""" MIMO GPR — coherent time-domain BackProjection ================================================= Эта ячейка полностью независима от верхнего эллипсного алгоритма: 1. загружает те же S21-данные; 2. строит oversampled A-сканы через тот же частотный сдвиг перед IFFT; 3. для каждой точки (x,z) вычисляет tau_ij = (Rtx + Rrx) / v; 4. интерполирует комплексный A-скан в этой задержке; 5. когерентно суммирует комплексные вклады всех Tx/Rx-пар с компенсацией geo·pattern. Это coherent BP: суммируются комплексные h_ij(tau), затем строится |sum h_ij|. """ import numpy as np import matplotlib.pyplot as plt from scipy.ndimage import gaussian_filter, label from pathlib import Path # ══════════════════════════════════════════════════════ # 0.1 ИЗМЕНЯЕМЫЕ ПАРАМЕТРЫ # ══════════════════════════════════════════════════════ INPUT_IDX = [0, 1, 2, 3] OUTPUT_IDX = [2, 3] # Частотный диапазон и глубинный gate оставлены в прошлой логике. F_START = 27 * 1e8 F_STOP = 6*1e9 MIN_DEPTH = 2.7 MAX_DEPTH = 15.0 # Данные и Вычитание среднего фона - как обычно BG_SUBTRACT = True BG_PATH = Path('/Users/ivan_root/Desktop/GPR data/20260422_for_Vanya/20260422_night/20260422_evening_scene_balvanka_z/preprocessed') DATA_PATH = Path('/Users/ivan_root/Desktop/GPR data/20260422_for_Vanya/20260422_night/20260422_evening_scene_balvanka_z/preprocessed/0002_id1_ns5952943855654') # Убрать паразитные боковые лепестки с 2D карты BP_REMOVE_SIDELOBE_OBJECTS = True # True: убрать SL-кандидаты из финальной таблицы и разметки # Компенсация затухания в этой версии разделена на 2 части: # range: геометрическое расхождение 1/(Rtx*Rrx) # angle: диаграмма направленности cos_tx^2 * cos_rx^2 COMP_RANGE_POWER = 0.28 # Можно менять свободно, текущее значение подобрано экспериментально COMP_ANGLE_POWER = 0.10 # Можно менять но лучше ставить не больше 0.25. Текущее значение подобрано нормально # ══════════════════════════════════════════════════════ # 0.2 КОНФИГИ АНТЕНН # ══════════════════════════════════════════════════════ # Физические координаты антенн по их реальным индексам, [м] - текущий конфиг TX_POSITIONS = { 2: -74.5 * 0.01, 3: 75.0 * 0.01, } RX_POSITIONS = { 0: 19.0 * 0.01, 1: 44.5 * 0.01, 2: -40.0 * 0.01, 3: -19.0 * 0.01, } # Вариант для теста на старых конфигурациях # TX_POSITIONS = {0: 90.5*0.01, # Tx с индексом 0 → x = +0.9 м # 3: -90.5*0.01} # Tx с индексом 3 → x = -0.9 м # RX_POSITIONS = {0: -18*0.01, # 1: 48.5*0.01, # 2: -49.0*0.01, # 3: 18.5*0.01} # ══════════════════════════════════════════════════════ # 0.3 НЕИЗМЕНЯЕМЫЕ ПАРАМЕТРЫ (ЛУЧШЕ НЕ ТРОГАТЬ) # ══════════════════════════════════════════════════════ eps_r = 1.0 v = 3e8 / np.sqrt(eps_r) x_tx = np.array([TX_POSITIONS[i] for i in sorted(TX_POSITIONS)]) x_rx = np.array([RX_POSITIONS[j] for j in sorted(RX_POSITIONS)]) # Сетка BP-карты x_min, x_max = x_tx.min() - 2.0, x_tx.max() + 2.0 z_min, z_max = 0.1, MAX_DEPTH NX_BP = 300 NZ_BP = 300 # Oversampling A-сканов: искусственно повышает плотность точек по t, но не физическое разрешение. BP_OVERSAMPLE = 8 # Компенсация ослабления разделена на две части: # range: геометрическое расхождение 1/(Rtx*Rrx) # angle: диаграмма направленности cos_tx^2 * cos_rx^2 # Компенсация нормируется на точку под виртуальным центром пары на глубине COMP_REF_DEPTH. COMP_RANGE_WEIGHT_MAX = 5.0 COMP_ANGLE_WEIGHT_MAX = 2.0 COMP_WEIGHT_MAX = 8.0 # общий финальный потолок после перемножения range*angle COMP_REF_DEPTH = 3.0 # Сглаживание только для удобства поиска/визуализации максимума. BP_SMOOTH_SIGMA = 1.5 # Параметры поиска объектов на BP-карте. MAX_OBJECTS = 10 BP_OBJECT_MIN_FRAC = 0.35 # остановка: пик ниже этой доли от глобального максимума BP_REGION_THRESH_FRAC = 0.75 # область объекта: связная область выше этой доли от локального пика BP_SUPPRESS_THRESH_FRAC = 0.2 # подавление: более широкая связная область вокруг найденного пика BP_SUPPRESS_USE_WINDOW = True # False: подавляыть всю связанную область; True: ограничить окно вокруг пика BP_SUPPRESS_RX_CM = 80.0 # используется только если BP_SUPPRESS_USE_WINDOW=True BP_SUPPRESS_RZ_CM = 40.0 # используется только если BP_SUPPRESS_USE_WINDOW=True BP_MIN_REGION_AREA_CM2 = 10.0 # отсечение совсем мелких шумовых пятен # Компактный центроид вокруг локального максимума, устойчивее центроида всей вытянутой области. BP_CENTER_USE_COMPACT = True BP_CENTER_RX_CM = 60.0 BP_CENTER_RZ_CM = 25.0 BP_CENTER_THRESH_FRAC = 0.88 BP_CENTER_WEIGHT_POWER = 2.0 # Диагностика боковых лепестков coherent BP. BP_SIDELOBE_DETECT = True BP_SIDELOBE_RANGE_RMS_TOL_CM = 20.0 # RMS-разница бистатических глубин по всем парам BP_SIDELOBE_MIN_DX_CM = 35.0 # боковой лепесток должен быть заметно смещен по X BP_SIDELOBE_MAX_DZ_CM = 70.0 # но находиться примерно на той же глубине BP_SIDELOBE_MAX_REL_PEAK = 0.85 # кандидат должен быть слабее родительского максимума # ══════════════════════════════════════════════════════ # 1. ЗАГРУЗКА ДАННЫХ # ══════════════════════════════════════════════════════ def load_mimo_data(data_path, input_idx, output_idx): data_path = Path(data_path) s21_data = {} freq_data = {} for f in data_path.glob('i*_o*_s21.npy'): name = f.stem parts = name.split('_') i_tx_phys = int(parts[1][1:]) i_rx_phys = int(parts[0][1:]) if i_tx_phys not in output_idx or i_rx_phys not in input_idx: continue i_tx = sorted(output_idx).index(i_tx_phys) i_rx = sorted(input_idx).index(i_rx_phys) s21_data[(i_tx, i_rx)] = np.load(f) freq_file = data_path / f'i{i_rx_phys}_o{i_tx_phys}_freq.npy' freq_data[(i_tx, i_rx)] = np.load(freq_file) return s21_data, freq_data def compute_background(bg_path, input_idx, output_idx): bg_path = Path(bg_path) snapshots = [s for s in sorted(bg_path.glob('*/')) if s.is_dir()] if len(snapshots) == 0: print('Фоновые снимки не найдены, BG_SUBTRACT отключен.') return None print(f'Вычисление фона по {len(snapshots)} снимкам...', end=' ', flush=True) bg_sum = {} bg_count = {} for snap_dir in snapshots: for f in snap_dir.glob('i*_o*_s21.npy'): name = f.stem parts = name.split('_') i_tx_phys = int(parts[1][1:]) i_rx_phys = int(parts[0][1:]) if i_tx_phys not in output_idx or i_rx_phys not in input_idx: continue i_tx = sorted(output_idx).index(i_tx_phys) i_rx = sorted(input_idx).index(i_rx_phys) key = (i_tx, i_rx) s21 = np.load(f) if key not in bg_sum: bg_sum[key] = np.zeros_like(s21, dtype=np.complex128) bg_count[key] = 0 bg_sum[key] += s21 bg_count[key] += 1 bg = {key: bg_sum[key] / bg_count[key] for key in bg_sum} print(f'готово. Пар: {len(bg)}') return bg s21_data, freq_data = load_mimo_data(DATA_PATH, INPUT_IDX, OUTPUT_IDX) N_tx = len(OUTPUT_IDX) N_rx = len(INPUT_IDX) N_pairs = len(s21_data) assert len(x_tx) == N_tx, f'x_tx должен содержать {N_tx} элементов' assert len(x_rx) == N_rx, f'x_rx должен содержать {N_rx} элементов' assert N_pairs > 0, 'Не найдено ни одной Tx/Rx-пары. Проверьте DATA_PATH.' if BG_SUBTRACT: background = compute_background(BG_PATH, INPUT_IDX, OUTPUT_IDX) if background is None: BG_SUBTRACT = False else: background = None print('BG_SUBTRACT = False, вычитание фона отключено.') first_key = list(freq_data.keys())[0] freqs = freq_data[first_key] freq_mask = (freqs >= F_START) & (freqs <= F_STOP) freqs_bp = freqs[freq_mask] if len(freqs_bp) < 2: raise ValueError('В выбранном частотном диапазоне меньше двух точек.') f_min = float(freqs_bp[0]) f_max = float(freqs_bp[-1]) BW = f_max - f_min df_values = np.diff(freqs_bp) df_median = float(np.median(df_values)) df_min = float(np.min(df_values)) df_max = float(np.max(df_values)) df_rel_spread = (df_max - df_min) / (df_median + 1e-30) range_resolution = v / (2 * BW) unambiguous_depth = v / (2 * df_median) unambiguous_total_path = v / df_median # print(f'Загружено пар Tx/Rx: {N_pairs}') # print(f'Частотный диапазон BP: {f_min/1e9:.3f} - {f_max/1e9:.3f} ГГц') # print(f'Точек частоты в BP-диапазоне: {len(freqs_bp)}') # print(f'Шаг частоты df: median={df_median/1e6:.3f} МГц, ' # f'min={df_min/1e6:.3f} МГц, max={df_max/1e6:.3f} МГц') # print(f'Неравномерность df: {(df_rel_spread*100):.3f}% от median') # print(f'Полоса B: {BW/1e9:.3f} ГГц') # print(f'Теоретический предел разрешения по глубине deltaZ = {range_resolution*100:.2f} см') # print(f'Unambiguous range по глубине = {unambiguous_depth:.2f} м ' # f'(max total path = {unambiguous_total_path:.2f} м)') # print(f'BP_OVERSAMPLE = {BP_OVERSAMPLE}') # ══════════════════════════════════════════════════════ # 2. OVERSAMPLED A-СКАНЫ # ══════════════════════════════════════════════════════ def compute_ascan_bp(s21, freq, f_start, f_stop, window=True, oversample=8): """ S21(f) -> A-скан с правильным частотным сдвигом и oversampling. Частотный шаг df остается тем же, а n_fft увеличивается в oversample раз. Поэтому временная сетка становится плотнее: dt = 1 / (n_fft * df). """ mask = (freq >= f_start) & (freq <= f_stop) freq_cut = freq[mask] s21_cut = s21[mask] if len(freq_cut) < 2: raise ValueError('После обрезки по частоте осталось меньше двух точек.') df = float(np.median(np.diff(freq_cut))) n = len(freq_cut) k0 = int(round(freq_cut[0] / df)) min_len = 2 * (k0 + n - 1) n_fft_base = 1 << int(np.ceil(np.log2(min_len))) n_fft = int(n_fft_base * oversample) dt = 1.0 / (n_fft * df) t_sec = np.arange(n_fft, dtype=float) * dt s = s21_cut * np.hanning(n) if window else s21_cut.copy() H = np.zeros(n_fft, dtype=np.complex128) H[k0:k0 + n] = s h_complex = np.fft.ifft(H) a_abs = np.abs(h_complex) return t_sec, a_abs, h_complex, n_fft_base, n_fft # print('Вычисление oversampled A-сканов...', end=' ', flush=True) A_bp = {} H_bp = {} T_bp = {} Z_bp = {} n_fft_info = {} for (i, j), s21 in s21_data.items(): s21_proc = s21.copy() if BG_SUBTRACT and background is not None and (i, j) in background: s21_proc = s21_proc - background[(i, j)] t_pair, a_pair, h_pair, n_fft_base, n_fft = compute_ascan_bp( s21_proc, freq_data[(i, j)], f_start=F_START, f_stop=F_STOP, oversample=BP_OVERSAMPLE, ) T_bp[(i, j)] = t_pair Z_bp[(i, j)] = t_pair * v / 2 A_bp[(i, j)] = a_pair H_bp[(i, j)] = h_pair n_fft_info[(i, j)] = (n_fft_base, n_fft) z_h_bp = Z_bp[first_key] t_h_bp = T_bp[first_key] # print('готово.') # print(f'dt = {(t_h_bp[1] - t_h_bp[0])*1e12:.2f} пс') # print(f'dz_sample = {(z_h_bp[1] - z_h_bp[0])*100:.3f} см') # ══════════════════════════════════════════════════════ # 3. TIME-DOMAIN INCOHERENT BACKPROJECTION # ══════════════════════════════════════════════════════ x_grid_bp = np.linspace(x_min, x_max, NX_BP) z_grid_bp = np.linspace(z_min, z_max, NZ_BP) XX_bp, ZZ_bp = np.meshgrid(x_grid_bp, z_grid_bp) depth_gate = (ZZ_bp >= MIN_DEPTH) & (ZZ_bp <= MAX_DEPTH) def attenuation_components_map(i_tx, i_rx, XX, ZZ): Rtx = np.sqrt((XX - x_tx[i_tx])**2 + ZZ**2) Rrx = np.sqrt((XX - x_rx[i_rx])**2 + ZZ**2) geo = 1.0 / (Rtx * Rrx + 1e-12) angle = (ZZ / (Rtx + 1e-12))**2 * (ZZ / (Rrx + 1e-12))**2 return geo + 1e-30, angle + 1e-30 def attenuation_components_at_ref_depth(i_tx, i_rx, z_ref): xc = (x_tx[i_tx] + x_rx[i_rx]) / 2.0 Rtx = np.sqrt((xc - x_tx[i_tx])**2 + z_ref**2) Rrx = np.sqrt((xc - x_rx[i_rx])**2 + z_ref**2) geo = 1.0 / (Rtx * Rrx + 1e-12) angle = (z_ref / (Rtx + 1e-12))**2 * (z_ref / (Rrx + 1e-12))**2 return geo + 1e-30, angle + 1e-30 def bp_compensation_weight(i_tx, i_rx, XX, ZZ): geo, angle = attenuation_components_map(i_tx, i_rx, XX, ZZ) geo_ref, angle_ref = attenuation_components_at_ref_depth(i_tx, i_rx, COMP_REF_DEPTH) geo_norm = geo / geo_ref angle_norm = angle / angle_ref range_weight = 1.0 / (geo_norm ** COMP_RANGE_POWER + 1e-12) angle_weight = 1.0 / (angle_norm ** COMP_ANGLE_POWER + 1e-12) range_weight = np.clip(range_weight, 0.0, COMP_RANGE_WEIGHT_MAX) angle_weight = np.clip(angle_weight, 0.0, COMP_ANGLE_WEIGHT_MAX) weight = range_weight * angle_weight