段培培,徐志京
(上海海事大學(xué) 信息工程學(xué)院,上海 201306)
摘要:傳統(tǒng)聲納成像系統(tǒng)所要采集的數(shù)據(jù)量巨大,給硬件設(shè)備以及數(shù)據(jù)的存儲(chǔ)和傳輸帶來很大的壓力。壓縮感知作為一種全新的采樣理論,可以從很少的采樣數(shù)據(jù)中以很大的概率重建原始信號(hào)。將壓縮感知用于聲納成像,減少數(shù)據(jù)采集傳輸量。考慮到水下環(huán)境的復(fù)雜性,提出了A*OMP作為聲納成像算法,該算法使用A*搜索方法尋找最優(yōu)原子,得到全局最優(yōu)路徑。實(shí)驗(yàn)結(jié)果表明,相比于傳統(tǒng)OMP算法,所提算法有效地提高了聲納成像的質(zhì)量。
關(guān)鍵詞:壓縮感知;聲納成像;A*算法;正交匹配追蹤
0引言
聲納是利用聲波在水下特有的傳播特性,完成水下探測和定位的重要工具。由于聲納成像可以直觀反映出被測目標(biāo)的信息,因而受到研究人員的青睞。但是,為了獲得高分辨率的聲納圖像,按照傳統(tǒng)Nyquist采樣定理往往會(huì)產(chǎn)生海量數(shù)據(jù),給硬件設(shè)備及數(shù)據(jù)的存儲(chǔ)和傳輸帶來巨大的壓力。
壓縮感知(Compressive Sensing, CS)[1]作為一種全新的信號(hào)采集理論,通過挖掘信號(hào)的稀疏性,利用少量非相關(guān)的線性測量,結(jié)合重構(gòu)算法,可以以少量的采集數(shù)據(jù)重構(gòu)原始數(shù)據(jù)。對(duì)于聲納成像而言,在整個(gè)成像平面上,目標(biāo)圖像通常只占很小的一部分,即目標(biāo)強(qiáng)散射點(diǎn)數(shù)要遠(yuǎn)小于實(shí)際采樣數(shù),滿足CS理論中對(duì)信號(hào)稀疏性的要求[2]。
本文基于壓縮感知理論及成像分析,闡明了CS對(duì)于聲納成像的可適用性。結(jié)合聲納數(shù)據(jù)的格式特點(diǎn),分析了成像的具體流程??紤]到水下環(huán)境的特殊性,提出使用A*OMP(A*正交匹配追蹤)算法代替?zhèn)鹘y(tǒng)算法用于聲納圖像重構(gòu),并通過實(shí)驗(yàn)證明了此算法對(duì)提高成像質(zhì)量的有效性,最后總結(jié)了所提方法的合理性以及需要進(jìn)一步研究的問題。
1基于壓縮感知的聲納成像及分析
1.1壓縮感知原理
壓縮感知是由DONOHO D L等人提出的一種新穎信息獲取方法,打破了Nyquist采樣定理的限制。該理論表明:當(dāng)信號(hào)具有稀疏性時(shí),可以構(gòu)造一個(gè)觀測矩陣將原始信號(hào)投影到低維空間,通過采集少量的投影值就可以完成信號(hào)的近似重構(gòu)。
考慮一個(gè)長度為N的一維離散信號(hào)x,其稀疏度為K(KN),假設(shè){ψi}是RN的一組基向量,信號(hào)x可表示成:
根據(jù)CS理論,可以通過構(gòu)造一個(gè)M×N的測量矩陣Φ,對(duì)x進(jìn)行M(K<MN)次觀測,得到降維后的測量信號(hào)y:
y=Φx=ΦΨα=Θα(2)
式中Θ稱為感知矩陣。CS理論要求測量矩陣Φ的建立應(yīng)當(dāng)使Θ=ΦΨ滿足RIP(Restricted Isometry Property)條件[3],并且測量次數(shù)M應(yīng)滿足:
M≥cμ2(Φ,Ψ)KlogN≤N(3)
式中,c>0為一固定常數(shù),μ(Φ,Ψ)表示Φ和Ψ之間的相關(guān)性。此時(shí),可以利用最小l0范數(shù)將式(2)轉(zhuǎn)化為約束最優(yōu)化問題:
minα0s.t.y=Θα(4)
由于最小l0范數(shù)的稀疏重構(gòu)問題已被證明是NP難解的,因此常將l0范數(shù)松弛為l1范數(shù)。在實(shí)際應(yīng)用中,噪聲往往難以避免,因此將上式轉(zhuǎn)化成一個(gè)允許一定誤差存在的形式:
minα1s.t.y-Θα2≤ε(5)
式中ε為誤差量。對(duì)于此式可以通過l1范數(shù)最小法來求解,也有學(xué)者提出了效率較高的貪婪算法,如基追蹤算法(BP) 、正交匹配追蹤算法(OMP)等。
1.2CS成像分析
在CS成像模型中[4],假設(shè)發(fā)射信號(hào)是長度為N的向量,其中每個(gè)元素可以表示為
式中n=1,2,…,N。將稀疏目標(biāo)建模在N×N的距離多普勒平面上,兩個(gè)維度分別表示延遲和多普勒頻移。那么對(duì)于一個(gè)目標(biāo)物體,就存在N2個(gè)不同的回波信號(hào),每個(gè)信號(hào)經(jīng)過周期性擴(kuò)展和調(diào)整后都可以轉(zhuǎn)化成長度為N的向量。N2個(gè)回波信號(hào)累積形成N×N2矩陣A。定義相干性μ(A)為
