[일인기업 딥네트워크 펌웨어 개발 및 기술자문] :: 합성개구레이더(SAR) 도플러 효과 동작원리 분석 및 타겟 검출 및 인식 전문기업

딥네트워크 :: 합성개구레이더(SAR) 도플러 효과 동작원리 분석 전문기업

일인기업 딥네트워크는 SAR 위성 기술을 통해 지상의 특정 지점에서 반사되어 돌아오는 신호의 위상을 측정하고, 이를 통해 거리에 비례하는 위상 변화량을 정확하게 보정하는 설계를 구현합니다. 이 과정은 복잡한 신호 처리 알고리즘과 정밀한 계산을 필요로 합니다.

위상 보정 설계 원리:

위상 보정은 신호가 지상의 특정 지점에서 반사되어 위성에 돌아올 때까지의 거리를 계산하는 데 사용됩니다. 이 거리는 신호의 위상 변화량과 직접적으로 관련이 있으며, 딥네트워크는 이를 정확히 측정하여 위성 이미지의 해상도와 정확도를 향상시킵니다.

도플러 편이 계산 원리: 

위성의 고속 이동으로 인해 발생하는 도플러 편이는 신호의 주파수와 위상에 변화를 일으킵니다. 딥네트워크는 이러한 도플러 편이를 정확히 계산하여 신호의 주파수 스펙트럼 데이터를 보정합니다. 이는 위성이 지구를 빠르게 돌면서도 정확한 정보를 수집할 수 있도록 합니다.

주파수 스펙트럼 데이터의 역변환 처리 원리:

보정된 주파수 스펙트럼 데이터의 위상을 역변환 처리하는 것은 신호를 원래의 공간적 정보로 복원하는 과정입니다. 이를 통해 위성 이미지에서 물체의 위치와 형태를 정확하게 파악할 수 있습니다.

 

딥네트워크는 이러한 고도의 기술적 전문성을 바탕으로 SAR 위성 설계 분야에서 선도적인 역할을 하고 있으며, 지속적인 연구 개발을 통해 위성 기술의 새로운 지평을 열어가고 있습니다. 

일인기업 딥네트워크가 보유하고 있는 합성개구레이더(SAR)에서 도플러 효과의 동작 원리에 대해 설명드리겠습니다.

• 도플러 효과의 필요성: SAR에서는 레이다 안테나가 이동하면서 목표물에 대한 상대적인 거리가 변화합니다. 이 때 수신된 전파의 위상도 거리에 비례하여 변화합니다. 즉, 거리가 증가하면 위상이 감소하고, 거리가 감소하면 위상이 증가합니다. 이러한 위상 변화량은 주파수 스펙트럼 데이터에 반영되어, 영상의 품질에 영향을 줍니다. 그러므로, 이러한 위상 변화량을 보정하기 위해서는 도플러 효과를 이용해야 합니다. 도플러 효과란, 움직이는 물체에서 반사되는 전파의 주파수가 원래의 전파의 주파수와 다르게 관측되는 현상입니다. 예를 들어, 레이다 안테나가 목표물에 가까워지면, 반사된 전파의 주파수가 증가하고, 레이다 안테나가 목표물에 멀어지면, 반사된 전파의 주파수가 감소합니다. 이렇게 도플러 효과를 통해 반사된 전파의 주파수 변화량을 측정하면, 목표물과 레이다 안테나 사이의 거리 변화량을 알 수 있습니다. 이를 통해 위상 변화량을 보정할 수 있습니다.
• 도플러 효과의 원리: SAR에서는 도플러 효과를 이용하여 합성개구 안테나를 구현합니다. 합성개구 안테나란, 레이다 안테나가 이동하면서 수신한 여러 개의 전파 신호를 합성하여 마치 큰 안테나의 신호처럼 만드는 방식입니다. 이를 통해 높은 방위 해상도를 얻을 수 있습니다. 도플러 효과를 이용하는 방법은 다음과 같습니다. 레이다 안테나가 이동하면서 일정한 주파수와 펄스 반복 주기로 전파를 방사합니다. 이 전파가 목표물에 반사되어 돌아오면, 레이다 안테나가 이동한 거리에 따라 반사된 전파의 주파수가 변화합니다. 이 주파수 변화량은 도플러 주파수라고 합니다. 도플러 주파수는 레이다 안테나와 목표물 사이의 거리 변화량과 비례합니다. 즉, 레이다 안테나가 목표물에 가까워지면 도플러 주파수가 증가하고, 레이다 안테나가 목표물에 멀어지면 도플러 주파수가 감소합니다. 이렇게 도플러 주파수를 측정하면, 레이다 안테나가 이동한 거리를 알 수 있습니다. 이 거리를 이용하여 수신된 전파의 위상을 보정하면, 합성개구 안테나의 신호를 얻을 수 있습니다. 이 신호를 푸리에 변환하면, 방위 영역의 주파수를 얻을 수 있습니다. 이 주파수는 목표물의 방위각과 관련이 있습니다. 즉, 도플러 효과를 이용하여 목표물의 방위각을 측정할 수 있습니다. 이를 통해 고해상도의 SAR 영상을 생성할 수 있습니다.