return np.clip(weight, 0.0, COMP_WEIGHT_MAX) def interpolate_ascan_amplitude(tau, t_axis, a_axis): return np.interp(tau.ravel(), t_axis, a_axis, left=0.0, right=0.0).reshape(tau.shape) def interpolate_ascan_complex(tau, t_axis, h_axis): h_real = np.interp(tau.ravel(), t_axis, h_axis.real, left=0.0, right=0.0) h_imag = np.interp(tau.ravel(), t_axis, h_axis.imag, left=0.0, right=0.0) return (h_real + 1j * h_imag).reshape(tau.shape) def backproject_coherent(H, T, compensate=True): bp_complex = np.zeros_like(XX_bp, dtype=np.complex128) contribution_count = np.zeros_like(XX_bp, dtype=float) for i in range(N_tx): for j in range(N_rx): key = (i, j) if key not in H: continue Rtx = np.sqrt((XX_bp - x_tx[i])**2 + ZZ_bp**2) Rrx = np.sqrt((XX_bp - x_rx[j])**2 + ZZ_bp**2) tau = (Rtx + Rrx) / v valid = depth_gate & (tau >= T[key][0]) & (tau <= T[key][-1]) h_tau = interpolate_ascan_complex(tau, T[key], H[key]) h_tau = np.where(valid, h_tau, 0.0 + 0.0j) if compensate: w = bp_compensation_weight(i, j, XX_bp, ZZ_bp) w = np.where(valid, w, 0.0) else: w = np.where(valid, 1.0, 0.0) bp_complex += h_tau * w contribution_count += valid.astype(float) bp_complex = bp_complex / (contribution_count + 1e-12) bp_complex = np.where(depth_gate, bp_complex, 0.0 + 0.0j) bp_abs = np.abs(bp_complex) return bp_abs, bp_complex def component_containing_peak(image, iz, ix, threshold, window_mask=None): mask = image >= threshold if window_mask is not None: mask &= window_mask labels, n_labels = label(mask, structure=np.ones((3, 3), dtype=int)) if n_labels == 0 or labels[iz, ix] == 0: fallback = np.zeros_like(image, dtype=bool) fallback[iz, ix] = True return fallback return labels == labels[iz, ix] def weighted_centroid(image, region_mask, threshold=0.0): values = image[region_mask] weights = np.clip(values - threshold, 0.0, None) if weights.sum() <= 1e-15: weights = values.copy() if weights.sum() <= 1e-15: iz, ix = np.argwhere(region_mask)[0] return x_grid_bp[ix], z_grid_bp[iz] x_vals = XX_bp[region_mask] z_vals = ZZ_bp[region_mask] return (x_vals * weights).sum() / weights.sum(), (z_vals * weights).sum() / weights.sum() def compact_peak_centroid(image, iz, ix, peak): x0 = x_grid_bp[ix] z0 = z_grid_bp[iz] window_mask = ( (np.abs(XX_bp - x0) <= BP_CENTER_RX_CM / 100.0) & (np.abs(ZZ_bp - z0) <= BP_CENTER_RZ_CM / 100.0) ) threshold = BP_CENTER_THRESH_FRAC * peak center_mask = window_mask & (image >= threshold) if center_mask.sum() == 0: center_mask = window_mask.copy() center_mask[iz, ix] = True values = image[center_mask] weights = np.clip(values - threshold, 0.0, None) ** BP_CENTER_WEIGHT_POWER if weights.sum() <= 1e-15: weights = values.copy() if weights.sum() <= 1e-15: return x0, z0, center_mask x_vals = XX_bp[center_mask] z_vals = ZZ_bp[center_mask] x_c = (x_vals * weights).sum() / weights.sum() z_c = (z_vals * weights).sum() / weights.sum() return x_c, z_c, center_mask def