[논문]산란점 정보를 이용한 표적 SAR 영상 간 유사도 평가기법

박지훈; 임호

doi:10.9766/kimst.2019.22.6.735

[국내논문] 산란점 정보를 이용한 표적 SAR 영상 간 유사도 평가기법
Method for Similarity Assessment Between Target SAR Images Using Scattering Center Information 원문보기

韓國軍事科學技術學會誌 = Journal of the KIMST, v.22 no.6, 2019년, pp.735 - 744

박지훈 (국방과학연구소 제3기술연구본부) , 임호 (국방과학연구소 제3기술연구본부)

Abstract ▼ AI-Helper

One of the key factors for recognition performance in the automatic target recognition for synthetic aperture radar imagery(SAR-ATR) system is reliability of the SAR target database. To achieve optimal performance, the database should be constructed using the images obtained under the same operating condition as the SAR sensor. However, it is impractical to have the extensive set of real-world SAR images, and thus those from the electro magnetic prediction tool with 3-D CAD models are suggested as an alternative where their reliability can be always questionable. In this paper, a method for similarity assessment between target SAR images is presented inspired by the fact that a target SAR image is mainly characterized by the features of scattering centers. The method is demonstrated using a variety of examples and quantitatively measures the similarity related to reliability. Its assessment performance is further compared with that of the existing metric, structural similarity(SSIM).

주제어

표/그림 (15)

그림 Fig. 1. LUT registration of reference SC information
그림 Fig. 2. Flowchart for cross-similarity score computation
표 Fig. 3. Cross-similarity calculation by table look-up
그림 Fig. 4. 2S7 PION model 1, 2, 3, and 4
그림 Fig. 5. Predicted 2S7 PION images for different models and aspect angles(for 0°, 30°, 90°, 120°)
표 Table 1. SC sim for 2S7 PION model 4 and others
표 Table 2. SSIM for 2S7 PION model 4 and others
그림 Fig. 6. MSTAR real target and CAD models of T72
그림 Fig. 7. MSTAR measured/predicted images for different models/aspect angles of T72 tank
표 Table 3. SC sim for T72 MSTAR and predictions
표 Table 4. SSIM for T72 MSTAR and predictions
그림 Fig. 8. SLICY target CAD model and its real object
그림 Fig. 9. TerraSAR-X acquisition geometry and real measured SAR image
그림 Fig. 10. Measured and predicted SAR images of SLICY (horizontal : azimuth, vertical : slant range)
표 Table 5. SC sim for SLICY TerraSAR-X and predicted results of various aspect angles(%)

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

제안된 평가기법은 Jones 및 Bhanu가 발표한 LUT 기반 SAR 표적식별 기법^[9,10]\을 기반으로 산란점 정보 기반의 유사도 평가 지표로 새롭게 구성되어 고안되었다. 본 논문에서는 여러 표적에 대한 예측 및 실측영상 등을 이용한 기법의 적용 예시를 보이고, 기존의 유사도 평가지표인 SSIM과 유사도 평가 성능을 비교한다. 특히, 동일 표적에 대해서 표적 모델의 형상을 점진적으로 변화시켜나가거나, 동일 표적의 실측영상 및 예측영상 간의 산란점 유사도를 산출함으로써 예측영상을 이용하여 표적 데이터베이스를 구축 시 데이터베이스의 신뢰성을 어떻게 예측할 수 있는지에 대해 집중하여 적용한다.
본 논문에서는 표적 SAR 영상을 구성하는 주요 산란점의 위치 및 크기 정보를 활용하여 LUT에 등록하고 대조함으로써 영상 간의 유사도를 평가하는 기법을 제시하였다. 제시한 기법은 2S7 PION 자주포의 모델 별 예측영상 및 T72 전차의 실측/예측 영상, 그리고 SLICY 표적의 실측/예측 영상에 적용되었으며, 기존의 통계적 상관도 기반 SSIM 보다 변별력 높은 유사도 평가 성능을 보였다.
본 논문에서는 표적 SAR 영상을 구성하는 주요 산란점의 정보를 활용하여 두 표적 SAR 영상 간 유사도를 평가하는 기법, 즉 산란점 유사도(SC similarity)를 제시한다. 먼저 기준영상의 산란점을 추출하고 산란점 간의 상대거리를 산출하여 이를 인덱스로 갖는 검색 테이블(Look-Up Table, LUT)에 등록한다.
이는 산란점 추출기법과 산란점 위치의 불확실성 표현, 그리고 산란점 유사도 산출에 적합한 산란점의 개수 등에 대한 추가 연구 및 다양한 영상으로의 적용을 통한 보완을 통해 실현할 수 있다. 본 논문의 기법은 서론에서 기술한 바와 같이 표적 SAR 영상이 주로 산란점에 의해 특성화 된다는 점에 착안하여 최대한 그에 부합하는 유사도 평가 지표를 제시하고자 한 것에서 그 의의를 찾을 수 있다. 추후에는 실측영상과 예측영상 간의 산란점 유사도가 SAR-ATR 시스템에서의 식별 성능에 미치는 영향을 추가로 연구함으로써 본 논문에서 본 논문에서 제시하는 유사도의 학술적, 실용적 가치를 높일 계획이다.

