Generating synthetic SAR images to train target classification algorithms
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Sähkötekniikan korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2022-06-13
Department
Major/Subject
Space Science and Technology
Mcode
ELEC3039
Degree programme
Master’s Programme in Electronics and Nanotechnology (TS2013)
Language
en
Pages
78 + 8
Series
Abstract
Technological advancements have provided significant cost reductions to satellite imaging programs offering more extensive data capturing. Automated target recognition algorithms are developed to utilize this performance to produce near real-time intelligence information from large Synthetic Aperture Radar (SAR) images. However, the most limiting factor in developing the algorithms is insufficient training data for machine learning algorithms. A promising method to solve the problem is to produce synthetic training data using SAR simulators. The RaySAR is a SAR imaging simulator that uses ray tracing methods to model electromagnetic waves. The simulation concept has been used and verified in many studies. In this thesis, the core simulation part of the RaySAR is translated to Python. The program is modified to produce extensive training data sets automatically, and fast computing performance is ensured. The simulation process is enhanced to generate similar details visible in ICEYE Oyj SAR images. A particular focus is given to model system impulse response, speckle generating, and merging simulated scattering signature with actual SAR images. A method for producing large scenes with multiple targets and automatic annotations is developed. The feasibility of using the RaySAR to produce synthetic training images is evaluated by performing practical classification tests. Extensive data sets are generated and used to train a machine-learning algorithm. Promising results were achieved, and a classifier trained only with synthetic images was able to recognize actual SAR targets. However, the same level of performance was not obtained in every situation, and good results are limited to large structures with distinguished scattering signatures.Teknologiset edistysaskeleet ovat luoneet merkittäviä kustannusvähennyksiä satelliittien kuvantamisohjelmiin mahdollistaen datan laajemman käytön. Datan hyödyntämistä varten kehitetään automattisia kohteentunnistus algoritmeja, jotka kykenevät tuottamaan lähes reaaliaikaista tietoa synteettisen apertuurin tutka (SAR) kuvista. Tällä hetkellä suurin este teknologian kehittämiselle on riittämätön koneoppimisen harjoitusmateriaali. Eräs lupaava menetelmä harjoitusmateriaalin hankintaan on luoda synteettisiä SAR kuvia simulaattorin avulla. RaySAR on SAR kuvantamis simulaattori, joka simuloi sähkömagneettisia aaltoja käyttäen säteenseuranta menetelmiä. Konseptia on käytetty useissa tieteellisissä julkaisuissa ja todettu toimivaksi. Tässä työssä RaySAR käännetään Pythonille. Ohjelma muokataan tuottamaan laajoja harjoitusmateriaali kokonaisuuksia automaattisesti ja riittävän tehokas toiminta varmistetaan. Simulaatio prosessia parannetaan tuottamaan samankaltaisia yksityiskohtia kuin ICEYE:n SAR kuvissa. Erityisesti huomiota kiinnitetään systeemin impulssivasteen mallintamiseen, kohinan luomiseen ja simuloitujen sirontakuvioiden yhdistämiseen todellisten SAR kuvien kanssa. Myös prosessi laajojen kuvien tuottamiseen kehitetään, joka sisältää useita kohteita. RaySAR simulaattorin hyödyllisyyttä synteettisten SAR kuvien luomisessa arvioidaan suorittamalla luokittelutestejä käytännössä. Kehitetyt synteettiset kuvat esitetään ja käytetään algoritmien kouluttamiseen. Saavutetut tulokset ovat lupaavia ja luokittelija, joka on koulutettu ainoastaan synteettisillä kuvilla, onnistui havaitsemaan vastaavia kohteita todellisesta SAR kuvasta. Samantasoista suorituskykyä ei kuitenkaan saavutettu muissa testeissä ja hyvät tulokset ovat rajoittuneet suuriin rakenteisiin, joilla on yksilöllinen sirontakuvio.Description
Supervisor
Praks, JaanThesis advisor
Strong, ShayKeywords
SAR, CNN, ATR, synthetic, target, simulated