find_bp_objects(bp_image): """ CLEAN-подобный поиск объектов на BP-карте. Для каждого шага берется максимум рабочей карты, вокруг него выделяется связная область выше BP_REGION_THRESH_FRAC от локального пика, затем считается взвешенный центроид этой области. После этого более широкая область вокруг той же цели подавляется на рабочей карте. """ work = bp_image.copy() objects = [] global_peak = float(work.max()) stop_level = BP_OBJECT_MIN_FRAC * global_peak dx_cm = abs(x_grid_bp[1] - x_grid_bp[0]) * 100 dz_cm = abs(z_grid_bp[1] - z_grid_bp[0]) * 100 pixel_area_cm2 = dx_cm * dz_cm for step in range(MAX_OBJECTS): peak = float(work.max()) if peak <= stop_level or peak <= 0: break iz, ix = np.unravel_index(np.argmax(work), work.shape) x_peak_local = x_grid_bp[ix] z_peak_local = z_grid_bp[iz] region_threshold = BP_REGION_THRESH_FRAC * peak region_mask = component_containing_peak(work, iz, ix, region_threshold) region_area_cm2 = float(region_mask.sum() * pixel_area_cm2) if region_area_cm2 < BP_MIN_REGION_AREA_CM2: work[iz, ix] = 0.0 continue x_region_centroid, z_region_centroid = weighted_centroid(work, region_mask, threshold=region_threshold) if BP_CENTER_USE_COMPACT: x_centroid, z_centroid, center_mask = compact_peak_centroid(work, iz, ix, peak) else: x_centroid, z_centroid = x_region_centroid, z_region_centroid center_mask = region_mask.copy() center_area_cm2 = float(center_mask.sum() * pixel_area_cm2) region_values = work[region_mask] objects.append({ 'index': len(objects) + 1, 'x_peak': float(x_peak_local), 'z_peak': float(z_peak_local), 'x': float(x_centroid), 'z': float(z_centroid), 'x_region': float(x_region_centroid), 'z_region': float(z_region_centroid), 'peak': peak, 'area_cm2': region_area_cm2, 'center_area_cm2': center_area_cm2, 'region_mask': region_mask.copy(), 'center_mask': center_mask.copy(), 'mean_value': float(region_values.mean()), 'sum_value': float(region_values.sum()), }) if BP_SUPPRESS_USE_WINDOW: suppress_window = ( (np.abs(XX_bp - x_peak_local) <= BP_SUPPRESS_RX_CM / 100.0) & (np.abs(ZZ_bp - z_peak_local) <= BP_SUPPRESS_RZ_CM / 100.0) ) else: suppress_window = None suppress_threshold = BP_SUPPRESS_THRESH_FRAC * peak suppress_mask = component_containing_peak( work, iz, ix, suppress_threshold, window_mask=suppress_window ) # Если широкий порог дал слишком маленькую область, подавляем хотя бы область детекции. if suppress_mask.sum() < region_mask.sum(): suppress_mask = region_mask work[suppress_mask] = 0.0 return objects, work def bistatic_depth_signature(x_obj, z_obj): signature = [] for i in range(N_tx): for j in range(N_rx): Rtx = np.sqrt((x_obj - x_tx[i])**2 + z_obj**2) Rrx = np.sqrt((x_obj - x_rx[j])**2 + z_obj**2) signature.append(0.5 * (Rtx + Rrx)) return np.array(signature, dtype=float) def mark_sidelobe_candidates(objects): for obj in objects: obj['sidelobe_candidate'] = False obj['sidelobe_parent'] = None obj['sidelobe_range_rms_cm'] = np.nan