低采样率ISAR成像的稀疏重建方法及其实时实现
一、研究背景
逆合成孔径雷达成像是一种面向飞机、舰船、卫星等运动目标的高分辨率雷达成像技术。它利用目标与雷达之间的相对运动形成等效合成孔径，从而获得目标在距离方向和方位方向上的二维散射图像。
传统ISAR成像通常需要采集大量连续、完整的雷达回波数据。随着成像分辨率不断提高，系统对采样速率、数据传输带宽、存储容量和处理能力的要求也越来越高。在复杂电磁环境中，雷达回波还可能出现脉冲缺失、数据中断、非均匀采样和信号干扰等问题。
当采样率降低或回波数据不完整时，传统成像方法容易出现图像模糊、旁瓣升高、虚假目标增多以及目标轮廓缺失等现象。因此，如何利用有限的回波数据恢复清晰的目标图像，成为ISAR成像领域的重要研究方向。
稀疏重建技术为解决这一问题提供了新的思路。飞机、舰船等目标的雷达回波通常由少量较强的散射中心组成，其成像结果在距离---多普勒平面上具有一定的稀疏性。利用这种特性，可以在低采样率条件下恢复目标的主要散射结构，实现高分辨率雷达成像。
二、低采样率ISAR成像原理
ISAR雷达向运动目标发射电磁信号，并接收目标不同部位反射回来的回波。目标机头、机翼、发动机、舰桥和桅杆等结构通常会形成较强的雷达散射点。
在完整采样条件下，系统可以通过距离压缩、运动补偿和方位处理获得目标图像。在低采样率条件下，只保留部分脉冲或部分频率数据，传统傅里叶成像方法难以直接形成清晰图像。
稀疏重建方法不再要求回波数据完全连续，而是根据目标仅由少量强散射中心构成的特点，从有限观测数据中估计目标散射点的位置和幅度。
其基本思想是：在所有可能的成像结果中，寻找一个既能够解释现有雷达回波，又包含较少有效散射点的结果。通过不断迭代，算法逐渐消除噪声和虚假散射点，保留能够真实反映目标结构的主要信息。
三、系统总体处理流程
低采样率ISAR稀疏重建系统主要包括回波数据采集、信号预处理、距离压缩、运动补偿、稀疏建模、图像重建和结果显示等环节。
1. 回波数据采集
雷达首先向运动目标发射线性调频信号，并采集目标回波。在低采样率模式下，可以通过随机保留部分雷达脉冲、降低方位向采样数量或减少部分频率采样点来降低数据量。
与规则间隔抽取相比，随机采样能够在一定程度上降低周期性栅瓣和重复伪影，更适合稀疏重建处理。
2. 信号预处理
原始雷达回波中可能包含直流分量、系统噪声、杂波和异常脉冲，因此需要进行去直流、滤波、幅度归一化和异常数据剔除。
信号预处理能够提高有效回波的信噪比，为后续距离压缩和稀疏成像提供稳定的数据基础。
3. 距离压缩
距离压缩用于提高雷达的距离分辨能力。系统通过匹配滤波等方法，将原始宽脉冲压缩为窄脉冲，获得目标在不同观测时刻的一维高分辨距离像。
经过距离压缩后，目标不同散射中心在距离方向上的分布会更加明显。
4. 运动补偿
ISAR成像依赖目标与雷达之间的相对运动。如果目标存在整体平移、速度变化或运动不稳定，目标散射点会在距离像中发生漂移，并产生相位误差。
运动补偿通常包括包络对齐和相位校正两个部分。包络对齐用于使不同脉冲中的目标距离位置保持一致，相位校正用于补偿目标平动造成的相位变化。
运动补偿是影响ISAR成像质量的重要环节。补偿不准确会导致目标图像散焦，使原本集中的散射点变得模糊。
5. 稀疏观测模型建立
系统根据实际保留的脉冲位置和采样方式，建立低采样回波与目标散射图像之间的对应关系。
为了降低内存占用，实际系统通常不直接建立规模巨大的完整矩阵，而是通过快速傅里叶变换、采样掩膜和索引选择等方式完成数据转换。
这种处理方式既可以减少存储空间，也方便在多核处理器、图形处理器和可编程逻辑器件上进行并行计算。
6. 稀疏图像重建
完成建模后，系统通过迭代算法恢复目标散射图像。每次迭代主要包括回波误差计算、散射点更新、噪声抑制和稀疏约束处理。
随着迭代次数增加，虚假散射点和背景噪声逐渐减弱，目标的主要散射中心逐渐清晰，最终形成二维ISAR图像。
7. 图像后处理
稀疏重建得到的结果通常具有较大的幅度动态范围，因此还需要进行归一化、对数压缩、灰度映射和图像增强。
图像后处理能够突出目标轮廓和强散射结构，使飞机机身、机翼、舰船船体和上层建筑等特征更加直观。
四、常用稀疏重建方法
1. 正交匹配追踪方法
正交匹配追踪是一种典型的贪心稀疏重建方法。算法每次从所有候选散射位置中选择与当前回波残差最相关的位置，并更新散射点幅度。
