寬帶逆合成孔徑雷達高分辨成像技術綜述

田 彪 劉 洋 呼鵬江 吳文振 徐世友 陳曾平

①(國防科技大學電子科學學院 長沙 410073)

②(西安衛星測控中心 西安 710043)

③(國防科技大學電子對抗學院 合肥 230037)

④(中山大學電子與通信工程學院 廣州 510000)

1 引言

雷達成像技術自上世紀提出以來，已逐漸發展成熟，成為雷達系統發展史上的里程碑。目前的成像雷達通過發射大帶寬信號獲取徑向上的高分辨率，而利用合成孔徑得到垂直于徑向上的高分辨率。逆合成孔徑雷達(Inverse Synthetic Aperture Radar,ISAR)作為成像雷達的重要分支，其成像技術使雷達系統的主要功能從簡單的目標探測跟蹤發展到對目標細節信息的獲取及特征分析[1–3]。

ISAR成像的目的與追求在于以盡量小的代價用圖像展示更多更有用的目標信息，從而為后續成像應用提供更高質量的ISAR圖像[4]。無論是雷達體制、成像體制，還是成像方法，幾乎所有研究均是在推動ISAR成像朝著這一目標前進并不斷解決其中發現的新問題。圍繞ISAR成像的目標，從ISAR圖像的角度來看，ISAR成像技術的發展變化主要可歸納為兩個方面，一是精細化成像提升成像質量，二是多維度成像豐富成像信息。

在精細化成像方面，ISAR成像效果受到雷達系統幅相特性、目標非合作運動、信號處理算法等因素的影響。在成像過程中，研究者通過信號處理方法使成像模型轉化為轉臺成像，所涉及的關鍵環節主要包括雷達回波脈沖壓縮、雷達系統失真校正[5–8]、目標高速運動補償[9–16]、距離向自聚焦[17–20]、平動補償[21–26]、轉動補償[27–33]、圖像重構[34–59]、圖像后處理[60–70]等，每一環節的處理都影響最終的雷達成像效果。精細化成像技術作為一個通用技術群，支撐了特定的場景和目標下的高質量成像，例如低信噪比成像、稀疏數據成像、多目標成像、微動成像等，他們對成像技術鏈路也都有各自的具體要求，本文將在最后一部分進一步討論。

在多維度成像方面，傳統ISAR成像獲得的二維圖像僅僅是目標三維結構的二維投影，存在信息缺失。隨著雷達體制的進步和信號處理方法的優化，雷達成像的維度不斷擴展，成像信息量不斷提升。ISAR圖像維度擴展主要體現在信號極化、頻段、空間、時間等維度。在信號極化維度方面，脈間交替極化、脈內分時極化、甚至瞬時全極化雷達的出現，目標的極化特性通過ISAR成像的方式可以更直觀地展示[71–79]。在信號/圖像融合方面，通過不同頻段相干合成大帶寬成像[80–91]或通過雙/多基地雷達實現觀測目標的多視角成像[92–106]，可豐富目標細節和提升目標多姿態展示能力。在空間信息維度方面，通過構造特殊的觀測流形或形成二維觀測孔徑，可使雷達具備對目標的三維成像能力，從而以更直接的方式展示目標信息[107–144]。當然，成像的維度并不僅僅局限于上述方面，例如成像時間維度擴展，形成視頻雷達圖像等等。

本文圍繞寬帶ISAR成像技術的發展，從精細化和多維度兩個方面綜述了先進成像技術和方法，最后從成像建模、復雜場景精細成像、實時成像、成像評價與圖像應用等四個方面進行展望分析。

2 精細化成像

在成像過程中，目標相對雷達的運動包含平動和轉動兩部分，其中只有轉動分量對目標的ISAR成像有貢獻。由于目標運動的非合作性和復雜性，平動分量會導致目標回波相位的擾動，影響回波序列的相干性，因此需要補償。因此，在ISAR成像研究中，研究人員始終圍繞如何恢復目標回波序列的相干性進行展開。由此引出了二維ISAR成像中幾個關鍵技術的研究：高分辨一維距離像獲取和補償技術、平動補償技術、轉動補償技術、二維圖像重構技術、圖像后處理。精細化ISAR成像處理需要每一個環節的補償校正都準確完成。下面就上述幾個關鍵技術，簡要梳理目前國內外取得的主要研究進展。

2.1 一維成像與脈內補償

寬帶雷達高分辨一維像是二維成像的基礎和數據源，要獲得準確的高分辨一維距離像，需要結合回波數據特點和后續ISAR成像的需求，完成必要的補償。

2.1.1 脈沖壓縮

ISAR成像雷達通過發射寬帶信號獲得距離向的高分辨，通過脈沖壓縮技術，可以獲得目標散射點在徑向上的投影分布，即目標一維距離像。在實際雷達系統中，線性調頻(Linear Frequency Modulated,LFM)信號是使用最廣泛的寬帶信號。針對LFM寬帶信號的脈沖壓縮有兩種處理方式：一種是解線頻調(Dechirp)處理[145]，又稱STRETCH或去斜率處理[146]；另一種是匹配濾波脈沖壓縮。這兩種脈沖壓縮方法理論上具有相同的距離分辨率，在實際應用中各有利弊。

由于LFM信號的特殊性質，Dechirp處理后的信號帶寬大大降低，有效減小了雷達信號采集和處理的難度。Dechirp脈沖壓縮技術經過數十年發展，已廣泛應用于各種寬帶雷達系統，如國外主要寬帶成像雷達ALCOR雷達、HLRIR雷達、Haystack輔助雷達、TIRA雷達等。國內研制的寬帶成像雷達，其接收機也都采用了Dechirp技術。盡管Dechirp技術在理論和工程應用上已經比較成熟，且仍被廣泛應用，但在實際應用中逐漸暴露出自身存在的一些缺陷，主要表現在：距離開窗范圍有限、頻率移變性導致系統失真補償困難、參考信號存在調頻非線性分量、參考距離的隨機誤差破壞了回波的相參性。

和解線頻調的寬帶回波接收方法相對等的，是直接中頻采樣(Direct Intermediate Frequency Sampling,DIFS)方法。隨著數字技術在雷達系統中的應用，高速ADC以及高性能FPGA、DSP器件為基礎的數字化器件不斷進步，并逐步在實際寬帶雷達中得到應用，對寬帶信號進行DIFS得以實現。DIFS數據更完整地保留了雷達回波的原始信息，為后續的信號補償及成像處理留下了更大空間。DIFS數據由于高采樣率，帶來的顯著影響是海量數據，給后端信號處理增加了難度。圖1給出了兩種不同脈沖壓縮方式的流程圖。

圖1 兩種不同脈壓方式流程圖Fig.1 Flow chart of two different pulse compression methods

2.1.2 系統失真補償

隨著雷達帶寬的不斷增加，各種非理想元器件難以在整個頻帶內維持平坦的幅頻特性和線性的相頻特性。信號在經過這些元器件時，不可避免地發生失真，即不再是理想信號，其后果是惡化系統性能，降低分辨率、抬高旁瓣、減小信噪比，甚至產生假目標[147]，從而影響ISAR圖像質量，導致雷達觀測性能的下降。圖2給出了雷達系統理想幅相特性與實際幅相特性的對比。采用信號處理技術進行系統失真校正，是當前大多數寬帶雷達系統不可或缺的組成部分，它降低了對硬件系統研制的要求，使得高性能系統更加容易實現。

高分辨雷達系統的工作體制不同，系統的失真因素也不盡相同，對應的校正方法也隨之不同。解線頻調體制和匹配濾波體制有一些共同的失真因素，如調頻非線性失真、I/Q正交不一致性失真、寬帶系統的幅相失真；而有些失真因素則是解線頻調體制引起的，如時頻轉換失真、窄帶系統失真等。對于采用匹配濾波體制的雷達系統，系統的失真與信號的失真作用相同，可以合在一起測量與校正；而采用解線頻調體制的系統，信號形式和信號帶寬在時頻轉換前后不一樣，不僅使失真因素增多，而且使各種失真具有移變特性[5]，從而使得系統失真測量和校正的難度大大增加。林錢強等人[6]詳細分析了數字STRETCH處理系統的失真特性，可產生數字域的理想參考信號，不存在模擬STRETCH處理系統中失真的移變特性，并提出了一種系統失真補償的高效算法。

劉洋等人[7]提出了一種基于頻域均衡的系統幅相失真補償方法，通過最小二乘估計方法從塔源回波中提取系統幅相失真量，對DIFS回波數據進行頻域的系統幅相失真補償。圖3給出了實測塔源數據幅相失真補償效果。補償后的DIFS信號脈壓結果主瓣更窄、信噪比更高且由幅度周期性失真引起的“成對偽峰”被完全抑制。對比Dechirp回波脈壓結果，盡管經過系統的預失真校正，仍然無法完全抑制幅相失真的影響。補償前后的二維ISAR圖像和Dechirp回波ISAR圖像也很好地顯示了對DIFS信號進行系統幅相失真補償帶來的好處。

