documento de evaluación de algoritmos · 2019-08-01 · figura 6: probabilidad de falsa alarma en...

Evaluación de algoritmos

Marzo 2018-Julio 2018

1

Documento de evaluación de algoritmos

Detección y clasificación de blancos marítimos en imágenes SAR satelitales

Septiembre 2018 – Julio 2019

Contenido

1. Introducción .......................................................................................................................... 2

2. Clutter de mar en imágenes SAR .......................................................................................... 2

3. Detección mediante algoritmos CFAR................................................................................ 11

4. Clasificación de blancos ...................................................................................................... 14

4.1. Clasificación de barcos e icebergs............................................................................... 18

4.2. Clasificación de barcos, iceberg y falsas alarmas con deep learning .......................... 21

5. Integración detección y clasificación .................................................................................. 23

6. Conclusiones ....................................................................................................................... 27

7. Referencias .......................................................................................................................... 28



2

Evaluació n de algóritmós de detecció n y clasificació n de blancós marí timós en ima genes SAR

1. Introducción

Con el objetivo de resolver el problema de la detección y clasificación de blancos marítimos, distinguiendo entre barcos e icebergs, utilizando imágenes SAR satelitales, generalmente se propone una cadena de procesado basada en algoritmos CFAR para llevar a cabo la detección de los blancos y una posterior etapa de clasificación basada en técnicas de Deep learning para el procesamiento de la imagen.

Figura 1: Proceso completo para la obtención de los blancos clasificados presentes en un escenario marítimo utilizando tecnología SAR

Este documento presenta los resultados obtenidos de simulación y utilizando imágenes SAR reales de distintos algoritmos de detección y clasificación (descritos en el documento asociado de Estado del arte de las Tecnologías), con el objetivo de evaluar su funcionamiento en imágenes SAR de entornos marítimos.

2. Clutter de mar en imágenes SAR

La detección de blancos marítimos sufre serias limitaciones debido a la presencia de clutter de mar. Los ecos provocados por los picos de las olas, generalmente llamados spikes, dan lugar a ecos aleatorios con distintas amplitudes que pueden confundirse con blancos en la imagen SAR, aumentando así la probabilidad de falsa alarma, u ocultar barcos pequeños que producen ecos de menor amplitud, disminuyendo la probabilidad de detección. Por ello, es importante utilizar un modelo adecuado que se aproxime a las condiciones reales del mar.

Las distribuciones que nos permiten describir el ruido marítimo son los siguientes, cuyas funciones de densidad de probabilidad nos aportan información de cómo se puede describir estadísticamente el clutter de mar.



3

• Distribución gaussiana: Este modelo nos permitirá describir el comportamiento del mar cuando este esté en calma, estados 0 y 1 según la escala de Douglas. La función de densidad de probabilidad de una variable aleatoria gaussiana tiene la siguiente forma:

𝑓𝑥(𝑥) =1

√2𝜋𝜎𝑥2

𝑒−

(𝑥−𝑚𝑥)2

2𝜎𝑥2

Siendo 𝜎𝑥 > 0, −∞ < 𝑚𝑥 < ∞, 𝜎𝑥 la desviación típica, 𝑚𝑥 la media y 𝜎𝑥

2 la varianza de la variable aleatoria X.

• Distribución Rayleigh: Esta distribución nos permite modelar las propiedades espectrales del mar si es homogéneo y no sufre gran oleaje. La función de densidad de probabilidad de una variable aleatoria Rayleigh es:

𝑓𝑥(𝑥) = {2

𝑏𝑥𝑒−

𝑥2

𝑏 𝑥 ≥ 0

0 𝑥 < 0

Siendo 𝑥 y 𝑏 = 𝜎2 la amplitud de la envolvente y la varianza de la amplitud del eco respectivamente.

• Distribución Weibull: Nos permite modelar el clutter de mar en los casos en los que el estado del mar presenta gran oleaje donde las olas sean de gran duración, estados 5,6,7,8 y 9 de la escala de Douglas. La función de densidad espectral de potencia tiene la forma:

𝑓(𝑥) =𝑘

𝑐 (

𝑥

𝑐)

𝑘−1

𝑒−(𝑥𝑐

)𝑘

Siendo 𝑘 > 0 un parámetro de forma, 𝑐 > 1 un parámetro de escala.

• Distribución k: Nos permite modelar el clutter de mar en los casos en los que el estado del mar presenta gran oleaje donde las olas sean de gran altura, estados 5,6,7,8 y 9 de la escala de Douglas. Es una distribución compuesta por la distribución Rayleigh modulada en amplitud por la distribución Gamma, que representa de forma adecuada la impulsividad del clutter de mar debida a los spikes. La función de densidad espectral de potencia es la siguiente:

𝑓(𝑥) =2

𝑐 Γ (k + 1) (

𝑥

2𝑐)

𝑘−1

𝑘 (𝑥

𝑐)



4

Siendo 𝑘 un parámetro de forma, relacionado con la impulsividad del clutter (un valor bajo representa un clutter impulsivo mientras que un valor alto se aproxima a un clutter gaussiano) y 𝑐 un parámetro de escala.

Para determinar la distribución que mejor describe el clutter de mar en las imágenes SAR consideradas, se ha llevado a cabo una comparación del histograma de las intensidades de píxeles de mar utilizando imágenes SAR reales tomadas del Sentinel-1 con las distribuciones teóricas previamente descritas a partir de la media y varianza de las intensidades de los píxeles de mar de las imágenes.

