合成孔徑雷達參數化成像技術進展

曾濤 溫育涵 王巖* 丁澤剛 衛揚鎧 袁跳跳

①(北京理工大學信息與電子學院雷達技術研究所 北京 100081)

②(北京理工大學重慶創新中心 重慶 401120)

1 引言

合成孔徑雷達(Synthetic Aperture Radar,SAR)是一種通過主動發射和接收電磁波，對感興趣區域進行全天時全天候微波成像的電子設備。與“所見即所得”的光學設備不同，SAR回波需進行數據處理后方可成為圖像。傳統的SAR成像處理過程可視為點目標散射模型約束下數據空間到圖像空間的映射，但在真實的場景中，絕大部分目標具有延展性，這些延展性目標的散射特征在不同的觀測角度下變化劇烈，不再與點目標散射模型匹配，使用傳統SAR成像處理后，延展目標圖像中往往僅呈現為多個強散射點，丟失了重要的結構性信息，嚴重降低了SAR圖像的應用價值。

為了描述這種現象，圖1以美國空軍實驗室(Air Force Research Laboratory,AFRL)鏟車數據為例[1]，展示了線型結構在不同觀測角度下的散射圖像。從圖1(b)和圖1(c)可以看出，在不同觀測角度對鏟車的鏟斗進行觀測時，鏟斗的線型結構變化劇烈。正對鏟斗進行觀測時，鏟斗的輪廓完整可見；側對鏟斗觀測時，整個鏟斗特征幾乎完全消失，各個線結構退化為端點處的兩個散射中心，這些散射中心很難與點目標區分。識別這些散射中心并重建遙感圖像中消失的幾何結構對于提高圖像的可理解性具有很大的應用價值。造成鏟斗結構消失的關鍵是在某些觀測角度下，由于目標表面相對電磁波波長而言起伏較小，雷達回波以相干抵消的方式相互疊加，導致某些目標區域的雷達回波信號完全消失，最終使目標雷達圖像僅僅呈現為多個強散射點。

圖1 美國空軍實驗室鏟車數據成像結果Fig.1 The imaging result of the backhoe from the AFRL

根據其處理回波數據的方式，SAR成像算法通常可分為線性處理方法和非線性處理方法。傳統成像算法如后向投影[2,3]、距離多普勒算法[4]、Chirp Scaling算法[5]等均屬于線性處理方法。上述算法實現較為簡單，成像效果穩定，應用廣泛。然而傳統的SAR成像算法大多數均基于點目標散射模型，但在實際應用場景中，大多數觀測場景均包含延展性的目標，這些延展性目標的散射特征在不同的觀測角度下變化劇烈，不再與點目標散射模型匹配，使用傳統SAR成像處理后，延展目標的圖像中往往僅呈現為多個強散射點，丟失了重要的結構性信息。為解決延展目標成像失真問題，利用多角度觀測的方法捕獲延展目標更多的各向異性散射信息，在一定程度上提高了圖像的質量與可理解性[6–12]。圓跡SAR是一種典型的線性多角度成像技術。圓跡SAR可以憑借其獨特的航跡優勢，通過時域成像算法處理全角度回波數據來得到被照射場景完整的散射特征[9,10]。然而，也正是其獨特的航跡需求，導致圓跡SAR很難應用于絕大多數遙感成像平臺，如星載SAR平臺。