该方法原理简单、计算过程直观，在目标散射点较少、信噪比较高的情况下具有较好的重建效果。
但是，当目标散射中心数量较多、不同散射点距离较近或噪声较强时，算法可能选择错误的散射位置，影响最终成像质量。
2. 迭代软阈值方法
迭代软阈值方法通过反复计算回波误差并执行阈值处理，逐步恢复目标散射图像。
阈值处理可以抑制幅度较小的噪声和虚假散射点，同时保留幅度较大的真实散射中心。该方法结构简单、稳定性较好，但在高分辨率成像中可能需要较多迭代次数。
3. 快速迭代软阈值方法
快速迭代软阈值方法在普通迭代软阈值方法的基础上引入加速机制，使算法能够利用前几次迭代的变化趋势更新当前结果。
与普通方法相比，它通常可以在较少的迭代次数内获得稳定图像，更适合对运行速度要求较高的低采样率ISAR成像系统。
4. 交替方向优化方法
交替方向优化方法将复杂的稀疏重建问题拆分为多个相对简单的子问题，分别完成数据拟合、稀疏约束和辅助变量更新。
该方法容易加入图像平滑、结构保持、低秩约束和非负约束，适合处理复杂目标和低信噪比回波。
其不足是参数设置较多，不同参数会影响算法的收敛速度和成像结果。
5. 无网格稀疏重建方法
传统方法通常将目标成像区域划分为固定网格，并假设所有散射点均位于网格中心。真实散射点可能位于两个网格之间，从而产生位置偏差和能量扩散。
无网格重建方法不再严格依赖固定成像网格，而是直接估计散射点的连续位置，因此能够提高目标定位精度。
不过，该方法通常计算量较大，对实时硬件和优化算法提出了更高要求。
五、实时实现中的关键问题
稀疏重建需要进行多次迭代计算，其运行时间通常高于传统距离---多普勒成像方法。为了实现实时或准实时成像，需要从算法结构和硬件平台两方面进行优化。
1. 避免建立大型观测矩阵
高分辨率ISAR图像包含大量像素，如果直接建立完整观测矩阵，会占用大量内存，并产生较高的矩阵计算开销。
实时系统可以将观测过程分解为快速傅里叶变换、相位补偿、数据抽取和掩膜运算，避免显式存储大型矩阵。
这种方式能够明显降低存储需求，同时提高算法在并行硬件上的执行效率。
2. 自适应调整重建参数
在算法迭代初期，可以使用较强的稀疏约束，快速消除背景噪声和明显的虚假散射点。随着重建逐渐稳定，再降低约束强度，恢复幅度较弱的目标细节。
自适应参数调整可以提高算法对不同采样率、信噪比和目标类型的适应能力。
3. 使用上一帧结果初始化
在连续雷达观测过程中，相邻两帧之间的目标姿态和散射结构通常不会发生剧烈变化。
因此，可以将上一帧的重建结果作为当前帧的初始图像，减少算法从零开始搜索所需的时间。这种热启动方式能够有效降低迭代次数，提高连续成像速度。
4. 分块并行处理
系统可以按照距离单元、方位孔径或子图像区域对回波数据进行划分，再将不同数据块分配给多个处理核心并行计算。
对于图形处理器，可以同时处理大量散射系数和回波数据。对于可编程逻辑器件，可以将多个处理步骤设计为流水线结构，使不同数据连续进入计算模块。
5. 设置提前停止条件
在传统实现中，算法通常执行固定次数的迭代。但实际运行时，部分图像可能在较少迭代次数后已经趋于稳定。
系统可以实时检测相邻两次迭代结果之间的变化。当变化低于设定阈值时，立即停止计算，避免继续执行无意义的迭代。
6. 降低数据传输开销
在异构计算系统中，处理器与加速设备之间的数据传输也会消耗时间。
因此，应尽量将回波数据、采样掩膜、中间结果和重建图像保存在加速设备内部，减少中央处理器与图形处理器之间的重复数据交换。
六、实时硬件实现方案
1. 多核处理器实现
多核中央处理器具有编程方便、控制灵活和兼容性好的特点，适合完成数据管理、参数配置、运动补偿、任务调度和图像显示。
对于数据规模较小或实时性要求不高的系统，可以采用多线程技术实现完整的稀疏成像流程。
2. 图形处理器加速
图形处理器拥有大量并行计算核心，适合执行快速傅里叶变换、复数乘法、误差计算、阈值更新和图像后处理等重复性较高的运算。
在高分辨率ISAR成像中，图形处理器可以同时更新大量成像单元，从而显著缩短单次迭代时间。
使用图形处理器时，应尽量采用批量运算，避免频繁创建和销毁数据，同时减少处理器与显存之间的数据传输。
3. 可编程逻辑器件实现
现场可编程门阵列具有并行度高、处理延迟低和时序稳定等特点，适合实现高速雷达信号处理。
系统可以将距离压缩、快速傅里叶变换、复数乘加、数据抽取和阈值更新设计为连续流水线。
通过定点数计算、资源复用和片上缓存，可以进一步降低硬件资源消耗，提高系统吞吐率。
