İşlenmemiş yapay açıklıklı radar verilerinin sıkıştırılması

Abstract

Yapay Açıklıklı Radar, yer yüzeyinin görüntülenmesini sağlayan uzaktan algılama sistemidir. YAR verilerinin işlenmesi sonucunda çok farklı uygulamalar için veriler elde edilir. Bununla birlikte YAR yardımıyla geniş alanların görüntülenmesi sonucu elde edilen veriler oldukça büyük miktardadır. Bu ölçüde büyük verilerin iletilmesi için gerekli olan link hızı çoğu zaman başanlamayabilir. Bu yüzden işlenmemiş YAR verilerinin sıkıştırılması gerekir. Sadece işlenmemiş YAR verilerinin iletilmesi için değil, aym zamanda bu verilerin uzaktan algılama yer istasyonlarında arşivlenmesi için de sıkıştırma algoritmalarına ihtiyaç duyulur. YAR sensörü tarafından alınan analog işaret ilk olarak IF frekanslarına indirilir ve daha sonra da temel bandda aym fazda (I) ve 90 derece faz farklı (Q) kanallarına ayrıştırılır, Nyquist frekansında örneklenir ve sayısallaştırılır. Sayısal işaret, işaret işlemenin yapılacağı yer istasyonuna gerçek zamanda iletilmelidir. Aşağı link data hızı, darbe tekrarlama frekansı, alınan darbeler için örnekleme frekansı ve her bir örnek için kullanılan kod sözcülerinin uzunluğuna bağlıdır. Sonuç olarak aşağı link data hızı oldukça yüksek gerçekleşir. Örnek olarak ERS-1 için bu hız 105 Mbit/s'dir. Uçaklara yerleştirilmiş YAR sensörleri için aşağı link iletim band genişliği sınırlaması olmadığından alman işaret 8 Bitle kuantalanır. Alman işlenmemiş YAR verilerinin 8 Bitle kodlanması işlenmemiş YAR verilerinin tüm dinamik aralığının gösterilmesini sağlar. Data sıkıştırma uydu YAR sensörlerinde, uyduda geçici olarak verilerin saklanması, uydudan yer istasyonuna olan aşağı link data hızının azaltılması ve yer istasyonunda verilerin arşivleme amacıyla kaydedilmesi için önemli bir ihtiyaçtır. vm İşlenmemiş YAR verilerinin sıkıştırılması için konumsal uzayda ve dönüşüm uzayında olmak üzere genelllikle iki farklı kodlama tekniği kullanılır. Konumsal uzayda en iyi bilinen sıkıştırma tekniği Blok Adaptif Kuantalamadır. İşlenmemiş YAR verilerinin istatistiksel özelliklerinden yararlanarak uygun sıkıştırma teknikleri geliştirilebilir. Blok Adaptif Kuantalama algoritması (BAQ) işlenmemiş YAR verisinin aynı fazda I ve 90 derece faz farklı Q bileşenlerinin istatiksel özelliklerinden yararlanılarak gerçekleştirilir. İşlenmemiş YAR I ve Q bileşenleri gauss dağılımlı ve bilinmeyen varyanslıdır. Bu istatiksel özelliklerden yararlanarak oluşturulacak kuantalayıcımn eşikleri standart sapmaya bağlı olarak belirlenir. Her bir blok için bulunan standart sapma alıcı tarafta kod şemasının tekrar oluşturulması amacıyla 8 Bitle kodlanarak gönderilir. İletilen standart sapma değerlerine bağlı olarak her bir blok için kod şeması belirlenir. BAQ algoritması özetle işlenmemiş YAR verisini alt bloklara bölerek her bir blok için kuantalama hatasım minimize edecek şekilde verilerin olasılık yoğunluk fonksiyonları yardımıyla kodlanmasını sağlar Bu kuantalama yaklaşımıyla az sayıdaki kuantalama seviyesi için kuantalayıcı çıkışında daha geniş bir dinamik aralık sağlanır. Sonuç olarak işaret gücünün dinamik aralığı tek blok için tüm dataya göre daha dar olur. Bu algoritma için en önemli noktalardan biri blok boyutunun seçimidir. Blok boyutu, blok içinde gauss dağılımım sağlaması için yeteri kadar büyük olmalıdır. Ayrıca işaret gücünün blok içinde menzil zayıflaması etkilerinden kaçınmak için ise yeterince küçük seçilmelidir. ıx Sıkıştırma algoritmasının ilişkisizlendirme aşaması dönüşüm domeninde gerçekleştirilir. Etkin bir veri sıkıştırma işlemi için dönüşümün bazı özellikleri aşağıdaki gibi olmalıdır.. Ortogonal serilere açılım yardımıyla elde edilen dönüşüm katsayıları birbirleriyle ilişkisiz olmalıdır.. Dönüşüm uzayında katsayıların enerjileri belli bir bölgede yoğunlaşmalıdır.. Hızlı bilgisayar algoritmalarına sahip lineer dönüşümler kullanılmalıdır. Dönüşüm domeninde dönüşüm katsayıları gauss dağılımına uyuyorsa, dönüşüm sonrası BAQ uygulanabilir. Bu çalışmada dönüşüm olarak Ayrık Kosinüs Dönüşümü seçilmiştir. Hızlı algoritması ve reel katsayıları DCT ile işlemi cazip kılar. Bununla birlikte, DCT dönüşüm domeninde enerji yoğunlaşmasını gayet başarılı bir şekilde gerçekleştirir. İşlenmemiş YAR verisi için dönüşüm katsayılarını dinamik aralığı oldukça yüksek olduğu görülür. Dönüşüm sonrası BAQ uygulamak için dinamik aralığın azaltılması gerekir. Dinamik aralığın azaltılmasıiçin bu tezde her bir blok için DCT katsayılarının DC bileşenlerinin standart sapmayla birlikte 8 Bitle ayrı kodlanması yöntemi geliştirilmiştir. DC bileşen yerine sıfır eklenerek oluşan dinamik aralığı azaltılmış yeni veri kümesi BAQ yardımıyla kodlanmıştır. Karşı tarafta yeniden elde edilen veri kümelerinde sıfır eklenen datanın yerine DC bileşen yerleştirilir ve ters dönüşüm yardımıyla işlenmemiş YAR verisi alıcı tarafta tekrar elde edilir.Dönüşüm domeninde DCT-BAQ ile BAQ'ya göre yaklaşık 10 dB'lik daha iyi işaret gürültü oram elde edilmiştir. Sekil l'de İşlenmemiş YAR verisi I ve Q Bileşenleri için BAQ ve DCT-BAQ algoritmaları SNR performans analizi blok boyutuna bağlı gösterilmiştir. Şekil 2' de ise blok boyutuna bağlı sıkıştırma oranın değişimi gösterilmiştir. SAR raw data I and Q components m z -m- DCT-BAQ I ?*«- DCT-BAQ Q -?-BAQ I -*-BAQ Q Şekil 1 İşlenmemiş YAR verisi I ve Q Bileşenleri için Blok Boyutuna Bağlı SNR Performansı Şekil 2 Blok Boyutuna Bağlı Sıkıştırma Oram

