论文速览 | IEEE Antennas and Wireless Propagation Letters (AWPL), 2024 | An Effective Image Reconstructi
论文速览 | IEEE Antennas and Wireless Propagation Letters (AWPL), 2024 | An Effective Image Reconstruction Enhancement Method with Convolutional Reweighting for Near-field SAR | 基于卷积重构的近场SAR成像增强方法
1 引言
随着雷达成像技术的进步，在国防科技、公共安全和遥感监测等多个领域已获得广泛应用，并展现出显著的技术优势。该技术涵盖目标识别、复杂地形测绘以及城市空间建模等多个方面，并已在多个实际应用场景中得到验证和推广。研究者们愈来愈重视压缩感知理论在合成孔径雷达成像过程中的关键作用，并致力于探索其高效重建算法的实现路径
说明
基于L0范数的正则化技术能够很好地抑制边缘图斑和杂波，并显著提升图像质量。然而这类方法通常忽视雷达图像中目标群的结构性稀疏特征 导致重构后的图像仅由分散的散射点构成 并未能充分反映目标的实际结构 此外 常见的迭代硬阈值算法（IHT）需要将回波数据与成像网格转化为向量 并构造一个规模庞大的观测矩阵 这种做法在处理大规模场景时会带来计算上的负担
2 动机
针对上述问题,文章主要从结构驱动的角度出发,提出了基于卷积网络重构的一种改进型L0范数正则化方法,该方法显著提升了雷达图像中目标群的结构稀疏特征识别能力。同时,文章还引入了基于Armijo准则的梯度下降步长策略,该策略有效适应迭代过程中的步长变化及成像支撑集调整需求,从而显著提高了算法运行效率和成像效果。
3 方法
假设重构图像的稀疏度为K,则优化模型如下:
σ等于使得最小化½||σ_MF − Aσ||₂²加上f(σ)的结果。受限于矩阵C_k与向量结果进行Hadamard积后与零向量相乘的结果等于K。
其中，
A\sigma = \Phi^H \cdot \Phi \cdot \sigma
中，
\sigma_k
代表第k次迭代的结果，
\odot
用于执行逐元素的Hadamard乘积运算，
权重系数为
C_k
，在每次迭代中被用来调整当前层的信息融合。
通过与前一次图像应用卷积操作获得。
该卷积重构过程能够有效提取目标物体的空间结构信息，并显著提升图像质量。
在优化迭代过程中,文章基于IHT方法与Armijo梯度下降线性搜索步长标准相结合的技术进行了研究。该方案能够自动适应步长和成像支持集的能力，并通过这种方式实现了对这些参数的有效控制，并提升了计算效率。
4 实验和结果
文章使用了两组实验数据进行验证,具体实验设置如下:
4.1 第一组实验:角反射器物理模型
实验场景中设置了五个不同尺寸与形状的目标体：一个金属球体、两个梯形反射器以及两个三维反射器。被 Archimedean 螺旋天线所采用的发射与接收工作模式下完成信号处理任务。该系统的工作频率范围设定在 0.5 至 2.5 GHz范围内运行，在数据采集过程中为了提高成像质量采用了统计优化方法：仅从所采集数据集中随机取约 30% 的样本用于图像重建工作
实验结果显示,相较于BP、IHT、Cauchy以及Tar-Imaging等算法而言,该算法能够恢复比其他方法更多的散射点,尤其在重构较小目标的散射点方面表现出色。此外,从信息熵(IE)的角度来看,本研究的方法获得了最低数值,这表明所重建图像的聚焦质量更为优异;在图像对比度(IC)方面,本研究的方法取得了较高数值,这表明所重建图像具有更高的精度和更有效的杂波抑制能力。这些结果进一步验证了所提出的稀疏模型及其优化策略的有效性。
4.2 第二组实验:扳手物理模型
本研究采用了扳手作为目标对象，并设定其中心频段为77至81 GHz。该实验仅利用约20%的数据进行成像处理。实验结果表明，在与现有算法对比中，提出的新算法能够清晰重构出目标物体的结构轮廓，并且不同区域之间的关联性得到了有效保留。这一优势源于引入了新型的卷积重构框架，在计算效率方面也展现了显著优势。
实验结果表明通过多组实验验证, 所提出算法在近场成像场景中具有良好的性能和较高的应用潜力。
5 不足和未来展望
本文方法专为近场成像领域设计，在将其延伸至远场成像时仍有待进一步验证其效果表现。此外，在不同目标类型中寻找最优稀疏度K的选择仍是一个值得深入探讨的问题。后续研究计划持续优化该算法并拓宽其应用领域
6 总结
本文提出一种高效的雷达图像重构方法。主要贡献包括:
基于结构驱动稀疏的视角，采用卷积重构L0范数来提升图像的结构稀疏特性。
通过多组实验验证了该方法的有效性和优越性。
采用Armijo线性搜索步长准则来自适应地选择最优步长和成像支持集，并显著提高计算效率。
该研究主要针对基于压缩感知框架下的大规模场景雷达成像技术设计出一种高精度图像重建算法。