El procedimiento llevado a cabo a consistido en adquirir imágenes SAR reales obtenidas de la constelación de satélites Sentinel-1 de la misión Copernicus de la ESA (https://scihub.copernicus.eu/) y en analizar distintas partes de la imagen en la que no se encontraban blancos, para así estimar la distribución de clutter de mar. Este proceso se ha realizado para tres imágenes SAR reales distintas analizando tres partes diferentes de cada una de ellas como se muestra en la Figura 2. Cabe destacar que, de acuerdo con los modelos analíticos de la RCS normalizada, σ0 (RCS por m2 de superficie), de la superficie del mar [1] y con los modelos de propagación (pérdidas de propagación proporcionales a la cuarta potencia de la distancia), las imágenes presentan una disminución de las intensidades del clutter de mar a lo largo del eje X (dimensión range) debido a que la distancia de propagación es mayor y a que el grazing angle (ángulo complementario al ángulo de incidencia) es menor.

Figura 2: Imagen SAR satelital real de la constelación de satélites Sentinel-1 de la misión Copernicus de la ESA y su representación a la derecha de las instensidades en escala logarítmica

Analizando los histogramas de cada una de las partes seleccionadas de una misma imagen real SAR se puede apreciar, comparándolas con distribuciones teóricas que presentan la

https://scihub.copernicus.eu/



5

media y varianza estimada de los píxeles de mar de cada zona de la imagen, que la distribución que mejor modela el clutter de mar en las imágenes SAR consideradas es la distribución gaussiana (Figura 3).

Figura 3: Comparación de los histogramas de intensidades de los píxeles de mar con distribuciones gaussianas para determinar la distribución que mejor modela el clutter de mar de una imagen SAR

satelital real.

Además, también se ha comprobado que dicho modelo se ajusta a distintas zonas de mar en diferentes imágenes SAR reales. Aunque los resultado obtenidos, que muestran un clutter de mar poco impulsivo, pueden explicarse por la limitada resolución del modo de adquisición stripmap del Sentinel-1 considerado (resolución 3,6 m x 4,9 m [2]) y por procesar imágenes con estados de mar bajos, sería conveniente realizar un análisis más exhaustivo sobre el efecto de la resolución (relacionada con el modo de adquisición utilizado) y del estado de mar en la distribución estadística del clutter de mar y en su impulsividad, que dará lugar a un aumento de la probabilidad de falsa alarma al utilizar los algoritmos de detección considerados.

Figura 4: Comparación de los histogramas de intensidades de los píxeles de mar en distintas imágenes reales con distribuciones gaussianas.



6

Conocida la distribución del clutter de mar y sus parámetros, se puede determinar el umbral adaptivo que fija cierta probabilidad de falsa alarma para cada uno de los algoritmos elegidos, en este caso, el CA-CFAR, asumiendo que el clutter es homogéneo alrededor de la celda bajo test, y OS-CFAR para el caso en el que se consideren escenarios con múltiples blancos.

En las técnicas CFAR, el parámetro más significativo que hay que escoger es la constante k para el cálculo del umbral th, que vendrá dado por:

𝑡ℎ = 𝑘 · 𝑃𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑎

siendo 𝑃𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑎 la potencia del clutter de mar estimada a partir de las celdas de referencia en función del algoritmo CFAR escogido.

El umbral adaptivo comentado hará variar la probabilidad de falsa alarma, aumentándola cuando este sea bajo y disminuyéndola en caso contrario, como se observa en la siguiente expresión, válida para el algoritmo CA-CFAR aplicado sobre ruido blanco gaussiano [3]:

𝑃𝐹𝐴 = (1 +𝑘

𝑁)

−𝑁

𝑠𝑖𝑒𝑛𝑑𝑜 𝑁 = 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑒𝑙𝑑𝑎𝑠 𝑑𝑒 𝑟𝑒𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠

𝑘 = 𝑝á𝑟𝑎𝑚𝑒𝑡𝑟𝑜 𝑎𝑑𝑎𝑝𝑡𝑎𝑡𝑖𝑣𝑜 𝑑𝑒𝑙 𝑢𝑚𝑏𝑟𝑎𝑙

Tal efecto, se muestra en la Figura 5 y 6, en la que se han aplicado las técnicas CFAR implementadas sobre unas imágenes reales únicamente de clutter de mar lo suficientemente grandes como para tener un número suficiente de muestras para estimar la probabilidad de falsa alarma. Para realizar la gráfica de la probabilidad de falsa alarma en función del parámetro 𝑘, la imagen se ha pasado varias veces por el algoritmo modificando el umbral adaptivo, 𝑘, y se ha calculado el número de detecciones para cada uno de los valores posibles. Con ello se ha estimado la probabilidad de falsa alarma como el número de detecciones entre el número de píxeles bajo test analizados para cada uno de los valores de 𝑘. Este mismo procedimiento se ha llevado a cabo considerando imágenes simuladas con ruido gaussiano.

Esta gráfica es útil para poder elegir un cierto valor de probabilidad de falsa alarma deseada y así poder definir la constante del umbral adecuada a esa probabilidad. Como puede observarse, los resultados obtenidos para las imágenes reales presentan una mayor probabilidad de falsa alarma que en el caso de las imágenes ideales al aumentar el parámetro k, poniéndose de manifiesto que, a pesar de que anteriormente se seleccionó la distribución gaussiana como mejor modelo para el clutter de mar de las imágenes SAR, existe cierta impulsividad del clutter (spikes) que dan lugar distribuciones con colas más altas y, por tanto, a un aumento de la probabilidad de falsa alarma.



