Wykład 4 - oszczędne próbkowanie
Transkrypt
Wykład 4 - oszczędne próbkowanie
Akwizycja i przetwarzanie sygnałów cyfrowych Tadeusz Chmaj Instytut Teleinformatyki ITI PK Kraków 21 luty 2011 Tadeusz Chmaj Wykład II Rewolucja cyfrowa i jej skutki Rewolucja cyfrowa - dane cyfrowe: podstawowy rodzaj informacji multimedialnych, medycznych, geologicznych itp. Takie dane - najcz˛eściej pozyskiwane z analogowych danych w procesie akwizycji Konieczność pozyskiwania (akwizycji) danych cyfrowych – wieksze ˛ wymagania na sprz˛et i oprogramowanie wspierajace: ˛ rosnac ˛ a˛ rozdzielczość, konieczność głebszego ˛ próbkowania (przetworniki A/C, matryce aparatów, kamer itp.) wzrost ilości sensorów pomiarowych zwiekszaj ˛ aca ˛ sie˛ róznorodność sygnałów (akustyczne, radiowe, podczerwone, optyczne, UV, X-ray, gamma niektóre kanały pozyskiwania danych cyfrowych - duży koszt (n.p. CT, MRI, rozległe sieci sensorów) Rezultat - zalew danych, konieczność opanowania tego już u źródła (czyli w procesie akwizycji danych) Tadeusz Chmaj Wykład II Akwizycja danych - podejście klasyczne Akwizycja - digitalizacja składajaca ˛ sie˛ z: próbkowania - podstawowy parametr: czestotliwość ˛ próbkowania fs kwantyzacji - podstawowe parametry: głebokość ˛ bitowa bpc, ilość kanałów nk kodowania binarnego podstawa - twierdzenie o próbkowaniu (Nyquist, Kotelnikow, Shannon) – ustala skale˛ rozmiaru danych Jeżeli funkcja nie zawiera w swoim widmie cz˛estości wiekszych ˛ niż B, to można ja˛ wiernie zrekonstruować z próbek wzietych ˛ z cz˛estościa co najmniej 2 ∗ B (cz˛estość Nyquista) Tadeusz Chmaj Wykład II Podejście klasyczne – realizacja Tw. o próbkowaniu - określa standarowy sposób akwizycji danych i dalszego ich przetwarzania Stosuje sie˛ do próbkowania danych jedno– (głos), dwu– (obraz) ... - wymiarowych Realizacja akwizycji danych w oparciu o te˛ zasade: ˛ mierz wszystko (z czestości ˛ a˛ Nyquista) – rozmiar danych N kompresuj (czyli usuń nadmiarowa˛ informacje) ˛ - operacja nieliniowa, zależna od sygnału – rozmiar danych K aby zrekonstruować sygnał – operacja odwrotna Tadeusz Chmaj Wykład II Podejście klasyczne - analiza Podejście klasyczne - gwarantuje sukces - ale kosztem konieczności rejestracji ogromnej ilości danych Shannon był pesymista˛ - wymagania wysokiej cz˛estości próbkowania fs ≃ B dotycza˛ najgorszej ewentualności (np. obrazów które dla nas sa˛ szumem) zwykle - silna nadmiarowość; możliwość (a nawet konieczność) jej redukcji (kompresja) metoda kompresji - kodowanie transformacyjne (wybór odpowiedniej reprezentacji sygnału) zazwyczaj istotna wielkość "transferu informacji" – K wielkość znacznie mniejsza (K << N) niż rozmiar N informacji zadany przez pasmo N ∼ B szeroka klasa ważnych danych nie wymaga ilości danych wynikajacych ˛ z reguły Nyquista Tadeusz Chmaj Wykład II Wady podejścia klasycznego 1 2 Mierzymy współczynniki falkowe Odrzucamy mało znaczace ˛ (mniejsze niż zadany próg) 1.8% 2.5% 3.9% 100% Tadeusz Chmaj Wykład II Akwizycja danych – wady podejścia klasycznego 1 Mierzymy wszystko, po czym wiekszość ˛ wyrzucamy czy to ma sens ? obraz uzyskany z 6500 współczynników falkowych (2.5%) niewiele gorszy od obrazu z pełnych danych nieistotne dla zdjeć ˛ fotograficznych, ale ważne tam, gdzie pozyskiwanie danych jest trudne, kosztowne lub ryzykowne (np. akwizycja danych medycznych) 2 Czy da sie˛ mierzyć tylko to, co niezbedne? ˛ problem: nie wiemy z góry, które współczyniki bed ˛ a˛ ważne wniosek: protokół pomiaru musi być niezależny od danych 3 Compressive Sensing – próba realizacji tego zadania