非線性成像技術主要包含多角度SAR圖像融合和壓縮感知SAR成像等技術。多角度SAR圖像融合是一種典型的非相干成像技術，利用多幅圖像中所包含的多角度散射信息，通過非相干處理生成融合的圖像[6–8]。與處理前的單個圖像相比，融合的圖像可以更具體、準確地描述被照射目標的特征。觀測視角的選擇對于多角度SAR圖像融合十分重要。不合理的觀測角度設置可能會導致融合的圖像相對于融合前的單一圖像提升有限。關鍵的原因是對于滑動型散射和各向異性型散射而言，其主要的能量往往集中在一個極小的觀測視角范圍內。例如，由于鏡面散射效應，直線型目標回波的能量主要集中在直線的法線附近。當雷達正對線目標觀測時，直線可以完整地成像，否則只有兩個端點可以被成像。如果多角度融合的觀測視角設置不合理，那么很可能所有的子圖像都無法捕捉到目標重要的散射特征，導致融合的圖像相對單一圖像提升有限。壓縮感知SAR成像技術是一種非線性成像技術。壓縮感知的基本思想是利用稀疏特性，利用壓縮感知重構算法對原始目標進行重構[13–15]。雷達成像中的目標大多數情況下是稀疏的，或通過某種稀疏變換可以達到稀疏。相比于傳統線性處理算法，壓縮感知SAR成像具有采樣率低、數據量小、成像質量高、分辨率高等優點。盡管基于壓縮感知的雷達成像方法能夠有效突破傳統線性處理方法的局限，但是在低信噪比情況下，壓縮感知圖像中會出現較多虛假目標和斑點噪聲，成像效果受噪聲影響大。其中一個重要原因是壓縮感知成像算法是對目標場景進行點目標估計，在實際應用中存在一定的模型失配問題，沒有利用散射點之間的聯系以及蘊含在回波數據中的目標幾何信息。

SAR參數化成像是一種非線性處理框架下的新方法，成像過程兼顧了點目標和延展目標的散射模型，在一定程度上解決了成像過程中的模型失配問題，對延展目標成像時，具備獲得較傳統算法更佳質量的潛力[16]。SAR參數化成像主要由目標建模、參數估計和圖像重構3個環節構成，如圖2所示。目標建模環節充分考慮點目標與延展目標的差異性，為成像過程提供依據；參數估計是依據回波或圖像的相位與幅度特征對觀測角度的差異性，辨識目標類別；最后結合目標散射模型與參數化估計結果，重構目標回波并成像，可恢復傳統SAR圖像中消失的結構信息。相較于傳統多角度成像技術，參數化成像對航跡或觀測角度的需求相對更低。SAR參數化成像效能與延展目標類別聯系密切，本文重點介紹線型延展目標的參數化成像，對應真實場景中大量存在的邊緣類結構。

圖2 參數化成像流程圖Fig.2 The block diagram of parametric imaging

SAR參數化成像主要有兩種實現方式：基于回波域的實現方式和基于圖像域的實現方式[17,18]。基于回波域的參數化成像方法核心為利用不同類型目標在回波域的相位隨觀測角度的變化特征，進行參數估計并辨識不同結構，最后通過散射模型重建目標。基于圖像域的參數化成像方法的核心是利用不同類別目標圖像的相位對觀測角度的敏感性特征，辨識目標類型并反演散射參數，進而根據參數化模型在圖像中重建目標。

本文第2節主要介紹典型結構的參數化散射模型。第3節主要介紹基于回波域和基于圖像域特征的參數化成像方法。第4節對文章進行總結并展望未來參數化成像的發展前景。

2 典型結構的參數化散射模型

各類基礎幾何結構的參數化散射模型是參數化成像特征提取的核心，也是目標圖像特征重建的基礎。本節主要介紹了線、面的參數化散射模型。目前，參數化成像主要集中在針對線型結構的研究上，為此本節著重介紹了線型結構的散射模型。作為基本的幾何元素，直線型和曲線型結構是各種平面、體目標的基本單元，也是車輛、飛機、油罐等各類目標的重要組成部分。線型結構在遙感圖像中隨不同的觀測角度變化劇烈。由于鏡面散射效應，線目標在絕大多數情況下僅僅表現為兩個位于端點處的強散射中心，這些強散射中心很難與普通的點狀目標區分。

