""" MIMO GPR — локализация через пересечение эллипсов ================================================== Физика в двух словах: Пик A-скана пары (Tx_i, Rx_j) на задержке τ означает: |Tx → объект| + |объект → Rx| = v · τ Это уравнение эллипса. Истинный отражатель лежит на пересечении всех 16 эллипсов (по одному на пару). Алгоритм: 1. S(f) → IFFT → 16 A-сканов 2. Поиск пиков: SNR = пик / медиана > порог 3. Для каждого пика → мягкий эллипс в аккумуляторе (с компенсацией геометрического и углового затухания) 4. CLEAN: найти максимум → убрать его эллипсы → повторить О параметре SHELL_SIGMA: Аккумулятор — это «мягкое голосование». Каждый эллипс добавляет не единицу, а гауссово-взвешенный вклад: w = exp(−δ²/2σ²), где δ = |R_Tx + R_Rx − v·τ| SHELL_SIGMA — ширина этой гауссовой оболочки. Слишком широко → ghost-цели не подавляются. Слишком узко → вклад падает до нуля из-за дискретности сетки. Оптимум: ~ 0.4 × δZ, где δZ = v/(2B) — разрешение по глубине. О score: score = количество пар (из 16), чей эллипс проходит через данную точку с невязкой δ < 3σ. Принимает целые значения от 0 до 16. Максимальный score у истинного объекта = 16 (все пары согласны). Ghost-цели имеют меньший score, т.к. согласуются только с частью пар. О компенсации затухания: При генерации S(f) сигнал ослаблен: geo(i,j) = 1/(R_Tx · R_Rx) — геометрическое ослабление pat(i,j) = cos²(θ_Tx)·cos²(θ_Rx) — диаграмма направленности Без компенсации глубокий/угловой отражатель будет недооценён. Компенсация: делим вес каждого пика на ожидаемое затухание в точке z_apparent, вычисленное для данной пары антенн. Геометрия: плоскость XZ (X — вдоль антенн, Z — глубина). """ """ MIMO GPR — локализация через пересечение эллипсов ================================================== Версия для реальных данных """ import numpy as np import matplotlib.pyplot as plt from scipy.signal import find_peaks from scipy.ndimage import gaussian_filter, label from pathlib import Path ### Изменяемые параметры INPUT_IDX = [0,1,2,3] OUTPUT_IDX = [0,3] MIN_DEPTH = 2.0 # [м] пропустить прямую волну MAX_DEPTH = 14.0 COMP_POWER = 0.2 # степень компенсации затухания F_START = 30*1e8 # Нижняя частота F_STOP = 6*1e9 # Верхняя частота # Вычитание среднего фона (background removal) BG_SUBTRACT = True #True/False BG_PATH = Path('/Users/ivan_root/Downloads/Telegram_dwnld/03-13-measure/2_cylinder_dif_side_and_mushrooms/preprocessed') DATA_PATH = Path('/Users/ivan_root/Downloads/Telegram_dwnld/03-13-measure/2_cylinder_dif_side_and_mushrooms/preprocessed/0006_id1_ns1875848749103') ###Конфиги MODE = 'point' # Один из 2х режимов `point` or `extended` eps_r = 1.0 # <-- Диэлектрическая проницаемость среды v = 3e8 / np.sqrt(eps_r) # скорость света в среде # КООРДИНАТЫ АНТЕНН # Координаты вдоль оси X на поверхности (z = 0), в метрах # Физические координаты антенн по их реальным индексам 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} # Массивы позиций в порядке возрастания физических индексов 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)]) # Параметры алгоритма SNR_THRESH = 3.0 # минимальный SNR пика SNR_COMP_MAX = 20.0 # Верхний порог для компенсированного значения SNR # Параметр: максимальное число объектов для поиска MAX_OBJECTS = 15 # <-- настройте под вашу задачу # Границы сетки аккумулятора x_min, x_max = x_tx.min() - 2.0, x_tx.max() + 2.0 # [м] z_min, z_max = 0.10, MAX_DEPTH # <-- глубина [м] # ══════════════════════════════════════════════════════ # 1. ЗАГРУЗКА РЕАЛЬНЫХ 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 # Переводим физический индекс → порядковый (0,1,2,...) 