【声纳成像】进阶篇：如何在滑动子孔径SAS中无缝嵌入自聚焦（Autofocus）处理运动误差？

【声纳成像】进阶篇：如何在滑动子孔径SAS中无缝嵌入自聚焦（Autofocus）处理运动误差？

文章目录

• 【声纳成像】进阶篇：如何在滑动子孔径SAS中无缝嵌入自聚焦（Autofocus）处理运动误差？
• • [1. 前言：理想与现实的差距](#1. 前言：理想与现实的差距)
  • [2. 核心思想：化"空变"为"空不变"](#2. 核心思想：化“空变”为“空不变”)
  • [3. 算法流水线：自聚焦是如何嵌入的？](#3. 算法流水线：自聚焦是如何嵌入的？)
  • • [步骤 1：生成粗略的子图（Coarse Image）](#步骤 1：生成粗略的子图（Coarse Image）)
    • [步骤 2：提取局部相位误差 ϕ e r r \phi_{err} ϕerr](#步骤 2：提取局部相位误差 ϕ e r r \phi_{err} ϕerr)
    • [步骤 3：数据域补偿与重聚焦（Re-focusing）](#步骤 3：数据域补偿与重聚焦（Re-focusing）)
  • [4. 工程落地的两大"致命坑点"及解法](#4. 工程落地的两大“致命坑点”及解法)
  • • 坑点一：相邻子孔径的"相位断裂"（极其关键！）
    • 坑点二：海底只有平坦的泥沙，没有目标怎么办？
  • [5. 改进后的 MATLAB 伪代码框架](#5. 改进后的 MATLAB 伪代码框架)
  • [6. 总结](#6. 总结)

1. 前言：理想与现实的差距

在上一篇文章中，我们实现了一个长达数十米的条带式多子阵SAS（Stripmap SAS）连续移动成像仿真。通过"滑动子孔径 + Hanning加权拼接"，我们得到了完美无缝的高分辨率全景图。

然而，上一篇仿真的前提是：声纳平台（AUV/UUV）沿着一条完美的直线匀速航行 。

但在真实的海洋环境中，受洋流、涌浪、平台机械振动的影响，航行器不可避免地会产生横滚、俯仰、偏航以及三维平移误差。这些未知的轨迹误差（Motion Errors）会引入严重的沿轨时变相位误差，导致最终成像结果严重散焦、拖尾、甚至目标分裂。

面对长条带成像，传统的全局自聚焦算法往往无能为力。本文将探讨目前国际主流高分辨率SAS（如Kongsberg、Kraken）的核心架构：如何在"滑动子孔径"框架下，优雅地嵌入 PGA（相位梯度自聚焦）或 DCE（特显点）算法？

---

2. 核心思想：化"空变"为"空不变"

在长达几百米甚至几公里的条带中，运动误差是**空变（Space-Variant）**的。也就是说，第10米处的平台晃动情况，跟第100米处完全不同，全局统一补偿一条误差曲线是行不通的。

但是，巧妙之处在于上一篇我们引入了**"子孔径（Sub-aperture）"的概念：
在一个很短的子孔径窗口（例如 5~10 米）内，我们可以近似认为运动误差是空不变（Space-Invariant）**的，或者是极其缓变的。

因此，解决条带运动误差的核心架构呼之欲出：
分块粗成像 → \rightarrow → 局部估计误差 → \rightarrow → 全局误差融合 → \rightarrow → 数据域补偿 → \rightarrow → 分块精细成像 → \rightarrow → 加权拼接。

---

3. 算法流水线：自聚焦是如何嵌入的？

如果要把自聚焦算法接入上一篇的 MATLAB 框架，我们需要在子孔径循环中插入以下步骤：

步骤 1：生成粗略的子图（Coarse Image）

先假设平台走的是完美直线，用 TBP（后向投影算法）生成当前子孔径的图像。此时由于存在运动误差，图像里的目标是模糊且能量分散的。

步骤 2：提取局部相位误差 ϕ e r r \phi_{err} ϕerr

将粗图像输入到自聚焦算法中。以最经典的 PGA（相位梯度自聚焦） 为例，它在子孔径内执行以下操作：

1. 选点寻优 (Center Shifting)：在粗图像中寻找最亮的几个散射点，将其循环移位对齐到图像中心。
2. 加窗滤波 (Windowing)：在方位向加一个极窄的窗，滤除背景海杂波，只保留目标因运动误差展宽的旁瓣。
3. 梯度估计 (Gradient Estimation) ：对加窗后的图像做方位向 FFT 回到数据域，利用最大似然法求出相邻数据点之间的相位差（即相位梯度 Δ ϕ \Delta\phi Δϕ）。

步骤 3：数据域补偿与重聚焦（Re-focusing）

拿到子孔径的相位误差后，回到匹配滤波后的数据域 。将子孔径内每一 ping 的数据乘上共轭相位进行精准补偿：
D a t a c o m p ( n , p ) = D a t a r a w ( n , p ) × exp ⁡ ( − j ⋅ ϕ e r r ( p ) ) Data_{comp}(n, p) = Data_{raw}(n, p) \times \exp(-j \cdot \phi_{err}(p)) Datacomp(n,p)=Dataraw(n,p)×exp(−j⋅ϕerr(p))