線目標根據其散射特征，可以分為直線型目標和曲線型目標。根據電磁散射理論，各類延展目標的散射特性可依據其電尺寸分為瑞利區、諧振區和光學區[19]。在光學區，目標的電尺寸遠大于雷達的波長。傳統的SAR一般工作在光學區。幾何繞射理論(Geometrical Theory of Diffraction,GTD)指出，在光學區，被照射目標的散射特征主要由鏡面反射和諸如邊緣、棱角等不連續處的散射共同決定[20]。在這種情況下，各類目標的后向散射可以表示為多個強散射中心的矢量疊加。根據實際散射特征，延展性目標的散射類型可以分為色散型散射、滑動型散射和各向異性型散射。色散型散射的主要特征是散射中心隨頻率會發生變化，這種散射常見于腔體結構。滑動型散射的主要特征是散射中心的位置會隨觀測角度變化，其位置常常出現于各類曲線、曲面的表面。各向異性型散射主要出現在各類直線型結構中，其主要表現為線型結構的消失，SAR圖像中只存在線型結構的兩個端點。直線型目標屬于各向異性型散射，曲線型目標屬于滑動型散射。

2.1 直線型結構的散射模型

由于鏡面散射效應，直線型結構的散射特征隨觀測角度變化劇烈。當雷達正對其觀測時(即雷達航跡經過線型結構的法平面)，整個直線結構可被完整成像；否則，只有直線結構的兩個端點可以被成像。為了更好地描述直線型結構的散射特征，圖3給出了由CST三維全波電磁場仿真軟件(CST Studio Suite,CST)計算得到的金屬圓柱在不同觀測角度的成像結果。在孔徑AB的SAR圖像中，直線型結構表現為2個端點目標，這種現象會導致圖像中的各種散射點難以區分，進而影響遙感圖像的應用價值。這種各向異性型散射現象在各類面目標和體目標中也十分常見。

圖3 直線型結構不同角度成像結果Fig.3 Images of a linear structure with different observation angles

在平面波假設下，根據文獻[21–29]，電大尺寸的直線型目標在距離頻域方位時域通常可建模為

直線型目標的回波信號在距離頻率方位時域為辛格(sinc)函數的形式，如圖4所示。不同觀測角度下，雷達實際上接收到的是辛格函數不同的區域[22]。在孔徑CD處，雷達接收到的信號是辛格函數的主瓣區域，此時，線目標在圖像中整體可見。在孔徑AB處，雷達接收到的信號是辛格函數的副瓣區域，此時線目標在圖像中只有兩個端點可以被成像。造成這一現象的原因是辛格函數的副瓣與余弦函數高度相似，而兩個點目標回波可以表示為余弦函數的形式：

圖4 直線型目標與回波信號示意圖Fig.4 The linear structure and its echo

其中，ψ=(ψ1+ψ2)/2是與兩個點目標初始相位有關的相位項；L為兩個點目標的距離；R是雷達到兩個點目標中點處的斜距歷程，其他參數與線目標一致。

2.2 曲線型目標的散射模型

曲線型目標屬于滑動型散射。正對曲線型結構觀測時，只有一段圓弧可以被成像出來，且被成像的圓弧只是整個圓弧的一部分。如圖5(a)所示，設雷達起始位置到圓弧中心點的連線AO與圓弧的交點為H，雷達終點位置到圓弧中心點連線BO與圓弧的交點為I，則整個子孔徑AB的成像圖中，只有弧形HI可以被成像。特殊的是，如果HI與整個圓弧剛好重疊，則整個圓弧可以被成像出來。當雷達對曲線型結構側向觀測時，即圖5中孔徑CD，則整個圓弧只有2個端點可以被成像，其余結構完全消失。在側向觀測時，直線型和曲線型目標均表現為2個端點目標，這種現象會導致圖像中的各種散射點難以區分，進而影響遙感圖像的應用價值。因此，識別SAR圖像中的端點類散射中心，重建消失的直線型與曲線型結構，恢復目標完整的幾何特征對于提升遙感圖像質量具有很大的潛力。

圖5 曲線型結構不同角度成像結果Fig.5 Images of a arc structure with different observation angles

利用駐定相位原理，基于幾何光學方法，曲線型目標的散射模型可表示為分段函數的形式

其中，A為與散射強度相關的常數；ωa為方位向包絡；ψ為相位；θ為雷達觀測角度；k為波數；(x0,y0)為曲線的中心點坐標；rc為半徑；Θ1為圓心角范圍；Δ?為圓心角大小；?c為朝向；R為雷達到曲線中心點的斜距歷程。