式中ai和aj為矩陣A的歸一化列,〈·,·〉表示內(nèi)積。通過參考文獻(xiàn)[5]可知μ(A)的值很小,滿足CS理論中矩陣非相干的要求。同時(shí),若稀疏目標(biāo)數(shù)量k滿足k<12(1+1/μ(A))。通過給定觀測向量y和壓縮矩陣A,運(yùn)用CS方法就能將稀疏向量x重構(gòu)出來,即通過CS實(shí)現(xiàn)了稀疏目標(biāo)的成像。
1.3CS聲納成像
本文采用StarFish 450F拖曳型側(cè)掃聲納對(duì)某水域進(jìn)行測量,并使用Scanline軟件將測量的數(shù)據(jù)導(dǎo)出格式為CSV(Comma Separated Values)的數(shù)值數(shù)據(jù)文件。該文件以純文本形式存儲(chǔ)數(shù)據(jù),每條記錄被分隔符分隔為字段,且可以轉(zhuǎn)化為XLS的格式[6]。通過MATLAB編程實(shí)現(xiàn)對(duì)CSV數(shù)據(jù)的讀取,經(jīng)過CS稀疏重構(gòu)后,即可完成對(duì)聲納目標(biāo)的CS成像。
基于以上的分析,可將CS聲納成像步驟歸納為圖1所示。在重構(gòu)算法上,本文提出多路徑搜索的A*OMP算法代替?zhèn)鹘y(tǒng)OMP算法,提高水下成像的質(zhì)量。A*OMP算法將在下節(jié)作詳細(xì)介紹。
2A*OMP算法及分析
2.1A*算法
A*算法是一種典型的啟發(fā)式搜索算法,將其與OMP算法想結(jié)合[7],使用字典原子所代表的節(jié)點(diǎn)迭代構(gòu)建搜索樹。A*算法使用估計(jì)函數(shù)g(PK)評(píng)估每條路徑的代價(jià),但對(duì)于不同長度的路徑來說,無法比較它們的大小。為此引入輔助函數(shù)d(),對(duì)于一個(gè)長度為l的路徑Pl,定義輔助函數(shù)為:
d(Pl)≥g(Pl)-g(Pl∪ZK-l),d(PK)=0(8)
式中,ZK-l為其余K-l個(gè)節(jié)點(diǎn)產(chǎn)生的序列。由此定義代價(jià)函數(shù)為
F(Pl)=g(Pl)-d(Pl)(9)
考慮一個(gè)完整路徑PK和一個(gè)局部路徑Pl(l<K),結(jié)合式(8)和式(9),如果F(PK)≤F(Pl),可得
g(PK)≤g(Pl∪ZK-l),ZK-l(10)
這表明路徑PK優(yōu)于Pl的所有可能擴(kuò)展路徑。因此,使用代價(jià)函數(shù)F()選擇最優(yōu)路徑是合理的。
2.2使用A*算法進(jìn)行稀疏信號(hào)重構(gòu)
A*OMP算法將A*與OMP相結(jié)合,把稀疏重構(gòu)問題轉(zhuǎn)化為從動(dòng)態(tài)更新的候選子集中選擇正確支撐K稀疏的信號(hào)x的問題。A*OMP算法的迭代過程主要有以下三個(gè)步驟:
(1)初始化搜索樹:由于僅有KN個(gè)字典原子是與y有關(guān)的,因此將初始子集限制為I(IK)個(gè),每個(gè)子集包含一個(gè)原子,這些原子與y有最大的內(nèi)積絕對(duì)值。
(2)擴(kuò)展局部路徑:由于數(shù)量眾多的子集會(huì)產(chǎn)生大量搜索路徑,故采用3種修剪策略加以限制,分別為設(shè)置每條路徑的單次擴(kuò)展數(shù)量B、設(shè)置搜索樹中最大路徑數(shù)量P以及對(duì)等效路徑的修剪。
(3)選擇最優(yōu)路徑:理想情況下,輔助函數(shù)d()應(yīng)當(dāng)與殘差衰變的路徑一致,但實(shí)際中這是很難實(shí)現(xiàn)的。為此參考文獻(xiàn)[7]中提出了3種代價(jià)模型,通過比較路徑代價(jià)函數(shù)的大小,就可以選擇出最優(yōu)路徑。
A*OMP算法的流程如下:
定義:
P:最大路徑個(gè)數(shù)
I:初始路徑個(gè)數(shù)
B:每次迭代中的節(jié)點(diǎn)擴(kuò)展個(gè)數(shù)
Li:第i條路徑的長度
Ci:選擇第i條路徑的代價(jià)
Si={sli}:第i條路徑上的原子sli的矩陣
ci={cli}:第i條路徑上的原子sli對(duì)應(yīng)的系數(shù)向量
初始化:
T←
for i←1 to I do%設(shè)置初始路徑長度為1
←argmax〈y,vn〉n,vn∈ΦT
T←T∪n
s1i←n,c1i←〈y,n〉
ri←y-c1is1i
Ci=F(Si),Li=1
end for
Ci=y2,Li=0,i=I+1,I+2,…,P
best_path←1
while Lbest_path≠K do
←best_path%替換搜索路徑
T←Sbest_path
for i←1 to B do%對(duì)每條擴(kuò)展路徑進(jìn)行修剪