이렇게 도플러 효과의 필요성과 원리를 알아보았습니다. 도플러 효과는 SAR의 구현과 성능에 핵심적인 역할을 합니다.

 

Synthetic and Measured Paired Labeled Experiment (SAMPLE) 데이터셋은 MSTAR 데이터 수집에서 측정된 SAR 이미지와 시뮬레이션된 합성 SAR 이미지가 짝을 이루고 있습니다. 이 데이터셋의 공개 버전은 방위각이 10도에서 80도 사이인 데이터입니다. 어노테이션 정보는 Decibel과 QPM(quarter power magnitude) 정규화를 적용하여 각 픽셀에 대해 수행되며, 결과 이미지는 0에서 255 사이의 부호 없는 정수로 스케일링되어 PNG 파일로 저장됩니다.

Automatic Target Recognition (ATR) 알고리즘은 SAR 이미지에서 대상을 식별하는 분류 모델을 설계하는 것을 포함합니다. 이러한 알고리즘은 대규모 동적 범위, 높은 수준의 잡음(클러터), 그리고 제한된 해상도와 같은 SAR 이미지의 복잡한 특성을 처리해야 합니다. t-SNE 알고리즘을 사용한 ATR 알고리즘 구현에 대한 구체적인 정보는 제공된 검색 결과에 나타나지 않습니다. 그러나 일반적으로 t-SNE는 고차원 데이터의 시각화를 위해 사용되며, ATR 알고리즘에서는 특징 추출 및 차원 축소 단계에서 유용할 수 있습니다.

 

Attributed Scattering Center (ASC) 매칭과 템플릿 매칭은 SAR 이미지에서 산란점을 추출하는데 사용되는 방법 중 하나입니다. 이러한 방법들은 Synthetic and Measured Paired Labeled Experiment (SAMPLE) 데이터셋을 사용하여 학습됩니다.

SAMPLE 데이터셋은 측정된 SAR 이미지와 시뮬레이션된 합성 SAR 이미지를 포함하며, 이 데이터셋의 공개 버전은 방위각이 10도에서 80도 사이인 데이터를 포함합니다. 이 데이터셋의 주요 특징은 시뮬레이션에 사용된 컴퓨터 지원 설계 (CAD) 모델이 SAR 데이터 수집 중에 촬영된 전기-광학 이미지와 정확하게 일치한다는 것입니다. 이는 시뮬레이션된 데이터와 측정된 데이터 사이의 변동을 크게 줄여주며, 연구자들이 시뮬레이션된 도메인과 측정된 도메인 사이의 근본적인 차이를 연구하는 데 집중할 수 있게 합니다.

어노테이션 정보를 만드는 방법에 대해서는, SAMPLE 데이터셋의 어노테이션은 해당 SAR 이미지의 특성과 관련된 정보를 포함해야 합니다. 이 정보는 대상의 위치, 방위각, 크기 등을 포함할 수 있습니다. 이러한 어노테이션은 일반적으로 전문가에 의해 수행되며, 정확한 어노테이션을 위해 다양한 도구와 기술이 사용될 수 있습니다. 이러한 도구와 기술은 이미지 분석, 패턴 인식, 머신 러닝 알고리즘 등을 포함할 수 있습니다.

템플릿 매칭에 대해 좀 더 구체적으로 말하면, 템플릿 매칭은 원본 영상에서 템플릿 영상이라고 불리우는 작은 크기의 부분 영상과 동일한 또는 가장 유사한 영역의 위치를 찾아내는 방법입니다. 이 방법은 물체 인식(검출), 스테레오 영상 등의 대응점 검출 등에 사용될 수 있습니다. 템플릿 매칭의 동작 원리는 템플릿 영상을 원본 영상 전체에 순회하면서 매칭 방법에 따라 유사도/비유사도를 계산하는 것입니다. 그 이후 유사도가 가장 높은 위치 또는 비유사도가 가장 낮은 위치를 찾으면 그 위치가 매칭 결과가 되는 원리입니다.