7

Figura 5: Probabilidad de falsa alarma en función del parámetro K desarrollado con el algoritmo

OS-CFAR

Figura 6: Probabilidad de falsa alarma en función del parámetro K desarrollado con el algoritmo

CA-CFAR

Para evaluar el rendimiento de las variantes CFAR, se estimó la probabilidad de detección para diferentes valores de relación señal a clutter (SCR) manteniendo constante una probabilidad de falsa alarma deseada. Para ello, se escogió una imagen en la que solo se encontraba clutter de mar y se le añadió un blanco sintético siguiendo un modelo Swerling debido a que se debe considerar las fluctuaciones de la RCS de los blancos reales.

Los cuatro modelos Swerling [4] para blancos fluctuantes (Swerling 1, Sweling 2, Swerling 3, Swerling 4) definen cuatro tipos diferentes de fluctuaciones. En la siguiente tabla se muestra la función de densidad de probabilidad (PDF) de cada tipo de Swerling y la velocidad de fluctuación.



8

Función de densidad de probabilidad (PDF) de SCR

Tipo de fluctuación

Fluctuación lenta (exploración a exploración)

Fluctuación rápida (pulso a pulso)

Rayleigh Swerling 1 Swerling 2 Chi-cuadrado Swerling 3 Swerling 4

Tabla 1: Función de densidad de probabilidad de Swerling

Estos modelos son una combinación de una función de densidad de probabilidad específica para la potencia de los ecos y una asunción sobre la correlación entre las N muestras de los pulsos consecutivos de una exploración.

En esta simulación puede emplearse un modelo de Swerling 1, apropiado para blancos compuestos por múltiples dispersores (scatterers) de aproximadamente la misma RCS ninguno de los cuales se considera dominante [3] (distribución Rayleigh), y un Swerling 3 (distribución Chi-Cuadrado) que modela adecuadamente aquellos blancos con un dispersor dominante y varios dispersores de menor RCS. Además, al no estar utilizando agilidad en coherencia y al no variar de forma excesiva el ángulo de aspecto con el que se observa el blanco durante el tiempo de iluminación, se asume una fluctuación lenta de la RCS. Se debe tener en cuenta que, generalmente, los barcos se modelan como Swerling 1 debido a que están compuestos por estructuras complejas [3]. La Figura 7 muestra los histogramas de muestras simuladas de la RCS de blancos utilizando los dos modelos Swerling considerados.

Figura 7: Distribución del modelo Swerling 1 y Swerling 3

Por lo tanto, una vez añadidos estos blancos simulados en la imagen real con clutter de mar, se ha aplicado el algoritmo CA-CFAR seleccionando distintos parámetros k, para diferentes valores de probabilidad de falsa alarma (Pfa) como se muestra en la Tabla 2 según las gráficas obtenidas en la simulación anterior (Figura 5 y 6 de Pfa vs. k para el algoritmo CA-CFAR).

Probabilidad de falsa alarma (Pfa) K 10-3 3,1 10-4 3,8 10-5 4,6 10-6 5,1

Tabla 2: Valores de k en función de la probabilidad de falsa alarma



9

Las simulaciones se realizaron para distintos valores de SCR, considerando un blanco Swerling 1, típico para barcos, manteniendo el nivel de clutter dado por la imagen real y variando la potencia del blanco Swerling.

Figura 8: Probabilidad de detección en función de SCR y de la probabilidad de falsa alarma

El gráfico muestra que a mayor SCR se consigue una mejor probabilidad de detección, mientras que para una misma SCR se obtiene una mayor probabilidad de detección cuando se permite una mayor probabilidad de falsa alarma, mostrando así el compromiso ente ambas probabilidades y la necesidad de seleccionar adecuadamente la Pfa requerida. Por tanto, para una probabilidad de falsa alarma típica de 10-5, se requiere una SCR superior a 16 dB para detectar un barco con una probabilidad de detección superior al 90%.

Por otro lado, se evaluó también la probabilidad de detección en función de la RCS (radar cross section) de los blancos. Para ello, se empleó el modelo analítico de la RCS normalizada, σ0 (RCS por m2 de superficie), de la superficie del mar para los estados 1 y 3 teniendo en cuenta que el ángulo de depresión (complementario al ángulo de incidencia) para el SAR del Sentinel-1 varía entre 44º y 70º, y que la banda de frecuencia en la que trabaja es la banda C. Por tanto, el clutter de mar para dicho rango de ángulos de depresión y dicha banda de frecuencia presenta una RCS normalizada de aproximadamente -30 dB para estado de mar 1 y de -20 dB para estado de mar 3, de acuerdo a las siguientes gráficas [3].



10

Figura 9: RCS normalizada de clutter de mar en estado 1 y 3, respectivamente, en función de la banda de frecuencia del radar y del ángulo de depresión [3]

De esta forma, la expresión de RCS del clutter de mar en cada celda de resolución (de área Δ𝑅) viene dada por:

𝑅𝐶𝑆𝑚𝑎𝑟 = 𝜎0 · Δ𝑅(𝑚2)

Y la relación señal a clutter (SCR) por:

𝑆𝐶𝑅 = 𝑅𝐶𝑆𝑏𝑙𝑎𝑛𝑐𝑜

𝑅𝐶𝑆𝑚𝑎𝑟

La resolución en distancia varía en función del modo de operación empleado. Sentinel-1 posee cuatro modos de operación, que se representan en la Figura 10:

- StripMap (SM) con una resolución mínima de 3,6 x 4 m - Interferometric Wide Swath Mode (IW) con una resolución mínima de 3,5 x 22 m - Extra Wide Swath Mode (EW) con una resolución minima de 15 x 43 m - Wave Mode (WM) con una resolución minima de 3,1 x 4,8 m

Figura 10: Modos de operación Sentinel-1 [2]



11

Por lo tanto, los resultados de la probabilidad de detección en función de la RCS del blanco para cada modo de operación y estado de mar se muestran en la Figura 11. Como puede observarse, se estima que el radar SAR del Sentinel-1 es capaz de detectar barcos de sección radar 1 m2 con un 90% de probabilidad de detección con el modo SM y con el modo WV para estado de mar 1, asumiendo que la detección se encuentre limitada por clutter de mar.