제안 방법

Fig. 4 모델에 대해 표적의 대표적인 측면 방위각(0°, 30°,45°, 60°, 90°, 120°, 135°, 180°)에 대하여 주파수 9.6GHz, 15도 내림각(depression angle), 0.3 m 급의 해상도를 갖는 예측 SAR 영상을 SE-Workbench-RF 소프트웨어를 이용하여 Fig. 5와 같이 생성하였다.
먼저 기준영상의 산란점을 추출하고 산란점 간의 상대거리를 산출하여 이를 인덱스로 갖는 검색 테이블(Look-Up Table, LUT)에 등록한다. 그 후 비교영상에 대해서도 산란점 및 상대거리를 산출하여 LUT에 대한 대조과정을 수행하여 정량적인 유사도를 산출한다. 제안된 평가기법은 Jones 및 Bhanu가 발표한 LUT 기반 SAR 표적식별 기법^[9,10]\을 기반으로 산란점 정보 기반의 유사도 평가 지표로 새롭게 구성되어 고안되었다.
본 논문에서 제시하는 산란점 유사도 평가기법은 크게 기준영상의 산란점 정보에 대한 LUT 등록과 비교영상의 산란점 정보를 이용한 LUT와의 대조 및 유사도 산출 과정으로 구성된다.
즉, 두 산란점 간 거리 및 교차거리가 ‘tr_limit’ 픽셀 내에 들면 동일한 산란 점으로 추정하여 후술할 유사도 점수 산출에 반영하게 된다. 본 논문에서는 경험적인 값 3을 설정하였으며, 원형 덕트에서의 다중반사와 같은 분산적 산란(diffusive scattering)이 높은 빈도로 발생하여 특정 부위에서 산란점이 분포하는 표적인 경우에는 보다 높은 허용치를 설정해야 한다.
산란점의 개수 및 정규화 과정은 기준영상에 수행한 바와 동일하며, 대조 전 두 산란점 세트 간 중심위치를 정합해야 한다^[7]. 본 논문에서는 형태연산(morphological operation)을 이용하여 산란점의 주로 분포하는 영역을 산출하여 그 무게중심 위치를 기준으로 정합을 수행하였다.
이러한 표적 실측영상을 모사할 수 있는 예측영상의 방위각을 추정하기 위해 실측영상을 기준영상으로 두고, 정면의 방위각 0°를 기준으로 앞 뒤 1° 간격으로 ±10°까지 예측한 영상들을 비교영상으로 두어 7개의 3×3 산란점 정보로 유사도를 산출한다.
6에는 좌상단에서 시계방향으로 MSTAR 실측영상 획득대상 T72(A04) 실표적 및 간략 T72 모델(1), 정밀 T72 모델(3), 궤도 부분 간소화 및 후방 연료통(barrel) 제거 모델(2)을 나타내었다. 이에 대해 Fig. 7과 같이 MSTAR 실측영상을 기준영상으로 두고, 각 모델에서 SE-Workbench-RF 소프트웨어를 이용하여 예측한 영상을 비교영상으로 두어 여러 방위각 별로 유사도 값(SC sim 1~³)을 산출하여 (Table 3), SSIM(Table 4)유사도 산출 결과를 비교한다. 산출결과에 대한 비교 및 분석은 2S7 PION 사례와 같이 그림으로 나타낸 대표사례에 대해서만 수행한다.
이후 CAD 모델의 불완전 정도에 따른 완성 CAD 모델 표적 영상과의 유사도를 측정하기 위해 모델 4 영상을 기준영상으로 두고 나머지 모델 1, 2, 3의 영상을 비교영상으로 두어 방위각 별 3가지의 유사도(SC sim 1~³)를 Table 1과 같이 산출하였다. 또한 유사도 평가 성능 비교를 위해 SSIM을 Table 2와 같이 산출하였다.
그 후 비교영상에 대해서도 산란점 및 상대거리를 산출하여 LUT에 대한 대조과정을 수행하여 정량적인 유사도를 산출한다. 제안된 평가기법은 Jones 및 Bhanu가 발표한 LUT 기반 SAR 표적식별 기법^[9,10]\을 기반으로 산란점 정보 기반의 유사도 평가 지표로 새롭게 구성되어 고안되었다. 본 논문에서는 여러 표적에 대한 예측 및 실측영상 등을 이용한 기법의 적용 예시를 보이고, 기존의 유사도 평가지표인 SSIM과 유사도 평가 성능을 비교한다.
본 논문에서는 여러 표적에 대한 예측 및 실측영상 등을 이용한 기법의 적용 예시를 보이고, 기존의 유사도 평가지표인 SSIM과 유사도 평가 성능을 비교한다. 특히, 동일 표적에 대해서 표적 모델의 형상을 점진적으로 변화시켜나가거나, 동일 표적의 실측영상 및 예측영상 간의 산란점 유사도를 산출함으로써 예측영상을 이용하여 표적 데이터베이스를 구축 시 데이터베이스의 신뢰성을 어떻게 예측할 수 있는지에 대해 집중하여 적용한다.

