Wie implementiere ich einen adaptiven Thresholding-Algorithmus für Unterwassersonar?

  • Ich möchte in MATLAB einen adaptiven Thresholding-Algorithmus implementieren, um Daten zu filtern, die von einem Unterwasser-Sonarempfänger empfangen werden. Die empfangenen Daten weisen eine interaktive Rauschkomponente auf, die sich aus Unterwasserlärm und Spiegelreflexion ergibt. Die CFARD -Methode ist nahe, aber sie erfüllt nicht meinen Zweck. Ich muss die Daten so abbilden, dass ich das Objekt auf einem Bildschirm sehen kann, der sich im Scandepth des Sonars unter Wasser befindet. Jede Hilfe wird sehr geschätzt.


    BEARBEITEN:

    Es ist eine Unterwasserumgebung. Ich versuche, ein Signal zu schwellen, das von einem Sonarwandler empfangen wurde, nachdem es von einem festen Ziel reflektiert wurde, das sich in derselben Umgebung wie der Schallkopf befindet. Das Problem gehört zur Sonar-Domäne Underwater Acoustic Imaging . Das Problem ist, dass ich die Umgebungsgeräusche unter Wasser nicht modellieren konnte. Nach dem, was ich bisher zu diesem Thema gelesen habe, folgt das Geräuschmodell einer $ K $ -Verteilung . Auch das Umgebungsgeräusch ist nicht additiv, sondern interaktiv. Daher muss die Schwelle adaptiv sein. Ich habe auch die CFARD-Methode in meiner Frage erwähnt. Dies ist nützlich für die Signalverarbeitung in Radaranwendungen, da wir nur daran interessiert sind, einen einzelnen Punkt in einem großen Bereich mit hoher Energie zu finden. Dasselbe gilt nicht für akustische Unterwasserschallgeräte, bei denen wir versuchen, das Ziel als Video auf dem Bildschirm darzustellen. Ich hoffe, ich habe es jetzt klarer gemacht.

    13 August 2016
    Adam
1 answer
  • Ihre Frage hat ziemlich wenige Beiträge erhalten, wahrscheinlich aufgrund fehlender Inhalte. Bei einer kürzlich durchgeführten Konferenz stieß ich auf die Doktorarbeit: Détection en Environnement non Gaussien ( Erkennung in einer nicht-Gaußschen Umgebung ). Da es auf Französisch ist, reproduziere ich das Abstract hier:

    Radarechos, die lange Zeit von den verschiedenen Rücksendungen des übertragenen Signals stammen Auf vielen Objekten der Umgebung (Clutter) wurden ausschließlich Gaußsche Vektoren modelliert. Das zugehörige optimale Erkennungsverfahren wurde dann mit dem klassischen angepassten Filter durchgeführt. Dann zeigte die technologische Verbesserung der Radarsysteme, dass die wahre Natur der Unordnung nicht mehr als Gaußsches betrachtet werden kann. Obwohl die Optimalität des angepassten Filters in solchen Fällen nicht mehr gültig ist, wurden CFAR-Techniken (Constant False Alarm Rate) für diesen Detektor vorgeschlagen, um den Wert der Erkennungsschwelle an das Vielfache anzupassen Lokale Variationen der Unordnung. Trotz ihrer Vielfalt erwies sich keine dieser Techniken als robust oder optimal in diesen Situationen. Mit der Modellierung des Clutters durch nicht-gaußsche komplexe Prozesse, wie SIRP (Spherically Invariant Random Process), wurden optimale Strukturen der kohärenten Detektion gefunden. Diese Modelle beschreiben viele Nicht-Gaußsche Gesetze, wie K-Verteilung oder Weibull-Gesetze, und sind in der Literatur anerkannt, um viele experimentelle Situationen auf relevante Weise zu modellieren. Um das Gesetz ihrer charakteristischen Komponente (nämlich die - Textur) ohne statistische A priori des Modells zu identifizieren, schlagen wir in dieser These vor, das Problem durch einen Bayes'schen Ansatz zu lösen. Aus diesem Satz ergeben sich zwei neue Schätzmethoden des Texturgesetzes: die erste, i

    17 February 2016
    Laurent Duval