Resumen y conclusiones

En este capítulo se ha efectuado el estudio de tres clases de detectores basados en la extracción de descriptores en imágenes radar bidimensionales no coherentes, tanto para entornos ruidosos como para entornos de clutter marino. Las tres categorías de detectores planteadas han sido: detectores basados en descriptores, detectores basados en integración y extracción de descriptores, y detectores basados en el cálculo de descriptores tras usar el algoritmo de Retardo y Convolución.

Se ha comprobado que la eficacia de estos detectores, en términos de probabilidad de detección para una determinada tasa de falsas alarmas, depende del área ocupada por el blanco dentro de la imagen, constatándose que son especialmente adecuados para blancos extensos. También se han demostrado su fuerte dependencia de las características de las señales recibidas.

Por otro lado, se trata de algoritmos -los dos primeros tipos- con menor carga computacional que la clásica ventana deslizante, lo que es muy relevante en el caso de los sistemas HRR cuya evolución tecnológica (capacidad de transmitir y procesar señales de RF de mayor ancho de banda) implica disminuir el tamaño de las celdas de distancia y, por tanto, el tamaño de las matrices procesadas si se desea mantener las coberturas.

Con carácter general, puede afirmarse que en el caso de blancos extensos y en ausencia de clutter, de todos los descriptores analizados, la entropía, el contraste, el cuarto momento y la media han presentado un comportamiento favorable apto para detección en todos los esquemas planteados. Si bien los tres primeros son claramente superiores. También es cierto que el descriptor media es el más simple desde el punto de vista computacional y el más robusto.

Las simulaciones han demostrado que, en el primer tipo de detectores (los que emplean la detección directa a partir del cálculo del descriptor) las prestaciones de detección frente al ruido térmico son siempre inferiores a la ventana deslizante, acercándose a las características de esta última en la medida en que el blanco ocupa toda la imagen. Es consecuencia del tratamiento local que hace la ventana deslizante, frente al tratamiento global que hacen los descriptores, que consideran todas las celdas para decidir la presencia del blanco, tanto las que se corresponden con posiciones donde está el blanco como las que sólo tienen ruido

La introducción de un integrador, previamente al cálculo de descriptores, mejora algo las prestaciones de los detectores basados en descriptores, igualando prácticamente (para blancos extensos) las prestaciones a las de la ventana deslizante.

Si se usan detectores basados la técnica de Retardo y Convolución se obtiene una clara superioridad con todo tipo de blancos (tanto puntual como extenso) frente a los resultados obtenidos con la ventana deslizante, en concreto utilizando los

otras funcionalidades, por ejemplo, la identificación de blancos por la posición de sus puntos calientes (”hot spots”).

El principal problema que tienen estos detectores, frente a la clásica ventana deslizante, radica en su dificultad para trabajar en entornos de clutter no gaussiano donde se degrada significativamente el número de falsas alarmas.

Para obtener una primera estimación del efecto del clutter se ha considerado el caso del clutter marino, concretamente el modelado propuesto por Farina para un radar de alta resolución frente al estado de mar 3. Dos aspectos deben ser comentados.

En primer lugar el modelo de clutter utilizado (log-normal con parámetro de forma σ = 0.8) es especialmente difícil para los detectores paramétricos adaptados al ruido térmico. En la figura 2.47 se presenta una realización del proceso estocástico utilizado y se compara con el caso del ruido térmico, demostrándose su fuerte carácter impulsional, típico de los HHR.

Figura 2.47. Realización del proceso estocástico para ruido térmico de media nula e histograma correspondiente (superior). Realización del proceso estocástico para clutter log-normal con σ = 0.8

e histograma correspondiente (inferior).

Por otro lado, los sistemas HHR se caracterizan porque la celda de resolución es mucho menor que en un radar convencional lo que se traduce en que los niveles de clutter recibidos son mucho menores, en muchas situaciones por debajo del propio ruido del sistema. En definitiva, las curvas presentadas en los apartados anteriores están realizadas en función de la relación S/C, y nuestra experiencia es que con sistemas HRR es fácil manejar altas S/C para la mayor parte de los blancos.