呼鵬江等人[8]提出一種完全由數據驅動的自適應補償方法，基于橫向距離像實現系統幅相失真的補償，避免了傳統補償方法所必需的系統幅相特性測量環節，大大簡化了補償過程，降低了補償成本。圖4給出了目標寬帶回波失真補償效果處理結果，假設雷達系統不僅存在幅頻響應失真，而且存在相頻響應失真，此時ISAR圖像距離向嚴重模糊，難以從圖像中提取有用的目標特性信息。進行幅度失真補償后，圖像質量有一定改善。而進行相位失真補償后的目標圖像，圖像質量得到進一步改善。

2.1.3 高速運動補償

不同于飛機目標和地面目標，導彈和衛星等空間目標在成像過程中通常伴隨高速運動，徑向速度較大。對于大脈寬信號，傳統的回波“停-走-停”模型不再適用，必須考慮目標在脈沖時間內的運動變化。不論是Dechirp脈沖壓縮方式還是DIFS匹配濾波脈沖壓縮方式，目標的高速運動均會在回波相位中產生2次甚至更高次的相位，從而導致目標一維距離像的譜峰展寬甚至分裂。

針對Dechirp信號的高速運動影響分析和補償方法的研究已經十分成熟，通常首先利用信號處理的方法估計出目標徑向速度，然后對Dechirp回波中由徑向速度引起的高次相位進行共軛抵消來實現高速運動的補償。Dechirp信號高速運動補償的關鍵在于速度的準確獲取，目前主要采用兩大類方法：一是以一維距離像的聚焦程度為衡量準則，其中以波形熵最為典型，進行速度的間接估計[9,10]；二是基于去斜回波信號，估計高速運動引起的高次相位，進而直接獲得速度的估計值，如離散Chirp-Fourier變換(Discrete Chirp-Fourier Transform,DCFT)[11]、Randon-Ambiguity變換(RAT)[12]和Randon-Wigner變換(RWT)[13]以及3次相位函數(Cubic Phase Function,CPF)、積分3次相位函數(Integrated Cubic Phase Function,ICPF)[14]等高次相位估計工具。

圖2 理想幅相特性與實際幅相特性的對比Fig.2 Comparison of amplitude and phase

圖3 塔源實測DIFS回波系統失真補償試驗結果[7]Fig.3 The distortion correction performance of real calibration tower signal[7]

圖4 飛機目標仿真數據幅相失真補償實驗結果[8]Fig.4 The distortion correction performance of simulated airplane signal[8]

曹敏[15]針對高速運動嚴重影響一維距離像質量的問題，提出了基于粒子群優化(Particle Swarm Optimization,PSO)算法的自適應聯合時頻變換(Adaptive Joint Time-Frequency transform,AJTF)方法。基于AJTF思想通過在二維時頻平面內搜索單個散射點的多普勒變化估計目標速度，從而實現一維距離像速度補償，并針對待估參數二維搜索計算量大的問題，利用PSO算法加速參數搜索。圖5給出了國際空間站的高速運動補償成像效果分析，通過局部放大圖可以看出，散射中心峰值點補償后變得尖銳。

與去斜回波不同，DIFS回波速度擾動相位與目標轉動相位耦合在一起，必須在匹配濾波脈壓過程中通過調整匹配濾波器參數的方式實現補償，因此通過DIFS回波信號估計目標速度難度較大。現有的絕大部分ISAR成像雷達都具備測速和測距功能，且隨著技術的發展，雷達測量精度不斷提高。利用雷達窄帶測距和測速數據可精確擬合出目標徑向速度，為DIFS回波的高速運動補償提供速度參數。

田彪等人[16]針對DIFS體制下的高速運動補償問題，提出了基于牛頓迭代和最小熵的快速速度搜索方法，為構造自適應匹配濾波器提供輸入參數，提升了高速運動補償的效率，補償方法同時消除了高速運動引起的一維像平移和展寬效應。圖6給出了高速運動補償效果。

2.1.4 距離向自聚焦

針對高頻段、大帶寬雷達，以及機動等復雜運動目標的ISAR成像，脈內的相位誤差進一步加大，必須進行距離向的自聚焦，改善一維像聚焦質量。高頻段雷達器件相位噪聲造成發射和接收回波中存在較大相位誤差[17]；由于短波長較短，機動等引起的很小的觀測距離誤差就可能造成巨大的相位誤差。因此，有必要對ISAR回波中的距離相位誤差進行建模分析，研究精確有效的相位誤差估計和補償方法，通過距離向自聚焦步驟，提高ISAR回波的距離壓縮質量[18]。

劉磊等人[18,19]構建了距離相位誤差的高階多項式模型，基于最小熵和啟發式搜索技術對每次回波信號進行2次調頻率搜索，估計各次回波調頻率的值并取均值以提高估計精度。構建2次相位誤差補償項，對距離維2次相位誤差進行補償。之后，通過距離維自聚焦算法估計和補償3次及以上階次的誤差相位，進一步提高距離壓縮結果的聚焦度。最后，利用包絡對齊處理消除掉距離維1次相位誤差的影響。圖7給出了距離相位誤差補償的效果。

2.2 脈間補償

脈沖間慢時間的運動必須精確估計和補償，才能等效為精確的轉臺模型，為方位壓縮成像奠定基礎。目標脈沖間的運動補償主要包括兩個方面，即目標整體相對于雷達的平動，以及目標上不同散射中心相對于轉動中心的轉動。

2.2.1 平動補償

目標運動是ISAR成像的基礎，但同時也是ISAR成像中一系列問題的來源。雖然目標轉動和平動都會使目標散射點產生多普勒，但由于目標平動速度隨時間變化，平動產生的多普勒于成像有害無益，需要將目標回波信號去除平動引起的多普勒頻率變化，最終等效為轉臺目標成像，這一過程即為ISAR成像的平動補償。由于目標的非合作性，平動補償是ISAR的難點。

圖5 國際空間站高速運動補償效果[15]Fig.5 High velocity movement compensation performance of ISS[15]

圖6 衛星目標仿真數據高速運動補償效果[16]Fig.6 High velocity movement compensation performance of simulated satellite[16]

目標平動給ISAR帶來兩方面的影響：一是使相鄰一維距離像在距離向上錯開，同一個散射點在不同一維距離像上處于不同的距離單元；二是使回波存在多普勒頻移，在成像積累時間內多普勒頻移的快變導致ISAR像散焦。平動補償包括消除目標平動分量對回波信號包絡以及相位的影響，由于消除這兩方面影響所需的精度不同，因此平動補償一般分兩步進行：距離對準和相位校正。

(1) 包絡對齊。包絡對齊是根據相鄰距離像之間的相關特性，依據某種準則使當前距離像與參考距離像在包絡上對齊。根據對齊準則的不同，包絡對齊可分為互相關包絡對齊、基于圖像銳化度準則的包絡對齊、基于空間距離準則的包絡對齊3大類。根據參考距離像選取方式的不同，包絡對齊方法又可分為相鄰對齊、加窗積累對齊和全局對齊3大類。

(2) 初相校正。在完成包絡對齊后，目標回波一維距離像在包絡上基本對齊。但是，各次回波之間仍然存在一定的平動誤差，即包絡對齊后的各次回波初始相位仍然是隨機的，從而使得目標上的散射點無法形成聚焦良好的ISAR圖像。因此，還需要通過初相校正消除回波中由平動引起的相移，使得校正后的目標可視為轉臺成像目標。由于參考距離的隨機誤差，采用Dechirp脈壓方式的目標回波通常是非相參的。因而，學者提出的Dechirp回波初相校正主要采用基于散射點模型的非相參化補償算法。非相參化初相校正方法主要有：多普勒跟蹤法、特顯點法、相位梯度自聚焦法、秩一相位估計法、基于圖像質量評價準則的自聚焦法等。

針對機動目標的平動補償，Shao Shuai等人[20]提出了一種空變對比度最大化自聚焦算法，建立了參數化二維空變相位誤差多項式模型。用多項式系數向量表示空變特性，并考慮了機動運動引起的圖像投影平面的變化。此外，多項式系數向量通過基于擬牛頓迭代(Broyden-Fletcher-Goldfarb-Shanno,BFGS)快速搜索算法的最大對比度優化來實現。此外，作者還提出了一種自適應多項式階數選擇方法。圖8給出了實測數據的空變相位補償效果。

(3) 基于回波相參性的平動補償。隨著高速數字采集和存儲設備的發展，國內外多部雷達已經實現對目標回波的直接中頻采集。通過DIFS過程中的精確波門控制和記錄技術，目標回波序列中的隨機相位擾動將被有效控制和補償，目標回波的相參性能夠得到很好地保留[21]。基于匹配濾波的脈沖壓縮可得到相干性較好的目標復距離像回波數據，回波的初相歷程基本保持了目標平動規律，從而使得參數化初相校正方法在實際工程中的應用變得可行。

林錢強等人[22,23]針對DIFS回波數據，提出了相參化的初相校正方法，首先利用多普勒跟蹤法估計得到距離像序列的初相歷程，然后采用多項式擬合方法對初相歷程進行高精度估計，提高初相補償效果。類似的，文獻[24]提出了基于相位估計的頻域平動補償方法，通過估計相鄰回波的相位歷程，直接在頻域同時實現包絡對齊和初相校正。圖9給出了相參化運動補償效果。

圖7 距離相位誤差補償效果[18]Fig.7 Range phase error compensation performance[18]