Figura 11: Probabilidad de detección frente a RCS del blanco para distintos modos de operación y

distintos estados de mar.

3. Detección mediante algoritmos CFAR

En particular, el proceso de detección consiste en la separación de blancos y el ruido producido por el propio receptor y los elementos del entorno (clutter). Los algoritmos más comúnmente utilizados, como hemos comentado anteriormente, son las técnicas Constant False Alarm Rate (CFAR). Los algoritmos CFAR están diseñados para ciertos estados del mar y condiciones del entorno, ya que, generalmente, asumen ciertas distribuciones para el clutter, permitiendo modificar ciertos parámetros del algoritmo para aumentar el rendimiento en la detección cuando estas condiciones varían, por lo que se considera un algoritmo adaptivo. En el caso que se está analizando, la entrada del CFAR es una imagen SAR del entorno en estudio procedente del receptor del radar. El papel de este algoritmo consiste en la elección de un umbral que distinga los blancos del clutter de mar. Si el umbral se mantiene en un nivel bajo se detectarán las reflexiones de las posibles olas como blancos, dado



12

lugar a falsas alarmas, mientras que, en cambio, si se mantienen en un nivel alto los blancos se confundirían con clutter de mar no siendo detectados. Por ello, se justifica la necesidad de poseer un umbral adaptivo para obtener mejores resultados en la detección de blancos y disminuir la probabilidad de falsa alarma, ya que la potencia del clutter de mar puede variar en función de las condiciones del entorno. Además, debido a la problemática comentada, se cuenta con múltiples variantes del algoritmo CFAR donde cada una de ellas debe ser utilizada para las condiciones del entorno para el que fue diseñada. Una vez analizado el desempeño de los principales algoritmos CFAR implementados mediante simulaciones en MATLAB, en este apartado se comprueba su funcionamiento aplicándolos sobre imágenes SAR reales. En todas las variantes CFAR el número de celdas de la ventana de referencia ha sido 40 con 2 celdas de guarda a cada lado, y se ha tomado un parámetro k = 5.1 para el CA-CFAR, que es el valor que permite una baja probabilidad de falsa alarma, de 10-6, y de k=3.1 para el OS-CFAR, que da lugar a una probabilidad de falsa alarma de 10-4, como se ha demostrado en la imagen 5 y 6. Conocida la distribución del clutter de mar, las variantes CFAR más apropiadas son el CA-CFAR (para situaciones en las que el clutter es homogéneo y no se esperan bordes de clutter ni múltiples blancos) y el OS-CFAR (para situaciones con múltiples blancos y posibles bordes de clutter). Las Figuras 12 y 13 muestran los resultados de umbral adaptativo obtenido con los algoritmos CA-CFAR y OS-CFAR, respectivamente, y las detecciones que dan lugar estos algoritmos. Como puede observarse, en el OS-CFAR, los lóbulos secundarios del blanco dan lugar también a detecciones.

Figura 12: Aplicación del algoritmo OS-CFAR a una imagen SAR satelital real



13

Figura 13:Aplicación del algoritmo OS-CFAR a una imagen SAR satelital real

En la siguiente figura se muestra el problema de enmascaramiento mutuo en la variante CA-CFAR, la cual se resuelve realizando el algoritmo OS-CFAR, demostrando así que esta variante es especialmente utilizada cuando se presentan múltiples blancos cercanos.

Figura 14: Problemática de enmascaramiento mutuo en situaciones con múltiples blancos próximos



14

4. Clasificación de blancos

Una vez realizada la detección de los blancos marítimos, debe llevarse a cabo su clasificación para distinguir entre barcos e icebergs. Para ello, se ha propuesto el empleo de técnicas de Deep Learning con redes convolucionales, ya que son apropiadas para la clasificación de datos en dos dimensiones, en este caso imágenes.

El proceso de aprendizaje de este método se basa en un “entrenamiento” de datos

seleccionados para poder extraer patrones y así poder ser validados con nuevos datos que puedan confirmar la eficiencia del modelo resultante.

Los datos disponibles se dividen en tres conjuntos: - Datos de entrenamiento - Datos de validación - Datos de prueba

Los datos de entrenamiento y de validación empleados han sido imágenes SAR reales de barcos e iceberg procedentes de un dataset proporcionado por las empresas Statoil y C-Core a través de la plataforma Kaggle [5], con imágenes SAR reales de icebergs procedentes de la constelación de satélites Copernicus de la ESA, en concreto del Sentinel-1. Además, se ha incorporado nuevas imágenes SAR para los datos de prueba también obtenidas del Sentinel-1 mediante los datos proporcionados por la ESA (https://scihub.copernicus.eu/ ).

Cabe destacar, que todos estos conjuntos de datos que se han empleado en el entrenamiento, validación y prueba, se han tomado como imágenes en escala de grises debido a que las imágenes SAR se tratan de imágenes de intensidad. Además, se han considerado únicamente medidas no polarimétricas (transmisión y recepción con polarización horizontal, HH), aunque en un futuro se puede incorporar la información polarimétrica (transmisión en polarización horizontal y recepción en polarización vertical, HV) también proporcionada por el Sentinel-1, para ayudar a la clasificación entre barcos e icebergs.