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) tx_indices = sorted(set(k[0] for k in s21_data)) rx_indices = sorted(set(k[1] for k in s21_data)) n_tx = len(tx_indices) n_rx = len(rx_indices) return s21_data, freq_data, n_tx, n_rx # Загрузка данных s21_data, freq_data, N_tx, N_rx = load_mimo_data(DATA_PATH, INPUT_IDX, OUTPUT_IDX) N_pairs = len(s21_data) # ══════════════════════════════════════════════════════ # 1б. ВЫЧИСЛЕНИЕ СРЕДНЕГО ФОНА ПО ВСЕМ СНИМКАМ # ══════════════════════════════════════════════════════ def compute_background(bg_path, input_idx, output_idx): """ Для каждой пары (i_tx, i_rx) усредняем S21 по всем снимкам в папке. Возвращает: bg : dict[(i_tx, i_rx)] → np.array (complex), усреднённый S21 """ bg_path = Path(bg_path) snapshots = sorted(bg_path.glob("*/")) # каждый подкаталог — один снимок snapshots = [s for s in snapshots if s.is_dir()] if len(snapshots) == 0: print("⚠️ Снимков для фона не найдено, BG_SUBTRACT отключён.") return None # Накопитель: для каждой пары суммируем S21 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=complex) 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)}, снимков на пару: " # f"{list(bg_count.values())[0] if bg_count else 0}") return bg if BG_SUBTRACT: background = compute_background(BG_PATH, INPUT_IDX, OUTPUT_IDX) if background is None: BG_SUBTRACT = False # автоматически выключаем если нет данных else: background = None # print("BG_SUBTRACT = False, вычитание фона отключено.") # Проверка частот (берём из первой пары как референс) first_key = list(freq_data.keys())[0] freqs = freq_data[first_key] # Проверим что частоты одинаковые для всех пар for key, freq in freq_data.items(): if not np.allclose(freq, freqs): print(f"⚠️ Частоты для пары {key} отличаются!") mask_freq = (freqs >= F_START) & (freqs <= F_STOP) freqs = freqs[mask_freq] f_min, f_max = freqs[0], freqs[-1] BW = f_max - f_min N_f = len(freqs) # ══════════════════════════════════════════════════════ # 2. ПАРАМЕТРЫ СИСТЕМЫ # ══════════════════════════════════════════════════════ # Проверка соответствия координатов антенн 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" # SHELL_SIGMA — ширина гауссовой оболочки SHELL_SIGMA = v / BW * 0.5 # [м] # Сетка аккумулятора x_grid = np.linspace(x_min, x_max, 300) z_grid = np.linspace(z_min, z_max, 300) XX, ZZ = np.meshgrid(x_grid, z_grid) # Расстояния от сетки до каждой антенны R_tx_grid = {i: np.sqrt((XX - x_tx[i])**2 + ZZ**2) for i in range(N_tx)} R_rx_grid = {j: np.sqrt((XX - x_rx[j])**2 + ZZ**2) for j in range(N_rx)} # ══════════════════════════════════════════════════════ # 3. ВЫЧИСЛЕНИЕ A-СКАНОВ ИЗ РЕАЛЬНЫХ S21 # ══════════════════════════════════════════════════════ def compute_ascan(s21, freq, f_start, f_stop, window=True): """ S21(f) → IFFT → A-скан с правильным частотным сдвигом. Проблема наивного подхода (buf[:n] = s21): IFFT считает, что спектр начинается с 0 Гц. Реальные данные начинаются с f[0] > 0, поэтому нулевая задержка смещается и в A-скане появляются биения. Правильный подход — сдвиг спектра: Шаг частотной сетки df вычисляется из данных. Индекс первой частоты: k0 = round(f[0] / df). Данные кладутся в H[k0 : k0+n], а не в H[0 : n]. Тогда IFFT корректно восстанавливает временной сигнал с нулевой задержкой в t=0. Размер FFT: Минимум для покрытия всего диапазона [0, f[-1]]: min_len = 2 * (k0 + n - 1) Округляем вверх до степени двойки для скорости FFT. """ mask_freq_ = (freq >= f_start) & (freq <= f_stop) freq = freq[mask_freq_] s21 = s21[mask_freq_] n = len(freq) if n < 