürültüsü, BayesShrink, DnCNN, Lee filter, SAR, Speckle noise, Wavelet transform
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Savunma Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, Sentetik Açıklıklı Radar (SAR) görüntülerindeki benek gürültüsünün azaltılması amacıyla farklı gürültü giderme yöntemleri incelenmiştir. SAR görüntülerinde benek gürültüsü sistemin koherent yapısından kaynaklanmakta ve görüntü kalitesini düşürerek hedef tespiti ve yorumlama süreçlerini zorlaştırmaktadır. Bu nedenle benek gürültüsünün bastırılması, SAR görüntüsünü işleme açısından önemli bir ön adımdır. Çalışmanın ilk bölümünde, istatistiksel yöntemlerden Lee ve Improved Lee filtreleri uygulanmış olup bu filtrelerin benek bastırma ile kenar koruma performansları değerlendirilmiştir. Çalışmanın devamında benek gürültüsünün çarpımsal yapısını toplamsal modele yaklaştırmak amacıyla log-domain dönüşüm kullanılmış ve dalgacık tabanlı BayesShrink eşikleme yöntemi ile gürültü azaltma işlemi gerçekleştirilmiştir. Farklı dalgacık aileleri kullanılarak yapılan karşılaştırmalarda, dalgacık seçiminin sonuçlar üzerinde etkili olduğu görülmüştür. Tezin son aşamasında, derin öğrenme tabanlı bir yöntem olan Denoising Convolutional Neural Network (DnCNN) modeli SAR görüntülerine uygulanmıştır. Gerçek gürültüsüz referans görüntüler bulunmadığı için, benek içeriği azaltılmış yarı temiz (pseudo-clean) görüntüler üretilmiş ve model bu referanslar kullanılarak eğitilmiştir. Eğitim süreci log-domain'de gerçekleştirilmiş ve artık (residual) öğrenme yaklaşımı benimsenmiştir. Epoch-loss analizi, modelin eğitim sürecinde kararlı bir şekilde öğrenme gerçekleştirdiğini göstermiştir. Elde edilen sonuçlar, DnCNN yönteminin benek gürültüsünü bastırma ve görüntüdeki yapısal detayları koruma açısından klasik Lee ve Improved Lee filtrelerine göre daha başarılı olduğunu göstermektedir. Dalgacık tabanlı BayesShrink yöntemi ile karşılaştırıldığında ise nicel metrikler (PSNR, SSIM) ve görsel kenar koruma açısından daha üstün sonuçlar elde edilmiştir. Nicel değerlendirmeler ve görsel incelemeler birlikte ele alındığında, bu tez kapsamında incelenen yöntemlerin SAR görüntülerinde benek gürültüsünün azaltılması için uygulanabilir çözümler sunduğu; özellikle derin öğrenme tabanlı DnCNN yönteminin hem gürültü bastırma hem de detay koruma açısından en başarılı yaklaşım olduğu sonucuna varılmıştır.
Özet (Çeviri)
In this thesis study, different noise reduction methods have been examined with the aim of reducing speckle noise in Synthetic Aperture Radar (SAR) images. Speckle noise in SAR images originates from the coherent nature of the system and degrades image quality, complicating target detection and interpretation processes. Therefore, suppressing speckle noise is an important preliminary step in SAR image processing. In the first part of the study, statistical methods such as Lee and Improved Lee filters were applied, and the performance of these filters in speckle suppression and edge preservation was evaluated. Subsequently, a log-domain transformation was used to approximate the multiplicative structure of speckle noise to an additive model, and noise reduction was performed using the wavelet-based BayesShrink thresholding method. Comparisons using different wavelet families showed that the choice of wavelet had an effect on the results. In the final stage of the thesis, a deep learning-based method, the Denoising Convolutional Neural Network (DnCNN) model, was applied to SAR images. Since no truly noise-free reference images were available, pseudo-clean images with reduced speckle content were generated, and the model was trained using these references. The training process was performed in the log-domain, and a residual learning approach was adopted. An epoch-loss analysis has demonstrated that the model achieved stable learning during the training process. The results obtained show that the DnCNN method is more successful than the classical Lee and Improved Lee filters in terms of suppressing speckle noise and preserving structural details in the image. When compared to the wavelet-based BayesShrink method, superior results were obtained in terms of quantitative metrics (PSNR, SSIM) and visual edge preservation. Considering both quantitative evaluations and visual inspections, it was concluded that the methods examined in this thesis offer viable solutions for reducing speckle noise in SAR images. Specifically, the deep learning-based DnCNN method is the most successful approach in terms of both noise suppression and detail preservation.
Benzer Tezler
- Refocusing of moving targets in spotlight sar raw data
Spotlıght yar ham verilerinde hareketli hedeflerin yeniden odaklanması
İBRAHİM PAPİLA
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SELÇUK PAKER
- Deep unfolding for clutter removal in ground penetrating radar
Yere nüfuz eden radarda kargaşa gidermek için derin katman açma
SAMET ÖZGÜL
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Investigation of wind turbine effects on radar performance
Rüzgar türbinlerinin radar performansı üzerindeki etkilerinin araştırılması
OSMAN KARABAYIR
Doktora
İngilizce
2016
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SEDEF KENT PINAR
- Yapay açıklıklı radar görüntülerinde hareketli hedef tespiti
Moving target detection in synthetic aperture radar images
MURAT HAKAN YUSUFOĞLU
Yüksek Lisans
Türkçe
2013
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
DOÇ. DR. MESUT KARTAL
- Görüntü işleme ve radar verilerinin birleştirilmesiyle hava hedeflerinin tespiti ve sınıflandırılması
Detection and classification of aerial targets through the fusion of image processing and radar data
MELİSA GÜLER
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiYapay Zeka Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NURİ BİNGÖL