Para obtener un mayor número de datos, y permitir la clasificación de los blancos independientemente de su ángulo de rotación y su posición en la imagen, hemos realizado cinco giros y desplazamientos aleatorios de cada una de las imágenes del conjunto de datos para la clasificación, con las cuales el blanco cambia de posición y de ángulo pudiendo obtener así un mayor conjunto de datos de entrenamiento y validación. Aun empleando este procedimiento, el número de datos de entrenamiento, con 330 imágenes de barco y 297 imágenes de icebergs, no es suficientemente elevado como para poder realizar un proceso de clasificación completamente robusto debido a que estos procesos suelen trabajar con más de 10000 datos. Por lo que al proceso realizado en este trabajo se le puede considerar un pre-estudio de la clasificación de blancos marítimos utilizando técnicas de Deep learning para mostrar su potencial y poder justificar en un futuro el aumento de los datos de entrenamiento y con ello la clasificación. La Figura 15 muestra dos imágenes SAR de ejemplo de un barco y de un iceberg, que ponen de manifiesto la

https://scihub.copernicus.eu/



15

similitud entre ambas respuestas y las dificultad a la hora de clasificar entre ambos tipos de blancos.

Figura 15: datos de la clasificación

El Deep Learning, como hemos comentado anteriormente, pertenece a la tecnología de aprendizaje automático. También es conocido como aprendizaje profundo para hacer referencia a la cantidad de capas utilizadas para el aprendizaje. Este método emplea redes neuronales con un gran número de capas jerarquizadas, para llevar a cabo la tarea de aprendizaje automático.

Pueden utilizarse varios tipos de redes neuronales, pero la escogida para este trabajo han sido las redes neuronales convolucionales (CNN) debido a que son ideales para la clasificación utilizando datos de entrada de dos dimensiones, en este caso imágenes.

Las redes neuronales convolucionales [6] presentan capas que aplican determinados filtros (capas convolucionales de 2D) convolucionando las características aprendidas con los datos de entrada, con el objetivo de detectar determinados patrones. Este tipo de redes elimina la necesidad de una extracción de características manual debido a que las CNN funcionan mediante la extracción de características directamente de los datos de entrada. Estas redes aprenden a extraer numerosas características de los datos mediante la cantidad de capas ocultas empleadas. Cada una de estas capas ocultas aumenta la complejidad de extracción de características. Esto quiere decir que las primeras capas pueden detectar líneas, bordes, curvas, etc., mientras que las siguientes capas se van especializando aun más hasta llegar a reconocer formas, mejorando así la precisión de la clasificación.

La arquitectura más simple de una red neuronal convolucional estaría formada por una capa de entrada seguido de una secuencia de capas convolucionales las cuales van acompañadas por una capa de funciones de activación y finalizada con una capa completamente conectada. Las dos primeras capas comentadas, esto es, la capa de convolución y la de activación funcionan como extractores de características mientras que, la capa totalmente conectada funciona como un clasificador. La Figura 16 muestra un ejemplo de red convolucional que presenta estos tipos de capas.



16

Figura 16: Proceso ilustrativo de las capas de una red neural convolucional (CNN) (CONV: capa

convolucional, ReLU: Rectified linear unit, POOL: capa de pooling, FC: capa totalmente conectad) [7]

Los dos métodos para aplicar Deep Learning son la creación de una red neuronal desde cero o el empleo de una red neuronal preentrenada. Para este trabajo, se ha empleado una red preentrenada debido a la complejidad y gran cantidad de datos que requiere crear una red desde cero para obtener resultados precisos. Este procedimiento de emplear redes preentrenadas se le denomina transferencia del aprendizaje y consiste en el ajuste detallado de un modelo previamente preentrenado para realizar una tarea similar a la que realizaba, permitiendo el entrenamiento de alguna de las capas. Algunos de estos ajustes más relevantes son:

1. La modificación de la última capa para reconocer el número de clases que se desea clasificar. En nuestro caso 2 clases: barcos e icebergs.

2. La modificación del tamaño del conjunto de datos de entrada para ajustarlos al tamaño que requiere la red preentrenada.

La transferencia de aprendizaje se caracteriza por permitir entrenar modelos usando menos cantidad de datos ya que previamente ha sido entrenado con un gran conjunto de estos y reducir drásticamente el tiempo de entrenamiento y recursos de cálculo.

La red neural elegida ha sido GoogleNet [8] , arquitectura presentada en el año 2014, la cual se trata de una red neuronal convolucional (CNN) extensamente aplicada a la clasificación de imágenes. Está formada por 22 capas convolucionales y una única capa completamente conectada (fully connected). Esta red neuronal preentrenada empleada en tareas de clasificación de imágenes proporciona un aumento en la precisión de los resultados. La Figura 17 representa la arquitectura de la red GoogleNet que presenta unos módulos denominados inception que se basan en convoluciones con filtros con pocos parámetros, con el objetivo de reducir el número de parámetros.



17

Figura 17: Capas de la red neuronal GoogleNet

Esta red neuronal, adaptada a la clasificación de las imágenes SAR considerada, funciona de la siguiente manera:

La entrada de datos son los pixeles de las imágenes que se desean clasificar (alto, ancho y profundidad), la cual hemos ajustado para que tengan el mismo tamaño que requiere la red preentrenada (224x224x3).