 

 

FMCW(Frequency Modulated Continuous Wave) 레이다에서 수신된 신호의 비트 주파수 정보는 K-5 영상의 각 이미지 픽셀에 인코딩되어, 진폭과 위상 정보를 포함하게 됩니다. 이 과정은 다음과 같이 이루어집니다:

1. FMCW 레이다에서 신호 수신: FMCW 레이다는 주파수 변조 연속파를 사용하여 대상과의 거리를 측정합니다. 이때, 송신된 FMCW 파형과 수신된 FMCW 파형의 상관관계를 분석하여 비트 주파수를 얻습니다. 비트 주파수는 송신 신호와 수신 신호 사이의 주파수 차이를 나타내며, 이는 대상과의 거리를 결정하는 데 사용됩니다.
2. 비트 주파수 정보의 디지털 변환: 수신된 신호는 아날로그-디지털 변환기를 통해 디지털 신호로 변환됩니다. 이 변환 과정에서, 각 비트 주파수는 복소수 (I와 Q) 크기 값으로 표현됩니다.
3. 복소수 정보의 인코딩: 디지털 변환된 비트 주파수 정보는 K-5 영상의 각 이미지 픽셀에 인코딩됩니다. 복소수의 절대값은 진폭을 나타내고, 복소수의 인수는 위상을 나타냅니다. 따라서, 각 픽셀에서 반사되는 신호의 강도(진폭)와 위상 변화(위상)를 모두 캡처할 수 있습니다.

이러한 과정을 통해, FMCW 레이다에서 수신된 신호의 비트 주파수 정보는 K-5 영상의 각 픽셀에 인코딩되어, 진폭과 위상 정보를 포함하게 됩니다. 이렇게 하면, K-5 영상은 대상과의 거리뿐만 아니라, 대상의 물리적 특성(예: 반사율, 표면 질감 등)에 대한 정보도 포함하게 됩니다.

 

합성개구 레이더(SAR)는 움직이는 플랫폼에서 도플러 효과를 이용하여 고해상도의 영상을 생성하는 기술입니다. 이를 위해 SAR은 다음과 같은 주요 설계 원리를 적용합니다:

1. FMCW 레이더의 원리: FMCW(Frequency Modulated Continuous Wave) 레이더는 전파의 주파수를 연속적으로 변화시키며 송신하고, 반사된 신호의 주파수 변화를 측정함으로써 거리와 속도 정보를 얻습니다. 이 방식은 X 밴드에서 효과적으로 작동하며, 송수신된 전파를 증폭하여 디지털 신호로 변환한 후, 거리/속도/방향 등의 유의미한 정보로 변환합니다.
2. 산란점 매칭과 템플릿 매칭: SAR-ATR(합성개구 레이더 자동 표적 인식) 분야에서는 산란점 매칭과 템플릿 매칭 기반 알고리즘을 적용하여 표적을 식별합니다. 산란점 매칭은 점을 World View Vector (WVV)로 재구성 후 Weighted Bipartite Graph Matching (WBGM)을 수행하며, 템플릿 매칭은 서로 인접한 산란점으로 재구성한 두 영상 간의 상관계수를 사용합니다.
3. 복소수 활용: SAR 영상에서의 복소수는 절댓값과 편각을 가지며, 절댓값은 해당 지형 또는 물체의 레이다 반사도와 직접적인 연관이 있고, 편각은 전자기파의 위상으로 레이다와 목표물 사이의 거리 정보를 일부 가지게 됩니다.

이러한 원리들을 적용하면, 지상 500 Km 상공에서 초속 7.5 Km/S로 움직이는 합성개구 레이더에서 X 밴드 FMCW 파형을 송수신해서 얻은 SAR 이미지는 표적을 식별할 정도의 정밀도를 얻을 수 있습니다. 

 

SAR 이미지의 스펙클 노이즈는 합성 개구 레이더(Synthetic Aperture Radar, SAR) 이미지에서 발생하는 일종의 잡음으로, 이미지의 품질을 저하시키는 요소입니다. 스펙클 노이즈는 SAR 시스템이 산란체로부터 되돌아오는 신호를 수집할 때 발생하는 간섭 현상으로 인해 생기는 거친 질감의 무작위 패턴입니다.

 

스펙클 노이즈는 SAR 이미지의 해석을 복잡하게 만들며, 특히 세밀한 구조나 경계를 가진 객체의 탐지와 분류에 영향을 줄 수 있습니다. 