曲線目標在距離頻域方位時域的回波信號在主瓣可表示為方波函數，在副瓣為辛格函數。如圖6所示。若雷達捕獲到了回波主瓣區間，則部分圓弧可以被成像出來；否則，若雷達只捕獲到了副瓣區域，則只有圓弧的兩個端點可以被成像，這一現象與直線型結構非常相似。

圖6 曲線型目標與回波信號示意圖Fig.6 The arc structure and its echo

2.3 面目標與體目標的散射模型

考慮到實際應用場景中更為常見的平面、三維物體等復雜目標，需要建立完備的散射模型以描述目標散射特性對頻率、方位角與俯仰角的依賴關系。目前應用較為廣泛的主要有：美國俄亥俄州立大學研究團隊提出的三維標準散射體模型，麻省理工學院提出的典型體散射模型，以及國內何洋、周劍雄等多個團隊提出的GTD散射模型等。本文主要介紹美國俄亥俄州立大學提出的標準散射模型。

三維目標散射特性存在對頻率、方位角與俯仰角的依賴關系，任意觀測場景中的雷達回波信號可以表示為多個獨立散射體的疊加：

其中，k為波數；Λ(τ)為與俯仰角φ和方位角θ有關的函數；Θm為不同類型目標的幾何類型參數；R為斜距歷程；Pβ(m)為極化矩陣，β(m)代表不同類型的散射體；MΓ(m)為目標的包絡函數，Γ(m)代表不同類型的散射體。以式(4)為基礎，美國俄亥俄州立大學的安娜等人相繼提出了平板、圓盤、二面角、三面角、圓帽等面目標與體目標的散射模型。以矩形平板為例，長度為L寬度為H的矩形平板雷達回波信號的包絡可表示為

其中，M1與M2分別為兩個一維的線目標散射回波包絡。其余類型目標具體可參考美國俄亥俄州立大學的Jackson等人[21]所提出的模型。

在雷達觀測視角變化劇烈的情況下，適用于面目標與三維目標的散射模型可以為目標識別等技術提供更有效的支持。此外，受限于有限的觀測視角與信號帶寬，雷達僅能獲取極為有限的數據，若散射模型可以高效描述目標寬頻全向散射特征，則可以利用參數化成像技術對圖像中的目標進行重建和增強，改善成像的性能，提升可讀性。

3 線型目標參數化成像方法

作為一種非線性處理框架下的新方法，SAR的參數化成像兼顧了理想點目標和延展目標的散射模型，在一定程度上解決了傳統成像過程中的模型失配問題。SAR參數化成像主要由目標建模、參數估計和圖像重構3個環節構成。第2節主要介紹了線型結構和面、體結構的參數化散射模型，目前參數化成像主要集中在針對線型結構的研究上。依據現有的參數化成像特征提取的方式，參數化成像方法可分為回波域方法和圖像域方法。

3.1 回波域方法

真實目標的輪廓大多由直線型結構組成。這種直線型結構提供了有關目標的重要幾何信息，對人類視覺感知和圖像中目標的識別至關重要。然而，由于雷達接收回波的相干疊加特性，SAR圖像中目標的連續邊緣出現了離散化現象，僅有位于邊緣外側的兩個端點可以被成像，嚴重影響了SAR圖像視覺和幾何信息的提取。文獻[17]著重解決了恢復平滑線性邊緣(Smooth Linear Edges,SLE)的問題。它通過引入多角度觀測，提出了一種SAR參數圖像重建方法(SAR Parametric Image Reconstruction Method,SPIRM)，該方法建立了一個參數化框架，從回波域中恢復平滑線性邊緣結構。SPIRM的核心用到了一個被稱為散射相位突變的特征(Scattering Phase Mutation Feature,SPMF)，該特征是區分線型邊緣結構和點目標的一個重要特征。在文章中，基于微波暗室實驗驗證了該方法的魯棒性和有效性。