Las primeras capas de la red son las capas convolucionales, las cuales consisten en coger grupos de píxeles de la imagen e ir realizando productos escalares con una pequeña matriz Kernel. Esta matriz recorre todas las neuronas de entrada formando una nueva matriz de salida que será la entrada de una nueva capa de neuronas ocultas. En realidad, en cada capa no se emplea una sola matriz Kernel sino varias, formando así un filtro que dará lugar a varias matrices de salida y con ellas un mayor número de neuronas para la capa oculta. Cada una de estas nuevas matrices de salida contiene diferentes características de la imagen original.

Después, se aplica una función de activación, en este caso la función ReLU (Rectified Linear Unit) para pasar a la siguiente neurona.

A continuación, para reducir el tamaño de la siguiente capa se lleva a cabo un proceso denominado subsampling, en concreto max-pooling, el cual reduce el tamaño de las imágenes filtradas (las matrices de salida del filtro) manteniendo las características más importantes de cada una, seleccionando el valor máximo de cada región en la que se divide la imagen de entrada.



18

Como dijimos anteriormente, la primera convolución detecta características no muy complejas como líneas, curvas, bordes, etc. Por esa razón, se llevan a cabo más capas convolucionales, con las cuales se detectarán características más complejas.

Finalmente, se conectan las capas ocultas con una red neuronal tradicional y se le aplica una función denominada Softmax que conecta estas capas con la capa final de clasificación, que lleva a cabo un cálculo de la pérdida de entropía cruzada (cross entropy loss) para realizar la clasificación entre clases disjuntas. [40]

4.1. Clasificación de barcos e icebergs

En primer lugar, se ha llevado a cabo la clasificación de blancos marítimos detectados mediante el proceso de detección CFAR, esto es, barcos e icebergs.

Para ello, se ha empleado un total de 627 imágenes etiquetadas con su respectiva clase, es decir, barcos o icebergs. Este conjunto de datos se ha dividido en un 80% para datos de entrenamiento y un 20% para datos de validación. Más tarde, se emplearán datos de test diferentes a estos datos de entrada para comprobar la eficiencia de la clasificación.

La evolución del entrenamiento de la red, utilizando las funciones de visualización de la toolbox de Deep learning de MATLAB, es el siguiente, en la cual observa una precisión de validación del 92%.

Figura 18: Entrenamiento de la red neuronal para clasificación de barcos e icebergs



19

Con los datos obtenidos del entrenamiento de la red neuronal, obtenemos la siguiente matriz de confusión donde las filas corresponden a la clase predicha y las columnas a la clasificación real. La diagonal principal indica las clasificaciones correctamente realizadas mostrando tanto el número de observaciones como el porcentaje total de las mismas. La columna del extremo derecho muestra el porcentaje de las predicciones que se han clasificado correcta e incorrectamente para las clases de salida. La fila inferior muestra el porcentaje de observaciones que se han clasificado correcta e incorrectamente para las clases de entrada. Por último, la celda inferior derecha muestra la precisión total.

Figura 19: Matriz de confusión obtenida con la red convolucional (GoogleNet) entrenada para la para clasificación de barcos e icebergs

Como puede observarse, en nuestra matriz de confusión podemos observar que de 125 datos de validación totales se clasifican correctamente 62 datos como barcos, lo que equivale en porcentaje al 49,6% del total de los datos y 53 como icebergs, un 42,4% del total.

También observamos que se clasifican incorrectamente 6 de los icebergs como barcos y 4 de los barcos como iceberg.

Por lo tanto, de 68 predicciones de barcos son correctas el 91,2% y erróneas el 8,8%. Del mismo modo, de 57 predicciones de iceberg, son correctas el 93% de ellas y erróneas el 7%.

En general, el 92% de las predicciones son correctas y el 8% erróneas.

De la matriz de confusión también podemos destacar que la probabilidad de detección no disminuye.



20

Un claro ejemplo de clasificación es la siguiente imagen, en la que se observa la clasificación de alguna de las imágenes empleadas como datos de validación. En la siguiente figura se puede observar dos imágenes de validación que se clasifican adecuadamente.

Figura 20: Clasificación de barcos e icebergs con redes neuronales convolucionales.

Sin embargo, en ocasiones la clasificación realizada por la red neuronal falla como se observa en la Figura 21, en la que se observa un barco clasificado de forma errónea como iceberg y un iceberg clasificado como barco, debido a que presentan respuestas similares a las otras clases. Por este motivo, aunque la precisión obtenida es buena, con un porcentaje global de fallo del 8%, puede ser conveniente analizar y mejorar, en líneas futuras de este trabajo, la clasificación realizada utilizando la información polarimétrica proporcionada por los radares SAR, ya que la respuesta polarimétrica de los barcos e icebergs puede ser significativamente distinta.

Ilustración 21: Clasificación errónea de blancos marítimos



21

4.2. Clasificación de barcos, iceberg y falsas alarmas con deep

learning

Finalmente, con el objetivo de disminuir la probabilidad de falsa alarma global de la cadena de procesado completa (detección + clasificación) sin degradar de forma considerable la probabilidad de detección de los blancos, se ha llevado a cabo el entrenamiento de la red considerando la clasificación de blancos, icebergs e imágenes que sólo contienen falsas alarmas. De esta forma, el proceso de clasificación permitirá disminuir la probabilidad de falsa alarma obtenida tras el algoritmo de detección, siempre y cuando, no se produzca una degradación de la probabilidad de detección de los blancos.

El entrenamiento de este proceso de clasificación, en el que se han incorporado imágenes con falsas alarmas al dataset de entrenamiento y validación, se muestra a continuación en el cual se puede observar también un porcentaje alto de precisión de validación, en torno a un 91,62%.