圖8 空變相位補償效果[20]Fig.8 Spatial-variant contrast maximization autofocus performance[20]

相參化平動補償的另一個好處是，能夠實現空間快速旋轉等復雜運動目標的平動補償。當目標快速旋轉時，相鄰包絡相關性受出現周期性的快速起伏，使得常規的非相參化包絡對齊變得非常困難。文獻[25,26]針對快速旋轉的空間碎片，提出了基于中頻直采數據的寬帶成像方法，利用目標運動參數進行參數化的運動補償，實現了快速旋轉目標的高精度包絡對齊和初相校正。在低信噪比環境下，采用去斜率脈沖壓縮接收和傳統的平動補償方法，對快速旋轉目標進行平動補償幾乎不可行。圖10給出了空間旋轉目標兩種接收模式下的平動補償效果。

2.2.2 轉動補償

經過理想平動補償后，目標回波中僅包含轉動分量，可等效為轉臺模型，可通過一定的成像方法得到目標二維ISAR像。在大帶寬、大轉角成像中，不可避免發生散射點的越分辨單元走動(Migration Through Resolution Cell,MTRC)。若仍采用RD成像算法，目標圖像會在距離和方位向上出現散焦。同時，失控衛星、飛機等機動目標的復雜運動引起目標的非均勻轉動，同樣會造成方位向的散焦。因此，精細化成像中，目標的轉動補償不可或缺。

MTRC分為徑向和方位向MTRC，根據目標在徑向和方位向的尺寸大小，目標回波中可能同時包含兩種走動。一般而言，Keystone變換能夠較好地校正轉動引起的徑向MTRC，且無需提前估計目標轉角，但其對方位向上的MTRC補償毫無益處。高分辨ISAR成像轉動補償的核心是如何準確估計目標轉動參數。目標轉動參數的估計算法主要分為基于信號相位的參數化估計[27–30]和基于圖像的非參數化估計[31–33]兩類。

胡杰民等人[27]研究了基于相位對消的轉角估計方法，根據回波相位2次項系數算出旋轉速度，進而根據成像積累時間算出轉動角度。針對回波相位存在1次項導致2次項系數難以估計這一難題，研究了基于相位1次項對消的2次項系數估計方法，并利用加權最小二乘法對各距離單元的估計結果進行了擬合。圖11給出了相位對消法轉角估計的效果。

圖9 相參化運動補償效果[22]Fig.9 Coherent motion compensation performance[22]

圖10 信噪比–5 dB時空間旋轉目標的平動補償效果[26]Fig.10 Translational motion compensation performance of spatial rotation target of SNR=–5 dB[26]

劉洋等人[31]提出了一種非參數化的轉動參數估計方法，該算法首先通過Keystone算法校正成像過程中距離向的MTRC；然后利用目標區域提取技術和雷達視線變化角度求取目標轉動參數初值；最后結合黃金分割搜索(Golden Section Search,GSS)方法和最小熵準則實現目標轉角和轉動中心搜索，實現方位向的MTRC校正。圖12給出了Mig-25仿真數據的MTRC校正效果。

2.3 二維圖像重構

實現運動補償之后，為獲得目標的二維ISAR圖像，可對方位向回波進行慢時間相干積累，完成目標散射強度分布的空間重構。ISAR觀測對象一般為非合作目標，根據目標的運動狀態，可將目標分為3類：平穩運動目標、機動目標和復雜運動目標。3類目標的回波信號模型由簡單到復雜，因此，相應的圖像重構方法也有所不同。

當目標在成像時間內平穩飛行時，如三軸穩定衛星、民航飛機等，目標運動滿足勻速二維轉動模型，經過運動補償后，可采用基于傅里葉變換的成像方法得到目標二維圖像。根據目標成像轉角的大小，基于傅里葉變換的圖像重構算法有RD算法，Keystone變換算法和PFA算法等。

當目標做機動飛行時，目標多普勒頻率時變，直接采用基于傅里葉變換的圖像重構方法無法獲得清晰的ISAR圖像。為此，許多學者將時頻分析方法引入到ISAR圖像重構中[34,35]，采用距離瞬時多普勒(Range-Instantaneous Doppler,RID)方法成像，較好地抑制多普勒時變引起的方位向模糊。目前，應用于RID成像中常用的時頻分析方法有短時傅里葉變換、平滑偽Wigner-Vile變化和Gabor變換等。為改善傳統時頻分析的聚焦性，同時抑制交叉項，文獻[36]提出了時頻分布重排的思想。RID成像的另一種思路是基于信號分解方法獲取目標瞬時距離-多普勒圖像，常用的方法有基于Chirplet分解[37]和調幅線性調頻信號分解[38]的瞬時ISAR成像。

劉洋等人[39]針對含小幅度微動部件目標成像，提出了一種基于自適應多普勒譜線提取的改進RID算法，利用梯度能量函數提取出不同距離單元的最佳多普勒瞬時譜線，最終將所有距離單元的最佳瞬時多普勒譜線在距離向排列，得到目標聚焦性能更好的二維RID圖像。圖13給出了改進RID成像方法與傳統成像方法的成像效果對比。

圖11 相位對消轉角估計效果[27]Fig.11 Rotation angle estimation performance by phase cancellation method[27]

圖12 Mig-25仿真數據MTRC補償效果[31]Fig.12 MTRC compensation performance of simulated Mig-25 data[31]

對于復雜運動目標，多采用基于信號參數估計的RID算法產生目標二維圖像[40–42]。平動補償后，復雜運動目標成為勻加速轉動的“轉臺”目標，各散射點多普勒頻率變化更為復雜。這種情況下，各個距離單元的慢時間信號可視為多分量多項式相位信號，在估計得到各多項式相位信號分量的參數后，可計算慢時間時刻的多普勒頻率，從而實現了多普勒分析。哈爾濱工業大學的王勇教授團隊[43–45]和西安電子科技大學的雷達信號處理重點實驗室[40–42,46]在這方面做了大量的工作，較好地解決了復雜運動目標成像問題。由于需要對所有距離單元的方位回波信號進行信號參數估計，該類方法普遍存在運算量大的問題，而且運算量隨精度提高而快速增大。此外，對于每個距離單元來說，參數估計過程中存在誤差傳遞現象。王勇等人通過分析復雜運動目標的RD圖像推導得出散射點峰值的精確位置，基于此，提出了基于峰值提取的成像算法，獲取了聚焦良好的ISAR像，如圖14所示。

為突破成像分辨率的瑞利限(rayleigh limit)，超分辨譜估計技術能夠實現在雷達帶寬受限的情況下對ISAR成像超分辨的要求。基于現代信號譜估計的雷達成像方法主要從參數化譜估計和非參數化譜估計兩個方面展開。參數化譜估計方法假設雷達回波滿足一定的數學模型，然后利用參數化方法分析信號的頻譜，從而將譜估計轉換成數學的參數估計問題，具有代表性的有Burg譜外推法[47]、MUSIC方法[48]、root-MUSIC方法[49]和ESPRIT方法[50]等。非參數化譜估計方法的基本思想是將利用一個窄帶濾波器對感興趣頻帶內的信號進行濾波，然后用濾波器的輸出功率除以濾波器的帶寬表示對輸入信號的一種度量，主要有Capon算法和幅度-相位估計(Amplitude Phase EStimation,APES)方法[51]等。

過去十多年，壓縮感知(Compressive Sensing,CS)[52,53]等信號處理新方法的出現為解決ISAR成像問題提供了另一個強有力的工具。由于ISAR一維距離像和二維圖像的稀疏性，各種稀疏恢復方法在ISAR成像領域取得了廣泛應用[54,55]。研究者們提出的成像算法成百上千，有的致力于提高分辨率，有的致力于降低對回波數據量的需求，有的致力于突出圖像特定特征以便于后續應用。

圖13 改進RID算法成像效果[39]Fig.13 Imaging performance of improved RID algorithm[39]

圖14 基于峰值提取的成像算法效果[45]Fig.14 Imaging performance based on peak extraction[45]

近年來，深度學習網絡在ISAR圖像重構和分辨率提升等方面作用凸顯。高敬坤、葉佳琪、秦丹等人[56–59]建立了利用深度學習增強ISAR分辨率的基本實施框架，通過訓練深度殘差網絡和生成對抗網絡自動學習低分辨ISAR像和對應高分辨ISAR像之間存在的映射關系，進而重構出ISAR高分辨圖像。圖15給出了利用深度網絡的ISAR圖像重構結果，可以看出通過網絡的重構方法比傳統RD重構方法分辨率顯著提升。

2.4 ISAR成像后處理

通過圖像重構技術已經獲得目標的二維ISAR圖像，然而考慮圖像的后續應用，需要進一步實施圖像方位向定標和可視化顯示。

2.4.1 方位向定標

ISAR圖像方位向定標是應用ISAR進行目標特征提取和目標識別的前提。ISAR圖像方位向分辨率反比與目標相對于雷達的轉角，因此方位向定標的核心是求取目標的轉角或轉動速度。目前轉角估計方法大概可分為3類：第1類是基于窄帶跟蹤信息的估計方法[60,61]，該類方法依賴于雷達跟蹤設備的觀測數據，其性能也受限于窄帶跟蹤精度，實際應用中不具有普適性；第2類是基于ISAR圖像處理的方法[62–64]，通過整幅圖像直接相關或者通過散射點配準來估計轉角，該類方法需要ISAR圖像滿足一定條件如存在孤立散射點等，從而限制了其實際應用。第3類是基于方位回波估計目標轉角[65–67]，從信號處理入手，分析方位回波中包含的轉角信息，并可通過多個距離單元的方位回波信號聯合處理提高估計精度。該類方法僅依賴于回波信號模型和信號處理方法，具有較大的靈活性。