2: raise ValueError("Слишком мало частотных точек") # Шаг частотной сетки df = (freq[-1] - freq[0]) / (n - 1) if df <= 0: raise ValueError("Частоты не возрастают") # Индекс первой частоты в полной сетке от 0 до f[-1] k0 = int(np.round(freq[0] / df)) # Минимальный размер FFT, округлённый до степени двойки min_len = 2 * (k0 + n - 1) n_fft = 1 << int(np.ceil(np.log2(min_len))) # Временна́я ось — пересчитываем из нового n_fft dt = 1.0 / (n_fft * df) t_sec = np.arange(n_fft, dtype=float) * dt # Оконная функция (подавление боковых лепестков IFFT) s = s21 * np.hanning(n) if window else s21.copy() # Спектр со сдвигом: данные на своём месте в частотной сетке H = np.zeros(n_fft, dtype=np.complex128) H[k0 : k0 + n] = s y = np.abs(np.fft.ifft(H)) return t_sec[:y.size], y[:y.size] A = {} # A[(i,j)] — амплитудный A-скан T_h = {} # T_h[(i,j)] — временна́я ось для этой пары [с] Z_h = {} # Z_h[(i,j)] — ось глубины [м] for (i, j), s21 in s21_data.items(): s21_proc = s21.copy() # Вычитание фона в частотной области if BG_SUBTRACT and background is not None and (i, j) in background: s21_proc = s21_proc - background[(i, j)] # Примечание: вычитаем до обрезки по частоте и до окна — # фон вычисляется из полных (необрезанных) данных, # поэтому вычитание корректно в полном частотном диапазоне. t_pair, a_pair = compute_ascan(s21_proc, freq_data[(i, j)], f_start=F_START, f_stop=F_STOP) T_h[(i, j)] = t_pair Z_h[(i, j)] = t_pair * v / 2 A[(i, j)] = a_pair bg_label = "с вычитанием фона" if BG_SUBTRACT else "без вычитания фона" # Общая ось z для визуализации и поиска пиков # (берём максимальный диапазон по всем парам) z_h = Z_h[list(Z_h.keys())[0]] # все пары дают одинаковую ось, если freq совпадают t_h = T_h[list(T_h.keys())[0]] # 4. ВИЗУАЛИЗАЦИЯ A-СКАНОВ def plot_ascans(A, z_h, n_tx, n_rx): """Отображение всех A-сканов""" fig, axes = plt.subplots(n_tx, n_rx, figsize=(3*n_rx, 3*n_tx), sharex=True, sharey=True) if n_tx == 1: axes = axes.reshape(1, -1) if n_rx == 1: axes = axes.reshape(-1, 1) for i in range(n_tx): for j in range(n_rx): ax = axes[i, j] if (i, j) in A: ax.plot(z_h, A[(i, j)], 'b-', lw=0.8) ax.set_title(f'Tx{i} → Rx{j}', fontsize=10) ax.grid(True, alpha=0.3) else: ax.set_visible(False) axes[-1, 0].set_xlabel('Глубина z [м]') axes[0, 0].set_ylabel('Амплитуда') fig.suptitle('A-сканы всех пар Tx-Rx', fontsize=12) plt.tight_layout() plt.show() def plot_bscan(A, z_h, x_tx, x_rx): """B-скан: все A-сканы рядом, отсортированные по виртуальной позиции""" pairs = sorted(A.keys(), key=lambda p: (x_tx[p[0]] + x_rx[p[1]]) / 2) bscan = np.array([A[p] for p in pairs]).T x_virt = [(x_tx[p[0]] + x_rx[p[1]]) / 2 for p in pairs] plt.figure(figsize=(10, 6)) plt.imshow(bscan, aspect='auto', origin='lower', extent=[min(x_virt), max(x_virt), z_h[0], z_h[-1]], cmap='jet') plt.colorbar(label='Амплитуда') plt.xlabel('Виртуальная позиция X [м]') plt.ylabel('Глубина Z [м]') plt.title('B-скан (все пары)') plt.show() # ══════════════════════════════════════════════════════ # 5. ДЕТЕКТИРОВАНИЕ ПИКОВ # ══════════════════════════════════════════════════════ def attenuation_at_depth(i_tx, i_rx, z_app): """ Ожидаемое ослабление geo·pattern для точки прямо под виртуальным центром пары на глубине z_app. Используется для компенсации: реальный SNR пика делится на это значение, чтобы вес глубокого/углового объекта не занижался. """ xc = (x_tx[i_tx] + x_rx[i_rx]) / 2.0 # виртуальный центр Rtx = np.sqrt((xc - x_tx[i_tx])**2 + z_app**2) Rrx = np.sqrt((xc - x_rx[i_rx])**2 + z_app**2) geo = 1.0 / (Rtx * Rrx + 1e-12) pat = (z_app / (Rtx + 