• compressed sensing
• isar
• omp2d
• orthogonal matching pursuit
• polarimetric
• polarimetrici
• sparse recovery

Versione Italiana:
Dopo aver introdotto i concetti alla base del Compressed Sensing, ed averne enunciato alcune delle possibili applicazioni, in particolare in ambito Imaging Radar, l’attenzione viene posta sullo studio di un sistema CS ISAR di tipo polarimetrico. Le Immagini ISAR di un bersaglio sono infatti quasi sempre sparse alle risoluzioni comunemente utilizzate.
In particolare viene affrontato il problema di estendere le tecniche di CS presenti in letteratura al caso in cuVersione Italiana:
ABSTRACT: Dopo aver introdotto i concetti alla base del Compressed Sensing, ed averne enunciato
alcune delle possibili applicazioni, in particolare in ambito Imaging Radar,
l’attenzione viene posta sullo studio di un sistema CS ISAR di tipo polarimetrico.
In questo documento viene proposta un’estensione delle tecniche CS presenti in letteratura
al caso in cui si abbiano a disposizione più canali polarimetrici. L’obiettivo
principale, in fase di ricostruzione, è quello di sfruttare al massimo l’informazione
disponibile. Vogliamo quindi che i dati acquisiti da ciascun canale aiutino anche il
processo di ricostruzione degli altri.
L’idea alla base dell’approccio proposto sfrutta il fatto che il dominio su cui il
segnale è sparso è comune a tutti i canali polarimetrici. L’algoritmo sviluppato deriva
da una modifica dell’Orthogonal Matching Pursuit, riadattato al caso di segnali
2D, ed esteso allo scopo di gestire l’informazione proveniente da tutti i canali polarimetrici
in modo simultaneo. Dopo aver descritto l’algoritmo dal punto di vista
teorico sono state effettuate delle simulazioni, mettendo a confronto le prestazioni
ottenute dagli algoritmi che elaborano i dati acquisiti dai singoli canali polarimetrici
in modo indipendente (effettuando una eventuale fusione dei risultati solo a valle
della ricostruzione), e un algoritmo che elabora sin da subito i dati acquisiti da tutti
i canali polarimetrici. I risultati mostrano come l’algoritmo proposto si comporti
meglio degli altri, sia in termini di errore quadratico medio tra la scena ricostruita
e quella reale, sia in termini di Missed Scatterers e False Scatterers. Emerge inoltre
come questo sia molto più robusto, sia rispetto ad un aumento del rumore nelle
misure, sia rispetto ad un aumento di scatteratori nella scena considerata.

English Version:
ABSTRACT: After having introduced the concepts upon which the Compressed Sensing is based, and some of their possible applications, in particular with regard to Imaging Radar, the attention is posed on the study of a polarimetric CS ISAR system. As a matter of fact, the ISAR images of a target are almost always sparse at the resolutions that are tipically used.
In detail, we face the problem of extending the existing CS techniques to the case multi-polarimetric channels . The main aim is the exploitation of a great part of the available information during the reconstruction stage, so that, the data obtained from each channel helps the process of reconstruction of the others. The idea backing the suggested approach exploits the fact that the domain where the signal is sparse is common to all the polarimetric channels. The developped algorithm derives from a modification of the Orthogonal Matching Pursuit, which is re-adapted to the case of 2D signals, and extended for the purpose of managing, at the same time, the info coming from all the polarimetric channel.
After outliving a theoric definition of the procedure, some simulations are carried out to compare the performances that are obtained by processing each single polarimetric channel and by matching the results only after the reconstruction, and the algorithm that processes all the polarimetric channels simultaneaously. The results obtained in such a way show a remarkable improvement when processing the full polarmetric information, both in terms of mean square error between the reconstructed scene and the real scene, and in terms of Missed Scatterers and False Scatterers.