對于三軸穩定空間軌道目標，劉洋、呼鵬江等人[60,61]利用其運動特性，通過幾何分析，將目標轉角近似為雷達視線擺過的角度，實現了對此類目標的簡單快速標定。圖16給出了利用目標方位、俯仰測量結果近似擬合目標轉角后的定標結果。

圖15 暗室測量飛機模型的深度學習網絡重構結果[59]Fig.15 Imaging performance via deep network of dark room airplane[59]

圖16 窄帶測量結果定標[61]Fig.16 Scaled result via measurement from narrow band[61]

張雙輝等人[66]通過優化ISAR圖像熵和對比度，聯合估計目標的旋轉速度和轉動中心。由于二維非線性優化，網格搜索通常計算效率低且不準確。為了提高計算效率，作者引入了修正的牛頓法，將Hessian調整為正定，以保證迭代優化過程朝著正確的方向進行。圖17給出了空客320飛機的定標結果。

方位標定是賦予ISAR成像結果物理含義的重要一步，也是進行后續三維成像的基礎步驟。由于ISAR圖像是目標真實三維結構在成像平面上的二維投影，圖像定標尺寸往往比目標真實尺寸小，對目標的準確刻畫存在一定缺陷。因此，探索結合成像投影分析與方位向定標的目標真實尺寸恢復方法具有較大的實用價值。

2.4.2 圖像可視化

ISAR成像過程中受雷達系統、環境噪聲、成像條件、以及成像算法等多種因素的影響，ISAR圖像通常存在噪聲、模糊、虛影、橫向條紋干擾等問題，進而使得后續的圖像分析、解譯面臨很大的難度。圖像可視化是ISAR成像結果展示和直觀信息獲取的重要手段，也是精細化成像必須考慮的環節，能夠增強圖像的視覺效果。

管志強等人[68]提出了一種基于自調焦的ISAR圖像增強方法，首先估計原始ISAR像動態范圍，對原始圖像進行均衡直方圖動態壓縮；然后對原始ISAR像進行小波分解；分別對原始像、Harr小波分解得到的1層、2層低頻系數進行隸屬度系數估計，計算調制系數；計算邊緣細節結果，利用所得的邊緣細節結果進行Harr小波重構，與動態壓縮后的結果進行圖像增強調制，得到最終增強結果。圖18給出了基于自調焦的ISAR圖像增強效果。

鑒于ISAR原始圖像幅度分布的稀疏性和線性直方圖映射存在的不足，劉洋等人[69]提出了一種基于冗余幅度壓縮的直方圖均衡算法，通過空幅度級壓縮，低概率幅度級壓縮和高概率幅度級擴展，實現ISAR圖像細節增強。圖19給出不同圖像增強方法的效果對比，對比的方法包括對數變換，Gama變換(系數是0.4)，傳統直方圖變換。

李剛[70]采用一種簡單的暖色系或冷色系的灰度映射關系。暖色系主要表現為紅色、黃色、橙色等；冷色系則主要表現為藍色和紫色等。圖20給出了暖色系和冷色系的變換函數及ISAR圖像顯示效果。暖色變換函數高亮度區域表現為黃白色，中亮度區域呈現橙黃色，低亮度區域呈現紅色。冷色系變換函數高亮區以藍白色為主，中低量度區域則主要表現為天藍和純藍色。

圖17 空客A320飛機定標結果[66]Fig.17 Scaled result of A320 airplane[66]

圖18 基于自調焦的ISAR圖像增強效果[68]Fig.18 ISAR image enhancement based on auto-adjust[68]

3 多維度成像

傳統ISAR成像通過合成孔徑相干處理的方式獲得一幅二維圖像，僅僅是目標三維結構的二維投影。隨著雷達體制的進步和信號處理方法的優化，雷達成像的維度不斷擴展，成像信息量不斷提升。通過對多幅ISAR圖像或者其對應的回波數據進行處理，可以獲得更多維度的信息，例如極化雷達不同極化通道下的成像結果，不同頻帶雷達的成像結果，多部雷達不同視角下的成像結果，單部雷達連續姿態下的結果，多部雷達近似姿態下的成像結果等維度擴展。本部分分別從極化、多頻帶融合、多站多視角成像、三維成像等方面綜述雷達成像維度的擴展。

3.1 單站多極化

隨著寬帶極化雷達技術的發展，越來越多的ISAR成像系統通過發射不同極化方式的信號來測量目標的極化特性信息。通常，人們將發射一對正交極化信號，并同時采用兩個正交極化通道接收目標回波的雷達系統稱為全極化雷達。全極化ISAR雷達系統相比于傳統單極化ISAR雷達，至少具有以下3個優勢：一是通過全極化技術與高分辨成像的結合，能夠獲取目標完整的極化散射信息，實現目標極化特性的準確提取；二是極化信息的利用，增強了雷達的抗干擾和反隱身性能；三是通過不同極化通道的有效融合，能夠提高目標回波信噪比，改善目標ISAR成像效果。

圖19 圖像增強效果比對[69]Fig.19 ISAR image enhancement performance[69]

圖20 不同偽彩色編碼變換函數及顯示效果[70]Fig.20 Transformation functions and display performance of different pseudocolor codes[70]

意大利學者Marco Martorella等人[71–74]在極化域尋找一種最優極化方式使回波信噪比最大，然后結合基于圖像對比度最大準則和基于圖像熵最小準則的自聚焦方法，得到了聚焦更好的ISAR像。他還將CLEAN技術[75]用于極化ISAR圖像中提取散射中心的位置和極化矢量，以減少后續目標分類識別的數據量。圖21給出了基于Hot Spot的全極化成像效果。

張磊等人[76]研究了基于稀疏采樣的極化雷達成像自聚焦技術，全面準確的反映目標的全極化散射特性，與傳統全極化ISAR成像采用圖像熵或對比度準則不同，作者建立了各極化通道的聯合稀疏模型，通過稀疏重構的方法直接獲得配準的全極化圖像，方便后續融合處理。圖22給出了聯合稀疏與全極化相位校正的成像效果，所提出的方法在低信噪比和隨機相位噪聲情況下更具穩健性。

劉洋等人[77]提出一種針對低信噪比情況下的空間目標ISAR成像。首先采用基于極化白化濾波器的一維距離像融合的方式，改善了回波信噪比；然后在融合后的一維距離像上提取目標區域，并根據融合后一維像和各極化通道的目標區域數據分別進行包絡對齊和初相校正，從而改善各極化通道在低信噪比情況下的ISAR成像質量。圖23給出了脈內分時極化寬帶測量雷達錄取的目標HH,HV和VV 3個極化通道數據傳統成像和融合后成像效果。

林健智等人[78]針對高分辨極化雷達極化信息的應用問題，將4個極化通道的高分辨距離像進行基于最大似然估計的融合，利用全極化信息有效地抑制了噪聲。對融合的距離像進行包絡對齊后獲得了包絡移動量，然后利用該移動量對原始的4個極化通道的高分辨距離像進行相應的搬移，實現各自的包絡對齊，提高了包絡對齊算法的穩健性。圖24給出了利用高分辨極化ISAR系統的實測數據包絡對齊測試結果。

呼鵬江等人[79]針對脈內分時極化雷達的平動補償，提出了基于互易性的聯合平動補償算法，減少了后續不同極化通道二維像配準的過程，且有提高單極化通道成像質量的潛質。圖25基于互易性的聯合平動補償算法驗證結果，極化散射特性的影響使得同一散射點在不同極化通道下位置并不一致，直接融合之后會形成“虛假點”。聯合平動補償算法對各極化通道聯合平動補償之后重構得到的二維像中各個散射點位置完全“重合”，可以方便地進行后續的融合成像處理。

針對全極化ISAR成像，目前國內的研究更多停留在融合成像的層面，寬帶極化處理能力不足，還未實現極化信息的充分挖掘和利用，尚無法真正構成一個“成像維度”。隨著后續實際極化雷達裝備上的投入應用，更多結合實測數據的極化維度成像信息生成和利用將進一步豐富目標特性研究。

3.2 多頻帶融合

利用寬帶雷達獲取目標高分辨雷達像是目標識別的重要技術途徑。對于單雷達系統，增加信號帶寬不僅費用昂貴，而且雷達設計制造也非常困難。隨著雷達系統和信息處理技術的發展，利用多部不同波段的寬帶雷達通過信息融合技術獲得超大帶寬成為重要的技術發展方向。多頻帶(又稱多波段、稀疏頻帶)ISAR信號融合成像技術通過在信號層拓展雷達信號的帶寬獲得與大帶寬雷達相媲美的高分辨雷達圖像，是一種極具價值的獲得空間目標高分辨圖像的途徑。

