ПЕРЕДБАЧЕННЯ ОПТИМАЛЬНОГО РОЗМІРУ ВІКНА ФІЛЬТРА LEE ДЛЯ SAR-ЗОБРАЖЕНЬ SENTINEL-1 З ВИКОРИСТАННЯМ ТРАНСФЕРНОГО НАВЧАННЯ НА MOBILENETV2

Анотація

Запропоновано метод апріорного вибору оптимального розміру вікна фільтра Lee для пригнічення спекл-шуму в SAR-зображеннях Sentinel-1. Завдання сформульовано як пряму багатокласову класифікацію. Запропонована модель використовує трансферне навчання з базовою мережею (backbone) MobileNetV2, адаптованою до одноканального SAR-входу, та легкою класифікаційною головою. Навчальний корпус формується синтетично: патчі Sentinel-2 приводяться до розподілу Sentinel-1 шляхом гістограмного узгодження й піддаються динамічному мультиплікативному шуму з гамма-розподілом і контрольованою просторовою кореляцією. Еталонні мітки (ground truth) визначаються вичерпною фільтрацією Lee для вікон 3×3, 5×5, 7×7, 9×9 та 11×11 з вибором argmax за повною метрикою якості. Проведено шість незалежних експериментів для критеріїв PSNR, SSIM, MS-SSIM, FSIM, HaarPSI та MDSI. На тестовій вибірці з 382 патчів (1024×1024) найкраща загальна точність становила 87,17% (FSIM), збалансована точність досягала 88,94% (MS-SSIM), мінімальна похибка калібрування ECE — 0,0371 (PSNR), показник Brier — 0,0359 (FSIM), з Top-2 точністю у діапазоні 99,21–100,00% (100,00% для PSNR). За інтервалами ENL точність зберігалася  у всіх інтервалах і досягала 91,1% при  для PSNR та FSIM; за шкалою просторової частоти спекла спостерігалися піки 93,7% (FSIM) при  і 93,0% (MS-SSIM) при . Метод не потребує апріорного знання еквівалентного числа незалежних поглядів (ENL), що узгоджується зі стабільністю точності в діапазоні . Метод придатний для оперативної інтеграції у виробничі конвеєри обробки SAR-даних для попередньої фільтрації та планування обчислювальних ресурсів.