کاهش نویز speckle به وسیله فیلترهای adaptive

خصوصیات هر سطح گسترده ی موجود در تصاویر sar به وسیله ی ضریب بازپراکنش (?^0) و بافت آن سطح قابل شناسایی است. اما دقت برآورد این پارامترها در هر پیکسل از این تصاویر توسط پدیده نویزگون speckle کاهش می یابد. این پدیده که حاصل برهم نهی سازنده یا ویرانگر امواج بازپراکنش شده از سطح جسم می باشد، در تصویر به صورت لکه های روشن و تاریک دیده می شود. وجود speckle در تصاویر sar تا حدی اجتناب ناپذیر است که می توان گفت همه ی پیکسل های تصاویر sar تحت تأثیر این پدیده تولید می-شوند. با کاهش اثر speckle می توان قدرت تفکیک سطوح مختلف را در تصاویر sar افزایش داد. در مناطق همگن تصویر که جنس سطح در آن ثابت می باشد، با میانگین گیری از پیکسل های مجاور می توان به تخمین درجه خاکستری بدون نویز پیکسل های آن منطقه پرداخت. اما در مناطق مرزی بین سطوح (لبه ها) نمی توان از این تخمین استفاده کرد. دو راه حل مرسومی که برای کاهش تاثیر speckle در تصاویر sar ارائه شده است عبارتند از: آنالیز multi-looking و استفاده از فیلترهای adaptive. آنالیز multi-looking بدون توجه به ارتباط رادیومتریک بین پیکسل ها، اقدام به میانگین گیری بین درجات خاکستری پیکسل های مجاور می کند. اما در فیلترهای adaptive، سعی بر جلوگیری از رخ دادن این اشتباه می باشد. این فیلترها در طی فرایند نرم کردن تصویر (کاهش speckle) در مناطق همگن، از اعمال میانگین گیری در لبه ها خودداری می کنند. این فرایند مانع کاهش وضوح لبه ها نیز می شود. در بیشتر فیلترهای adaptive موجود، برای تشخیص لبه های تصویر از ضریب پراکندگی استفاده می شود. علی رغم قطعی بودن وجود یا عدم وجود لبه در یک کرنل، تشخیص آن به صورت قطعی ممکن نمی باشد. موضوع دیگری که در طراحی فیلترهای adaptive مورد بحث است، تخمین میزان تأثیر نامطلوبی است که speckle بر روی هر پیکسل گذاشته است که البته این موضوع هم به صورت قطعی قابل بیان نیست. عدم قطعیت در این مورد به معنای ناتوانی در تشخیص تأثیر یا عدم تأثیر speckle نیست، بلکه در تشخیص میزان تأثیر است. در این پژوهش برای برآورد این دو عدم قطعیت مشکل ساز در فیلترهای adaptive، تعاریفی فازی ارائه شده است. سپس با استفاده از این تعاریف فازی، دو فیلتر adaptive-fuzzy پیشنهاد شده است تا بتواند به صورت مطلوب نویزها را در تصاویر sar کاهش داده و در طی این فرایند از تخمین های ناصحیح و نرم شدگی لبه ها جلوگیری کنند. پس از پیشنهاد این دو فیلتر، برای تشخیص میزان توانایی این فیلترها برای دست یافتن به اهداف تعیین شده و مقایسه آن ها با سایر فیلترهای adaptive موجود، به الگوریتم های ارزیابی نیاز بود. اما با وجود تنوع الگوریتم های موجود، دسته بندی مدونی برای آن ها وجود نداشت. لذا ابتدا یک دسته بندی برای الگوریتم های ارزیابی فیلترها ارائه شده و سپس با استفاده از آن ها اقدام به مقایسه فیلترهای پیشنهادی با فیلترهای موجود گردید. نتایج این ارزیابی ها نشان داد که فیلترهای پیشنهاد شده دارای توانایی بالایی در کاهش نویزهای موجود در تصاویر هستند و بهتر از دیگر فیلترهای موجود، لبه های موجود در تصاویر را حفظ می کنند.