林肯實驗室最早展開了多頻帶融合成像技術的研究。1997年，林肯實驗室期刊發表了題為《Ultra-Wideband Coherent Processing》的論文[80]，公布了暗室實驗結果，其中低頻子帶和高頻子帶帶寬均為1 GHz，完整頻帶帶寬為6 GHz，如圖26所示。實驗結果展示了多頻帶融合成像的巨大潛能，同時也拉開了多頻帶融合成像的大幕。

圖21 基于Hot Spot的全極化成像效果[74]Fig.21 Full polarization imaging based on Hot Spot[74]

圖22 信噪比10 dB情況下全極化成像效果[76]Fig.22 Full polarization imaging results when SNR=10 dB[76]

多頻段寬帶雷達成像的回波數據分布在不連續的多個頻帶上，其成像過程與單部寬帶雷達的成像有很大的不同，關鍵在于多頻帶回波的相干配準、數據融合這兩步。文獻[80]將子帶之間的非相干相位分為線性相位項和固定相位項兩部分，對子帶信號建立全極點模型，通過估計各子帶極點的參數，并構造以非相干相位為變量的代價函數來求解線性相位項和固定相位項。圖27給出了兩個子帶的極點估計結果。

文獻[81]采用了一種類似的方法來補償非相干相位。文獻[82,83]利用子帶極點和極點幅度的相位差異來求解非相干相位項。以上方法均基于全極點模型的極點進行相干化處理，建立在正確估計子帶全極點模型極點的基礎上。圖28給出了相干化處理前后的一維距離像結果對比。

然而在實際處理中，此類方法存在兩個問題：一是很難確定全極點模型的階數，二是擴展目標散射點數目眾多，可能大于可估計的極點的數目[84]。文獻[85]用互相關方法求解線性相位項，用全相位傅里葉變換求解固定相位項，避免了極點估計問題。

在融合成像方面，傳統研究工作在林肯實驗室方法的基礎上改進，主要是建立全頻帶全極點模型，通過對信號進行外推內插，估計極點模型參數，進而獲得融合的全頻帶信號。近年來，譜估計和稀疏信號處理新技術的引入給多頻帶融合提供了更多優化解決途徑，有效避免了傳統方法對模型定階的要求[85–89]。

圖23 基于極化白化濾波的融合成像結果[77]Fig.23 Fusion imaging results based on polarization whitening filtering[77]

圖24 包絡對齊結果對比[78]Fig.24 Comparison of range alignment performance[78]

白雪茹等人[84]針對稀疏頻帶對空間高速目標的成像問題，提出一種空間高速目標稀疏頻帶成像方法。利用缺損數據幅相聯合估計(Gapped-data Amplitude and Phase EStimation,GAPES)算法填補空缺頻帶數據，然后以填補后的全頻帶數據進行散射點數目估計、色散特性估計、幅度估計、方位像融合成像。圖29給出了電磁計算數據的實驗結果，實驗條件為子帶帶寬占完整頻帶帶寬的41.5%，信噪比為20 dB，通過融合成像獲得了與全頻帶接近的目標形狀、尺寸和后向散射特性。

呼鵬江等人[91]針對低信噪比情況下的融合成像問題，首先對稀疏頻帶觀測信號先進行方位壓縮再進行距離向融合成像，有效的提高了回波信噪比。然后基于自回歸(Auto Regressive,AR)模型對稀疏頻帶觀測回波信號內插來提高觀測樣本數量，從而減小空缺頻帶帶寬，再采用SL0算法對內插觀測信號重構得到HRRP。通過以上兩種措施，有效提高了稀疏頻帶融合成像質量。圖30給出了稀疏頻帶融合成像效果，子帶對應的ISAR圖像由于距離分辨率有限，很難從雷達圖像上獲取有用的目標信息。融合重構得到的目標圖像，分辨率得到了有效提升。圖30給出了利用Yak-42飛機稀疏頻帶融合成像結果。

圖25 極化成像效果對比[79]Fig.25 Comparison of polarization imaging performance[79]

圖26 林肯實驗室稀疏頻帶融合成像暗室實驗結果[80]Fig.26 Sparse band fusion imaging performance of Lincoln Laboratory[80]

圖27 極點估計[80]Fig.27 Pole estimation[80]

周峰等人[89]對稀疏頻帶回波信號建立概率模型，利用貝葉斯學習算法進行融合成像。作者利用電磁計算數據進行融合成像實驗，實驗中信噪比0 dB，完整頻帶帶寬6 GHz，子帶帶寬與完整頻帶帶寬比值約為0.4。圖31給出了利用衛星目標的電磁仿真數據進行稀疏頻帶融合成像結果。

縱觀國內外的多頻帶融合成像研究，目前尚無真正的多頻帶合成實測數據處理結果報道，更多停留在利用仿真數據、暗室數據、單部雷達數據切分等手段驗證融合成像方法的有效性。然而，實際寬帶雷達回波融合中所遇到的現實問題較多，理想的模型難以完全適用，多雷達的相干性要求更高等，理論研究的實際指導意義有所欠缺。另外，稀疏重

構跳過了對全頻帶數據的恢復，目前尚無合理的評估方式來衡量重構結果與真實結果的吻合度。同時，雙頻段雷達的出現和發展，將有力解決各頻帶雷達異址部署的去相干問題，盡量多的共用收發鏈路保證了相干性，特別是針對空間目標等成像應用具有重要價值。

圖29 光滑錐體的電磁仿真數據融合成像結果[84]Fig.29 Fusion imaging results of electromagnetic simulation data of smooth cone[84]

圖30 Yak-42飛機稀疏頻帶融合成像結果[91]Fig.30 Fusion imaging results of Yak-42 airplane[91]

圖31 衛星目標稀疏頻帶融合成像結果[89]Fig.31 Fusion imaging results of simulated satellite[89]

3.3 多站多視角

雙基地ISAR成像中接收站和發射站分置于不同位置，其中發射站提供待觀測目標的照射信號，接收站接收回波并完成成像等任務[92,93]。將雙基地成像技術擴展到一發多收或多發多收的情況，就組成了多基地ISAR成像網絡。相對于常規的單基地ISAR成像，雙(多)基地ISAR成像雷達具有隱蔽性高、抗干擾能力強、作用距離遠、能對隱身目標進行探測和成像等優勢[94,95]，可獲得目標在不同姿態下的成像結果，進一步可實現目標多視角的融合成像。

早在2007年，林肯實驗室在其空間監視組合體的基礎上進一步建造的多基地雷達成像試驗系統已開始工作[96]。其中Haystack雷達和HAX輔助雷達進行信號的發射和接收，另外設置有3個固定接收站和1個車載移動接收站。林肯實驗室利用該系統對低軌衛星目標的雙基地跟蹤、觀測和成像技術進行了驗證，但是其具體能力和技術細節沒有公開。圖32給出了其雷達跟蹤與成像系統的示意圖。

在雙基地成像方面，意大利比薩大學Marco Martorella團隊[97,98]、北京理工大學高梅國團隊[99–102]針對雙基地角時變特性引起的相位，從不同方向研究了補償校正方法，同時針對雙基地成像等效為單基地成像進行了驗證評估。圖33給出了仿真的Envisat衛星目標的單基地和雙基地成像結果，可以獲取不同姿態下的目標信息[103]。

在圖像層面的多視角非相參融合方面，許志偉等人[104]對連續姿態ISAR圖像，提取出ISAR圖像中穩定的特征點用于有效匹配，將這些有效匹配后的點進行轉角估計，之后通過方位尺度搜索方法，結合圖像熵值確定出方位向尺度因子，并用其校正ISAR圖像的方位向尺度。然后，采用非負矩陣分解提取出最初ISAR圖像和經過后處理后相鄰ISAR圖像基圖像，從而獲取最終準確有效ISAR目標融合結果圖。圖34給出了不同姿態下成像結果與融合結果。可以看出融合后成像能夠精確完整地呈現不同姿態下的目標完整的局部結構，避免了因關鍵散射結構丟失而使目標部件鑒別和觀測準確度下降。

在信號層面的相參融合成像方面，馬俊濤等人[105]針對在軌空間目標多站ISAR相干融合成像問題，提出一種基于目標軌道先驗信息的優化布站方法，提高了回波融合效率；針對多站雷達回波融合處理問題，利用軌道運動模型分析了融合成像平面的空變特性，提出融合回波越距離單元徙動、多普勒時變等問題的解決方法，使多視角回波有效相干融合。圖35給出了多站融合成像結果與優化布站影響。

分布式雷達在實現發射相參后，可對遠程目標實現高信噪比的有效跟蹤。如果可進一步實現分布式雷達對目標的高分辨成像，將對遠程目標識別提供有力的支撐。王銳等人[106]研究了分布式相參雷達的ISAR高分辨成像方法，提出了基于ISAR后向投影的轉動中心與角速度估計方法，獲得各子天線單元成像的投影幾何關系，解決了回波數據的空間對齊問題，從而實現了各接收單元在同一空間坐標系下的ISAR圖像重建；最終，基于各重建ISAR圖像，實現了接收相參處理。圖36給出了分布式融合的效果。

圖32 林肯實驗室雙多基地空間目標雷達跟蹤與成像系統示意圖[96]Fig.32 Bistatic and multistatic space target radar tracking and imaging system in Lincoln Laboratory[96]

