全息合成孔径雷达(HoloSAR)三维成像中一种新颖的目标提取与能量均衡方法

《Remote Sensing》：A Novel Target Extraction and Energy-Balancing Method for HoloSAR 3D Imaging

　　

全息合成孔径雷达(Holographic Synthetic Aperture Radar, HoloSAR)通过非相干叠加层析子孔径图像实现360°三维重建。然而，经常规子孔径TomoSAR重建及非相干积分后，由于角度依赖的散射响应，所得三维影像存在严重的动态范围失衡：宽角强散射体能量被反复放大，而窄角弱散射结构被埋没于噪声基底之下。为解决这一后处理难题，研究人员提出一种作用于重建后子孔径域三维图像的联合统计滤波框架，融合变异系数(Coefficient of Variation, CV)、子孔径间相关性(Inter-subaperture Correlation)与谱熵(Spectral Entropy)，并采用基于判别力的自适应加权；随后通过高斯混合模型(Gaussian Mixture Model, GMM)贝叶斯最优阈值进行目标筛选。对于判定为弱目标的像素，应用百分位数匹配(Percentile-matching)能量均衡变换，将其能量自适应重新缩放至主目标参考水平，同时保留相对幅度关系。在真实Ku波段无人机(Unmanned Aerial Vehicle, UAV)圆周SAR(Circular SAR, CSAR)数据上的实验表明，所提方法有效压缩动态范围、抑制背景噪声、恢复传统非相干叠加中丢失的弱窄角结构，获得更完整且可解释的HoloSAR三维重建。定量评估显示：所提方法将目标背景比(Target-to-Background Ratio, TBR)提升0.7 dB达11.2 dB，背景抑制比(Background Suppression Ratio, BSR)为?5.2 dB，结构完整度指数(Structural Completeness Index, SCI)提升156%达1428.1，并将原始超过50 dB的动态范围失衡予以压缩，同时保持场景物理真实性(等效视数Equivalent Number of Looks, ENL ≈ 7.4×10?3)。

论文解读：《A Novel Target Extraction and Energy-Balancing Method for HoloSAR 3D Imaging》（发表于Remote Sensing）

一、研究背景与意义

合成孔径雷达(Synthetic Aperture Radar, SAR)三维重建在自动目标识别(Automatic Target Recognition, ATR)和城市场景监测中具有重要价值。全息合成孔径雷达(Holographic SAR, HoloSAR)结合圆周SAR(Circular SAR, CSAR)与层析SAR(Tomographic SAR, TomoSAR)，通过对多方位子孔径(sub-aperture)数据进行非相干叠加(non-coherent superposition)实现360°三维重建。现有研究多集中于改进单个子孔径内的TomoSAR成像算法，却忽视了非相干叠加后因角度选择性散射(angle-selective scattering)引起的能量积累差异：三面角、二面角等宽角强散射体(wide-angle strong scatterers)在全部子孔径均有高雷达散射截面(Radar Cross Section, RCS)，能量被N_sub倍放大；机翼等大平面结构属窄角强散射体(narrow-angle strong scatterers)，仅在一至数个子孔径内出现镜面反射峰值，叠加后能量仅为宽角散射体的N_sub/ΔN倍；低RCS分布结构(low-RCS distributed structures)能量接近噪声基底。这导致最终三维图像动态范围(Dynamic Range, DR)常超50 dB，全局对数映射无法同时呈现强弱结构——压窄动态范围则弱结构消失，放宽则强点过曝并引入大量噪声。已有二维SAR动态范围压缩方法未利用多角度信息，统计区域生长法假设空间均匀性不适用于HoloSAR角向统计异质特性。因此，研究人员开展本研究，旨在提出一种子孔径域后处理流程，解决HoloSAR非相干叠加导致的动态范围失衡问题，实现主目标提取与弱散射结构能量恢复。

二、主要关键技术方法

研究人员采用2025年5月采集的真实Ku波段多旋翼无人机(UAV) CSAR数据（含机场跑道上飞机及车辆目标），360°圆周孔径划分为90个子孔径（每孔径4°），各子孔径内对8条垂直基线做L1稀疏重建(sparsity λ=40)获高程向分辨率Δs=λ/(2Δθsinα)的三维图像，相位梯度自聚焦(Phase Gradient Autofocus, PGA)补偿运动误差。关键技术方法为：①构建空间像素×子孔径幅值矩阵，计算各像素沿子孔径方向的变异系数(CV)、相邻子孔径Pearson相关系数、子孔径幅度序列归一化谱熵(Shannon Spectral Entropy)；②以特征全局方差定义判别力指数(discriminative power index)对各指标Min-Max归一化并方向对齐后线性融合得综合置信度；③用期望最大化(Expectation-Maximization, EM)算法拟合双组分GMM，取贝叶斯最小错误率决策边界为自适应阈值完成主目标筛选；④以主目标集幅值构建参考经验累积分布函数(Empirical Cumulative Distribution Function, ECDF)，对弱目标及背景集各子孔径幅值做百分位数匹配(percentile-matching)单调变换——将原幅值在其局部ECDF的百分位映射到参考ECDF对应分位幅度，再经三维半径滤波(radius filtering)后重新非相干叠加得最终结果。

