Motivaci

on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Reconstruccion de imagenes en Interferometra

basada en la teora de Compressive Sensing
Presentaci
on de avance

Roberto Rojas Pizarro

Facultad de Ciencias Fsicas y Matem

aticas,
Universidad de Chile

October 29, 2015

1 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Contenido
1

Motivacion

Descripcion del problema

Metodologa

Resultados

Trabajo futuro

Referencias
2 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Que es Interferometra?
Tecnica que consiste en la superposici
on de ondas
electromagneticas para obtener informaci
on acerca de estas.
Cuando las ondas poseen la misma frecuencia, la onda
resultante es determinada por el desfase de las ondas
individuales.

Figura 1: Interfer
ometro basico
3 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Interferometra en Astronoma
Arreglo de antenas que realizan mediciones de a pares, todas
apuntando en la misma direcci
on.
Obtener intensidad de la fuente en dicha porcion de cielo.
Resolucion depende de apertura efectiva, no del diametro de
la antena.

Figura 2: Very Large Array (New Mexico), que usa 27 antenas.

4 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Escenario basico Interferometra

Parametros relevantes
Vector Pointing ~s0 .
Posicion ~ en regi
on celestial considerada.
~ normalizado por de onda medida.
Baseline D

s s0

D
Correlator

Figura 3: Escenario basico Interferometra en Astronoma.

5 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Teorema de Van Cittert-Zernike

Para un campo de visi
on peque
no, dicho teorema relaciona
intensidad I(l, m) de la fuente y su Visibilidad V (u, v).
Z Z
V (u, v) =
I(l, m)ej2(ul+vm) dldm
(1)

Figura 4: Relaci
on entre sistemas de coordenadas.
6 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Obtencion de datos
La ecuacion (2) muestra la salida del correlador.
Z
h
i
~
~ (~s0 + ~ ) d (2)
r(D , ~s0 ) =
A(~ )I(~ ) cos 2 D
4

Ademas, la salida del correlador se relaciona con la Visibilidad

mediante la ecuaci
on (3).


~ , ~s0 ) = A0 |V | cos 2 D
~ ~s0 V
r(D
(3)
Dada la ecuacion (1), basta aplicar F 1 [V ] para obtener la
se
nal deseada.

7 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Plano de Fourier

Cada V (u, v) medida esta determinada por sus frecuencias

(u, v). El plano de Fourier grafica las frecuencias medidas.
Las frecuencias medidas dependen de la separacion entre el
par de antenas y la direcci
on de observaci
on ~s0 .
~s0 a su vez esta determinado por su angulo horario h y
declinacion .
2 modos de medici
on: Snapshot y uso de la rotacion terrestre.

8 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Plano de Fourier
Trayectorias elpticas si se considera rotaci
on terrestre.
Problema: Cubrir el plano de Fourier en la practica requiere
un proceso de medici
on exhaustivo.

Figura 5: Plano de Fourier.

9 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Compressed Sensing

Reconstruccion de se
nal con una tasa de datos menor a la
tasa de Nyquist.
Las mediciones se realizan en el dominio de Fourier.
Grado de libertad en dominio que promueve sparsidad y
disposicion de antenas.

= argmin||||1 s.t. y = A

(4)

10 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Metodologa
Obtencion de baselines continuos por medio de
transformaciones matriciales.
Discretizacion basada en Teorema del muestreo.
Disposicin de
antenas

Obtencin de
baselines (u,v)
continuos

Discretizacin
frecuencias (u,v)

Compressed
Sensing

Eleccin base de
sparsidad

Figura 6: Metodologa empleada para la reconstruccion de una

imagen en Interferometra, basada en Compressed Sensing.

11 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Metodologa
Se considera mediciones sin ruido (Basis Pursuit clasico).
No se considera rotaci
on terrestre (Snapshot).
En Figura 7 se aprecia imagen de prueba utilizada.
Original image

Figura 7: Imagen de prueba considerada. Obtenida en observatorio

ALMA.
12 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Etapa 1
Validacion algoritmo/c
odigo utilizado para implementar CS.
Codigo basado en algoritmo Douglas Rachford (Combettes,
2007).
Phase Transition, threshold=1e10
0.95
0.85
0.75

K
M

0.55

0.65

0.45
0.35
0.25
0.15
0.05
0.05

0.15

0.25

0.35

0.45

0.55

0.65

0.75

0.85

0.95

M
N

Figura 8: Phase transition obtenido para se

nal sparse en dominio
de los pixeles. Medici
on aleatoria en Fourier.
13 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Etapa 2
Figura de merito: Probabilidad de reconstruccion exitosa
(Fannjiang, 2013).
Imagen puntual de 60 60 pixeles.
Porcentaje reconstrucciones exitosas (%)

PRE v/s sparsity level, umbral: 0.01 , BP

100
NRA
URA
VLA
freqSelection

90
80
70
60
50
40
30
20
10
0
0

100

200

300

400

500

600

700

Sparsidad (Cantidad de fuentes puntuales)

Figura 9: Probabilidad de reconstrucci

on exitosa versus sparsidad
de imagen en dominio de los pixeles. Tasa de mediciones: 0.2. 10
realizaciones por punto.
14 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Etapa 3
PRE versus razon de submuestreo (tambien llamado uv
coverage) para NRA, URA y selecci
on aleatoria uniforme de
frecuencias, considerando 4 bases de sparsidad distintas:
Daubechies 4, Daubechies 8, Coiflet 3 y DCT. 100
realizaciones por punto de la curva.
Porcentaje reconstrucciones exitosas (%)

PRE v/s uvcoverage, umbral: 0.1 , BP

100
90
80
70
60
50

Db8
Db4
Coif3
DCT

40
30
20
10
0
0

10

20

30

40

50

60

70

80

90

uv coverage (%)

Figura 10: Probabilidad de reconstrucci

on exitosa versus tasa de
mediciones para selecci
on aleatoria uniforme de frecuencias.

