宽带逆合成孔径雷达高分辨成像技术综述

田 彪 刘 洋 呼鹏江 吴文振 徐世友 陈曾平

①(国防科技大学电子科学学院 长沙 410073)

②(西安卫星测控中心 西安 710043)

③(国防科技大学电子对抗学院 合肥 230037)

④(中山大学电子与通信工程学院 广州 510000)

1 引言

雷达成像技术自上世纪提出以来，已逐渐发展成熟，成为雷达系统发展史上的里程碑。目前的成像雷达通过发射大带宽信号获取径向上的高分辨率，而利用合成孔径得到垂直于径向上的高分辨率。逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)作为成像雷达的重要分支，其成像技术使雷达系统的主要功能从简单的目标探测跟踪发展到对目标细节信息的获取及特征分析[1–3]。

ISAR成像的目的与追求在于以尽量小的代价用图像展示更多更有用的目标信息，从而为后续成像应用提供更高质量的ISAR图像[4]。无论是雷达体制、成像体制，还是成像方法，几乎所有研究均是在推动ISAR成像朝着这一目标前进并不断解决其中发现的新问题。围绕ISAR成像的目标，从ISAR图像的角度来看，ISAR成像技术的发展变化主要可归纳为两个方面，一是精细化成像提升成像质量，二是多维度成像丰富成像信息。

在精细化成像方面，ISAR成像效果受到雷达系统幅相特性、目标非合作运动、信号处理算法等因素的影响。在成像过程中，研究者通过信号处理方法使成像模型转化为转台成像，所涉及的关键环节主要包括雷达回波脉冲压缩、雷达系统失真校正[5–8]、目标高速运动补偿[9–16]、距离向自聚焦[17–20]、平动补偿[21–26]、转动补偿[27–33]、图像重构[34–59]、图像后处理[60–70]等，每一环节的处理都影响最终的雷达成像效果。精细化成像技术作为一个通用技术群，支撑了特定的场景和目标下的高质量成像，例如低信噪比成像、稀疏数据成像、多目标成像、微动成像等，他们对成像技术链路也都有各自的具体要求，本文将在最后一部分进一步讨论。

在多维度成像方面，传统ISAR成像获得的二维图像仅仅是目标三维结构的二维投影，存在信息缺失。随着雷达体制的进步和信号处理方法的优化，雷达成像的维度不断扩展，成像信息量不断提升。ISAR图像维度扩展主要体现在信号极化、频段、空间、时间等维度。在信号极化维度方面，脉间交替极化、脉内分时极化、甚至瞬时全极化雷达的出现，目标的极化特性通过ISAR成像的方式可以更直观地展示[71–79]。在信号/图像融合方面，通过不同频段相干合成大带宽成像[80–91]或通过双/多基地雷达实现观测目标的多视角成像[92–106]，可丰富目标细节和提升目标多姿态展示能力。在空间信息维度方面，通过构造特殊的观测流形或形成二维观测孔径，可使雷达具备对目标的三维成像能力，从而以更直接的方式展示目标信息[107–144]。当然，成像的维度并不仅仅局限于上述方面，例如成像时间维度扩展，形成视频雷达图像等等。

本文围绕宽带ISAR成像技术的发展，从精细化和多维度两个方面综述了先进成像技术和方法，最后从成像建模、复杂场景精细成像、实时成像、成像评价与图像应用等四个方面进行展望分析。

2 精细化成像

在成像过程中，目标相对雷达的运动包含平动和转动两部分，其中只有转动分量对目标的ISAR成像有贡献。由于目标运动的非合作性和复杂性，平动分量会导致目标回波相位的扰动，影响回波序列的相干性，因此需要补偿。因此，在ISAR成像研究中，研究人员始终围绕如何恢复目标回波序列的相干性进行展开。由此引出了二维ISAR成像中几个关键技术的研究：高分辨一维距离像获取和补偿技术、平动补偿技术、转动补偿技术、二维图像重构技术、图像后处理。精细化ISAR成像处理需要每一个环节的补偿校正都准确完成。下面就上述几个关键技术，简要梳理目前国内外取得的主要研究进展。