대상 데이터

산란점의 개수는 표적 영역 내에 위치한 3×3 첨두치 형태의 모든 산란점 중 80 %의 에너지를 차지하는 개수(각 방위각에 대하여, 223, 204, 219, 216개)를 선택하여 사용하였으며, 산란점 위치의 불확실성에 관한 허용 한계치 ‘translation_limit’는 LUT 대조시 불확실성 고려 영역 크기(3×3)와 동일하게 3으로 설정하였다.

이론/모형

다음으로 CAD 모델의 완성도뿐만 아니라, 실측과 전자기 예측 간의 차이가 나타나는 경우에 대해 유사도 평가기법을 적용한다. Fig.

성능/효과

방위각 30°인 경우, SSIM은 모든 경우에 대해 80 % 이상의 높은 유사도를 보여주지만 제안된 SC sim은 구조물의 유무에 따른 산란점 정보의 차이로 인하여 변별력이 나타남을 확인할 수 있다.
본 논문에서는 Jones와 Bhanu의 기법[9,10]을 기반으로 하는 만큼, 여기서 차용된 3×3 첨두치 형태의 산란점을 사용하였으나, 산란점 추출의 정확성을 위해 root MUSIC이나 ESPRIT와 같은 고해상도 산란점 추출 기법을 고려할 수 있다.
5(a)에서 확인할 수 있는 바와 같이 영상에서의 차이가 두드러진다. 유사도 수치를 비교하면, SC sim이 70 % 의 비교적 높은 유사도를 나타내는 SSIM에 비해 변별력이 높다. 방위각 30°인 경우, SSIM은 모든 경우에 대해 80 % 이상의 높은 유사도를 보여주지만 제안된 SC sim은 구조물의 유무에 따른 산란점 정보의 차이로 인하여 변별력이 나타남을 확인할 수 있다.
본 논문에서는 표적 SAR 영상을 구성하는 주요 산란점의 위치 및 크기 정보를 활용하여 LUT에 등록하고 대조함으로써 영상 간의 유사도를 평가하는 기법을 제시하였다. 제시한 기법은 2S7 PION 자주포의 모델 별 예측영상 및 T72 전차의 실측/예측 영상, 그리고 SLICY 표적의 실측/예측 영상에 적용되었으며, 기존의 통계적 상관도 기반 SSIM 보다 변별력 높은 유사도 평가 성능을 보였다. 본 논문에서 제시된 유사도 기법은 LUT 기반 표적식별 기법에 그 토대를 두고 있으므로 유사도의 상대적인 비교로서 표적식별에 활용할 수도 있다.