15 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Etapa 3
Para NRA, sobre 30% de submuestreo se tiene PRE igual a 1
para todas las bases consideradas.
Porcentaje reconstrucciones exitosas (%)

PRE v/s uv coverage eff, NRA, umbral: 0.1 , BP

100
Db8
Db4
Coif3
DCT

90

80

70

60

50

40
10

15

20

25

30

35

40

45

uv coverage (%)

Figura 11: Probabilidad de reconstrucci

on exitosa versus tasa de
mediciones para disposici
on aleatoria normal de antenas.

16 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Etapa 3
Resultado similar a NRA, pero las curvas se levantan antes.
Porcentaje reconstrucciones exitosas (%)

PRE v/s uv coverage eff, URA, umbral: 0.1 , BP

100
Db8
Db4
Coif3
DCT

90
80
70
60
50
40
30
20
10
0
0

10

15

20

25

30

35

40

45

uv coverage (%)

Figura 12: Probabilidad de reconstrucci

on exitosa versus tasa de
mediciones para disposici
on aleatoria uniforme de antenas.

17 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Etapa 3
M
N

= 0.1

M
N

= 0.2

M
N

= 0.3

M
N

= 0.4

Original

Figura 13: Reconstrucciones obtenidas con base Daubechies 4. Primera

fila: VLA. Segunda fila: selecci
on aleatoria uniforme de frecuencias.
Tercera fila: NRA. Cuarta fila: URA.

18 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Etapa 4
Analisis de compresibilidad.
Comparar con decaimiento en potencia (power law ).
|ck | C1 iq ,

C1 , q > 0

(5)

Decaimiento coeficientes segn base de sparsidad , ALMA2

12
DCT
db4
db8
coif3
sym4

Mdulo coeficientes |ck|

10

0
0

100

200

300

400

500

600

700

800

900

1000

Figura 14: Decaimiento m

odulo coeficientes para distintas bases.
19 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Etapa 4
Compresible con k << n coeficientes si existen constantes
C2 , r > 0 (dependen solo de C1 , q) tal que:
k (x)2 C2 k r

(6)

Error de aproximacin v/s coeficientes significativos , ALMA2

0.18
DCT
db4
db8
coif3
sym4

Error de aproximacin |xxr|/|x|

0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
0

10

20

30

40

50

60

70

80

Porcentaje coeficientes significativos (%)

Figura 15: Error de aproximaci

on considerando los coeficientes mas
significativos, para distintas bases.
20 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Trabajo futuro
Analizar influencia de angulo horario h en la mascara de
medicion.
Analizar artefactos en reconstrucciones debido a disposicion
de antenas.
Incorporar al problema informaci
on a priori sobre la se
nal.
Model-Based CS (Misra,Parilo, 2015).
Estudiar muestreo estructurado o pseudoaleatorio en CS
(Nam Yul Yu, 2013) (Haupt, Applebaum, 2010).
RIPless CS (Candes, 2010).
StRIP o Statistical RIP (Barg, Mazumdar, 2015).
Considerar rotacion terrestre.
21 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Referencias I
[1] Barg, A., Mazumdar, A., and Wang, R.
Restricted isometry property of random subdictionaries.
Information Theory, IEEE Transactions on 61, 8 (2015), 44404449.
[2] Candes, E. J., and Plan, Y.
A probabilistic and ripless theory of compressed sensing.
Information Theory, IEEE Transactions on 57, 11 (2011), 72357254.
[3] Combettes, P. L., and Pesquet, J.-C.
A douglasrachford splitting approach to nonsmooth convex variational
signal recovery.
Selected Topics in Signal Processing, IEEE Journal of 1, 4 (2007), 564574.
[4] Eldar, Y. C., and Kutyniok, G.
Compressed sensing: theory and applications.
Cambridge University Press, 2012.
22 / 22

Motivaci
on

Descripci
on del problema

Metodologa

Resultados

Trabajo futuro

Referencias

Referencias II
[5] Haupt, J., Applebaum, L., and Nowak, R.
On the restricted isometry of deterministically subsampled fourier matrices.
In Information Sciences and Systems (CISS), 2010 44th Annual Conference
on (2010), IEEE, pp. 16.
[6] Misra, S., and Parrilo, P. A.
Weighted l1 -minimization for generalized non-uniform sparse model.
Information Theory, IEEE Transactions on 61, 8 (2015), 44244439.
[7] Thompson, A. R., Moran, J. M., and Swenson Jr, G. W.
Interferometry and synthesis in radio astronomy.
John Wiley & Sons, 2008.
[8] Yu, N. Y., and Li, Y.
Deterministic construction of fourier-based compressed sensing matrices
using an almost difference set.
EURASIP Journal on Advances in Signal Processing 2013, 1 (2013), 114.
23 / 22