2.1 一维成像与脉内补偿

宽带雷达高分辨一维像是二维成像的基础和数据源，要获得准确的高分辨一维距离像，需要结合回波数据特点和后续ISAR成像的需求，完成必要的补偿。

2.1.1 脉冲压缩

ISAR成像雷达通过发射宽带信号获得距离向的高分辨，通过脉冲压缩技术，可以获得目标散射点在径向上的投影分布，即目标一维距离像。在实际雷达系统中，线性调频(Linear Frequency Modulated,LFM)信号是使用最广泛的宽带信号。针对LFM宽带信号的脉冲压缩有两种处理方式：一种是解线频调(Dechirp)处理[145]，又称STRETCH或去斜率处理[146]；另一种是匹配滤波脉冲压缩。这两种脉冲压缩方法理论上具有相同的距离分辨率，在实际应用中各有利弊。

由于LFM信号的特殊性质，Dechirp处理后的信号带宽大大降低，有效减小了雷达信号采集和处理的难度。Dechirp脉冲压缩技术经过数十年发展，已广泛应用于各种宽带雷达系统，如国外主要宽带成像雷达ALCOR雷达、HLRIR雷达、Haystack辅助雷达、TIRA雷达等。国内研制的宽带成像雷达，其接收机也都采用了Dechirp技术。尽管Dechirp技术在理论和工程应用上已经比较成熟，且仍被广泛应用，但在实际应用中逐渐暴露出自身存在的一些缺陷，主要表现在：距离开窗范围有限、频率移变性导致系统失真补偿困难、参考信号存在调频非线性分量、参考距离的随机误差破坏了回波的相参性。

和解线频调的宽带回波接收方法相对等的，是直接中频采样(Direct Intermediate Frequency Sampling,DIFS)方法。随着数字技术在雷达系统中的应用，高速ADC以及高性能FPGA、DSP器件为基础的数字化器件不断进步，并逐步在实际宽带雷达中得到应用，对宽带信号进行DIFS得以实现。DIFS数据更完整地保留了雷达回波的原始信息，为后续的信号补偿及成像处理留下了更大空间。DIFS数据由于高采样率，带来的显著影响是海量数据，给后端信号处理增加了难度。图1给出了两种不同脉冲压缩方式的流程图。

图1 两种不同脉压方式流程图Fig.1 Flow chart of two different pulse compression methods

2.1.2 系统失真补偿

随着雷达带宽的不断增加，各种非理想元器件难以在整个频带内维持平坦的幅频特性和线性的相频特性。信号在经过这些元器件时，不可避免地发生失真，即不再是理想信号，其后果是恶化系统性能，降低分辨率、抬高旁瓣、减小信噪比，甚至产生假目标[147]，从而影响ISAR图像质量，导致雷达观测性能的下降。图2给出了雷达系统理想幅相特性与实际幅相特性的对比。采用信号处理技术进行系统失真校正，是当前大多数宽带雷达系统不可或缺的组成部分，它降低了对硬件系统研制的要求，使得高性能系统更加容易实现。

高分辨雷达系统的工作体制不同，系统的失真因素也不尽相同，对应的校正方法也随之不同。解线频调体制和匹配滤波体制有一些共同的失真因素，如调频非线性失真、I/Q正交不一致性失真、宽带系统的幅相失真；而有些失真因素则是解线频调体制引起的，如时频转换失真、窄带系统失真等。对于采用匹配滤波体制的雷达系统，系统的失真与信号的失真作用相同，可以合在一起测量与校正；而采用解线频调体制的系统，信号形式和信号带宽在时频转换前后不一样，不仅使失真因素增多，而且使各种失真具有移变特性[5]，从而使得系统失真测量和校正的难度大大增加。林钱强等人[6]详细分析了数字STRETCH处理系统的失真特性，可产生数字域的理想参考信号，不存在模拟STRETCH处理系统中失真的移变特性，并提出了一种系统失真补偿的高效算法。

刘洋等人[7]提出了一种基于频域均衡的系统幅相失真补偿方法，通过最小二乘估计方法从塔源回波中提取系统幅相失真量，对DIFS回波数据进行频域的系统幅相失真补偿。图3给出了实测塔源数据幅相失真补偿效果。补偿后的DIFS信号脉压结果主瓣更窄、信噪比更高且由幅度周期性失真引起的“成对伪峰”被完全抑制。对比Dechirp回波脉压结果，尽管经过系统的预失真校正，仍然无法完全抑制幅相失真的影响。补偿前后的二维ISAR图像和Dechirp回波ISAR图像也很好地显示了对DIFS信号进行系统幅相失真补偿带来的好处。