chcemy by ilość pomiarów K « N, gdzie N – naturalny rozmiar problemu wynikajacy ˛ z szerokości pasma pomimo tego wymagamy, by sygnał dał sie˛ zrekonstruować z tej ilości pomiarów kiedy to jest możliwe? Tadeusz Chmaj Wykład II CS – nowe podejście do problemu akwizycji 1 2 Compressed Sensing (oszcz˛edne próbkowanie) - nowe podejście do problemu akwizycji i rekonstrukcji danych bez konieczności spełnienia warunku Nyquista Możliwe tylko wtedy, gdy: mamy specjalny rodzaj sygnału (rzadkość) zapewnimy spełnienie pewnych wymagań w procesie akwizycji danych ("niekoherencja") 3 Definicja: Sygnał rzadki – taki, dla którego istnieje baza w której ilość składowych różnych od zera << N – naturalnego rozmiaru tego sygnału Sygnał S-rzadki - dokładnie S składowych 6= 0 Sygnał kompresowalny - gdy rozkład w odpowiedniej bazie ma tylko kilka dużych i wiele małych współczynników rzadkość - sytuacja, w której sygnal niesie znacznie mniej informacji niż to wynika z szerokości jego pasma (ilość rzeczywistych stopni swobody << N - rozmiaru sygnału) CS ważne, bo wiele naturalnych sygnałów to sygnały rzadkie lub kompresowalne) Tadeusz Chmaj Wykład II Pomiar sygnału by dokonać pomiaru wybieramy pewna˛ ilość sygnałów wzorcowych ϕi wyznaczamy korelacje miedzy mierzonym wektorem a wzorcami yi = ϕT x , i = 1, ...M - interesuje nas sytuacja M << N gdzie M - ilość pomiarów, N - rozmiar wektora x - jest to pomiar połaczony ˛ z kompresja˛ (compressed sensing) Tadeusz Chmaj Wykład II Pomiar i rekonstrukcja jako problem algebraiczny W zapisie macierzowym: y = Ax x - poszukiwane rozwiazanie; ˛ wektor o wymiarze N y - wektor pomiaru o wymiarze M równym ilości pomiarów A - macierz pomiaru o wymiarze M × N, której wiersze to wektory ϕ Wyznaczenie rozwiazania ˛ x - rozwiazanie ˛ równania liniowego. Możliwe przypadki: M > N – układ nadokreślony – rozwiazanie ˛ jednoznaczne, łatwe do wyliczenia (w sensie minimalizcji błedu) ˛ M = N, macierz A nieosobliwa – dokładnie jedno rozwiazanie ˛ K < N – odpowiada CS – układ niedookreślony – istnieje nieskończenie wiele rozwiaza ˛ ń; jak wybrać właściwe? Tadeusz Chmaj Wykład II Określenie systemu CS By określić protokół CS należy zadać: macierz pomiaru A o rozmiarach MxN która jest niezależna od danych zapewnia uzyskiwanie stabilnych rozwiaza ˛ ń dla K -rzadkiego sygnału na podstawie M ∼ kilka K << N pomiarów algorytm rekonstrukcji rozwiazania ˛ z małej M ≈ K ilości pomiarów intuicyjnie - dobra macierz pomiaru "nie gubi informacji" dla sygnałów rzadkich matematycznie - zapewnia niekoherencje, ˛ warunek RIP jest jakby funkcja˛ skrótu dla mierzonego sygnału typowo - macierz pomiaru to czysto losowa macierz (szum biały) nie musimy wiedzieć: w której bazie sygnał jest rzadki ile jest "dużych składowych" Tadeusz Chmaj Wykład II Algorytm rekonstrukcji Rzadkość - dodatkowy warunek, które pozwala wybrać właściwe rozwiazanie ˛ Zasada: spośród rozwiaza ˛ ń niedookreślonego równania Ax = y wybierz to, które ma najmniej składowych niezerowych: (P0) min k x kl0 x k Ax = y Problem – (P0) trudny obliczeniowo (NP–zupełny) Dla wielu przypadków P0 równoważny (P1) (P1) min k x kl1 x k Ax = y (P1) równoważny problemowi programowania liniowego – istnieje efektywne rozwiazanie, ˛ gdy problem rzadki, a liczba pomiarów K ≥ Cµ2 S log N, C ∼ 1 Tadeusz Chmaj Wykład II Compressed Sensing – przykłady, zastosowania Tadeusz Chmaj Wykład II Compressed Sensing – przykłady, zastosowania Tomografia Komputerowa Rekonstrukcja – przykład numeryczny Przypadki klasyfikacji - rozpoznawanie twarzy Tadeusz Chmaj Wykład II