Online CS-based SAR Edge-Mapping

Titolo: Mappatura dei Bordi SAR Online basata su Compressed Sensing (CS)

Autori: Conor Flynn, Radoslav Ivanova, Birsen Yazıcı (Rensselaer Polytechnic Institute, USA)

---

1. Il Problema

Le moderne applicazioni di difesa si stanno spostando verso l'uso di Veicoli Aerei Senza Pilota (UAV) economici e autonomi. Questo cambiamento pone una sfida critica nella progettazione di algoritmi di Riconoscimento Automatico degli Obiettivi (ATR) che siano intelligenti ed efficienti dal punto di vista computazionale, da eseguire a bordo (onboard).

Nel contesto della Radar ad Apertura Sintetica (SAR), l'approccio tradizionale prevede:

1. Raccolta e archiviazione dei segnali di ritorno (back-scattered).
2. Ricostruzione completa dell'immagine della riflettività della scena.
3. Applicazione di algoritmi ATR sull'immagine ricostruita.

Limiti dell'approccio tradizionale:

• Carico di memoria: I sistemi a bordo devono memorizzare grandi quantità di dati grezzi prima della ricostruzione.
• Overhead computazionale: La ricostruzione dell'immagine è un processo costoso e lento, spesso eseguito post-missione, impedendo un'analisi in tempo reale.
• Inefficienza: Per l'ATR, l'immagine completa è spesso ridondante; le informazioni critiche risiedono nelle caratteristiche strutturali (bordi) della scena.

2. Metodologia Proposta

Gli autori propongono un framework online, diretto e basato su Compressed Sensing (CS) che bypassa la fase di ricostruzione dell'immagine completa per passare direttamente alla classificazione delle scene tramite mappatura dei bordi (edge-mapping).

A. Modellazione del Segnale e Mappatura dei Bordi

• Modello SAR Monostatico: Il problema è formulato assumendo l'approssimazione start-stop e l'ipotesi di campo lontano. Il segnale ricevuto $d(t, s_n)$ è modellato come un operatore integrale di Fourier (FIO) applicato alla funzione di riflettività $\rho(x)$, più rumore.
• Estrazione Diretta dei Bordi: Invece di ricostruire $\rho(x)$, l'approccio applica un operatore di Laplaciano ($L$) direttamente al dominio dei dati grezzi.
  • Nel dominio di Fourier, moltiplicare il segnale per una funzione di potenza della frequenza ($\|\xi\|^p$) equivale a convolvere lo spazio con un operatore di Laplaciano.
  • Questo processo genera una funzione di riflettività potenziata ai bordi ($\rho_E = L * \rho$), che rappresenta la mappa dei bordi della scena.
• Vantaggio: Questo elimina la necessità di generare immagini interpretabili dall'uomo, riducendo drasticamente il carico computazionale e di memoria.

B. Rappresentazione Sparsa e Dictionary Learning

• Poiché i bordi in un'immagine sono intrinsecamente sparsi, la mappa dei bordi $\rho_E$ può essere rappresentata come una combinazione lineare di un dizionario di "edgelet" ($H_E$):
  $$\rho_E \approx H_E \cdot c$$
  dove $c$ è un vettore di coefficienti sparsi.
• Il modello di osservazione discreto diventa: $d_n = F_n \rho_E + \epsilon_n$, che si traduce in $d_n \approx G_n c + \epsilon_n$, dove $G_n = F_n H_E$.

C. Algoritmo Online FISTA

Per gestire i dati in tempo reale e adattarsi alle misurazioni man mano che vengono acquisite, gli autori utilizzano un approccio Online FISTA (Fast Iterative Shrinkage-Thresholding Algorithm):

• Ottimizzazione: L'obiettivo è trovare il vettore sparso $c$ minimizzando una funzione di costo Weighted LASSO:
  $$J_n(c) = \min_c \frac{1}{2} \sum_{k=1}^n \|d_k - G_k c\|^2_{R_k^{-1}} + \lambda \|c\|_1$$
• Aggiornamento Online: Invece di ricalcolare tutto su tutti i dati, l'algoritmo aggiorna le statistiche sufficienti ($A_n, b_n$) ad ogni nuovo impulso radar ricevuto:
  $$A_n = A_{n-1} + \Delta A_n, \quad b_n = b_{n-1} + \Delta b_n$$
• Questo permette di stimare la mappa dei bordi e classificare gli obiettivi durante la missione, senza attendere la fine della raccolta dati.

3. Risultati e Contributi Chiave

Il documento presenta risultati teorici e simulati (illustrati nella Figura 1 con scene reali e le loro mappature dei bordi derivate) che evidenziano i seguenti vantaggi:

1. Efficienza Computazionale e di Memoria:
   • Eliminando la ricostruzione dell'immagine completa, si riduce il carico di memoria a bordo necessario per lo stoccaggio dei dati grezzi.
   • L'elaborazione diretta del segnale riduce il tempo di calcolo, rendendo possibile l'ATR in tempo reale.
2. Riduzione del Numero di Impulsi (Pulse Requirement):
   • Sfruttando la sparsità intrinseca dei bordi e il Compressed Sensing, il sistema richiede meno misurazioni (impulsi radar) per ottenere informazioni sufficienti per l'ATR rispetto agli algoritmi di ricostruzione classici (es. backprojection).
3. Adattabilità Online:
   • Il framework online permette di adattare dinamicamente i parametri di imaging (banda RF, direzione di osservazione, intervalli degli impulsi) in base ai dati ricevuti, ottimizzando il recupero delle informazioni in tempo reale.
4. Interpretabilità:
   • La rappresentazione sparsa dei bordi offre una struttura più chiara e interpretabile per le fasi successive di classificazione rispetto ai dati grezzi complessi.

4. Significato e Implicazioni

Questo lavoro rappresenta un cambio di paradigma nell'elaborazione SAR per UAV autonomi:

• Dalla Ricostruzione alla Classificazione Diretta: Sposta il focus dalla creazione di immagini "belle" alla estrazione diretta di caratteristiche utili per la decisione (ATR).
• Abilitazione di Missioni Autonomo: Rendendo possibile l'elaborazione e la classificazione onboard in tempo reale, gli UAV possono prendere decisioni operative critiche durante la missione, senza dipendere da collegamenti di dati a terra o post-processing.
• Futuro della Ricerca: Gli autori indicano come lavoro futuro il perfezionamento della dichiarazione del dizionario, il miglioramento dell'operatore di bordo, la robustezza al rumore e l'integrazione diretta con compiti ATR avanzati.

In sintesi, la proposta combina Compressed Sensing, Dictionary Learning e elaborazione online per creare un sistema SAR leggero, veloce e adatto alle limitate risorse computazionali delle moderne piattaforme UAV.