Figura 22: Entrenamiento de la red neuronal para la clasificación de barcos, icebergs y falsas

alarmas

La matriz de confusión muestra los siguientes resultados en los que podemos observar que, de 179 datos de validación, se clasifican correctamente un 33% de las mismas como barcos, un 38,5% como falsas y, por último, un 30,2% como icebergs. Por el contrario, de los datos de validación de la clase icebergs se clasifican erróneamente un 2,8%, de la clase falsas se clasifican incorrectamente un 1,7% y de la clase de barcos un 3,9%. Por lo tanto, de 67 predicciones de barcos se clasifican correctamente el 88,1%, de 51



22

predicciones de falsas se clasifican correctamente el 100% y de 61 predicciones de icebergs se clasifican correctamente el 88,5%.

En resumen, el 91,6% de las predicciones son correctas y el 8,4% erróneas.

En la matriz de confusión también podemos observar que la probabilidad de detección no disminuye significativamente, ya que ningún barco o iceberg de los datos de test se clasifican como falsas alarmas, pero, por el contrario, la probabilidad de falsa alarma a la salida del clasificador disminuye, ya que aproximadamente el 95% imágenes de test que sólo contienen falsas se han clasificado correctamente y por tanto no producirán falsas alarmas en el proceso global propuesto de detección seguida de clasificación.

Figura 23: Matriz de confusión para la clasificación de barcos, icebergs y falsas alarmas

Un ejemplo de clasificación es el siguiente, en el cual se aplica el proceso a algunos datos de validación. En la imagen se puede observar imágenes de validación que se clasifican correctamente.



23

Figura 24: Ejemplo de clasificación correcta de barcos, icebergs y falsas alarmas.

5. Integración detección y clasificación

En este apartado se presenta el resultado de aplicar el proceso completo de detección y clasificación de blancos marítimos en imágenes SAR satelitales.

Como se ha comentado en apartados anteriores, las imágenes SAR satelitales serán obtenidas de la constelación de satélites Sentinel-1 de la misión Copernicus de la ESA.

En primer lugar, se elige un área de estudio para la detección. A partir de una imagen SAR de costa (Figura 25), se han seleccionado tres zonas diferentes en las que se encuentran blancos marítimos para observar la eficacia del procedimiento propuesto.



24

Figura 25: Áreas de estudio para la integración del proceso completo de detección y clasificación

A continuación, se procederá a aplicar el algoritmo de detección más adecuado asumiendo un estado del mar bajo, en este caso, el algoritmo CA-CFAR. Se aplicará este algoritmo debido a que, como se ha comentado en el apartado de detección, es el método más adecuado para una distribución gaussiana de clutter de mar. El algoritmo OS-CFAR se emplearía en situaciones donde se esperan encontrar múltiples blancos para resolver el problema de enmascaramiento mutuo como se mostró en el apartado de detección.

La Figura 26 muestra los resultados de aplicar el algoritmo CA-CFAR a las zonas donde se encuentran los blancos marítimos. Como puede observarse, los blancos se detectan adecuadamente, pero la elevada RCS de los blancos considerados da lugar a detecciones debidas a los lóbulos secundarios.



25

Figura 26: Detección de blancos en la integración del proceso completo

Después de la detección, se lleva a cabo la clasificación de estas detecciones para clasificar el blanco en estudio. Como se ha explicado en el capítulo anterior, la clasificación se realiza mediante técnicas de Deep Learning con una red convolucional (CNN) entrenada con un conjunto de datos partiendo de la red preentrenada GoogleNet. Para ello, las imágenes del área de estudio se pasarán a escala de grises ya que se tratan de imágenes de intensidad. Como puede comprobarse en la Figura 27, el clasificador implementado etiqueta adecuadamente los blancos detectados como barcos.

Figura 27: Clasificación de blancos en barcos e icebergs.



26

Por lo tanto, el proceso completo propuesto de detección y clasificación queda de la siguiente manera, mostrando un buen funcionamiento para la detección y clasificación de barcos e icebergs en imágenes SAR satelitales:

Figura 28: Integración del proceso de detección y clasificación de barcos e icebergs.

A pesar de que el proceso completo propuesto presenta buenas prestaciones y cumple con los objetivos marcados, como se ha comentado anteriormente, se debe evaluar la aplicación de algoritmos CFAR más avanzados que sean robustos frente a estados de mar mayores y se requiere llevar a cabo, en futuros trabajos, un análisis detallado del funcionamiento interno de la red entrenada para proponer posibles mejoras. Además, sería conveniente aumentar los conjuntos de datos de entrenamiento, validación y test para mejorar y evaluar la robustez de la clasificación frente a variaciones de los blancos, especialmente en situaciones con barcos pequeños, o del estado de mar. Con un mayor número de datos de entrenamiento también sería posible, por ejemplo, aumentar el número de clases en la clasificación para distinguir distintos tipos de barcos. Finalmente, con el objetivo de mejorar las prestaciones del clasificador, sería conveniente incorporar la información polarimétrica proporcionada por el satélite Sentinel para ayudar a la discriminación entre barcos e icebergs.



27

6. Conclusiones

Los radares de apertura sintética (SAR) proporcionan imágenes de alta resolución de día o de noche y en cualquier condición meteorológica. El objetivo de este trabajo ha sido la detección y clasificación de blancos marítimos en imágenes SAR satelitales, para resolver el problema de la discriminación entre barcos e icebergs, que resulta útil para la planificación de misiones en zonas polares.

Para el proceso de detección de blancos marítimos se realizó el estudio de las técnicas más habituales para este tipo de tareas: las técnicas CFAR (Constant False Alarm Rate). Dentro de este tipo de técnicas se explicaron las más comunes que se emplean en determinados tipos de escenarios y con distintos estados de mar.

