Прогнозування якості відфільтрованих зображень з використанням трансферного навчання на спекл-шумі Sentinel-1 з DenseNet-121
DOI:
https://doi.org/10.36023/ujrs.2025.12.4.293Ключові слова:
Спекл-шум, Sentinel-1, метрики якості зображень, DenseNet-121, трансферне навчанняАнотація
Спекл-шум, притаманний зображенням радара із синтезованою апертурою (РСА), погіршує якість зображень та ускладнює автоматизований аналіз у застосуваннях дистанційного зондування Землі. Кількісна оцінка результатів фільтрації потребує обчислення метрик якості відносно еталонних зображень, які недоступні в операційних сценаріях РСА. У цій статті представлено метод апріорного прогнозування метрик якості відфільтрованих РСА-зображень Sentinel-1 до застосування фільтрів придушення спекл-шуму. На відміну від існуючих підходів, що прогнозують відносне покращення якості, запропонований метод прогнозує абсолютні значення п'яти метрик (PSNR, WSNR, SSIM, MS-SSIM, FSIM) для конкретного фільтра, що забезпечує пряме порівняння та раціональний вибір фільтра. Методологія використовує трансферне навчання згорткової нейронної мережі DenseNet-121, попередньо навченої на ImageNet, адаптованої для одноканальних РСА-входів шляхом архітектурних модифікацій, включаючи трансформацію вхідного шару, оптимізацію пулінгу та заміну вихідного регресійного шару. Новий конвеєр генерації синтетичних даних використовує зіставлення гістограм оптичних зображень Sentinel-2 з еталонними РСА-знімками Sentinel-1 для створення навчальних зразків із збереженням еталонних даних. Динамічне додавання гамма-розподіленого спекл-шуму зі змінним ENL ∈ [2, 6] підвищує варіативність даних та стійкість моделі. Експерименти з шістьма класичними фільтрами (Gamma MAP, Lee, Enhanced Lee, Frost, SRAD, Kuan) демонструють високу точність прогнозування для всіх комбінацій фільтр-метрика. Коефіцієнт детермінації R² досягає 0,997 для найкращих комбінацій та перевищує 0,97 для більшості з 30 навчених моделей. Середні абсолютні похибки прогнозування не перевищують 0,29 дБ для PSNR та 0,014 для SSIM для всіх протестованих конфігурацій. Підхід забезпечує апріорне прогнозування якості без еталонних зображень, дозволяючи оптимізувати робочі процеси обробки РСА-даних та планування ресурсів до виконання ресурсомістких операцій фільтрації.
Внесок авторів: Концептуалізація — Раед А. та Олексій Р.; методологія — Раед А.; формальний аналіз — Раед А.; дослідження — Раед А. та Олексій Р.; обробка даних — Раед А. та Олексій Р.; написання — підготовка оригінального тексту — Раед А.; написання — рецензування та редагування — Раед А. та Олексій Р.; візуалізація — Раед А. Всі автори прочитали та погодилися з опублікованою версією рукопису.
Фінансування: Це дослідження не отримало зовнішнього фінансування.
Доступність даних: Оброблений набір даних доступний у репозиторії Zenodo (https://zenodo.org/uploads/17253925). Код програмної реалізації на Python доступний у репозиторії GitHub (https://github.com/rsenaikh/Predicting_Quality_after_Noise_Removal).
Подяки: Автори висловлюють щиру подяку Copernicus Data Space Ecosystem за надання відкритого доступу до даних Sentinel-1 та Sentinel-2. Також вдячні рецензентам та редакторам за цінні коментарі, рекомендації та увагу до роботи.
Конфлікти інтересів: Автори заявляють, що не мають конфлікту інтересів.
Посилання
Abramov, S., Krivenko, S., Roenko, A., & Lukin, V. (2013). Prediction of filtering efficiency for DCT-based image denoising. 2nd Mediterranean Conference on Embedded Computing (MECO). https://doi.org/10.1109/MECO.2013.6601327
Beauchemin, M., Thomson, K. P. B., & Edwards, G. (1996). Optimization of the Gamma-Gamma MAP filter for SAR image clutters. International Journal of Remote Sensing, 17(5), 1063-1067. https://doi.org/10.1080/01431169608949067
European Space Agency. (2016). Sentinel-1 Product Definition (S1-RS-MDA-52-7440, Ed. 2/7).
European Space Agency. (2022). Sentinel-1 Level 1 Detailed Algorithm Definition (Ed. 2.5).