圖33 單基地與雙基地成像結果對比[103]Fig.33 Imaging results comparison of monostatic and bistatic[103]

在分布式雷達成像中，通常假設目標的散射特性在各種大視角下是相同的，但在實際情況下很難成立，只能保證在一定視角下目標的散射特性具有一定的相關性。如何既能充分利用收發裝置的空間展開帶來的收益，又能利用不同視角下的散射系數相關性，值得進一步深入研究。

3.4 三維成像

盡管二維ISAR圖像能夠直觀地反映目標的基本幾何屬性和電磁散射屬性，但在將真實的三維場景投影至二維圖像的過程中，不可避免地存在信息損失。同時，受姿態敏感性的限制，不同時刻目標的二維圖像差別較大，難于直接從目標ISAR圖像上提取穩健的目標三維幾何特征用于識別，鑒于此，人們開始探尋更高維的特征。理論上，雷達高分辨三維圖像反映目標的三維幾何結構，且對目標姿態的變化不敏感，能為目標識別提供更加全面、穩定的目標性狀結構信息。

研究人員最早探索用單站寬帶雷達實現目標三維成像，主要的方法有基于單脈沖雷達和差波束的三維成像[107,108,148]、基于序列圖像的三維重構[109–111]以及對快速旋轉目標的三維成像。利用單天線進行三維成像的主要不足是成像時間長、散射點誤差大。近年來，多站雷達干涉ISAR三維成像技術[112–116]以及基于陣列ISAR的三維成像技術[144]也得到研究者的關注。

3.4.1 基于單站寬帶雷達的目標三維重構

利用單脈沖雷達的和差波束特性進行目標三維成像，是對ISAR三維成像的初步探索。通常，具備拋物面形天線的單脈沖雷達在其接收端有四個通道，能夠形成方位、俯仰方向上的和通道、差通道信號。雷達工作時，通過和差通道的信號比對，獲取目標相對波束中心的偏軸方向，進而引導雷達實現穩定的目標跟蹤[117]。通過和差通道數據比對，能夠獲得目標上各散射點相對波束中心的偏角，再結合ISAR成像的二維分辨率力，能夠獲取目標的三維成像結果[118]。采用單脈沖和差通道方法進行三維成像需要對目標上的各散射點進行偏角測量。然而，對于遠距離目標，和差通道對目標上散射點的測角能力非常有限，難以分辨同一ISAR成像單元內不同偏角的散射點。因此，單脈沖和差通道三維成像方法僅僅適用于近距離目標，其應用場景十分有限。

圖34 不同姿態下ISAR圖像融合結果[104]Fig.34 Fusion ISAR imaging results of different attitude[104]

圖35 優化布站ISAR圖像融合結果[105]Fig.35 Fusion ISAR imaging results of optimum distribution[105]

圖36 分布式融合結果[106]Fig.36 Fusion ISAR imaging results of distributed system[106]

本質上，實現目標三維成像需要在不同的視角上對目標進行觀測。單站寬帶雷達能夠獲得目標在某一時刻下某一觀測視角的二維ISAR圖像。連續觀測情況下，目標在序列ISAR圖像呈現出明顯的姿態變化。因此，采用時間換空間的策略，將不同目標姿態的序列ISAR圖像進行關聯融合，理論上能夠獲取目標的三維圖像。近些年來，隨著雷達帶寬的增加和ISAR圖像分辨力的提高，在光學圖像三維重構日漸成熟的情況下，ISAR圖像三維重構成為研究熱點之一，其中關鍵技術主要在于兩個方面：散射中心關聯匹配和三維重構。

進行三維重構的前提是需要提取出目標上的特征點在ISAR圖像中的二維坐標，并將同一特征點在不同ISAR圖像中的坐標進行匹配關聯。所以從圖像中提取的特征點要具有一定的穩定性，即要求其在整個ISAR圖像序列中都存在，且具備一定的數量，這樣才能提供足夠的信息來表征目標的特征。但ISAR 圖像由于二維成像本身就存在模糊，并存在一些不確定點。在整個基于ISAR圖像序列進行三維重構的流程中，圖像序列的匹配關聯環節一直以來是一個重難點問題。主要分為三大類方法，一是借鑒光學圖像特征點匹配方法，如SIFT、SURF等[119–122]，二是基于散射點跟蹤模型的關聯方法，如馬爾科夫鏈、多假設跟蹤等[123–126]，三是基于ISAR圖像的特殊結構，計算圖像之間變換關系，進而得到散射點關聯結果[127]。目前國內外在ISAR圖像特征點匹配方法研究方面取得了一定成果，但其實用性和穩健性仍有待提升。

ISAR幅值圖像和光學灰度圖像均以像素的幅值波動表征圖像信息，因此將光學圖像中的特征點提取與關聯方法引入到ISAR圖像中存在一定的可行性。楊山等人[121]采用SIFT算法提取并匹配序列ISAR圖像中的特征點，并進一步利用RANSAC算法優化匹配結果，獲得圖像間的特征點變換矩陣，然后對圖像進行匹配方法以及利用網格法對ISAR圖像序列進行匹配的方法。圖37給出了幾種匹配方法的實驗結果，SIFT算法用在ISAR圖像匹配中存在匹配點較少；基于變換矩陣的匹配方法需要考慮變換矩陣的精度的問題，且需要思考如何將其運用到對圖像序列進行匹配的問題，網格法只對圖像角度變化不大的圖像匹配效果較好。

散射點在序列ISAR圖像中的位置變動具有一定的規律性。劉磊等人[124]研究發現，在目標平穩旋轉的運動模型下，散射點在序列ISAR圖像中的軌跡呈橢圓曲線，這一特性可用于散射中心的關聯。他們提出了一種基于馬爾可夫鏈蒙特卡羅(Markov Chain Monte Carlo,MCMC)算法的關聯算法，通過計算壓縮回波的信噪比，利用旋轉不變性技術對信號參數進行二維估計，準確有效地提取出各ISAR圖像中散射點的數目和位置，應用MCMC估計散射點軌跡矩陣。他們利用每個散射點的橢圓運動特性，設計了新的MCMC先驗和似然估計準則。圖38給出了MCMC算法的散射中心關聯效果。

圖37 不同方法匹配效果對比[121]Fig.37 Comparison of different matching methods[121]

圖38 MCMC散射中心關聯結果[124]Fig.38 Scattering center correlation results of MCMC[124]

基于散射中心模型的特征點提取與關聯存在“閃爍”問題，難以實現穩健的特征點匹配。鑒于此，也有學者提出基于目標輪廓特征的匹配方法，匹配結果更加可靠。周葉劍等人[127]從圖像特征提取的角度出發，提出了一種使用輪廓特征來取代傳統的散射點特征。作者設計了一個平行四邊形描述符來提取ISAR圖像幀中衛星目標的矩形組件。利用這種輪廓特征進行目標描述可以避免由角閃爍現象引起的匹配困難。并最后對目標部件實現了姿態估計和重建，結果如圖39所示。

在三維重構方面，光流場分析技術是從二維ISAR圖像序列提取三維特征進行三維重構的經典方法之一，該方法源自機器視覺領域，它通過序列圖像中“強散射中心像元” 的關聯來實現目標的三維重構，文獻[128]利用光流場實現了目標三維特征的提取與識別。哈爾濱工業大學的宿福林[129]，清華大學的彭石寶等人[130]則利用因式分解法完成了飛機目標的三維散射點的重建，并將重建后點的分布應用到目標識別領域，取得了不錯的效果。因式分解法符合ISAR成像運動模型[131]，研究者主要精力放在了因式分解法及其改進方法上。

Frank假設基準散射點能夠準確提取，將因式分解法應用到ISAR圖像序列中，進行了艦船的三維模型恢復，并且其所使用的是美國海軍實驗室(NRL)的實測數據，驗證了重構方法的有效性[132]。徐豐等人[133]針對空間目標的三維重構，同樣利用因式分解法獲得了較好的效果。圖40給出了空間衛星目標的三維重構效果。

針對序列ISAR圖像三維重構，文獻[134,135]均采樣一種序貫因式分解法，每次只對兩幀圖像進行匹配、重構。隨著不斷增加新的圖像，進行新的匹配、重構過程，然后將每次的重構結果進行融合，最后得到整個圖像序列的重構結果。這種方法相較于原始的因式分解法更加適用于實際應用場合，滿足實時性要求。同時改進了對于ISAR圖像序列來說，存在于整個序列中的特征點較少的情況。圖41給出了利用序貫因式分解法的三維重構結

果，由于網格法匹配的點數較多，目標結構也相對更清晰。同時，序貫因式分解法中存在誤差積累的問題，隨著圖像數量增多，積累的誤差會影響重構效果。圖41(d)所示，飛機的機翼和尾翼都出現了展寬的現象。關于序貫因式分解法中存在誤差積累的問題也是下一步需要改進的方向。

圖39 提取目標的輪廓特征并關聯[127]Fig.39 Extract the contour feature extraction and association[127]

圖40 空間衛星目標重構結果[133]Fig.40 Reconstruction result of space satellite[133]

圖41 用網格法匹配然后進行序貫重構圖[135]Fig.41 Matching with grid method and sequential reconstruction results[135]