1e-12))**2 * (z_app / (Rrx + 1e-12))**2 return geo * pat + 1e-30 # +ε чтобы не делить на ноль def find_peaks_snr(i_tx, i_rx, SNR_COMP_MAX = SNR_COMP_MAX): """ Поиск пиков A-скана. Возвращает список dict: z_app — кажущаяся глубина [м] tau — задержка [с] snr_raw — SNR без компенсации = пик / медиана snr_comp— SNR с компенсацией ослабления (используется в аккумуляторе) """ ascan = A[(i_tx, i_rx)] z_h_ij = Z_h[(i_tx, i_rx)] t_h_ij = T_h[(i_tx, i_rx)] noise = np.median(ascan) i_min = np.searchsorted(z_h_ij, MIN_DEPTH) i_max = np.searchsorted(z_h_ij, MAX_DEPTH) min_dist = max(4, int(v / (2*BW) / (z_h_ij[1] - z_h_ij[0]) * 0.7)) idx, _ = find_peaks(ascan[i_min:i_max], height=noise * SNR_THRESH, distance=min_dist) idx += i_min result = [] for p in idx: z_app = float(z_h_ij[p]) snr_raw = float(ascan[p] / noise) atten = attenuation_at_depth(i_tx, i_rx, z_app) atten_norm = atten / attenuation_at_depth(i_tx, i_rx, 2.0) # Референсная глубина - 2м snr_comp = snr_raw / (atten_norm ** COMP_POWER + 1e-12) snr_comp = min(snr_comp, SNR_COMP_MAX) # ← clipping result.append({'z_app': z_app, 'tau': float(t_h_ij[p]), 'snr_raw': snr_raw, 'snr_comp': snr_comp}) return result peaks = {(i, j): find_peaks_snr(i, j) for i in range(N_tx) for j in range(N_rx)} n_total = sum(len(v2) for v2 in peaks.values()) # ══════════════════════════════════════════════════════ # 5. АККУМУЛЯТОР # ══════════════════════════════════════════════════════ def build_accumulator(exclude_z_ranges): """ Для каждого пика строим гауссову оболочку вокруг эллипса. """ acc = np.zeros_like(XX) for i in range(N_tx): for j in range(N_rx): for pk in peaks[(i, j)]: if any(lo <= pk['z_app'] <= hi for lo, hi in exclude_z_ranges): continue R_total = v * pk['tau'] residual = R_tx_grid[i] + R_rx_grid[j] - R_total shell = np.exp(-0.5 * (residual / SHELL_SIGMA)**2) acc += shell * pk['snr_comp'] # Это и есть метрика на карте накопления return acc def count_agreeing_ellipses(x_est, z_est, exclude_z_ranges): """ Score = количество пар, чей эллипс проходит через точку (x_est, z_est) с невязкой δ < 3σ. """ count = 0 for i in range(N_tx): for j in range(N_rx): for pk in peaks[(i, j)]: if any(lo <= pk['z_app'] <= hi for lo, hi in exclude_z_ranges): continue Rt = np.sqrt((x_est - x_tx[i])**2 + z_est**2) Rr = np.sqrt((x_est - x_rx[j])**2 + z_est**2) if abs(Rt + Rr - v*pk['tau']) < SHELL_SIGMA * 6: count += 1 break # одна пара — один голос return count # ══════════════════════════════════════════════════════ # 6. ПОИСК ОБЪЕКТОВ # ══════════════════════════════════════════════════════ def find_centroid(acc_s, iz, ix, rpz, rpx): """ Взвешенный центроид аккумулятора в окрестности (iz, ix). """ NZ, NX = acc_s.shape iz0 = max(0, iz - rpz); iz1 = min(NZ, iz + rpz) ix0 = max(0, ix - rpx); ix1 = min(NX, ix + rpx) patch = acc_s[iz0:iz1, ix0:ix1].copy() W = patch.sum() if W <= 0: return x_grid[ix], z_grid[iz] rows = np.arange(iz0, iz1)[:, None] * np.ones(patch.shape) cols = np.ones(patch.shape) * np.arange(ix0, ix1)[None, :] iz_c = int(round(np.clip((rows * patch).sum() / W, 0, NZ-1))) ix_c = int(round(np.clip((cols * patch).sum() / W, 0, NX-1))) return x_grid[ix_c], z_grid[iz_c] def clean_find(n_search=10, suppress_r_cm=7, thresh_frac=0.05): """ CLEAN-итерация для точечных объектов. """ dx = x_grid[1] - x_grid[0] dz = z_grid[1] - z_grid[0] rpx = int(suppress_r_cm / 100 / dx) rpz = int(suppress_r_cm / 100 / dz) excl_z = [] found = [] acc_initial = build_accumulator([]) for step in range(n_search): acc = build_accumulator(excl_z) acc_s = gaussian_filter(acc, sigma=3) if