Global Vision Media Focus
L'entreprise a été présentée sur les chaînes de vidéosurveillance à 15 reprises, et sa diffusion via les médias du Parti, les médias centraux et les médias officiels locaux a touché un total de 50 millions de personnes.
« Contamination cachée » dans les signaux d’interférence : impact et méthodes d’élimination de la dérive de la ligne de base
Introduction générale
Dans les systèmes d'imagerie interférométrique pratiques, on se concentre souvent sur la transformée de Fourier et les algorithmes de reconstruction spectrale, en négligeant parfois un aspect plus fondamental : la pureté du signal d'interférence initial. Idéalement, le signal d'interférence correspondant à chaque pixel devrait osciller symétriquement autour de zéro, son énergie étant principalement concentrée dans les franges d'interférence. Cependant, dans les systèmes réels, cet état idéal est rarement atteint. Le signal initial contient souvent une composante de tendance à variation lente, ce qui provoque une pente ascendante ou descendante sur la courbe d'interférence, comme illustré sur la figure 1. Cette composante de tendance, lente mais non négligeable, est appelée la ligne de base.
Figure 1. Signal interférométrique original (avec ligne de base)
Bien que la ligne de base puisse sembler être un « léger décalage », son impact est amplifié lors des traitements ultérieurs. En particulier lors des transformées de Fourier, cette tendance aux basses fréquences se traduit par de fortes composantes basses fréquences, contaminant l'ensemble de la structure spectrale et affectant potentiellement toute la gamme spectrale par fuite spectrale. Ceci augmente non seulement le niveau de base spectral, mais peut également introduire des pics parasites, conduisant finalement à une distribution spectrale distordue. Autrement dit, ce que nous percevons souvent comme un « mauvais algorithme de reconstruction » est en réalité un problème qui survient avant même que le signal ne subisse la transformée de Fourier. Par conséquent, avant toute analyse spectrale, la question principale ne devrait pas être « comment reconstruire », mais plutôt comment éliminer ce type de contamination basse fréquence dissimulée dans le signal.
Les méthodes courantes de correction de la ligne de base comprennent actuellement le filtrage différentiel, le filtrage différentiel adaptatif (ADF), la décomposition modale empirique (EMD) et l'ajustement polynomial, avec les caractéristiques suivantes :
En pratique, on constate que si chacune de ces méthodes présente des avantages, il est difficile d'obtenir simultanément efficacité de calcul et stabilité du traitement. Le filtrage différentiel, bien que rapide, tend à amplifier le bruit. Si l'ADF et l'EMD améliorent la précision dans une certaine mesure, leur complexité de calcul et leur temps de calcul les rendent inadaptés au traitement de données à grande échelle. En revanche, l'approximation polynomiale, tout en conservant un certain niveau de précision, permet un traitement rapide grâce au précalcul matriciel, réduisant considérablement la charge de calcul. En ingénierie, elle offre un meilleur compromis entre vitesse de traitement, efficacité de calcul et précision relative, ce qui en fait un choix plus judicieux.
Principes techniques
Pour supprimer la ligne de base, il faut d'abord modéliser le signal d'interférence de manière simple et intuitive. Pour chaque pixel, le signal peut être considéré comme composé de deux parties : une tendance de fond évoluant lentement et des franges d'interférence oscillant rapidement.
Y = L + S
Dans la plupart des applications d'ingénierie, la ligne de base peut être approximée par une tendance additive basse fréquence. Ici, Y représente le signal original, L la ligne de base et S les interférences réelles. Notre objectif est d'extraire L de Y, puis de la soustraire pour obtenir le signal propre S. La question essentielle est : comment décrire cette ligne de base L ? Dans les systèmes réels, les variations de la ligne de base sont généralement lentes et progressives ; elles peuvent donc être approximées par un polynôme de faible degré, par exemple :
L(x) ≈ a0 + a1*x + a2*x^2 + ... + an*x^n
L'essence de cette étape est d'utiliser une « fonction simple » pour décrire les tendances basse fréquence dans un système complexe.
Ensuite, il faut ajuster au mieux ce polynôme au signal original. La méthode la plus courante est l'ajustement par moindres carrés, dont l'objectif est simplement de rapprocher au maximum L de Y. Dans les approches traditionnelles, cette étape nécessite des calculs d'ajustement individuels pour chaque pixel, ce qui devient très lent lorsque le volume de données est important. Cependant, dans les applications pratiques, ce processus peut être optimisé en une seule opération. Lorsque le nombre de points d'échantillonnage de l'interférogramme est identique pour tous les pixels, une matrice fixe P peut être précalculée, transformant ainsi l'ajustement en une simple opération matricielle.
L = P * Y
Ainsi, quel que soit le nombre de pixels, la même valeur P peut être utilisée directement pour extraire la ligne de base, ce qui améliore considérablement la vitesse de traitement. Le processus de suppression de la ligne de base devient alors très simple :
S = Y – L
Contrairement au filtrage direct, cette méthode ne se contente pas de « couper certaines fréquences ». Elle modélise et isole la ligne de base, préservant ainsi la structure détaillée des franges d'interférence tout en éliminant les tendances. De plus, comme la matrice P n'a besoin d'être calculée qu'une seule fois, cette méthode est à la fois stable et efficace pour le traitement de données à grande échelle, ce qui la rend idéale pour les applications d'ingénierie. En pratique, il convient de prêter attention aux erreurs aux limites d'ajustement ; généralement, une stratégie de pondération ou la conservation de la seule région d'interférence efficace peuvent être employées.
Analyse des résultats
En pratique, lors du traitement des données, les changements avant et après la suppression de la ligne de base sont facilement observables. Le signal d'interférence initial présente généralement une tendance générale claire : qu'il s'agisse d'une montée linéaire ou d'une légère inflexion, il perturbe la symétrie initiale du signal. Après ajustement polynomial et projection, cette tendance basse fréquence est efficacement éliminée et le signal retrouve son oscillation autour de zéro, ce qui permet d'obtenir une structure de franges d'interférence plus nette. Pour illustrer ce processus plus clairement, les résultats comparatifs suivants du signal d'un pixel unique avant et après traitement sont présentés :
Figure 2. Comparaison de la suppression de la ligne de base d'un seul pixel d'origine avant et après.