후속연구

본 논문에서는 Jones와 Bhanu의 기법^[9,10]을 기반으로 하는 만큼, 여기서 차용된 3×3 첨두치 형태의 산란점을 사용하였으나, 산란점 추출의 정확성을 위해 root MUSIC이나 ESPRIT와 같은 고해상도 산란점 추출 기법을 고려할 수 있다. 그 외에도 이론적인 방위각과는 다른 각도에서 실측영상과 더 유사한 영상이 예측되는 이유도 추가적으로 살펴보아야 할 부분이다. 이에 관해서는 표적의 위치가 전체 SAR 영상의 중심에서 다소 벗어남에 따른 내림각의 차이, 표적 정면과 서쪽 방향이 이루는 각도 상의 오차, 센서의 거리 샘플링 주파수에 따른 픽셀 간격 차이 등을 생각해볼 수 있다.
제시한 기법은 2S7 PION 자주포의 모델 별 예측영상 및 T72 전차의 실측/예측 영상, 그리고 SLICY 표적의 실측/예측 영상에 적용되었으며, 기존의 통계적 상관도 기반 SSIM 보다 변별력 높은 유사도 평가 성능을 보였다. 본 논문에서 제시된 유사도 기법은 LUT 기반 표적식별 기법에 그 토대를 두고 있으므로 유사도의 상대적인 비교로서 표적식별에 활용할 수도 있다. 그러나 상대적인 수치비교에 의해 수행되는 표적식별과는 달리, 유사도는 절대적인 수치에 의해 표현되며, 정성적인 개념을 내포하고 있다.
즉 사람이 직접 평가하게 되는 정성적인 성격의 ‘유사도’를 정량적인 ‘유사도’로 변환하는 과정에서 발생하는 차이를 줄여 나가는 것이 궁극적으로 필요하다. 이는 산란점 추출기법과 산란점 위치의 불확실성 표현, 그리고 산란점 유사도 산출에 적합한 산란점의 개수 등에 대한 추가 연구 및 다양한 영상으로의 적용을 통한 보완을 통해 실현할 수 있다. 본 논문의 기법은 서론에서 기술한 바와 같이 표적 SAR 영상이 주로 산란점에 의해 특성화 된다는 점에 착안하여 최대한 그에 부합하는 유사도 평가 지표를 제시하고자 한 것에서 그 의의를 찾을 수 있다.
본 논문의 기법은 서론에서 기술한 바와 같이 표적 SAR 영상이 주로 산란점에 의해 특성화 된다는 점에 착안하여 최대한 그에 부합하는 유사도 평가 지표를 제시하고자 한 것에서 그 의의를 찾을 수 있다. 추후에는 실측영상과 예측영상 간의 산란점 유사도가 SAR-ATR 시스템에서의 식별 성능에 미치는 영향을 추가로 연구함으로써 본 논문에서 본 논문에서 제시하는 유사도의 학술적, 실용적 가치를 높일 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	산란점 위치의 불확실성이란?	비교되는 두 영상간의 산란점 정렬 및 산란점 위치의 불확실성(uncertainty)을 고려하여 ‘translation_limit (tr_limit)’이라는 허용 한계치를 둔다. 여기서 산란점 위치의 불확실성이란, 동일한 표적 SAR 영상이라 하더라도 측정영상 인지, 예측영상인지에 따라 동일한 전자기 산란에 의한 산란점의 위치가 정확하게 일치하지 않을 수 있음을 고려한 것이다. 즉, 두 산란점 간 거리 및 교차거리가 ‘tr_limit’ 픽셀 내에 들면 동일한 산란 점으로 추정하여 후술할 유사도 점수 산출에 반영하게 된다.
	표적 SAR 영상을 예측함으로써 데이터베이스를 구축하는 방안이 야기할 수 있는 문제점은?	이를 극복하기 위한 대안으로서, 정밀 제작된 표적의 3차원 CAD 모델에 대해 전자기 수치해석을 통하여 표적 SAR 영상을 예측함으로써 데이터베이스를 구축하는 방안을 고려할 수 있다[2,3]. 그러나 동일한 표적 및 영상형성 조건을 갖는 실측영상과 예측영상 간에는 필연적으로 모델링 정밀도 및 PO(Physical Optics)/PTD(Physical Theory of Diffraction)과 같은 고주파 전자기 수치해석의 정확도에 따른 오차가 발생하기 때문에, 예측영상을 실측영상을 식별하는데 활용하는 과정에서 낮은 식별 성능에 대한 문제가 제기될 수 있다. 이러한 경우, 두 표적 SAR 영상 간의 유사도가 예측영상으로 구성될 데이터베이스의 신뢰도를 가늠하기 위한 지표가 된다.
	실측영상과 예측영상을 식별하는데 문제가 제기될 수 있는 이유는?	이를 극복하기 위한 대안으로서, 정밀 제작된 표적의 3차원 CAD 모델에 대해 전자기 수치해석을 통하여 표적 SAR 영상을 예측함으로써 데이터베이스를 구축하는 방안을 고려할 수 있다[2,3]. 그러나 동일한 표적 및 영상형성 조건을 갖는 실측영상과 예측영상 간에는 필연적으로 모델링 정밀도 및 PO(Physical Optics)/PTD(Physical Theory of Diffraction)과 같은 고주파 전자기 수치해석의 정확도에 따른 오차가 발생하기 때문에, 예측영상을 실측영상을 식별하는데 활용하는 과정에서 낮은 식별 성능에 대한 문제가 제기될 수 있다. 이러한 경우, 두 표적 SAR 영상 간의 유사도가 예측영상으로 구성될 데이터베이스의 신뢰도를 가늠하기 위한 지표가 된다.