acc_s.max() < thresh_frac * acc_initial.max(): break iz, ix = np.unravel_index(acc_s.argmax(), acc_s.shape) x_est, z_est = find_centroid(acc_s, iz, ix, rpz, rpx) score = count_agreeing_ellipses(x_est, z_est, excl_z) found.append({'x': x_est, 'z': z_est, 'score': score}) # Пики, соответствующие этому объекту matched = [pk['z_app'] for i in range(N_tx) for j in range(N_rx) for pk in peaks[(i, j)] if not any(lo<=pk['z_app']<=hi for lo,hi in excl_z) and abs(np.sqrt((x_est-x_tx[i])**2+z_est**2) + np.sqrt((x_est-x_rx[j])**2+z_est**2) - v*pk['tau']) < SHELL_SIGMA * 3] #Возможны изменения if matched: margin = SHELL_SIGMA * 1.0 excl_z.append((min(matched) - margin, max(matched) + margin)) return found, acc_initial def extended_find(thresh_frac=0.75, min_area_cm2=2.0): """ Режим для протяжённых объектов (труба, плита и т.п.). """ acc = build_accumulator([]) acc_s = gaussian_filter(acc, sigma=3) binary = acc_s > thresh_frac * acc_s.max() dx = (x_grid[1]-x_grid[0])*100 dz = (z_grid[1]-z_grid[0])*100 min_pix = int(min_area_cm2 / (dx * dz)) labeled, n = label(binary) regions = [] for k in range(1, n+1): mask = labeled == k if mask.sum() < min_pix: continue w = acc_s[mask] xs = XX[mask]; zs = ZZ[mask] xc = (xs * w).sum() / w.sum() zc = (zs * w).sum() / w.sum() score = count_agreeing_ellipses(xc, zc, []) regions.append({'x': xc, 'z': zc, 'score': score, 'mask': mask, 'n_pix': mask.sum()}) return regions, acc if MODE == 'point': found, accum = clean_find(n_search=MAX_OBJECTS) # print(f"найдено {len(found)} объектов.") # for k, obj in enumerate(found): # print(f" [{k+1}] x={obj['x']*100:+.1f} см, " # f"z={obj['z']*100:.1f} см, " # f"score={obj['score']}/{N_pairs}") else: regions, accum = extended_find() found = regions # print(f"найдено {len(regions)} регионов.") # for k, r in enumerate(regions): # print(f" [{k+1}] центр x={r['x']*100:+.1f} см, " # f"z={r['z']*100:.1f} см, score={r['score']}/{N_pairs}") # ══════════════════════════════════════════════════════ # 7. ГРАФИКИ # ══════════════════════════════════════════════════════ # ─── График 2: карта накопления ──────────────────── fig, ax = plt.subplots(figsize=(12, 7)) acc_s = gaussian_filter(accum, sigma=3) im = ax.imshow(acc_s, extent=[x_grid[0]*100, x_grid[-1]*100, z_grid[-1]*100, z_grid[0]*100], aspect='auto', origin='upper', cmap='hot', vmin=acc_s.max()*0.35, vmax=acc_s.max()*0.95) plt.colorbar(im, ax=ax, label='Накопленный вес (SNR_comp × гауссова оболочка)') # Позиции антенн ax.plot(x_tx*100, np.zeros(N_tx), 'r^', ms=10, label='Tx', zorder=5) ax.plot(x_rx*100, np.zeros(N_rx), 'bv', ms=10, label='Rx', zorder=5) # Найденные объекты for obj in found: lbl = f"score={obj['score']}/{N_pairs}" ax.plot(obj['x']*100, obj['z']*100, 'wD', ms=9, zorder=11, markeredgecolor='black', mew=1.2) ax.annotate(lbl, (obj['x']*100, obj['z']*100), textcoords='offset points', xytext=(6, 4), fontsize=8, color='white', bbox=dict(boxstyle='round,pad=0.2', fc='black', alpha=0.5)) if MODE == 'extended': for r in regions: ax.contour(x_grid*100, z_grid*100, r['mask'].astype(float), levels=[0.5], colors=['cyan'], linewidths=[1.2]) ax.plot([], [], 'wD', ms=9, markeredgecolor='k', mew=1.2, label='Найденные объекты') ax.set_xlabel("X [см]"); ax.set_ylabel("Глубина Z [см]") ax.set_title("Карта накопления эллипсов\n" f"score = число пар из {N_pairs}, чей эллипс проходит через точку") ax.set_xlim(x_grid[0]*100, x_grid[-1]*100) ax.set_ylim(z_grid[-1]*100, z_grid[0]*100) ax.legend(loc='lower right', fontsize=9) ax.grid(alpha=0.25) ax.invert_yaxis() plt.tight_layout() plt.show()