由第2節介紹的直線型目標的散射模型可知，直線型目標在距離頻域方位時域的回波信號可以表征為辛格函數的形式。在照射直線型結構時，雷達在不同觀測角度下所接收的信號為辛格函數的不同部分。當雷達掃過直線型目標的法平面時，辛格函數的主瓣區域被雷達捕獲，此時整個直線可以被完整成像。否則，只有直線的兩個端點可以被看到。造成這一現象的根本原因是辛格函數的旁瓣和兩個點目標的回波信號在形式上十分接近，這也導致了它們在圖像中十分相似。兩個點目標的回波可以表示為

其中，Ap為與兩個點目標反射強度相關的因子；L為兩點間距離；φ為雷達觀測視角；R為斜距歷程；k為波數；φp為與點目標初相相關的因子。

上述公式的證明可參照文獻[17]和文獻[18]。據此可以發現，辛格函數的旁瓣和雙點目標的回波非常相似。因此，在回波域中，可以將辨識點、線目標的問題轉化為辨識余弦函數和辛格函數的問題。

基于這一核心問題，文獻[17]提出了基于雙角度的點線目標回波域辨識方法。辛格函數與余弦函數最本質的區別在于，辛格函數左右兩側的旁瓣包絡在主瓣處存在相位突變，這一特征如圖7所示。

圖7 辛格函數與余弦函數的包絡示意圖Fig.7 The envelope of sinc function and cosine function

由圖7可以看出，辛格函數的雙側包絡在主瓣處存在相位跳變，而余弦函數在主瓣處相位連續，因此只需分別捕獲辛格函數與余弦函數在兩側的旁瓣，通過估計其在主瓣處的相位即可實現線目標與點目標的辨識。

隨后，需根據目標的辨識類型對目標參數進行估計，進而在圖像中重建目標特征，如圖8所示。參數估計主要分為兩個部分：參數粗估計和精估計。參數粗估計主要依靠圖像中端點目標的位置獲取粗估計結果。需要估計的線目標參數主要包含長度、朝向、中心坐標。設圖像中提取到的端點坐標為(x1,y1)和(x2,y2)，則線目標參數粗估計結果為

圖8 基于回波域特征的參數化成像方法框圖Fig.8 The block diagram of parametric imaging method based on echo domain features

接著以粗估計結果為初始值，利用粒子群優化(Particle Swarm Optimization,PSO)方法在粗估計結果的鄰域中進行搜索，即可獲得參數精估計結果。依據辨識與估計結果和參數化散射模型，SAR圖像中消失的直線型邊緣結構可以得到恢復。微波暗室實驗驗證了所提方法的有效性，其場景示意圖如圖9所示。在圖10(a)與圖10(b)中，A1和 A2為金屬線目標，B1和B2為金屬球體。

圖9 微波暗室實驗場景圖Fig.9 The observation geometry in the microwave anechoic chamber

圖10 實驗結果Fig.10 Experimental results

除此以外，文獻[17]還利用美國空軍實驗室鏟車數據集驗證了方法的有效性。基于回波域特征的參數化成像方法可以準確地在多個點目標中完整地恢復出鏟車的鏟斗部分。結果如圖11所示。

實驗結果表明，基于回波域特征的參數化成像方法可以明顯增強鏟車鏟斗的直線型結構。而在傳統SAR圖像中，各類直線型幾何結構在SAR圖像中均為強散射點，因此，基于參數化成像方法的直觀可視化效果更強。基于回波域特征的參數化成像方法兼顧了點目標和延展目標的散射模型，在一定程度上解決了成像過程中的模型失配問題，對延展目標成像時，幾何特征更為明顯。與傳統的線性SAR成像技術往往只需單角度數據相比，基于回波域特征的參數化成像方法需要至少兩個離散的觀測角度回波數據。除此以外，由于目標辨識中的相位提取處理是在回波域進行的，對于處理多個獨立的延展性目標，該方法可能無法準確提取目標的相位，進而影響性能。

