Global Vision Media Focus
Das Unternehmen wurde insgesamt 15 Mal im chinesischen Staatsfernsehen CCTV erwähnt und erreichte über Parteimedien, zentrale Medien und lokale offizielle Medien insgesamt 50 Millionen Menschen.
„Versteckte Verunreinigungen“ in Störsignalen: Auswirkungen und Beseitigungsmethoden der Basislinienverschiebung
Hintergrund Einführung
In praktischen interferometrischen Bildgebungssystemen konzentrieren wir uns oft auf die Fourier-Transformation und die Algorithmen zur Spektralrekonstruktion und übersehen dabei leicht ein grundlegenderes Problem: die Frage, ob das ursprüngliche Interferenzsignal selbst „sauber“ ist. Idealerweise sollte das Interferenzsignal jedes Pixels symmetrisch um Null oszillieren, wobei seine Energie hauptsächlich in den effektiven Interferenzstreifen konzentriert ist. In realen Systemen tritt dieser Idealzustand jedoch fast nie ein. Das ursprüngliche Signal enthält oft einen sich langsam ändernden Trendterm, der dazu führt, dass die gesamte Interferenzkurve einen allgemeinen Anstieg oder Abfall aufweist, wie in Abbildung 1 dargestellt. Dieser sich langsam ändernde, aber nicht zu vernachlässigende Trendterm wird als Basislinie bezeichnet.
Abbildung 1. Ursprüngliches interferometrisches Signal (mit Basislinie)
Obwohl die Basislinie nur als geringfügige Abweichung erscheinen mag, verstärkt sich ihr Einfluss bei der nachfolgenden Signalverarbeitung. Insbesondere bei Fourier-Transformationen führt diese Tendenz zu niedrigen Frequenzen zu starken niederfrequenten Komponenten, die die gesamte Spektralstruktur verfälschen und potenziell den gesamten Spektralbereich durch spektrale Leckage beeinflussen. Dies erhöht nicht nur den spektralen Grundpegel, sondern kann auch unerwünschte Spitzen erzeugen und letztendlich zu einer verzerrten spektralen Energieverteilung führen. Anders ausgedrückt: Was wir oft als „schlechten Rekonstruktionsalgorithmus“ wahrnehmen, ist in Wirklichkeit ein Problem, das bereits vor der Fourier-Transformation des Signals auftritt. Daher sollte vor jeder Spektralanalyse die Hauptfrage nicht die Rekonstruktion selbst sein, sondern vielmehr die Entfernung dieser Art von niederfrequenten Störungen im Signal.
Gängige Basiskorrekturverfahren umfassen derzeit die differentielle Filterung, die adaptive differentielle Filterung (ADF), die empirische Modenzerlegung (EMD) und die Polynomanpassung mit folgenden Eigenschaften:
In der Praxis zeigt sich, dass diese Methoden zwar jeweils ihre Vorteile haben, es jedoch schwierig ist, gleichzeitig hohe Recheneffizienz und Verarbeitungsstabilität zu erreichen. Differenzielle Filterung ist zwar schnell, neigt aber dazu, Rauschen zu verstärken. ADF und EMD verbessern zwar die Genauigkeit bis zu einem gewissen Grad, ihre Rechenkomplexität und der damit verbundene Zeitaufwand machen sie jedoch für die Verarbeitung großer Datenmengen ungeeignet. Im Gegensatz dazu ermöglicht die Polynomanpassung bei gleichbleibender Genauigkeit eine schnelle Verarbeitung durch Matrixvorberechnung und reduziert den Rechenaufwand erheblich. In der Ingenieurpraxis bietet sie ein besseres Gleichgewicht zwischen Verarbeitungsgeschwindigkeit, Recheneffizienz und relativer Genauigkeit und ist daher die geeignetere Wahl.