Finalmente, con un estudio de la distribución del clutter de mar utilizando imágenes SAR reales tomadas con el satélite Sentinel-1, se optó por implementar los algoritmos CFAR más adecuados para este tipo de características: CA-CFAR, cuando se consideran zonas con clutter homogéneo y sin presencia de múltiples blancos, y OS-CFAR, en escenarios con múltiples blancos para evitar el enmascaramiento. Para estos algoritmos, debido a que la principal característica de las técnicas CFAR es la capacidad de mantener constante la probabilidad de falsa alarma a un cierto nivel prefijado, se llevó a cabo un análisis basado en simulación y con imágenes reales para seleccionar el parámetro k, que determina el umbral de detección, en función de la probabilidad de falsa alarma requerida. Se puso de manifiesto que, para probabilidad de falsa alarmas bajas (por debajo de 10-3) y un mismo parámetro k, la probabilidad de falsa alarma obtenida para las imágenes reales es superior a la obtenida para imágenes simuladas considerando ruido gaussiano, lo que indica que el clutter de mar presenta cierta impulsividad, a pesar de que anteriormente se comprobó que la distribución estadística que mejor se ajustaba a los histogramas de muestras de clutter de mar reales era la gaussiana.

Por otra parte, para el proceso de clasificación de blancos marítimos, se presentó de forma detallada la técnica empleada para esta tarea: técnicas de Deep Learning con redes neuronales convolucionales empleando transferencia de aprendizaje. La red preentrenada utilizada fue GoogleNet debido a que es adecuada para una clasificación con imágenes y se ha utilizado para múltiples aplicaciones de clasificación de imágenes con buenos resultados. Como se comentó anteriormente, el número de datos empleados para realizar el entrenamiento y validación de la red era escaso, un total de 627 imágenes, por lo que este aspecto requiere una mejora para obtener una clasificación más robusta de las imágenes, aunque los resultados obtenidos muestran el potencial de aplicar técnicas de Deep learning para la clasificación de imágenes SAR con el objetivo de discriminar barcos e icebergs.

Finalmente, a pesar de que el proceso completo propuesto presenta buenas prestaciones y cumple con los objetivos marcados, como se ha comentado anteriormente, en trabajos futuros se debe evaluar la aplicación de algoritmos CFAR más avanzados que sean robustos frente a estados de mar mayores y se requiere llevar a cabo un análisis detallado



28

del funcionamiento interno de la red entrenada para proponer posibles mejoras. Además, sería conveniente aumentar los conjuntos de datos de entrenamiento, validación y test para mejorar y evaluar la robustez de la clasificación frente a variaciones de los blancos, especialmente en situaciones con barcos pequeños, o del estado de mar. Con un mayor número de datos de entrenamiento también sería posible, por ejemplo, aumentar el número de clases en la clasificación para distinguir distintos tipos de barcos. Finalmente, con el objetivo de mejorar las prestaciones del clasificador, sería conveniente incorporar la información polarimétrica proporcionada por el satélite Sentinel-1 para ayudar a la discriminación entre barcos e icebergs.

7. Referencias

[1] K.D. Ward, S. Watts, R.J.A. Tough: Sea clutter: scattering, the K distribution and radar performance, IET Radar, Sonar and Navigation Series, vol.20, 2006.

[2] European Space Agency (ESA): “Stripmap” [Online]. Disponible en: https://sentinel.esa.int/ web/sentinel/user-guides/sentinel-1-sar/acquisition-modes/stripmap [Accedido 31/07/2019]

[3] M.A. Richards, J.A. Scheer, W.A. Holm: Principles of Modern Radar, SciTech Pub., 2010.

[4] P. Swerling: “Probability of Detection for Fluctuating Targets”, IRE Transactions on Information Theory, vol. 6, no. 2, 1960.

[5] Kaggle: “Statoil/C-CORE Iceberg Classifier Challenge” [Online]. Disponible en: https://www.kaggle.com/c/statoil-iceberg-classifier-challenge [Accedido 31/07/2019]

[6] Mathworks: “Redes Neuronales Convolucionales” [Online]. https://es.mathworks.com/ solutions/deep-learning/convolutional-neural-network.html [Accedido 31/07/2019]

[7] A. Moujahid: “A Practical Introduction to Deep Learning with Caffe and Python”, 2016 [Online]. Disponible en: http://adilmoujahid.com/posts/2016/06/introduction-deep-learning-python-caffe/ [Accedido 31/07/2019]

[8] Mathworks: “Pretrained Deep Neural Networks” [Online]. Disponible en: https://es. mathworks.com/help/deeplearning/ug/pretrained-convolutional-neural-networks.html (Accedido 31/07/2019)

https://sentinel.esa.int/%0bweb/sentinel/user-guides/sentinel-1-sar/acquisition-modes/stripmap

https://sentinel.esa.int/%0bweb/sentinel/user-guides/sentinel-1-sar/acquisition-modes/stripmap

https://www.kaggle.com/c/statoil-iceberg-classifier-challenge

https://es.mathworks.com/%0bsolutions/deep-learning/convolutional-neural-network.html

https://es.mathworks.com/%0bsolutions/deep-learning/convolutional-neural-network.html

http://adilmoujahid.com/posts/2016/06/introduction-deep-learning-python-caffe/

http://adilmoujahid.com/posts/2016/06/introduction-deep-learning-python-caffe/

documento de evaluación de algoritmos · 2019-08-01 · figura 6: probabilidad de falsa alarma en...

Documents