الگوریتم تخمین پارامتر بخش بندی مبتنی بر انرژی ضرایب تبدیل Curvelet برای استخراج ویژگی و توصیف بافت در تصاویر SAR

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