الگوريتم تخمين پارامتر بخش بندي مبتني بر انرژي ضرايب تبديل Curvelet براي استخراج ويژگي و توصيف بافت در تصاوير SAR

Segmentation Parameter Estimation Algorithm Based on Curvelet Transform Coefficients Energy for Feature Extraction and Texture Description of SAR Images

تصاوير رادار روزنه تركيبي (SAR) به دليل داشتن رزولوشن بالا و تكنولوژي تصويربرداري منحصر بفرد، داراي كاربردهاي زيادي در زمينه ي شناسايي اهداف، كشف معادن زير زميني، هواشناسي، كشاورزي و غيره مي باشند. با اين حال، پردازش اين نوع از تصاوير، به دليل درگير بودن آنها با نويزي موسوم به Speckle دشوار است. امروزه بخش بندي بافت نواحي مختلف تصاوير SAR بر اساس طراحي تابع Kernel با پارامترهاي مناسب، مورد توجه قرار گرفته و با چالش اساسي روبرو است. در اين مقاله، الگوريتم تخمين پارامتر جديدي براي طراحي تابع Kernel بهينه ي موردنياز در بخش بندي بافت تصاوير SAR ارايه شده است كه در آن تبديل Curvelet تنها در يك مرحله بر روي تصوير SAR اعمال شده و ضرايب لايه ي دروني به عنوان ويژگي هاي توصيفگر بافت استخراج مي شوند. سپس يك تابع Kernel جديد بر اساس مقدار كشيدگي انرژي ضرايب Curvelet (KCE) تشكيل ميشود. در مرحله‌ي بعد، بخش بندي بافتهاي مختلف با بكارگيري تابع تخمين يافته ي KCE انجام مي شود. نتايج شبيه‌سازي و آزمايشات، بر روي تصاوير شبيه سازي شده و نيز تصاوير حقيقي SAR ارايه شده است. اين نتايج نشان مي دهند كه الگوريتم پيشنهادي براي بخش بندي و توصيف بافتهاي مختلف در تصاوير SAR مفيد بوده و داراي خطاي بخش بندي كمتري در مقايسه با ساير روش هاي قبلي است.

Synthetic aperture radar (SAR) images have very applications in the field of target recognition, mineral detection, weather forecasting, agricultural, etc. due to their high spatial resolution and imaging technology. However, the process of this type of images is difficult because of the existence of speckle noise. Nowadays, texture region segmentation based on designing a Kernel function with proper parameters is a real challenge. In this paper, a new parameter estimation algorithm has been proposed to design an efficient Kernel function for texture segmentation of SAR images. In this method, the Curvelet transform is applied to the SAR image only in one step and the inner layer coefficients as texture features are extracted. Then, a new Kernel function is formed based on the kurtosis value of the Curvelet coefficients energy (KCE). In the next step, the segmentation of different textures is applied by using the estimated KCE Kernel function. Experimental results on both simulated and real SAR images demonstrate that the proposed algorithm is effective for segmentation and description of different textures in SAR images, and it has also the less segmentation error in comparison with other methods.