 

스펙클 노이즈의 제거는 SAR 이미지의 해석과 응용에 있어 매우 중요한 과정이며, 이를 통해 이미지의 품질을 향상시키고, 더 정확한 정보를 추출할 수 있게 됩니다.

 

SAR(Synthetic Aperture Radar) 이미지의 스펙클 노이즈를 제거하는 방법은 이미지 품질을 향상시키고 객체 탐지 및 분류를 더 정확하게 수행하기 위해 중요합니다. 여러 기술적 접근 방법이 있으며, 다음은 주요한 방법들입니다:

1. 다중 룩 처리 (Multi-look Processing):
   • 여러 개의 독립적인 영상을 평균화하여 스펙클 노이즈를 줄이는 방법입니다.
   • 각 픽셀의 밝기 값을 여러 개의 인접한 픽셀 값의 평균으로 대체합니다.
   • 단점: 공간 해상도가 낮아질 수 있습니다.
2. 비선형 필터링:
   • 스펙클 노이즈 특성에 따라 비선형 필터를 적용합니다.
   • 주요 비선형 필터:
     • LEE (Lee Enhanced Lee) 필터: 국지적 통계 정보를 이용하여 스펙클 노이즈를 제거합니다.
     • Refined LEE 필터: LEE 필터를 개선한 방법으로, 더 정교한 스펙클 제거를 수행합니다.
     • EPOS (Edge Preserving Optimal Speckle) 필터: 스펙클 자체의 통계 특성을 이용하여 에지를 보존하면서 스펙클 노이즈를 제거합니다.
3. 웨이블렛 변환 (Wavelet Transform):
   • 스펙클 노이즈를 가법적 잡음으로 변환한 후 웨이블렛 분해를 수행합니다.
   • 임계치 처리를 통해 스펙클 노이즈 성분을 제거하고 원본 이미지를 복원합니다.
   • 주요 임계치 선택 방법: VisuShrink, SureShrink, BayesShrink, 수정된 BayesShrink.

이러한 방법들은 SAR 이미지의 스펙클 노이즈를 효과적으로 제거하여 이미지의 품질을 향상시키고, 더 정확한 정보를 추출할 수 있도록 도와줍니다.

 

스펙클 노이즈를 제거하는 기술을 선택할 때, 특정 상황과 요구사항에 따라 적합한 방법을 고려해야 합니다. 다음은 스펙클 노이즈 제거 기술 중 일부를 설명하고, 선택할 때 고려해야 할 사항입니다:

1. 다중 룩 처리 (Multi-look Processing):
   • 장점: 스펙클 노이즈를 줄이면서 이미지의 공간 해상도를 유지할 수 있습니다.
   • 단점: 공간 해상도가 낮아질 수 있습니다.
2. 비선형 필터링:
   • LEE 필터와 Refined LEE 필터는 국지적 통계 정보를 활용하여 스펙클 노이즈를 제거합니다.
   • EPOS 필터는 스펙클 노이즈를 제거하면서 에지를 보존합니다.
3. 웨이블렛 변환 (Wavelet Transform):
   • 스펙클 노이즈를 가법적 잡음으로 변환한 후 웨이블렛 분해를 수행합니다.
   • 임계치 처리를 통해 스펙클 노이즈 성분을 제거하고 원본 이미지를 복원합니다.
4. 고대역 통과 필터 (High-pass Filtering):
   • 주파수 영역에서 DC 노이즈를 제거하는 방법입니다.
   • 고대역 통과 필터를 사용하여 프린지 패턴 데이터의 주파수 영역에서 DC 노이즈를 감소시킵니다.
5. 기타 방법:
   • 평균값 차감 방법: 평균값을 빼는 방식으로 DC 노이즈를 제거합니다.
   • 다양한 특허 지수 활용: 특허 기술수준 평가에 사용되는 지수들을 활용하여 스펙클 노이즈를 감소시킬 수 있습니다.

선택할 기술은 데이터 특성, 연구 목적, 계산 효율성 등을 고려하여 결정해야 합니다.