En todo caso lo que si ha quedado demostrado es que, cuando el clutter supera al ruido, se degrada la probabilidad de falsas alarmas en todos los detectores analizados; además, si no se emplea integración se degrada bastante más que para la ventana deslizante. También se degrada la probabilidad de detección, lo que responde también al hecho de la gran cantidad de celdas con clutter que se utilizan para decidir que hay blanco.

El uso de integración, previamente al cálculo del descriptor, mejora su comportamiento frente al clutter (en términos de tasa de falsas alarmas) al gaussianizar algo las señales impulsivas. Ello, unido a la escasa carga adicional que supone, hace muy aconsejable su utilización. También conviene indicar que el descriptor entropía se comporta bastante mal en esta situación.

El detector basado el algoritmo de RyC, se comporta bastante mal frente al clutter simulado. Además y a pesar de que por no ser objeto de este trabajo no se ha analizado, nos atrevemos a predecir que se degradará también mucho su precisión en la determinación de los puntos calientes, por lo que no tiene sentido su utilización.

Obviamente, en presencia de un clutter impulsional, como el modelado, no se pueden mantener los umbrales. En la figura 2.48 se presentan las curvas de detección para el blanco extenso lineal cuando se han modificado los umbrales para llevar el detector a tasas de falsa alarma razonables. Los resultados indican que es la media el descriptor que mejor se comporta (3 dB peor que la Ventaja Deslizante), mientras que el resto de descriptores considerados se comportan entre 5 y 10 dB peor.

Figura 2.48. Curvas de detección para el blanco extenso lineal cuando se han modificado los umbrales para llevar los detectores a tasas de falsa alarma razonables.

A modo de conclusión y con objeto de aprovechar que los detectores basados en integración y extracción de descriptores son computacionalmente mucho más eficientes que la técnica convencional de la ventana deslizante, se propone el esquema de la figura 2.49, en el que hay un proceso previo de detección de presencia de clutter. Si no existe clutter, tras un proceso de integración se utiliza el momento de cuarto orden (también podría considerarse el contraste o la entropía si su implementación fuese más simple). Si se detecta clutter se sustituye el empleo del descriptor anterior por la media. En la figura 2.50 se detalla el diagrama de bloques del detector de clutter expuesto en la figura 2.49.

Figura 2.49. Detector basado en integración y extracción de descriptores, con detector de clutter.

Extractor de Descriptores S+N(+C) H1: Detec. H0: No det. HC1: Media HC0: M4O. T = f (Pfa) Z U = Z · T Extractor de Descriptores N(+C) Extractor de N(+C) HC1: Media HC0: M4O. HC1: Clutter HC0: No clutt. Detector de clutter Imagen Cruda 2D (FFTs) ( · )2 Integrador

Figura 2.50. Detector de clutter.

En el esquema se propone detectar la presencia de clutter comparando los descriptores media y momento de cuarto orden (dividiendo el momento por la media elevada a 4), como se indica a continuación:

[

]

Basta con ver las diferentes estructuras del ruido y el clutter para entender porque es posible hacerlo así. En todo caso hay otras alternativas para establecer la presencia de clutter. Desde que lo haga el operador al observar que se “emborrona la pantalla” (de paso ajustará los umbrales) a contar el número de falsas alarmas que está suministrando el sistema.

Por último debemos indicar que las técnicas estudiadas en este capítulo pueden ser aplicadas también, con pequeñas adaptaciones, a las imágenes distancia-doppler descritas en los capítulos 1 y 3 de la presente Tesis Doctoral. De hecho, son prácticamente análogas a las imágenes distancia-acimut, salvo algunas diferencias (por ejemplo no se ven afectadas por la forma del haz), la más significativa de las cuales es que, por su principio de funcionamiento, se separan los blancos del clutter por lo que pueden ofrecer, en todas las situaciones reales, resultados similares a la ventana deslizante aportando sus ventajas computacionales. En los anexos I y II se incluyen algunos ejemplos con ambos tipos de radar, y utilizando blancos reales.

T = f (Pfa|clutter) Z U = Z · T HC1: Clutter HC0: No clutt. Cálculo de DC(N) Extractor de N Cálculo de DC(N+C) N(+C) Extractor de N(+C) Imagen Cruda 2D (FFTs) ( · )2 Integrador