참고문헌 (10)

K. El-Darymli, et al., "Automatic Target Recognition in Synthetic Aperture Radar Imagery: A State-of-the-Art Review," IEEE Access, Vol. 6, pp. 6014-6058, 2016.
R. Hummel, "Model-Based ATR Using Synthetic Aperture Radar," International Radar Conference, pp. 856-861, 2000.
Z. Jianxiong, et. al., "Automatic Target Recognition of SAR Images Based on Global Scattering Center Model," IEEE Trans. Geosci. Remote Sens., Vol. 49, No. 10, pp. 3713-3729, 2011.

상세보기
Y. Kai-zhi, et. al., "A Methof for Extracing the Text Feature of SAR Image Based on Cooccurence Matrix," 4th International Congress on Image and Signal Processing, pp. 2038-2043, 2011.
Z. Wang, et al., "Image Quality Assessment: From Error Visibility to Structural Similarity," IEEE Trans. Image Process., Vol. 13, No. 4, pp. 600-612, 2004.

상세보기
A. O. Knapskog, et. al., "Target Recognition of Ships in Harbour Based on Simulated SAR Images Produced with MOCEL Software," European Conference on Synthetic Aperture Radar, pp. 608-611, 2014.
T. Li et. al., "Target Discrimination for SAR ATR Based on Scattering Center Feature and K-center One-class Classification," IEEE Sensors J., Vol. 18, No. 6, 2018.
B. Ding, et. al., "A Robust Similarity Measure for Attributed Scattering Center Sets with Application to SAR ATR," Neurocomputing, Vol. 219, pp. 130-143, 2017.

상세보기
G. Jones, et. al., "Recognition of Articulated and Occluded Objects," IEEE Trans. PAMI, Vol. 21, No. 7, pp. 603-613, 1999.

상세보기
G. Jones, et. al., "Recognizing Articulated Objects in SAR Images," Pattern Recognition, Vol. 34, pp. 469-485, 2001.

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증