Is a remote sensing system, which is used for earth observation. There are several applications of SAR data is used for observation systems. The developments of advanced SAR systems for earth observation from satellite, offers flexible microwave sensors, capable of multiple imaging modes and resolutions. These features together with the wide swath requirements, determines the production of a huge amount of data. The amount of produced data is constrained by storage and downlink bandwidth. Additional we need to use SAR raw data compression not only the down link requirements but also at the remote sensing ground stations for archiving and transmitting raw data to the end users. To manage this problem, many efforts have been taken place in order to develop suitable compression techniques for raw data coding. The analog signal received by SAR sensor is generally treated as follows. First it is heterodyned to an intermediate frequency, then it is demodulated to baseband in- phase (I) and in-quadrature (Q) channels, sampled according to the Nyquist rate and finally it digitized. The digital signal may be stored onboard and eventually downlinked to the Earth station where processing is made. For continuous operations the downlink must be in real time The data rate is proportional to the pulse repetition frequency, to the sampling rate for each received pulse, and to the number of quantization bits for each sample. The resulting rate is generally very high. For example 105 Mbit/s for ERS-1 mission. For airborne SAR sensors, which do not have to meet restrictions imposed by downlink transmission bandwidths, often quantize the received signal to 8 Bit. This is sufficient to represent the full dynamic range of SAR raw data. xn Data compression is an essential requirement for spaceborn SAR sensors to reduce the data volume that must be temporarily stored onboard, transmitted from satellite to ground station, and then stored on the ground. For SAR raw data compression, two encoding approaches are generally used. Direct encoding in spatial domain and transform encoding in transform domain. A well-known spatial domain compression technique is based on Block Adaptive Quantization (BAQ). The BAQ algorithm is based on the observation that SAR raw data can be modelated as a Gaussian distributed random variable with a slowly varying standard deviation value. BAQ encoding is implemented by dividing the SAR raw data set into data blocks of small size and by estimating, for each block, the standard deviation value. Following this step each sample within the block is normalized to the estimated standard deviation value. Finally, the normalized sample is compared to the optimum quantization levels of an n bit quantizer with unitary standard deviation. The quantized samples and the standard deviation of each block are transmitted to allow data decoding. The chosen number n bits depend on the system data rate constraints. This quantization approach achieves, for the small number of quantization levels, a wider dynamic range at the quantizer output than simple truncating of data. The reason is that dynamic range of the signal power for a single block is much less than that of the overall data A delicate point of the algorithm is represented by the proper selection of block size dimension. Block size can not be too small to guarantee the Gaussian statistics within the block, but not too large to avoid the effect of the antenna pattern modulation and of the range attenuation of the signal power within the block. Xlll Using Transform domain for data compression is the decorrelation stage of the compression algorithm. For efficient data compression process the transform should be:. Orthogonal series expansions as it provide series of coefficients, which are uncorrelated.. Unitary as it preserves the signal energy and pack most of the information into a smallest number of them. Linear as it offers a fast computer algorithm. In this study we chose Discrete Cosine Transform (DCT) for SAR raw data compression. DCT is a fast transform, requires real operations, near optimal substitute for the Karhunen -Loeve (KL) transform for highly correlated images. Low complexity arithmetic and has very good energy compaction. In transform domain if the transform coefficients are Gaussian distributed, BAQ can be used for data quantization. Transform domain, coefficients have high dynamic range, because of this the performans of the compression is reduced. For reduction of dynamic range we can code DC component of the transform coefficients with 8 Bits for each block and transmit standard deviation and DC component separately. We code DC component separately and rest of the transform coefficients are Gaussian distributed. BAQ is used for rest of the transform coefficients. In Figure 1 we can see SNR performance of both BAQ and DCT-B AQ algorithm for I and Q components of SAR raw data versus block size. Compression ratio versus block size is shown for both algorithms in Figure 2. xiv Figure 1 SNR performance of both BAQ and DCT-B AQ algorithm for I and Q components of SAR raw data versus block size. o 4.1 3.9 3.8 3.7 3.6 3.5 3.4 3.3 Compression Ratio Versus Block Size -W- ?BAQ ?DCT-BAQ 8x8 16x16 32x32 64x64 128x128 Block Size Figure 2 Compression ratio versus block size