 

제가 분석하고 있는 스펙클 노이즈 관련 알고리즘을 설명한 대표적인 논문 3가지는 다음과 같습니다:

1. “Speckle Noise Suppression in SAR Images Using a Three-Step Algorithm” - 이 논문은 MDPI에서 발표되었으며, 비선형 필터링(non-local filtering) 과 확률적 패치 기반(probabilistic patch-based, PPB) 알고리즘을 기반으로 하는 새로운 세 단계 접근 방식을 제안합니다. 이 방법은 밝은 구조물의 영향을 최소화하면서 스펙클 노이즈를 억제하는 것을 목표로 합니다.
2. “A Review on SAR Image and its Despeckling” - 이 리뷰 논문은 Archives of Computational Methods in Engineering에 게재되었으며, SAR 이미지의 스펙클 노이즈를 감소시키는 다양한 방법들을 종합적으로 검토합니다. 이 논문은 스펙클 노이즈의 패턴 분포를 이해하는 데 어려움을 겪는 연구자들을 위한 자료로 사용될 수 있습니다.
3. “The algorithm of SAR speckle noise suppressing by using generalized multi-scale CB…” - 이 논문은 IEEE Xplore에 게재되었으며, 일반화된 다중 스케일 CB를 사용하여 SAR 스펙클 노이즈를 억제하는 알고리즘에 대해 설명합니다. 이 연구는 스펙클 노이즈를 효과적으로 줄이면서도 이미지의 세부 사항을 보존하는 방법에 초점을 맞춥니다

SAR(Synthetic Aperture Radar) 위성 데이터에서 지상이나 해상의 타겟 오브젝트를 검출하고 인식하기 위한 딥러닝 학습 구조로는 Convolutional Neural Networks(CNN)가 일반적으로 사용됩니다. t-SNE를 이용하여 CNN의 특징 추출 능력을 평가하거나, 학습된 모델의 특징 공간을 시각화하는 데 사용할 수 있습니다.

 

CNN 이 일반적으로 사용되고 여기에 t-SNE를 이용하여 CNN의 특징 추출  동작 원리:

• t-SNE는 각 데이터 포인트를 중심으로 한 주변 이웃의 밀도를 고려하여, 고차원 공간에서의 이웃 관계를 저차원 공간에서도 유지하도록 합니다.
• 이 과정에서, t-SNE는 각 데이터 포인트에 대해 개별적인 가우시안 분포를 사용하여 유사도를 계산하고, 이를 저차원 공간의 t-분포와 일치시키려고 합니다.
• t-SNE의 핵심은 고차원 공간에서 가까운 데이터 포인트들이 저차원 공간에서도 가까이 배치되도록 하는 것입니다.

저희 딥네트워크는 합성개구 레이더의 스펙클 노이즈 감쇄 알고리즘을 세부 분석하고 있읍니다 ....    SAR 이미지의 스펙클 노이즈는 합성 개구 레이더(Synthetic Aperture Radar, SAR) 이미지에서 발생하는 일종의 잡음으로, 이미지의 품질을 저하시키는 요소입니다.    스펙클 노이즈는 SAR 이미지의 해석을 복잡하게 만들며, 특히 세밀한 구조나 경계를 가진 객체의 탐지와 분류에 영향을 줄 수 있어서  딥네트워크는 이 부분의 노하우 확보에 주력하고 있는중 입니다 ....   t-SNE 기법으로  고차원 데이터의 유사도를 저차원에서의 유사도 변환을 통해  위성에서 타겟의 검출 및 식별의 구현이 가능 합니다 ...   합성개구 레이더의 스펙클 노이즈 감쇄 알고리즘 세부동작 구조 세부 정밀 분석에 성공했기에 이렇게 글을 올리구요 ...   한국의 방산 대기업 관계자분들의 많은 관심 부탁드립니다 ...

 

제가 운영하는 일인기업인 딥네트워크는 합성개구 레이더 해외 논문들을 세부 분석을 진행하고 있읍니다 ....   한국의 방산 대기업들도 요근래  SAR 위성의  합성개구 레이더  개발을 본격 진행하는것 같으니 저희와도 협력할 기회흫 주셨으면 합니다 ...   저희 딥네트워크는 SAR 위성에서 지상의 타겟의 윤곽을 검출할수 있는 노하우를 현재 보유중 입니다 ....    또한 SAR 위성에서 지상 또는 해상의 타겟을 검출 / 인식하는 딥러닝 모델의 세부 설계 구조도 분석이 되있고  이를 구현하기 위해 텐서플로우 파이썬 소스의 세부 구현 방법도 어느 정도 파악하고 있읍니다 ....   SAR 위성 제작에 최소 100 억은 드는데  저같은 소기업이 핵심적인것중 SAR 위성에서 지상의 타겟 검출 및 인식 구현의 펌웨어 및 딥러닝 개발관련 노하우도 갖고 있다는점  말씀 올립니다 ....   저희는  합성개구 레이더 해외 논문들을 세부 분석 노하우를 보유하고 있읍니다 ....  많은 관심 부탁드립니다 ....

일인기업  딥네트워크     장석원    010 3350  6509      sayhi7@daum.net