←argmax〈rbest_path,vn〉n,vn∈ΦT
T←T∪v
←Sbest_path∪v%候選路徑
←argminy-α2 %正交投影
←F()%候選路徑的代價(jià)
if(<F(S))&%樹尺寸修剪
(≠Sj,j=1,2,…,P) then %等效路徑修剪
S←,c←,C←
L←Lbest_path+1
r←y-Sc
←argmaxCii∈1,2,…,P
end if
end for
best_path←argminCii∈1,2,…,P%選擇最優(yōu)路徑
end while
return Sbest_path,cbest_path
3實(shí)驗(yàn)結(jié)果及分析
實(shí)驗(yàn)采用1.3節(jié)中所述CSV數(shù)據(jù)段,聲納參數(shù)設(shè)置如下:頻率450 kHz,帶寬40 kHz,掃描幅度60 m,聲速1 470 m/s。取左舷數(shù)據(jù)進(jìn)行處理,其中測量回波數(shù)及每個(gè)方位向的數(shù)據(jù)長度均為256,采樣點(diǎn)數(shù)設(shè)置為100。A*OMP算法參數(shù)設(shè)置為B=2,I=3,P=200,實(shí)驗(yàn)所得結(jié)果如圖2所示。
從圖2可以看出,CS方法在降低采樣率的同時(shí),也確保了成像的質(zhì)量。相比傳統(tǒng)OMP算法,基于A*OMP的聲納成像方法保留了河底的絕大部分輪廓信息,成像質(zhì)量更佳。為了更加直觀地表述兩種算法的成像質(zhì)量,在不同降采樣率的基礎(chǔ)上,繪制成像成功率變化曲線如圖3所示。
由圖3可以看出,隨著降采樣率的增加,兩種算法的成像成功率都是先上升直至趨于1,但A*OMP上升趨勢明顯要高于OMP。對(duì)兩種算法的運(yùn)行時(shí)間和峰值信噪比進(jìn)行記錄,具體結(jié)果如表2所示。
實(shí)驗(yàn)結(jié)果表明,在時(shí)間上,由于A*OMP算法執(zhí)行的是多路徑搜索方式,因此要比OMP算法的運(yùn)行時(shí)間長。然而從峰值信噪比的對(duì)比上可以看出,A*OMP算法有著比OMP算法更高的精度。隨著計(jì)算機(jī)性能的發(fā)展,時(shí)間上的差距將會(huì)被進(jìn)一步縮小,A*OMP算法的優(yōu)勢也會(huì)進(jìn)一步凸顯。
4結(jié)論
本文將壓縮感知技術(shù)用于聲納成像中,從理論上闡明了CS對(duì)于聲納成像的可適用性,并分析了具體的成像流程。在重構(gòu)算法上,以A*OMP取代傳統(tǒng)的OMP算法,采用多路徑的迭代搜索方式尋找全局最優(yōu)解。實(shí)驗(yàn)結(jié)果表明所提算法與傳統(tǒng)OMP算法相比較,成像質(zhì)量與精度有了很大的改善,但在運(yùn)算效率與成像質(zhì)量的平衡上面有待進(jìn)一步研究,在提高運(yùn)算效率的同時(shí)提高成像的精度。
參考文獻(xiàn)
?。?] DONOHO D L. Compressed Sensing [J]. IEEE Transactions on Information Theory, 2006, 52(4): 12891306.
?。?] 賀西麗.壓縮感知在聲納成像中的應(yīng)用研究 [D].哈爾濱:哈爾濱工業(yè)大學(xué),2012.
?。?] 馬慶濤,唐加山.基于壓縮感知的測量矩陣研究 [J].微型機(jī)與應(yīng)用,2013,32(8):6467.
?。?] HERMAN M A, STROHMER T. Highresolution radar via compressed sensing [J]. IEEE Transactions on Signal Processing, 2009, 57(6): 22752284.
?。?] YAN H, Peng Shibao, Zhu Zhaotong,et al. Wideband sonar imaging via compressed sensing [C]. OCEANS 2014TAIPEI. IEEE, 2014:14.
?。?] Zhang Weifei, Yang Ye, Wang Guoqiang. Comma sepa rated value (CSV) to Microsoft Excel (XLS) format conversion mode: CN, CN 102541903 A [P]. 2012.
[7] KARAHANOGLU N B. A* orthogonal matching pursuit: Best first search for compressed sensing signal recovery [J]. Digital Signal Processing, 2012, 22(4): 555568.