obj['sidelobe_dx_cm'] = np.nan obj['sidelobe_dz_cm'] = np.nan if not BP_SIDELOBE_DETECT: return objects signatures = [bistatic_depth_signature(obj['x'], obj['z']) for obj in objects] for k, obj in enumerate(objects): best_parent = None best_rms_cm = np.inf best_dx_cm = np.nan best_dz_cm = np.nan for p in range(k): parent = objects[p] rel_peak = obj['peak'] / (parent['peak'] + 1e-12) dx_cm = abs(obj['x'] - parent['x']) * 100.0 dz_cm = abs(obj['z'] - parent['z']) * 100.0 rms_cm = float(np.sqrt(np.mean((signatures[k] - signatures[p])**2)) * 100.0) is_candidate = ( rel_peak <= BP_SIDELOBE_MAX_REL_PEAK and dx_cm >= BP_SIDELOBE_MIN_DX_CM and dz_cm <= BP_SIDELOBE_MAX_DZ_CM and rms_cm <= BP_SIDELOBE_RANGE_RMS_TOL_CM ) if is_candidate and rms_cm < best_rms_cm: best_parent = parent best_rms_cm = rms_cm best_dx_cm = dx_cm best_dz_cm = dz_cm if best_parent is not None: obj['sidelobe_candidate'] = True obj['sidelobe_parent'] = best_parent['index'] obj['sidelobe_range_rms_cm'] = best_rms_cm obj['sidelobe_dx_cm'] = best_dx_cm obj['sidelobe_dz_cm'] = best_dz_cm return objects #print('Расчет coherent time-domain BP...', end=' ', flush=True) bp_raw, bp_complex = backproject_coherent(H_bp, T_bp, compensate=True) bp_map = bp_raw / (bp_raw.max() + 1e-12) bp_map_s = gaussian_filter(bp_map, sigma=BP_SMOOTH_SIGMA) bp_map_s = np.where(depth_gate, bp_map_s, 0.0) bp_map_s = bp_map_s / (bp_map_s.max() + 1e-12) #print('готово.') bp_objects_all, bp_residual = find_bp_objects(bp_map_s) # bp_objects_all = add_phase_metrics(bp_objects_all, bp_complex) bp_objects_all = mark_sidelobe_candidates(bp_objects_all) bp_map_display = bp_map_s.copy() if BP_REMOVE_SIDELOBE_OBJECTS: for obj in bp_objects_all: if obj['sidelobe_candidate']: bp_map_display[obj['region_mask']] = 0.0 bp_objects = [obj for obj in bp_objects_all if not obj['sidelobe_candidate']] else: bp_objects = bp_objects_all iz_max, ix_max = np.unravel_index(np.argmax(bp_map_s), bp_map_s.shape) x_peak = x_grid_bp[ix_max] z_peak = z_grid_bp[iz_max] peak_value = bp_map_s[iz_max, ix_max] main_obj = bp_objects[0] if bp_objects else None # print('\n' + '=' * 72) # print(' COHERENT TIME-DOMAIN BP: максимум карты и центроид области') # print('=' * 72) # print(f' argmax: x = {x_peak*100:+.1f} см, z = {z_peak*100:.1f} см, BP = {peak_value:.3f}') # if main_obj is not None: # print(f" centroid: x = {main_obj['x']*100:+.1f} см, z = {main_obj['z']*100:.1f} см, " # f"area = {main_obj['area_cm2']:.1f} см^2") # print('=' * 72) # print('\n' + '=' * 72) # n_sl_all = sum(obj['sidelobe_candidate'] for obj in bp_objects_all) # if BP_REMOVE_SIDELOBE_OBJECTS: # print(f' НАЙДЕННЫЕ ОБЪЕКТЫ НА COHERENT BP-КАРТЕ, max {MAX_OBJECTS} ' # f'(SL скрыты: {n_sl_all})') # else: # print(f' НАЙДЕННЫЕ ОБЪЕКТЫ НА COHERENT BP-КАРТЕ, max {MAX_OBJECTS} ' # f'(SL показаны: {n_sl_all})') # print('=' * 126) # print(f" {'#':<4} {'Xc [см]':>10} {'Zc [см]':>10} {'Xmax [см]':>11} {'Zmax [см]':>11} " # f"{'Peak':>8} {'Area [см2]':>11} {'PhCoh':>7} {'PhVar':>7} {'SL?':>5} {'Parent':>6} {'RMSr [см]':>10}") # print('-' * 126) # for obj in bp_objects: # sl_label = 'yes' if obj['sidelobe_candidate'] else 'no' # parent_label = '-' if obj['sidelobe_parent'] is None else str(obj['sidelobe_parent']) # rms_label = '-' if np.isnan(obj['sidelobe_range_rms_cm']) else f"{obj['sidelobe_range_rms_cm']:.1f}" # print(f" {obj['index']:<4} {obj['x']*100:>+10.1f} {obj['z']*100:>10.1f} " # f"{obj['x_peak']*100:>+11.1f} {obj['z_peak']*100:>11.1f} " # f"{obj['peak']:>8.3f} {obj['area_cm2']:>11.1f} " # #f"{obj['phase_coherence']:>7.3f} {obj['phase_circular_variance']:>7.3f} " # f"{sl_label:>5} {parent_label:>6} {rms_label:>10}") # print('=' * 126) # ══════════════════════════════════════════════════════ # 4. ГРАФИКИ ДЛЯ СРАВНЕНИЯ # ══════════════════════════════════════════════════════ # BP-карта fig, ax = plt.subplots(figsize=(12, 7)) im = ax.imshow( bp_map_display, extent=[x_grid_bp[0]*100, x_grid_bp[-1]*100, z_grid_bp[-1]*100, z_grid_bp[0]*100], aspect='auto', cmap='jet', vmin=0.25, # Было 0.0 vmax=0.95, # Было 1.0 ) plt.colorbar(im, ax=ax, label='Нормированная |coherent BP|') ax.plot(x_tx * 100, np.zeros(N_tx), 'r^', ms=12, label='Tx', zorder=5) ax.plot(x_rx * 100, np.zeros(N_rx), 'bv', ms=12, label='Rx', zorder=5) for obj in bp_objects: ax.contour( x_grid_bp * 100, z_grid_bp * 100, obj['region_mask'].astype(float), levels=[0.5], colors='white', linewidths=0.9, alpha=0.75, ) ax.contour( x_grid_bp * 100, z_grid_bp * 100, obj['center_mask'].astype(float), levels=[0.5], colors='cyan', linewidths=0.8, alpha=0.85, ) if obj['sidelobe_candidate']: ax.plot(obj['x'] * 100, obj['z'] * 100, 'x', color='yellow', ms=9, mew=2.0, zorder=7) label_text = f"{obj['index']} SL" text_color = 'yellow' else: ax.plot(obj['x'] * 100, obj['z'] * 100, 'wo', ms=7, markeredgecolor='k', mew=0.8, zorder=6) label_text = str(obj['index']) text_color = 'white' ax.text(obj['x'] * 100 + 3, obj['z'] * 100, label_text, color=text_color, fontsize=9, weight='bold', zorder=7) ax.plot(x_peak * 100, z_peak * 100, 'w*', ms=18, markeredgecolor='k', mew=0.9, label='Глобальный максимум BP', zorder=6) ax.plot([], [], 'wo', ms=7, markeredgecolor='k', mew=0.8, label='Центроид области') if not BP_REMOVE_SIDELOBE_OBJECTS: ax.plot([], [], 'x', color='yellow', ms=9, mew=2.0, label='Sidelobe candidate') ax.axhline(MIN_DEPTH * 100, color='white', lw=1.0, ls='--', alpha=0.75) ax.set_xlabel('X [см]') ax.set_ylabel('Глубина Z [см]') map_title = 'Time-domain coherent BackProjection с geo·pattern компенсацией' if BP_REMOVE_SIDELOBE_OBJECTS: map_title += ' (SL области скрыты на карте)' ax.set_title(map_title) ax.set_xlim(x_grid_bp[0] * 100, x_grid_bp[-1] * 100) ax.set_ylim(z_grid_bp[-1] * 100, 0) ax.legend(loc='lower right', fontsize=9) ax.grid(alpha=0.22) ax.invert_yaxis() plt.tight_layout() plt.show()