غلامرضا اکبری زاده - استادیار دانشکده مهندسی دانشگاه شهید چمران اهواز
زینب تیرانداز - دانشجوی کارشناسی ارشد برق، دانشگاه شهید چمران اهواز

تصاویر رادار روزنه ترکیبی (SAR) به دلیل داشتن رزولوشن بالا و تکنولوژی تصویربرداری منحصر به فرد، دارای کاربردهای زیادی در زمینه شناسایی اهداف، کشف معادن زیرزمینی، هواشناسی، کشاورزی و غیره هستند. با این حال، پردازش این نوع از تصاویر، به دلیل درگیر بودن آنها با نویزی موسوم به Speckle دشوار است. امروزه بخشبندی بافت نواحی مختلف تصاویر SAR بر اساس طراحی تابع Kernel با پارامترهای مناسب، مورد توجه قرار گرفته و با چالش اساسی روبه رو است. در این مقاله، الگوریتم تخمین پارامتر جدیدی برای طراحی تابع Kernel بهینه مورد نیاز در بخشبندی بافت تصاویر SAR ارائه شده است که در آن تبدیل Curvelet تنها در یک مرحله روی تصویر SAR اعمال شده و ضرایب لایه درونی به عنوان ویژگی های توصیفگر بافت استخراج می شوند. سپس یک تابع Kernel جدید بر اساس مقدار کشیدگی انرژی ضرایب Curvelet،(KCE) تشکیل می شود. در مرحله بعد، بخشبندی بافت های مختلف با به کارگیری تابع تخمین یافته KCE انجام می شود. نتایج شبیه سازی آزمایش ها، روی تصاویر شبیه سازی شده و نیز تصاویر حقیقی SAR ارائه شده است. این نتایج نشان می دهند که الگوریتم پیشنهادی برای بخشبندی و توصیف بافت های مختلف در تصاویر SAR مفید بوده و دارای خطای بخشبندی کمتری در مقایسه با سایر روش های قبلی است.

تصویر رادار روزنه ترکیبی (SAR) ،آماره، کشیدگی انرژی،(KCE) Curveletو Speckle