3.2 圖像域方法

3.2.1 基于多角度相位特征的參數化成像

直線型結構具有與普通點目標截然不同的散射特征。在某些觀測角度下，直線型結構完全消失，只剩下兩個外側的端點可以被成像。這些端點目標在圖像中很容易與普通點目標混淆，因此辨識SAR圖像中直線型結構的端點目標和普通點目標具有強烈的意義。在SAR圖像中，各類目標根據其空間位置在圖像中分布，而在回波域中，各類目標的后向散射回波混疊在一起，難以區分，因此通過提取圖像域中散射中心的特征具有很大的優勢。由于直線型結構的端點與普通點目標存在各向異性差異，文獻[18]從直線型結構端點的圖像域相位特征入手，提出了基于多角度相位特征的目標辨識與重建方法。對于直線型目標端點，文獻[18]給出了端點的圖像域解析式

其中，L為直線結構的長度；?i為直線結構的朝向；φ為雷達觀測視角；B為帶寬；f0為中心頻率。

不同觀測角度下，直線型結構的端點隨觀測視角變化劇烈，特別是位于直線結構法平面兩側時，左側與右側圖像中端點目標的相位會出現180°的跳變。利用這一特征可以較為輕松地辨識直線型結構端點與普通點目標。圖12和圖13分別展示了理想點目標和端點目標的SAR圖像與不同觀測角度下圖像域相位的變化結果。

圖12 點目標SAR圖像與不同觀測角度下相位的變化結果Fig.12 The SAR image of a point target and the phase feature

圖13 端點目標SAR圖像與不同觀測角度下相位的變化結果Fig.13 The SAR image of an endpoint and the phase feature

利用配準的SAR圖像，通過提取點目標不同角度下的圖像域相位特征，即可逐個辨識不同點狀目標的類型。在識別出散射點的類型后，可根據其圖像位置，估計直線型結構的幾何參數。

依靠參數化散射模型，可以將SAR圖像中消失的直線型結構重建。文獻[18]利用微波暗室和多發多收(Multiple Input Multiple Output,MIMO)雷達進行了多組試驗，驗證了方法的有效性，圖14—圖17分別給出了微波暗室和MIMO雷達的實驗結果。

圖14 微波暗室場景示意圖Fig.14 The observation geometry in microwave anechoic chamber

圖15 金屬圓柱和金屬球光學圖片Fig.15 The optical images of the metal cylinder and spheres

圖16 微波暗室成像結果Fig.16 The results of the microwave anechoic chamber experiment

圖17 基于MIMO雷達的球門實驗結果Fig.17 Experiment results based on MIMO radar

實驗結果表明，基于多角度相位特征的參數化成像可以在SAR圖像中重建金屬圓柱、金屬欄桿等直線型幾何結構，相比于傳統SAR圖像中的點目標而言，直觀可視化效果更強。

3.2.2 基于寬角度幅度特征的參數化重建

根據理想點散射模型，普通點目標在圖像域的解析式可表示為

其中，Ai與散射強度有關；φi為該點目標的初始相位。

直線型結構端點的幅度隨不同觀測角度變化劇烈，因此，利用寬角度的雷達數據，通過提取散射點沿方位角變化的幅度信息可以有效識別直線型結構的端點與普通點目標。圖18分別展示了圖像域中普通點目標與直線型結構的端點隨不同觀測角度的幅度變化，相關數據由CST電磁仿真軟件計算得到[28]。可以看出，相較于普通點目標，直線型結構端點的散射特征變化很大。

圖18 雷達不同觀測角度下不同類型點目標的幅度變化圖Fig.18 The amplitude of different types of point targets under different observation angles of radar

針對這一特征，文獻[30]和文獻[31]采用一個單位矩陣作為單個散射中心幅度變化的標準正交基，把對散射中心特征提取轉化為求線性方程的最小二乘解問題，從而實現對直線型結構端點的特征估計。該方法的主要流程以及目標重建結果如圖19和圖20所示。

圖19 基于寬角度幅度特征的目標辨識方法框圖Fig.19 Block diagram of target identification method based on wide-angle amplitude feature