周葉劍等人[136]提出了一種新的基于多視角雷達圖像序列的穩定姿態目標三維表面重建算法。推導了雷達和光學成像幾何結構的統一顯式表達式，以聯合雷達和光學成像結果用于三維重構。該方法利用多視點立體技術對雷達圖像序列中提取的輪廓信息進行重建，得到目標的視覺表面，進而確定目標的絕對姿態，并將雷達圖像和光學圖像進行特征融合的擴展算法，實現了重建性能的大幅度提高。圖42給出了雷達和光學融合的三維重構效果。

單站序列ISAR成像仍面臨的問題主要是：對目標運動姿態具有一定要求，在連續姿態圖像中，姿態變化小可以提升散射中心提取和關聯質量，但是姿態變化小導致三維重構質量下降；另一方面，姿態變化大的序列圖像，蘊含的三維信息更多，但是對圖像的散射中心提取和關聯提出挑戰。在二者的優化平衡中尋求更合理的解決方案，或者提升特征點提取和關聯的準確性，仍是序列ISAR成像需要重點考慮和解決的。

3.4.2 基于多站雷達的干涉ISAR三維成像

單站序列ISAR三維成像方法中，以時間換空間的策略存在特征點不穩定，匹配關聯困難、存在誤差，特征點數量少等棘手問題，導致重構結果的準確性難以保證，因而其應用價值有限。鑒于單站序列ISAR三維成像的不足，有研究者們探索了直接采用空間融合的策略實現三維成像，即采用多站雷達同時對目標進行觀測，將同一時刻下不同視角的成像結果進行融合以獲取三維圖像。多站雷達觀測場景下，目標的距離一般較遠，雷達之間的距離相對較近，因此多站雷達的ISAR圖像之間十分相近，進而簡化了散射中心提取和關聯過程。多站雷達相對目標的位置差異導致波程差，進而導致ISAR復圖像中像素的相位差。通過干涉方法，解算蘊含在相位中的散射中心坐標信息，再結合ISAR圖像的二維分辨能力，能夠獲得目標的三維像。干涉ISAR的關鍵是獲得各天線的高質量二維ISAR成像結果，同時在成像過程中要能保持相位關系，即需要利用相參性的運動補償方法進行成像。然后對獲取的ISAR像分別進行散射中心提取和圖像配準，保證相同的等效散射中心在各幅ISAR像中的位置相同。最后對不同基線上的ISAR像進行干涉處理，得到散射中心坐標在相應基線方向的投影值，進而重構三維圖像。與單站序列ISAR三維成像技術相比，干涉ISAR三維成像方法可獲取可用性更強的空間目標信息。

為獲得高質量的干涉ISAR三維成像結果，需要多站雷達在獲取清晰的ISAR成像結果的同時，保持各雷達ISAR圖像之間的相干性。干涉三維成像的主要關鍵技術包括系統配置、高質量相干二維成像、散射中心提取、圖像配準、大斜視角校正等。國內外的研究者們在不同的觀測場景，針對多種目標進行了干涉ISAR成像的相關研究。

麻省理工的Forrester[137]在暗室中利用衛星縮比模型和雙天線接收通道進行了干涉ISAR成像的驗證試驗。試驗中，通過設置在不同俯仰上的兩個天線分別對目標模型進行轉臺成像，其俯仰角度分別為15°和15.05°。圖43分別給出了試驗中的天線和模型的相對位置關系、兩個天線的二維成像結果、干涉相位分布以及重構的三維點云分布。

中科院電子所的劉亞波等人[138]利用小型的干涉系統實現了飛機目標的干涉成像。他們提出了針對各個天線的回波信號進行聯合處理得到ISAR像的方法，以保證各天線之間的相干性。以一個天線的回波為參考，進行包絡對齊和相位校正并記錄距離平移和相位補償的參數，然后以相同的參數對另外兩幅天線進行運動補償。實驗表明，聯合處理得到的干涉結果要好于不進行聯合處理。圖44給出了相應的實驗結果。值得注意的是，這種聯合處理的前提條件是，各天線通道滿足嚴格的時鐘同步，該條件對于小型干涉系統是易于實現的。

圖42 基于雷達光學融合的三維重構效果[136]Fig.42 3D reconstruction performance based on radar and optical fusion[136]

對遠距離目標進行干涉ISAR觀測時，多站雷達之間的距離較遠，往往難以實現嚴格的時鐘同步，此時不能采用劉亞波等人的聯合處理方法，需要針對性地解決ISAR圖像配準問題。考慮到多站ISAR成像中的平動補償可能會引入非相干量，吳文振等人[139]針對干涉ISAR成像的相干性要求，提出了一種基于聯合平動分量補償的ISAR像配準新方法。該方法包含聯合包絡對齊和聯合相位自聚焦兩部分，能夠在雷達之間不具備精準時鐘同步的情況下，實現不同雷達ISAR圖像之間的配準。實驗中位置相近的兩雷達對同一個空間目標同時進行觀測得到的一維像序列如圖45，A雷達發射LFM信號，A,B同時以去斜方式接收目標回波。可見對于相同的目標回波，兩部雷達的接收數據存在明顯的信噪比、信號增益、開窗位置等差異。B雷達一維像的噪比較低，因此以A雷達的一維像序列為參考進行聯合包絡對齊。

圖43 干涉ISAR系統及成像結果[137]Fig.43 InISAR system and imaging results[137]

圖44 聯合處理的干涉ISAR實測數據處理結果[138]Fig.44 InISAR imaging results by combined processing[138]

圖45 兩雷達聯合包絡對齊Fig.45 Range alignment by combined processing

將干涉相位解算為散射點坐標值是干涉ISAR中的關鍵步驟。多站雷達之間的連線稱之為基線。干涉ISAR成像場景中，當目標位于基線中軸正上方附近時，干涉相位和散射點坐標之間存在正比例關系或者線性關系，因而可以通過解方程的方法獲取坐標值。實際觀測場景中，目標通常遠離基線中軸線，稱之為斜視。在大斜視場景下，干涉相位中存在斜視附加相位，破壞了干涉相位與散射點坐標之間的線性關系，增加了目標方位向和高度向坐標值求解的難度，引起散射點坐標的估計誤差和三維像的扭曲。針對該問題，劉承蘭等[140]提出了基于非線性最小二乘(Nonlinear Least Square,NLS)-坐標變換(Coordinates Transform,CT)聯合估計目標散射點坐標的新方法，該方法首先利用非線性最小二乘解決斜視附加項與待求參量的耦合問題，而后通過坐標變換校正得到真實的目標縱向坐標值，有效解決了斜視情況下運動目標的InISAR 三維成像問題。類似的，針對統一開窗采集統一參數相位校正的DIFS數據的斜視干涉ISAR成像，田彪等人[141]提出了基于斜視迭代尋優和坐標變換的斜視補償算法。圖46給出了干涉ISAR成像的斜視校正效果。

目前暗室試驗和外場針對實際目標的試驗均驗證了干涉ISAR三維成像的有效性。針對近程目標，采用小型干涉多天線系統能夠實現較好的干涉成像效果。對于遠距離目標，需要采用大型雷達系統，雷達之間的距離較遠，存在時鐘同步困難、不同雷達的信噪比差異、ISAR圖像失配、大斜視等問題。通過系統仿真，在信號處理層面能夠較好地克服這些問題，實現較好的ISAR圖像配準及干涉成像結果，但這些方法還需要大型干涉ISAR成像系統的實際驗證。由于利用相位信息進行第三維成像的，補償方法和精度要求很高，在前文所述的精細化ISAR成像的任何一個環節引入非相干量將導致三維成像結果的退化。總體上，干涉三維成像目前仍停留在原理驗證或者小型試驗階段，未見實際裝備應用。另外，針對目標干涉成像結果的信息解譯，如何有效地利用干涉成像結果，也是值得思考的問題。

3.4.3 基于陣列ISAR的三維成像

陣列ISAR三維成像是對傳統雙天線干涉ISAR成像的進一步擴展。傳統干涉成像方法中，根據干涉相位能夠解算得到ISAR圖像中每個像素的高程，即散射點相對成像平面的高度。當ISAR圖像的某個分辨單元內包含多個散射點時(稱為合成散射點)，該像素的高程是多個散射點實際高程的合成值，但無法獲取其中單個散射點的高程值。簡單來說，由于第三維分辨能力有限，傳統干涉ISAR并不是真正的三維成像。陣列ISAR體制中，第三維成像孔徑由天線陣列通過空間譜估計的方式來實現，再結合ISAR圖像的二維分辨能力，理論上具備更好的三維成像效果。

馬長征等人[142]較早地研究了陣列ISAR三維成像問題。他們采用相互垂直的兩個線陣，分別估計合成散射點中包含的各散射中心在兩個方向上的分布位置，再進行散射中心綜合，最終獲得三維成像結果。系統仿真驗證了這種方法的三維成像能力，但雙陣列的配置顯得有些冗余，也難以在實際系統中實現。另外馬長征等人[143]也研究了基于二維天線陣面的三維成像方法，其中采用時-空匹配濾波的方法實現散射點信號的相干累積。雖然理論上可行，但這種方法需要已知目標的運動參數來構造匹配濾波函數，而目標通常是非合作的，因此該方法的實用性有限。

