A synthetic aperture-compressive sensing framework for high-resolution imaging and spectrum estimation
Final Report Abstract
In modernen Anwendungen der Bildgebung und Spektralschätzung gibt es großen Bedarf an einer Steigerung der Systemauflösung. Eine Erhöhung der Auflösung führt zu detaillierten und genaueren Ergebnissen in der Bildgebung und Spektralschätzung. Der Erfolg von darauf aufbauenden Aufgaben, wie Zieldetektion, Lokalisierung und Klassifizierung ist in hohem Maße von der Systemauflösung abhängig. Diese kann durch höhere Hardware-Kosten, z.B. eine Vergrösserung des Arrays, oder aber durch höheren Berechnungsaufwand erreicht werden. Letzteres kann durch Verwendung synthetischer Aperturen geschehen, bei denen eine grosse Sensorgruppe (array) durch die Bewegung einer kleineren Plattform synthetisiert wird oder durch die Verwendung von Compressive Sensing wobei man ausnutzt, dass viele Signale in der Praxis eine dünnbesetzte (sparse) Struktur aufweisen. Dieses Projekt untersuchte neuartige Ansätze für hochauflösende Bildgebung und Spektralschätzung. Hierbei wurden die Konzepte synthetischer Aperturen und Compressive Sensing zu einem gemeinsamen Optimierungsproblem vereint. Neben der theoretischen Formulierung betrachteten wir die praktische Implementierung eines dünn besetzten Bildgebungs- /Ortungssystems unter Verwendung eines Ultraschall-Bildgebungssystems. In diesem Projekt haben wir erfolgreich gezeigt, dass CS-Techniken erfolgreich für SA Bildgebungssysteme eingesetzt werden können. Sparsity ermöglicht originalgetreue Bildrekonstruktion mit weniger Daten im Vergleich zu konventionellen Bildgebungsverfahren. Sequentielles CS-SA, d.h. reduziertes Abtasten ist in den folgenden Dimensionen möglich: schneller Zeitbereich, langsamer Zeitbereich, Array-Geometrie, Bildpfad oder Bandbreite). CS-SA im schnellen Zeitbereich haben wir als ersten Schritt realisiert. Das Anwenden von CS, in mehr als einer Dimension hat sich schnell als ein vielversprechender Ansatz herauskristallisiert, da dadurch die volle Sparsity des Bildes genutzt werden konnte. Unsere Forschung in dieser Richtung konnte schnell vorangetrieben werden und wurde erfolgreich genutzt zur gleichzeitigen Unterabtastung im schnellen und langsamen Zeitbereich. Weiterhin wurde Unterabtastung in der Array-Geometrie und der Bandbreite für eine effiziente Abtastung und Rekonstruktion umgesetzt. Wir haben auch erfolgreich die entstehenden Kosten und die möglichen Einsparungen der Komplexität beschrieben. Darüber hinaus stellten wir fest, dass die Leistung der CS-SA Methoden durch andere Faktoren außer des Kompromisses zwischen der Abtastung und Sparsity bestimmt wird. Wörterbuch Mismatch, d.h. die Differenz zwischen dem Signalmodell und dem tatsächlichen Signal kann zu schlecht rekonstruierten Bildern führen. In realen Systemen sind komplexe Signalausbreitungsmoden und Unsicherheiten im Modell eine Herausforderung für die genaue Signalmodellierung. Daher haben wir eine neue Forschungsrichtung begonnen, um anspruchsvollere Modelle der CS-Formulierung zu integrieren. Die bisherigen Ergebnisse sind vielversprechend und zeigen deutlich das große Potenzial dieses Ansatzes. Wir wendeten die theoretischen Erkenntnisse in zwei verschiedenen bildgebenden Systemen an, nämlich in der durchdie-Wand Radarbildgebung und der Ultraschall-Bildgebung. Durch die Kooperation mit dem Radar Imaging Lab, Center of Advanced Communications, Villanova University, PA, haben wir verschiedene Datensätze zur Verfügung, die in einer semi-kontrollierten Testumgebung aufgenommen wurden. Wir haben die vorgeschlagenen CS-SA-Algorithmen erfolgreich in einem gestuften Frequenzradar mit Unterabtastung in der Antennengeometrie und die Frequenzbänder angewandt. Es wurde auch ein Pulsradarsystem verwendet, um die Vorteile der Unterabtastung in der schnellen Zeit und die Gruppengeometrie zeigen. Es wurde gezeigt, dass etwa 90 % der ursprünglichen Daten redundant sind, wenn sparse Rekonstruktion des Bildes angewendet wird. Für die Auswertung in der Ultraschallbildgebung haben wir Daten aus unserem Ultraschall-Bildgebung Labor verwendet. In frühen Stadien, haben wir entweder im schnellen oder im langsamen Zeitbereich unterabgetastet. Später wurde die Unterabtastung in beiden Dimensionen gleichzeitig durchgeführt. Wir konnten zeigen, dass artefaktfreie Bilder mit hoher Auflösung von einem Bruchteil der ursprünglichen Daten rekonstruiert werden können. Das Ausnutzen der Dünnbesetztheit des vollen SA Bild führt zu den besten Ergebnissen im Hinblick auf Abtastungsanforderungen und Bildqualität. Wir sind zuversichtlich, dass die künftige Arbeit in diesem Bereich bei der Anwendung der CS für synthetische Apertur Bildgebungssysteme zu bahnbrechenden Ergebnissen führen wird.
Publications
-
Compressive Sensing for Urban Radar, Chapter Compressive Sensing for Urban Multipath Exploitation, pp. 153-196, CRC Press, Boca Raton, FL, Aug. 2014
M. Leigsnering and A.M. Zoubir
-
“Aperture undersampling using compressive sensing for synthetic aperture stripmap imaging,” EURASIP Journal on Advances in Signal Processing, vol. 2014, no. 1, pp. 1-14, Dec. 2014
S. Leier, and A.M. Zoubir
-
“Compressive sensing and adaptive direct sampling in hyperspectral imaging,” Digital Signal Processing, vol. 26, pp. 113-126, Mar. 2014
J. Hahn, C. Debes, M. Leigsnering, and A.M. Zoubir
-
“Multipath exploitation and suppression for SAR imaging of building interiors: An overview of recent advances,” IEEE Signal Processing Magazine, vol. 31, no. 4, pp. 110-119, July 2014
M. Leigsnering, M. Amin, F. Ahmad, and A.M. Zoubir
-
“Multipath exploitation in through-the-wall radar imaging using sparse reconstruction,” IEEE Transactions on Aerospace and Electronic Systems, vol. 50, no. 2, pp. 920-939, Apr. 2014
M. Leigsnering, F. Ahmad, M.G. Amin, and A.M. Zoubir
-
“Compressive sensing-based multipath exploitation for stationary and moving indoor target localization," IEEE Journal on Selected Topics in Signal Processing, Volume: 9 , Issue: 8 , Dec. 2015, 1469-1483
M. Leigsnering, F. Ahmad, M.G. Amin and A.M. Zoubir