然后，利用补偿后的干净数据，重新执行 TBP 波束形成，即可得到聚焦良好的锐化子图像（Sharp Sub-Image）。

---

4. 工程落地的两大"致命坑点"及解法

上述逻辑在理论上非常完美，但在实际写代码拼接长条带时，会遇到两个极其棘手的问题。这也是很多论文避而不谈的"工程黑科技"。

坑点一：相邻子孔径的"相位断裂"（极其关键！）

现象 ：子孔径 A 算出了自己的误差并完成了补偿，子孔径 B 也独立完成了补偿。由于 PGA 算法天生会丢失常数相位（平移）和一次相位（线性偏移） ，导致两幅相邻的锐化图像虽然各自看都很清晰，但在重叠区拼接时，相位根本对不齐！Hanning加权叠加时会发生相消干涉（Destructive Interference），导致图像拼接缝变暗甚至出现网格条纹。

解法：全局梯度积分法

千万不要单独补偿每个子图！ 而是将每个子孔径算出的"相位梯度 Δ ϕ \Delta\phi Δϕ"（而不是绝对相位）拼接到一个全航迹的全局一维数组中。利用子孔径 75% 的重叠区，对相位梯度进行加权平滑过渡。最后，对全航迹的平滑相位梯度进行一次性累加积分，得到一条连续、无断点的全局轨迹误差曲线。

坑点二：海底只有平坦的泥沙，没有目标怎么办？

现象：PGA 和 DCE（特显点法）极其依赖图像中存在强反射目标（如沉船、岩石）。如果某个子孔径正好扫过一片平坦无特征的泥沙底，自聚焦算法会失效，提取出随机噪声，反而把图像越搞越糟。

解法：多重冗余机制

1. 对比度最优化（Contrast Optimization/MEA）：在没有特显点时，转而调整相位多项式系数，使整幅图像的"对比度（Image Entropy）"达到最大。
2. 底层依赖 DPCA（微导航） ：现代 SAS 不会完全依赖自聚焦。底层一定会先利用 DPCA（偏置相位中心天线） 技术，利用声纳前后 ping 接收阵元的声学重叠（Acoustic Overlap）计算出高精度的相对物理位移。PGA 只负责清理 DPCA 剩下的残余高频误差。

---

5. 改进后的 MATLAB 伪代码框架

基于上一篇文章的代码，加入全局融合自聚焦后的代码结构（两遍遍历法）如下：

% ==========================================================
% 进阶：包含自聚焦(Autofocus)的条带SAS滑动子孔径处理框架
% ==========================================================

% 预分配全局相位误差梯度数组
global_phase_gradient = zeros(1, N_pings);
weight_gradient       = zeros(1, N_pings);

%% 【第一遍遍历】：只估计运动误差，不生成最终图像
disp('正在进行局部误差估计与全局融合...');
for w_start = 1 : N_step : N_pings - N_aper + 1
    w_end = min(w_start + N_aper - 1, N_pings);
    
    % 1. 生成粗略图像 (低分辨率/快速TBP)
    SubImage_Coarse = fast_TBP(mf_data, w_start, w_end, ...); 
    
    % 2. 执行局部 PGA 算法，提取【相位梯度】
    [~, local_gradient] = run_PGA(SubImage_Coarse); 
    
    % 3. 梯度拼接：将局部梯度累加到全局数组中 (利用重叠区实现平滑)
    global_phase_gradient(w_start:w_end) = global_phase_gradient(w_start:w_end) + local_gradient;
    weight_gradient(w_start:w_end)       = weight_gradient(w_start:w_end) + 1;
end

% 计算连续的全局相位误差 (梯度求平均后积分)
valid_idx = weight_gradient > 0;
global_phase_gradient(valid_idx) = global_phase_gradient(valid_idx) ./ weight_gradient(valid_idx);
global_phase_error = cumsum(global_phase_gradient); % 积分得到全局连续相位误差！

%% 【第二遍遍历】：应用全局误差补偿 + 最终高精度滑动拼接
disp('正在进行数据域误差补偿与全景拼接...');
for w_start = 1 : N_step : N_pings - N_aper + 1
    w_end = min(w_start + N_aper - 1, N_pings);
    
    % 1. 提取本窗口数据
    local_data = mf_data(:,:, w_start:w_end);
    
    % 2. 应用全局相位误差进行补偿 (核心！)
    local_phase_corr = global_phase_error(w_start:w_end);
    comp_data = apply_phase_correction(local_data, local_phase_corr);
    
    % 3. 高精度 TBP 生成清晰子图像
    SubImage_Sharp = precise_TBP(comp_data, ...);
    
    % 4. Hanning二维加权 + 累加 Mosaicking (与原代码一致)
    Image_mosaic  = Image_mosaic + SubImage_Sharp .* W_2d;
    Weight_mosaic = Weight_mosaic + W_2d;
end

% 归一化输出最终全景高清无缝图像
Image_final = Image_mosaic ./ Weight_mosaic;

---

6. 总结

在滑动子孔径框架下引入自聚焦，其精髓可以概括为十二个字：
"局部估计，全局融合，分块补偿"。

这种架构不仅极大地降低了长条带 SAS 成像的内存需求，完美解决了运动误差的"空变"问题，还通过梯度融合避免了图像拼接时的相位断裂。它是目前通往真实深海探测信号处理、实现"所见即所得"海底高清测绘的必经之路。