Sentinel-1 SAR-kuvien kohinan poisto koneoppimisen näkökulmasta

Abstract

SAR-tutkakuvien käyttö maan pinnan tutkimiseen on viime vuosina yleistynyt optisten satelliittikuvien rinnalle. SAR-tutkien etu optisiin laitteisiin verrattuna on kyky kuvantaa maata sääolosuhteista ja valoisuudesta riippumatta. Tämän lisäksi SAR-tutkat antavat tietoa maan pinnan rakenteesta ja mahdollistavat kuvantamisen kasvillisuus- ja pintakerrosten läpi.

Jyväskylän ammattikorkeakoulun Tieto tuottamaan -hankkeen pilottitapauksessa tutkitaan mahdollisuutta hyödyntää SAR-kuvia maastoalueiden anomalioiden tunnistamiseen koneoppimisen avulla. SAR-kuvien käyttöä hankaloittaa kuitenkin kuvissa mustina ja valkoisina pisteinä näkyvä kohina, joka aiheutuu kuvantamiseen käytettyjen mikroaaltojen heijastumien vuorovaikutuksesta.

Kohinan poistamiseen on kehitetty lukuisia eri menetelmiä, joista ensimmäiset ovat olleet optisille kuville kehitettyjä. Myöhemmin kohinanpoistomalleja on muotoiltu erityisesti SAR-kuvissa esiintyvän kohinan poistamiseen. Viime vuosina tähän on sovellettu myös neuroverkkomalleja, joilla on saatu lupaavia tuloksia. Näiden innoittamana pilottitapauksen rinnalla haluttiin tutkia mahdollisuutta soveltaa neuroverkoilla kehitettyjä kohinanpoistomalleja pilottitapauksessa käytettävälle datalle ja saada tietoa käytettävän kohinanpoistomenetelmän optimaalisesta valinnasta. Koska anomalioiden tunnistaminen oli tavoitteena toteuttaa koneoppimisen avulla, tutkittiin kohinanpoistomenetelmän valintaa ja SAR-datasta hyödynnettäviä ominaisuuksia tästä näkökulmasta.

Kohinanpoistomenetelmien tutkimus toteutettiin valitsemalla vertailuun muutama potentiaalinen menetelmä aikaisemman tutkimustiedon pohjalta. Vertailuun valittiin Lee, Frost, Refined Lee -suodattimet, Frost ja Refined Lee -suodattimien yhdistelmä sekä Refined Lee -suodattimen soveltaminen kahdesti. Lee ja Frost -suodattimissa käytettiin kahta eri suodatusikkunankokoa. Näiden lisäksi neuroverkkopohjaisista menetelmistä tutkittiin Speckle2Void-mallia, mutta tämä ei sellaisenaan soveltunut pilottitapauksen datalle, minkä vuoksi käytännöntestaus tehtiin vain edellä luetelluille menetelmille.

Valittuja menetelmiä tutkittiin vertailemalla subjektiivisesti suodatettuja kuvia, laskemalla suodatukselle ENL-arvo, suodatukseen kulunut aika ja tutkimalla Random Forest -menetelmällä tehdyn maankäytön luokittelun tuloksia eri suodattimien kanssa.

The use of SAR images has increased in land cover studies during the last years. The advantage of synthetic aperture radars over optical imaging systems is their ability to image regardless of weather or time of day. Furthermore, synthetic aperture radars provide useful information about land surface and enable imaging through vegetation and land surface layers.

The use of SAR images in anomaly detection with the help of machine learning was studied in a pilot case in Jyväskylä University of Applied Science. The complication in using SAR images is the salt and pepper noise called speckle that makes interpretation and further use of images difficult. Filtering of speckle is an important part of SAR preprocessing.

Many speckle filtering methods have been developed over the years and recently deep learning methods have been applied to speckle filtering. These methods have shown promising results, but comparative studies are few. For this reason, the possibility to use new speckle filtering methods for the data used in pilot case was studied. Also, information about optimal selection of speckle filtering method and useful properties in SAR data was needed. Because the detection of anomalies was to be carried out using machine learning, the research was implemented from machine learning’s point of view.

The research was carried out by choosing a few potential speckle filters based on previous studies. The chosen speckle filters were Lee, Frost, Refined Lee and combination of Frost and Refined Lee filters. In Lee and Frost filters filter window sizes of 5x5 and 7x7 were tested. In addition to former filters, new Speckle2Void speckle filter was planned to be tested. During research it became clear that this method was designed to be used to PolSAR data.

The speckle filters were compared carrying out a land cover classification with each filter using Random Forest. From the results of Random Forest land cover classification key figures were analysed. Preprocessed SAR images were also examined subjectively, calculating ENL-value and comparing processing times.