An Information-Theoretic Detector for Multiple Scatterers in SAR Tomography

Resumo Técnico: Um Detector Baseado em Teoria da Informação para Múltiplos Espalhadores em Tomografia SAR

Definição do Problema
A Tomografia de Radar de Abertura Sintética (TomoSAR) é uma ferramenta poderosa para reconstrução 3-D e monitoramento de deformação de ambientes urbanos. No entanto, em áreas urbanas densas, o fenômeno do layover faz com que múltiplos espalhadores localizados em diferentes alturas contribuam para o mesmo pixel da imagem. Detectar e estimar os parâmetros (posição e velocidade) de um número desconhecido desses espalhadores constitui um problema de teste de múltiplas hipóteses. Diferente da detecção convencional envolvendo uma hipótese nula (apenas ruído) e uma única hipótese alternativa (sinal mais ruído), este cenário requer a distinção entre uma hipótese nula e múltiplas hipóteses alternativas ($H_1, H_2, \dots, H_{K_{max}}$), onde cada $H_k$ corresponde à presença de $k$ espalhadores.

Soluções existentes, como o SGLRT com Cancelamento (SGLRT-C) e o GLRT baseado em Suporte (Sup-GLRT), enfrentam limitações significativas. O SGLRT-C sofre de capacidade de super-resolução limitada devido ao cancelamento sequencial, enquanto o Sup-GLRT, embora capaz de super-resolução, requer um processo de detecção em múltiplos estágios. Esta abordagem de múltiplos estágios exige a definição de um limiar distinto para cada estágio para manter uma Probabilidade de Falsa Alarme (PFA) constante, tornando o design complexo e computacionalmente exigente, particularmente à medida que o número de potenciais espalhadores ($K_{max}$) aumenta. Além disso, muitos métodos existentes dependem de buscas baseadas em grade (grid-based), o que pode levar à degradação do desempenho se os parâmetros reais dos espalhadores não estiverem perfeitamente alinhados com os pontos da grade.

Metodologia
Os autores propõem uma nova arquitetura de detecção, o Detector Baseado em KLIC (KLIC-D), que integra um framework de design baseado em teoria da informação com Sensoriamento Comprimido (CS).

1. Modelo de Sinal: O vetor de sinal recebido é modelado como uma superposição de um número desconhecido de espalhadores coerentes mais ruído. O problema é formulado como um teste de múltiplas hipóteses onde o objetivo é selecionar a hipótese $H_k$ (número de espalhadores) que melhor explica os dados.
2. Framework de Teoria da Informação: O detector é derivado do Teste de Razão de Verossimilhança de Log Penalizado (PLLRT) baseado no Critério de Informação de Kullback-Leibler (KLIC). Diferente dos GLRTs tradicionais que exigem testes sequenciais, este framework permite uma regra de decisão de estágio único. A estatística de decisão maximiza a razão de log-verossimilhança entre a hipótese alternativa que melhor se ajusta e a hipótese nula, penalizada por um termo $h(k)$ que depende do número de parâmetros desconhecidos. Este termo de penalidade, derivado do Critério de Informação Generalizado, inclui um parâmetro de design $\rho$ para controlar a probabilidade de superestimar o número de espalhadores.
3. Integração de Sensoriamento Comprimido (CS): Para evitar o custo computacional proibitivo da estimativa de Máxima Verossimilhança (ML) para parâmetros desconhecidos (posições e velocidades) sob cada hipótese, os autores empregam uma formulação esparsa. Eles constroem uma matriz de direção (dicionário) aumentada cobrindo uma grade de possíveis valores de parâmetros. Os coeficientes de retroespalhamento são assumidos como esparsos (não nulos apenas para os verdadeiros espalhadores).
   • Um algoritmo iterativo baseado em uma priori imprópria de Laplace é usado para estimar os coeficientes esparsos.
   • Esta abordagem produz expressões em forma fechada para as estimativas e evita a necessidade de uma busca exaustiva em grade sobre todas as combinações possíveis de espalhadores.
4. Regra de Decisão: O detector final seleciona a hipótese $k$ que maximiza a razão de log-verossimilhança penalizada. Crucialmente, esta arquitetura utiliza um limiar adaptativo único ($\eta$) para todas as hipóteses alternativas, em vez de uma sequência de limiares.