三、研究结果

2.1. HoloSAR Imaging Model（HoloSAR成像模型）

研究人员建立简化现象学模型量化三类典型散射体（宽角强散射体、窄角强散射体、低RCS分布结构）在非相干叠加中的期望能量，推导理论动态范围下界DR_theory≈10lg(σ_wideN_sub·N_sub/(σ_noise·ΔN))。以N_sub=90、ΔN≈3为例DR>50 dB，阐明动态范围失衡源于角响应差异导致的非均匀能量积累，为后处理提供物理依据。

2.2. Joint Statistical Target Screening（联合统计目标筛选）

研究人员对比单一CV（易将低RCS均匀杂波误判为目标）、单一相关性（将窄角突变判为噪声）、单一谱熵（对极低能量分布式结构失效）及等权融合的不足，证明所提基于判别力自适应加权融合CV、相关性、谱熵的综合置信度配合双组分GMM贝叶斯最优阈值，能在保留宽角主结构同时避免过度剔除窄角弱连通区，实现稳健的主目标/背景二分类。

2.3. Energy Balance（能量均衡）

研究人员证明百分位数匹配变换F(x)=F_ref^?1(F_weak(x))具严格单调性——若x₁< />₂则F(x₁)< />₂)，故保持像素间相对幅度排序（relative amplitude relationships）；当弱目标分布与主目标同族仅差尺度参数时变换等价于线性增益σ_ref/σ_weak·x。经此变换将弱窄角散射能量提升至主目标参考量级后再与各子孔径主目标非相干叠加，配合三维半径滤波去除孤立离群点，最终获得动态范围压缩且结构完整的HoloSAR三维图像。计算复杂度为O(N_voxN_sublogN_sub)，内存需求约6.2 GB（N_vox=256×256×60，N_sub=90，双精度复数），可接受于普通工作站。

3. Experimental Results（实验结果）

在两架飞机目标(Ku波段UAV CSAR实测数据)上对比传统非相干叠加、仅目标提取、所提完整方法。结果显示：传统方法无论怎样调显示动态范围均无法同时呈现强弱结构——压低则翼面后部弱结构丢失，放宽则噪声显现；仅GMM筛选可抑噪但硬阈值致弱窄角结构归零造成结构缺损；所提联合滤波+百分位数匹配能量均衡恢复机翼等窄角弱散射使得目标结构完整，各显示窗(?60/?70/?80 dB)内均无多余噪声。能量直方图由传统方法的极端双峰（低能噪声主峰+高能长尾>50 dB间隙）变为近似对数正态分布——低能噪声受抑、弱结构经匹配拉升形成平滑过渡、强散射保持原幅值。定量对比全局对数压缩(GLC)、动态范围压缩(DRC, Lambers et al.)、自适应伽马校正(AGC)及所提方法：所提方法目标背景比(TBR)=11.2 dB（较传统+0.7 dB，较AGC +8.3 dB），背景抑制比(BSR)=?5.2 dB（背景抬升可控，远小于GLC的?22.9 dB与AGC的?43.8 dB），结构完整度指数(SCI)=1428.1（较传统556.6提升156%，AGC异常高值因噪声虚假连通），等效视数(ENL)=7.4×10^?3（与传统8.1×10^?3同量级，未引入非物理平滑；AGC的ENL=12.4为假均匀化）。证实所提方法在背景抑制、弱结构恢复、散射层级保持及物理真实性间取得最优平衡。

四、讨论与结论

讨论部分指出：本框架采用双组分GMM做粗筛而非多组分精细分类，避免因窄角弱散射体与杂波尾部分布重叠导致阈值失稳，"粗筛选+子孔径恢复"策略更具鲁棒性。局限在于：复杂异质背景下双高斯假设可能偏移，可通过升阶GMM或先做非局部均值(Non-Local Means, NLM)预滤波缓解；百分位数匹配改变绝对辐射值(RCS物理含义)，故适用于三维可视化与ATR等对结构完整性要求高于严格辐射保真度的场景，不适用于定量参数反演。

结论：研究人员提出并验证了基于子孔径域联合统计滤波与百分位数匹配能量均衡的HoloSAR后处理框架，通过融合CV、子孔径间相关性与谱熵的自适应加权GMM贝叶斯阈值提取主目标，再通过单调百分位数映射将弱窄角散射重缩至主目标参考能级，有效解决了HoloSAR非相干叠加中宽角强散射反复放大与窄角弱结构湮没导致的动态范围失衡问题。实测Ku波段UAV CSAR数据表明该方法在提升TBR、压缩DR、抑制背景噪声及恢复结构完整性上均优于传统方法及单一特征筛选法，为HoloSAR三维重建提供了有效的后处理方案，未来可结合极化特征与深度学习驱动的自适应筛选进一步完善。