圖20 基于美國空軍實驗室鏟車數據重建結果Fig.20 The experimental results of the backhoe from the AFRL

在回波域中，各類目標的回波信號混疊在一起，難以分離辨識。在圖像域中，各類雷達觀測的目標根據其空間位置在雷達圖像中完全分開，因此與基于回波域特征的參數化成像方法相比，圖像域參數化成像方法可以更高效地處理多目標數據。除此以外，與回波域方法相比，圖像域方法不需要應用粒子群優化等方法對目標的各個參數進行精確估計，因此計算量相比于回波域方法較低。雖處理多目標數據具有一定優勢，但基于圖像域特征的參數化成像方法依然具有一定的局限性。其中，基于圖像域相位特征的參數化成像方法需要至少兩個離散的觀測角度和對應的配準圖像，處理過程較為復雜。基于寬角度幅度特征的參數化成像方法需要連續觀測的寬角度數據，且對于目標信號的信雜比要求較高，表1給出了不同成像方法的效果對比分析。

表1 不同成像方法效果對比分析Tab.1 Analysis of the effects of different imaging methods

4 結束語

實驗結果表明，相比于傳統的SAR成像方法，參數化成像方法一定程度上可在SAR圖像中重建鏟車鏟斗、鐵欄桿等直線型結構的幾何特征，從而將雷達回波中一些非直觀性回波域信息以直觀的圖像形式展示出來，這對于提升SAR圖像的可讀性具有很大的潛力。目前，參數化成像方法主要針對一些結構較為簡單的人造目標，對于實際場景中更加復雜目標的研究還在進行中。合成孔徑雷達參數化成像方法是雷達成像領域極具潛力的研究方向之一，其研究有助于提升SAR圖像的可解釋性，為進一步提升雷達目標識別、信息解譯提供有力的保障。近年來，隨著SAR智能化成像技術的發展和相關基礎硬件水平性能的提升，SAR成像系統正朝著智能化、多源、多維度、多融合等方向發展。SAR的參數化成像方法與上述新技術相結合具有很大的提升與應用潛力。目前對于SAR參數化成像技術研究，依然存在很多待解決的問題，根據目前的研究進展，預計未來將在以下方面展開有序深入的研究。

(1)復雜場景多目標參量化成像。基于簡單結構的參量化散射模型已經得到大量研究，但對于含有復雜目標的真實場景，其參量化成像不能僅僅考慮單個簡單目標的電磁散射特性，還需考慮多種散射結構的組合以及環境背景和目標之間的耦合，因此需建立完備的參量化模型，清晰、準確地描述復雜目標的幾何、材料等物理特性。今后對于復雜場景中的多目標參量化成像研究的重點一方面是完善復雜幾何體散射模型，因為現有的典型幾何體的散射模型遠遠不夠；另一方面，為了參量化方法的實際應用，需要構建出準確度高、物理參數清晰、簡潔性好、實用性強的復雜場景多目標參量化模型。

(2)智能SAR參量化成像。現階段，線性處理已經無法解決SAR成像中的諸多難題。非線性處理方法不斷受到研究者的青睞，正如本文所介紹的合成孔徑雷達參數化成像。但非線性處理方法存在建模難、復雜度高和求解難的問題。幸運的是，神經網絡在理論上擁有擬合任何非線性映射的能力，因而有望通過神經網絡構建SAR回波數據到SAR圖像的“智能非線性映射”。但現階段，若通過海量數據直接訓練神經網絡，來得到如傳統匹配濾波成像算法般“通用的”SAR成像智能網絡，還存在很大的難度。其主要原因在于SAR數據的稀缺性、SAR成像系統與成像模型的復雜性和網絡的不可解釋性。因此，若想解決SAR智能化成像難題，需要解構SAR成像難題，從最基本的散射單元入手，依賴智能化網絡提取有限的基本單元的深層可解釋特征，通過有限基本單元的組合來解耦無限的組合，從而得到通用性的可解釋性SAR智能成像網絡。