Filipponi, F. (2019). Sentinel-1 GRD preprocessing workflow. Proceedings, 18(11). https://doi.org/10.3390/ECRS-3-06201
Frost, V. S., Stiles, J. A., Shanmugan, K. S., & Holtzman, J. C. (1982). A model for radar images and its application to adaptive digital filtering of multiplicative noise. IEEE Transactions on Pattern Analysis and Machine Intelligence, 4(2), 157-166. https://doi.org/10.1109/TPAMI.1982.4767223
IEEE Standard for the Deep Learning-Based Assessment of Visual Experience Based on Human Factors. (2022). IEEE Std 3333.1.3-2022. https://doi.org/10.1109/IEEESTD.2022.9781357
Kuan, D. T., Sawchuk, A. A., Strand, T. C., & Chavel, P. (1985). Adaptive noise smoothing filter for images with signal-dependent noise. IEEE Transactions on Pattern Analysis and Machine Intelligence, 7(2), 165-177. https://doi.org/10.1109/TPAMI.1985.4767641
Lee, J. S. (1980). Digital image enhancement and noise filtering by use of local statistics. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2(2), 165-168. https://doi.org/10.1109/TPAMI.1980.4766994
Lukin, V., Abramov, S., Rubel, A., Krivenko, S., Naumenko, A., Vozel, B., Chehdi, K., Egiazarian, K., & Astola, J. (2014). An approach to prediction of signal-dependent noise removal efficiency by DCT-based filter. Telecommunications and Radio Engineering, 73(18), 1645-1659. https://doi.org/10.1615/TelecomRadEng.v73.i18.40
Medeiros, F. N. S., Mascarenhas, N. D. A., & Costa, L. F. (2003). Evaluation of speckle noise MAP filtering algorithms applied to SAR images. International Journal of Remote Sensing, 24(24), 5197-5218. https://doi.org/10.1080/0143116031000115148
Moein, F., & Taban, M. R. (2024). Removing speckle noise from synthetic-aperture radar images using artificial intelligence techniques. 2024 11th International Symposium on Telecommunications (IST). https://doi.org/10.1109/IST64061.2024.10843539
Rubel, O., Lukin, V., & de Medeiros, F. (2015). Prediction of despeckling efficiency of DCT-based filters applied to SAR images. Proc. IEEE International Conference on Distributed Computing in Sensor Systems (DCOSS), 159-168. https://doi.org/10.1109/DCOSS.2015.16
Rubel, O., Lukin, V., Rubel, A., & Egiazarian, K. (2019). NN-based prediction of Sentinel-1 SAR image filtering efficiency. Geosciences, 9(7), 290. https://doi.org/10.3390/geosciences9070290
Rubel, O., Lukin, V., Rubel, A., & Egiazarian, K. (2020). Prediction of Lee filter performance for Sentinel-1 SAR images. Electronic Imaging, 2020(9), Article IQSP-371. https://doi.org/10.2352/ISSN.2470-1173.2020.9.IQSP-371
Rubel, O., Lukin, V., Rubel, A., & Egiazarian, K. (2021). Selection of Lee filter window size based on despeckling efficiency prediction for Sentinel SAR images. Remote Sensing, 13, 1887. https://doi.org/10.3390/rs13101887
Singh, P., & Pandey, R. (2016). Speckle noise: Modelling and implementation. International Science Press, 9(17), 8717-8727.
Sveinsson, J. R., & Benediktsson, J. A. (1996). Speckle reduction and enhancement of SAR images in the wavelet domain. IGARSS ’96. 1996 International Geoscience and Remote Sensing Symposium, 36. doi:https://doi.org/10.1109/IGARSS.1996.516245
Talebi, H., & Milanfar, P. (2018). NIMA: Neural image assessment. IEEE Transactions on Image Processing, 27(8), 3998-4011. https://doi.org/10.1109/TIP.2018.2831899
Wanjiku, R. N., Nderu, L., & Kimwele, M. W. (2022). Transfer learning data adaptation using conflation of low‐level textural features. Engineering Reports. https://doi.org/10.1002/eng2.12603
Wang, Z., Bovik, A. C., Sheikh, H. R., & Simoncelli, E. P. (2004). Image quality assessment: from error visibility to structural similarity. IEEE Transactions on Image Processing, 13(4), 600-612. https://doi.org/10.1109/TIP.2003.819861
Wei, S., Zhang, H., Zeng, X., Zhou, Z., Shi, J., & Zhang, X. (2022). CARNet: An effective method for SAR image interference suppression. International Journal of Applied Earth Observation and Geoinformation, 114, 103019. https://doi.org/10.1016/j.jag.2022.103019
Yu, Y., & Acton, S. T. (2002). Speckle reducing anisotropic diffusion. IEEE Transactions on Image Processing, 11(11), 1260-1270. https://doi.org/10.1109/TIP.2002.804276
Zhang, L., Zhang, L., Mou, X., & Zhang, D. (2011). FSIM: A feature similarity index for image quality assessment. IEEE Transactions on Image Processing, 20(8), 2378-2386. https://doi.org/10.1109/TIP.2011.2109730
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ліцензійні умови: автори зберігають авторські права та надають журналу право першої публікації на твір, одночасно ліцензований за міжнародною ліцензією Creative Commons Attribution License International CC-BY, що дозволяє іншим поділитися твором з підтвердженням авторства твору та первинною публікацією в цьому журналі.
Автори, направляючи рукопис у редакцію «Українського журналу дистанційного зондування Землі», погоджуються з тим, що редакції передаються права на захист і використання рукопису (переданого до редакції журналу матеріалу, в т. ч. такі об’єкти авторського права як фотографії автора, рисунки, схеми, таблиці тощо), в тому числі на відтворення у пресі та мережі Інтернет, на поширення, на переклад рукопису на будь-які мови, експорту та імпорту примірників журналу зі статтею авторів з метою розповсюдження, на доведення до загального відома. Зазначені вище права автори передають редакції без обмеження терміну і на території всіх країн світу без обмеження в т. ч. на території України.
Автори гарантують наявність у них виняткових прав на використання переданого редакції матеріалу. Редакція не несе відповідальності перед третіми особами за порушення даних авторами гарантій. За Авторами залишається право використання їх опублікованого матеріалу, його фрагментів і частин в особистих, у тому числи наукових і освітянських цілях. Права на рукопис вважаються переданими Авторами редакції з моменту підписання до друку випуску журналу, в якому він публікується. Передрук матеріалів, опублікованих у журналі, іншими фізичними та юридичними особами можливий тільки зі згоди редакції, з обов’язковим зазначенням випуску журналу, в якому було опубліковано матеріал.