Principais Contribuições

• Arquitetura Adaptativa de Estágio Único: O artigo introduz um esquema de detecção que lida com múltiplas hipóteses alternativas usando um limiar único. Isso simplifica o processo de design e garante uma Taxa de Falso Alarme Constante (CFAR) independentemente do número de hipóteses, abordando uma dificuldade importante dos sistemas de múltiplos estágios como o Sup-GLRT.
• Integração de CS e Teoria da Informação: O trabalho funde a natureza promotora de esparsidade do Sensoriamento Comprimido com o critério de design KLIC. Esta combinação permite a estimação de um número desconhecido de espalhadores e seus parâmetros sem a explosão computacional associada à estimativa ML ou à varredura de grade em múltiplos estágios.
• Escalabilidade: O método proposto é projetado para lidar com um número arbitrário de espalhadores ($K_{max}$) sem um aumento significativo na complexidade computacional ou dificuldade de design, ao contrário do Sup-GLRT, que se torna praticamente inviável para $K_{max} \ge 3$ devido à natureza combinatória de sua busca em grade.

Resultos
O desempenho do KLIC-D foi avaliado utilizando tanto dados sintéticos quanto dados reais de SAR COSMO-SkyMed adquiridos em Nápoles, Itália.

• Análise de Dados Sintéticos:

  • Desempenho de Detecção: O KLIC-D demonstrou probabilidades de detecção ($P_d$) e probabilidades de classificação correta ($P_c$) comparáveis ao Sup-GLRT através de vários níveis de Relação Sinal-Ruído (SNR) e configurações de espalhadores (posições fixas/aleatórias, potência igual/desigual).
  • Precisão de Estimativa: O Erro Quadrático Médio (RMSE) para estimar o número de espalhadores, altura e velocidade foi encontrado como sendo similar ou ligeiramente melhor que o do Sup-GLFT na maioria dos cenários.
  • Escalabilidade: O detector operou com sucesso com $K_{max} = 3$, mantendo um desempenho confiável. Em contraste, estender o Sup-GLRT para $K_{max} = 3$ é computacionalmente proibitivo.
  • Convergência: O algoritmo de sensoriamento comprimido convergiu rapidamente (dentro de 6 iterações), e a taxa de falso alarme permaneceu robusta contra desajustes na estimativa da variância do ruído.

• Análise de Dados Reais:

  • Aplicado a uma área urbana com arranha-céus e uma estação ferroviária, o KLIC-D ($K_{max}=2$) detectou aproximadamente 1,8% mais espalhadores únicos do que o Sup-GLRT, enquanto detectou cerca de 30% menos espalhadores duplos. No entanto, o número total de pixels com pelo menos um espalhador detectado foi quase idêntico (dentro de 3,1%), indicando cobertura de detecção geral comparável.
  • As estimativas de parâmetros (altura e velocidade) mostraram um alto grau de concordância entre os dois métodos, com diferenças concentradas principalmente em $\pm 1$ passo de amostragem.
  • Ao ser estendido para $K_{max}=3$, o detector identificou com sucesso espalhadores triplos (ex: piso, fachada, telhado de edifícios) sem anomalias significativas, demonstrando sua capacidade de resolver cenários de layover complexos.

Significância e Alegações
Os autores alegam que a principal novidade técnica deste trabalho é o detector baseado em KLIC (KLIC-D), que representa a primeira arquitetura de seu tipo a utilizar um limiar adaptativo único para testes de múltiplas hipóteses em Tomografia SAR. A significância desta contribuição reside em sua capacidade de:

1. Simplificar a Definição de Limiares: Ao evitar a necessidade de um conjunto complexo de limiares dependentes de estágio, o design é mais gerenciável, especialmente conforme o número de hipóteses alternativas aumenta.
2. Manter o Desempenho: Alcança desempenho de detecção e estimativa comparável ao estado da arte do Sup-GLRT sem os encargos computacionais e de design associados.
3. Permitir Detecção de Ordem Superior: Fornece um caminho prático para detectar mais de dois espalhadores por pixel (ex: $K_{max} = 3$), o que é essencial para reconstrução 3-D precisa em ambientes urbanos densos, mas é computacionalmente intratável para as abordagens GLRT de múltiplos estágios existentes.

O artigo conclui que, embora a arquitetura proposta ofereça uma vantagem significativa em simplicidade de design e escalabilidade, pesquisas futuras poderiam explorar novas iterações de estimativa de parâmetros e o desenvolvimento de arquiteturas de dois estágios combinando métodos baseados em grade e sem grade (gridless).