Technische Prinzipien
Um die Basislinie zu entfernen, müssen wir zunächst das Interferenzsignal auf einfache und intuitive Weise modellieren. Für jedes Pixel kann das Signal als aus zwei Teilen bestehend verstanden werden: einem sich langsam ändernden Hintergrundtrend und schnell oszillierenden Interferenzstreifen.
Y = L + S
In den meisten technischen Szenarien lässt sich die Basislinie als additiver Niederfrequenztrend annähern. Hierbei repräsentiert Y das Originalsignal, L die Basislinie und S die tatsächlichen Störinformationen. Unser Ziel ist es, L aus Y zu extrahieren und anschließend zu entfernen, um das saubere Signal S zu erhalten. Die zentrale Frage lautet: Wie lässt sich diese Basislinie L beschreiben? In praktischen Systemen verlaufen Basislinienänderungen üblicherweise gleichmäßig und langsam, sodass sie beispielsweise durch ein Polynom niedrigen Grades approximiert werden können:
L(x) ≈ a0 + a1*x + a2*x^2 + ... + an*x^n
Das Wesentliche an diesem Schritt ist die Verwendung einer „einfachen Funktion“ zur Beschreibung niederfrequenter Trends in einem komplexen System.
Als Nächstes muss dieses Polynom so genau wie möglich an das Originalsignal angepasst werden. Die gängigste Methode ist die Methode der kleinsten Quadrate, deren Ziel vereinfacht so verstanden werden kann, dass L so nah wie möglich an Y herangeführt wird. Bei herkömmlichen Ansätzen erfordert dieser Schritt individuelle Anpassungsberechnungen für jedes Pixel, was bei großen Datenmengen sehr zeitaufwändig wird. In technischen Implementierungen kann dieser Prozess jedoch in einem Schritt optimiert werden. Wenn die Anzahl der Abtastpunkte im Interferogramm für alle Pixel gleich ist, kann eine feste Matrix P vorab berechnet werden, wodurch die Anpassung zu einer einfachen Matrixoperation wird.
L = P * Y
Auf diese Weise kann unabhängig von der Pixelanzahl dasselbe P direkt zur Extraktion der Basislinie verwendet werden, was die Verarbeitungsgeschwindigkeit erheblich verbessert. Der Prozess der Basislinienentfernung wird dadurch sehr einfach:
S = Y – L
Im Vergleich zur direkten Filterung werden bei dieser Methode nicht einfach bestimmte Frequenzen abgeschnitten. Stattdessen wird die Basislinie modelliert und isoliert, wodurch die detaillierte Struktur der Interferenzstreifen besser erhalten bleibt, während gleichzeitig Trends entfernt werden. Da die Matrix P nur einmal berechnet werden muss, ist diese Methode bei der Verarbeitung großer Datenmengen stabil und effizient und somit ideal für technische Anwendungen. Bei der praktischen Verarbeitung sollten Fehler an den Anpassungsgrenzen beachtet werden; typischerweise kann eine gewichtete Strategie oder die Beibehaltung nur des effektiven Interferenzbereichs angewendet werden.
Ergebnisanalyse
In der praktischen Datenverarbeitung lassen sich die Veränderungen vor und nach der Basislinienkorrektur intuitiv beobachten. Das ursprüngliche Störsignal weist üblicherweise einen klaren Gesamttrend auf; sei es ein linearer Anstieg oder eine langsame Krümmung, die die ursprüngliche Symmetrie des Signals stört. Nach der Polynomanpassung und Projektionsverarbeitung wird dieser niederfrequente Trend effektiv entfernt, und das Signal oszilliert wieder um Null, was zu einer deutlicheren Interferenzstreifenstruktur führt. Um diesen Prozess besser zu veranschaulichen, werden im Folgenden die Vergleichsergebnisse des Einzelpixelsignals vor und nach der Verarbeitung dargestellt:
Abbildung 2. Vergleich der ursprünglichen Einzelpixel-Basislinienentfernung vor und nach der Entfernung.