4. 异构协同实现
对于复杂实时ISAR系统，可以采用中央处理器、图形处理器和现场可编程门阵列协同工作的方式。
现场可编程门阵列负责完成高速回波接收、距离压缩和数据预处理；图形处理器负责执行大规模稀疏迭代和图像重建；中央处理器负责运动参数估计、任务控制、界面显示和结果保存。
这种异构架构能够综合发挥不同硬件平台的优势，兼顾处理速度、系统灵活性和运行稳定性。
七、系统软件处理流程
系统启动后，首先读取雷达回波数据和相关参数，并检查数据格式和采样情况。
随后，系统对原始回波进行去噪、归一化和距离压缩，生成高分辨距离像序列。
完成距离处理后，系统对不同脉冲的距离像进行包络对齐，并校正目标平动引起的相位误差。
系统根据有效脉冲位置生成低采样掩膜，建立回波数据与目标图像之间的映射关系。
接着，稀疏重建模块开始进行迭代计算，通过误差反馈不断更新目标散射图像，并根据图像变化判断是否提前终止。
完成重建后，系统对图像进行幅值压缩、噪声抑制和对比度增强，最终显示目标的二维ISAR图像。
系统还可以同步输出采样率、迭代次数、运行时间、图像熵、信噪比和重建误差等信息，为算法性能分析提供依据。
八、实验评价内容
为了验证低采样率稀疏重建方法的有效性，可以分别在不同采样率和不同信噪比条件下进行实验。
首先，将完整回波数据作为参考数据，再按照一定比例随机保留部分脉冲，构造低采样率回波。
随后，分别采用传统距离---多普勒方法和稀疏重建方法进行成像，并比较两种方法的结果。
在较高采样率下，两种方法通常都能够恢复目标的主要轮廓。随着采样率逐渐降低，传统成像结果会出现明显旁瓣和虚假散射点，而稀疏重建方法仍能够保留目标的主要散射结构。
在低信噪比条件下，稀疏约束还可以抑制部分背景噪声，使目标散射点更加集中。
系统评价通常包括图像误差、峰值信噪比、结构相似性、图像熵、目标背景对比度和运行时间等指标。
对于实时系统，还需要统计单帧处理时间、平均迭代次数、数据吞吐率、内存占用和成像帧率。
九、方法优势
低采样率ISAR稀疏重建方法可以减少雷达回波数据采集量，降低系统对高速采样设备的依赖。
在部分脉冲缺失或回波不完整的情况下，该方法仍能够恢复目标的主要散射中心，提高雷达系统对复杂数据环境的适应能力。
稀疏约束能够抑制部分背景噪声和旁瓣，提高目标轮廓和强散射结构的清晰度。
通过快速傅里叶变换、热启动、提前终止和并行计算，可以有效降低稀疏重建算法的运行时间。
同时，该方法能够与多核处理器、图形处理器和可编程逻辑器件结合，为实时雷达成像系统提供技术基础。
十、存在的问题
稀疏重建方法通常假设目标图像具有明显的稀疏性。当目标结构非常复杂、散射中心数量较多时，稀疏模型可能无法准确描述目标特征。
运动补偿误差也会影响重建效果。如果目标存在复杂机动、非匀速转动或明显微动，目标散射点可能发生扩散，降低图像清晰度。
在固定网格条件下，真实散射点与成像网格之间可能存在偏差，导致散射能量分布在多个相邻单元中。
此外，稀疏重建算法需要反复迭代，计算量仍然较大。提高成像质量往往需要更多迭代次数，而减少迭代次数又可能造成弱散射点丢失，因此需要在精度和实时性之间进行平衡。
十一、未来发展方向
未来可以研究运动补偿与稀疏成像联合优化方法，在重建目标图像的同时估计运动误差，提高复杂运动条件下的成像质量。
通过引入目标结构信息，可以利用散射点之间的连续性、分组特性和局部相关性，提升复杂目标的重建效果。
深度学习也可以与传统稀疏重建方法结合。通过将迭代过程展开为神经网络，可以减少计算步骤，同时保留一定的物理模型可解释性。
随着图形处理器、可编程逻辑器件和专用人工智能芯片性能不断提高，低采样率ISAR成像有望实现更高分辨率、更低延迟和更高帧率的实时处理。
十二、总结
低采样率ISAR成像利用目标散射中心的稀疏特性，从有限和不完整的雷达回波数据中恢复目标二维图像。
系统通过回波预处理、距离压缩、运动补偿、稀疏建模、迭代重建和图像增强，获得目标的距离---多普勒成像结果。
为满足实时处理要求，可以采用快速变换、隐式观测、参数自适应、热启动、提前终止和并行计算等优化方法，并结合多核处理器、图形处理器或现场可编程门阵列进行硬件加速。
该方法能够降低雷达数据采集、传输和存储压力，提高系统在低采样率、脉冲缺失和复杂干扰条件下的成像能力，在飞机识别、舰船监测、空间目标观测和雷达电子对抗等领域具有较高的研究价值和应用前景。