陣列ISAR三維成像方法中，陣列方向的分辨能力受到陣列長度和陣元數量的影響。根據合成孔徑成像原理，高分辨率需要大孔徑，即較長的陣列長度和足夠的陣元數量。而實際中大型陣列ISAR系統硬件復雜，成本太高，目前無法實現；小型陣列ISAR成像系統的陣列長度為幾米的量級，對應的空間譜分辨能力有限。為彌補陣列長度不夠造成的分辨率損失，研究者們采取了稀疏重構的方法來提升陣列方向分辨率，同時采用MIMO技術提升等效陣元數量。

圖46 斜視校正效果[140]Fig.46 Squint model InISAR imaging results[140]

中科院電子所的焦澤坤等人[144]采用稀疏貝葉斯推斷算法獲取陣列方向的超分辨譜估計，獲得了10倍的分辨率提升，同時具備良好的抗噪效果。他們利用小型陣列天線系統，對民航飛機目標進行了陣列ISAR三維成像實驗。天線陣列如圖47(a)所示，收發陣元分布如圖47(b)所示，其中T表示發射陣元，R表示接收陣元，紅色圓點表示等效陣元位置，單個通道的ISAR成像結果如圖47(c)所示，其中紅色矩形框內的散射中心存在明顯的角閃爍，意味著其中包含合成散射點。將8個通道的ISAR成像結果按照等效陣元位置依次排列，然后沿陣列方向進行超分辨空間譜估計，最終得到目標的三維點云分布如圖47(d)所示。可見，在目標的三維成像結果中，機翼、引擎、機尾等部件的結構特征均能夠直觀地分辨。由于采用了超分辨算法獲取第三維分辨率，目標點云在三個不同坐標軸方向上的分布范圍基本一致。此次實驗驗證了陣列ISAR三維成像方法的可行性，以及采用超分辨算法獲取陣列方向空間譜分布的有效性。

采用陣列ISAR體制對目標進行觀測時，最簡單易行的是一發多收策略，此時有效陣元數等于接收陣元數。有效陣元數較少給后續的第三維信號空間譜估計造成困難。鑒于此，研究者們多采用多發多收(MIMO)方式，并通過合理的陣元排布，使得有效陣元數擴展為發射陣元和接收陣元的乘積，ISAR圖像數量顯著增加，有利于后續的三維成像。MIMO技術通常需要采用正交相位編碼等復雜波形，而復雜波形對ISAR成像的影響及相應的補償方法還需要深入研究。

4 總結與展望

雷達成像技術的發展總是伴隨著雷達系統技術的進步和雷達信號設計、成像算法的優化。在分布式網絡化、MIMO等新型雷達體制，頻率編碼、相位編碼等復雜信號體制下的成像處理方法變得異常復雜，特別是對復雜場景下非合作目標的精細補償技術成為能否良好聚焦的關鍵。同時，ISAR成像由于其目標的非合作性，獲取的成像數據質量和數量都難以與SAR成像比擬，因此，ISAR成像的裝備應用仍然有限，特別是在支撐后端的目標識別應用上亟待突破。從技術到應用下面主要從成像建模、復雜場景精細成像、實時成像、成像評價與圖像應用等四個方面進行展望分析。

圖47 陣列ISAR三維成像效果[144]Fig.47 3D imaging performance of array ISAR[144]

4.1 成像建模的細化

4.1.1 目標散射特性建模

現有的ISAR成像多聚焦于從雷達回波到ISAR圖像的各個環節算法研究，欠缺對目標電磁散射特性的研究。目前對目標的電磁散射建模依然停留在理想散射點模型、衰減指數和模型和幾何繞射模型，這些模型多為單站后向散射模型。然而在超大帶寬下、多站下、多視角下、多極化下等條件下，目標散射特性的精確建模是提升成像質量，實現有效的成像結果解譯的關鍵。

4.1.2 成像過程建模

目標回波數據可看作是雷達對目標的電磁散射特性在有限頻率和有效空間內的采樣值，因而成像過程的本質是一個由有效數據到原目標場景的數學求逆問題。求逆過程中，稀疏的方法、概率統計的方法、以及深度網絡的方法才能夠找到合適的介入應用場景。傳統成像的線性變換工具模型也轉變為對回波信號進行非線性變換，從回波到圖像之間的線性變換關系轉變為以等價算子為基礎的隱式實現，進而完成高效ISAR成像。近年來的研究表明，基于壓縮感知的稀疏重構算法能夠有效提升ISAR圖像分辨率，克服數據缺損問題。貝葉斯學習等數理統計模型也在ISAR成像中展現出了不錯的應用前景。另外，ISAR成像的基本前提是恢復脈內信號的相干性以及脈間回波的相干性，根據數據特點，對破壞相干性的相位誤差進行建模估計和高效補償，是成像研究中需要不斷完善優化的重要方面。隨著數學工具的研究深入，ISAR成像問題也必將從新的角度加以詮釋。

4.2 復雜場景下的精細化成像

精細化成像技術作為一個通用技術群，支撐了特定的場景和目標下的高質量成像，例如低信噪比成像、稀疏數據成像、多目標成像、微動目標成像等，他們對成像技術鏈路也都有各自的具體要求，同時也是精細化成像需要解決的重點和難點問題。

在低信噪比成像中，強噪聲干擾不僅會掩蓋目標一維距離像，而且會破壞相鄰回波一維距離像的相關性，嚴重影響平動補償過程。不僅如此，雜波和噪聲還會引入相位誤差，導致ISAR圖像散焦。研究低信噪比條件下成像精細化成像技術，對于遠距離空間目標特別是小目標成像具有重要的理論意義和應用價值。

在稀疏數據成像中，目標一維距離像同樣存在去相關，目標回波的相位特性更加復雜，同時由于方位向的數據缺失導致傳統重構方法失效，因此運動補償和重構方法是稀疏數據成像需要重點解決的問題。

在多目標成像中，由于各目標相對雷達具有不同的平動，傳統單目標運動補償方法無法同時完成對各個目標的平動補償，無法獲得清晰的多目標ISAR像。因此，多目標回波信號的分離是該應用的重要基礎。

在微動目標成像中，微動部件除了與目標主體的共同平動，進一步疊加了自身的微運動，這種復合調制使得目標運動更加復雜，對圖像的方位聚焦造成重要影響。微動成像技術在螺旋槳類飛機、旋翼類直升機、艦船目標以及含旋轉天線等部件的空間目標應用中尤其廣泛。

4.3 高質量實時成像

由于中頻直接采樣數據量巨大，匹配濾波過程的運算量較大，當前，我國研制部署的寬帶雷達僅針對Dechirp脈沖壓縮數據展開了實時成像的研究，使用DSP芯片實現相關成像算法。一般來說，計算復雜度低的算法成像效果不如計算度復雜度高的算法。受限于DSP芯片性能，性能優越的成像算法無法實時實現，實時成像質量較差，難以滿足對高質量ISAR圖像的需求。

針對Dechirp脈沖壓縮數據的實時成像質量的提高，一方面隨著DSP芯片性能的提升，固化性能良好的成像算法，另一方面可采用GPU等實現復雜算法的實時成像。針對直接中頻采樣數據，采用數字STRETCH技術實現實時脈沖壓縮，不僅可以提高脈沖壓縮方法的數字化程度，減少模擬環節給系統帶來的失真，而且可以極大減小數據量，從而為進一步的實時成像奠定基礎。

4.4 成像評價與圖像應用

4.4.1 成像質量評價技術

隨著雷達成像技術的成熟完善，目前已可以得到相當數量的ISAR圖像。對海量ISAR圖像進行評價，挑選出高質量的ISAR圖像能極大提高ISAR圖像解譯效率，促進成像結果的應用，也是對成像方法的反向考核。現有ISAR圖像熵的衡量指標僅適用于數據起點相同情況下不同成像方法的成像效果比對，無法實現不同數據成像質量的通用化衡量。另一方面，ISAR成像中目前大量采用并且成熟工程應用的基于圖像最小熵的成像補償方法僅適用于簡單點散射模型，對于衛星主體、飛機主體等復雜散射無法良好聚焦，其與相位補償的一致性問題已有初步研究[149]。因此研究如何對同一目標不同時刻的ISAR圖像質量進行評價，甚至對不同目標不同時刻的ISAR圖像質量進行評價顯得極其重要。

4.4.2 從圖像應用優化成像方法

ISAR成像的目的不僅僅是獲取一幅雷達圖像，而是需要進一步從雷達圖像中挖掘所隱含的目標信息，包括特征提取、姿態估計與部件判別、目標識別等。例如，特征提取關注單幅雷達圖像的質量提升，而目標姿態估計則關注圖像序列之間的關聯性，二者對成像方法的要求和側重各不相同，從成像信息利用的角度，通過給圖像的解空間加入一定的先驗約束，使成像結果脫離線性投影的解空間而朝著人們趨向的側重方向發展。現有技術體系中往往將成像過程和識別過程孤立開來，通常情況下是識別方法和流程利用前序成像結果，而對成像過程無反饋；而在實際的應用中，更希望將識別流程前提，做到可在成像的任意中間環節納入，同時將結果反饋給成像鏈路，為成像方法的選擇、關注的目標重點部件等提供支持，最終實現成像識別一體化。