呼鹏江等人[8]提出一种完全由数据驱动的自适应补偿方法，基于横向距离像实现系统幅相失真的补偿，避免了传统补偿方法所必需的系统幅相特性测量环节，大大简化了补偿过程，降低了补偿成本。图4给出了目标宽带回波失真补偿效果处理结果，假设雷达系统不仅存在幅频响应失真，而且存在相频响应失真，此时ISAR图像距离向严重模糊，难以从图像中提取有用的目标特性信息。进行幅度失真补偿后，图像质量有一定改善。而进行相位失真补偿后的目标图像，图像质量得到进一步改善。

2.1.3 高速运动补偿

不同于飞机目标和地面目标，导弹和卫星等空间目标在成像过程中通常伴随高速运动，径向速度较大。对于大脉宽信号，传统的回波“停-走-停”模型不再适用，必须考虑目标在脉冲时间内的运动变化。不论是Dechirp脉冲压缩方式还是DIFS匹配滤波脉冲压缩方式，目标的高速运动均会在回波相位中产生2次甚至更高次的相位，从而导致目标一维距离像的谱峰展宽甚至分裂。

针对Dechirp信号的高速运动影响分析和补偿方法的研究已经十分成熟，通常首先利用信号处理的方法估计出目标径向速度，然后对Dechirp回波中由径向速度引起的高次相位进行共轭抵消来实现高速运动的补偿。Dechirp信号高速运动补偿的关键在于速度的准确获取，目前主要采用两大类方法：一是以一维距离像的聚焦程度为衡量准则，其中以波形熵最为典型，进行速度的间接估计[9,10]；二是基于去斜回波信号，估计高速运动引起的高次相位，进而直接获得速度的估计值，如离散Chirp-Fourier变换(Discrete Chirp-Fourier Transform,DCFT)[11]、Randon-Ambiguity变换(RAT)[12]和Randon-Wigner变换(RWT)[13]以及3次相位函数(Cubic Phase Function,CPF)、积分3次相位函数(Integrated Cubic Phase Function,ICPF)[14]等高次相位估计工具。

图2 理想幅相特性与实际幅相特性的对比Fig.2 Comparison of amplitude and phase

图3 塔源实测DIFS回波系统失真补偿试验结果[7]Fig.3 The distortion correction performance of real calibration tower signal[7]

图4 飞机目标仿真数据幅相失真补偿实验结果[8]Fig.4 The distortion correction performance of simulated airplane signal[8]

曹敏[15]针对高速运动严重影响一维距离像质量的问题，提出了基于粒子群优化(Particle Swarm Optimization,PSO)算法的自适应联合时频变换(Adaptive Joint Time-Frequency transform,AJTF)方法。基于AJTF思想通过在二维时频平面内搜索单个散射点的多普勒变化估计目标速度，从而实现一维距离像速度补偿，并针对待估参数二维搜索计算量大的问题，利用PSO算法加速参数搜索。图5给出了国际空间站的高速运动补偿成像效果分析，通过局部放大图可以看出，散射中心峰值点补偿后变得尖锐。

与去斜回波不同，DIFS回波速度扰动相位与目标转动相位耦合在一起，必须在匹配滤波脉压过程中通过调整匹配滤波器参数的方式实现补偿，因此通过DIFS回波信号估计目标速度难度较大。现有的绝大部分ISAR成像雷达都具备测速和测距功能，且随着技术的发展，雷达测量精度不断提高。利用雷达窄带测距和测速数据可精确拟合出目标径向速度，为DIFS回波的高速运动补偿提供速度参数。

田彪等人[16]针对DIFS体制下的高速运动补偿问题，提出了基于牛顿迭代和最小熵的快速速度搜索方法，为构造自适应匹配滤波器提供输入参数，提升了高速运动补偿的效率，补偿方法同时消除了高速运动引起的一维像平移和展宽效应。图6给出了高速运动补偿效果。

2.1.4 距离向自聚焦

针对高频段、大带宽雷达，以及机动等复杂运动目标的ISAR成像，脉内的相位误差进一步加大，必须进行距离向的自聚焦，改善一维像聚焦质量。高频段雷达器件相位噪声造成发射和接收回波中存在较大相位误差[17]；由于短波长较短，机动等引起的很小的观测距离误差就可能造成巨大的相位误差。因此，有必要对ISAR回波中的距离相位误差进行建模分析，研究精确有效的相位误差估计和补偿方法，通过距离向自聚焦步骤，提高ISAR回波的距离压缩质量[18]。

刘磊等人[18,19]构建了距离相位误差的高阶多项式模型，基于最小熵和启发式搜索技术对每次回波信号进行2次调频率搜索，估计各次回波调频率的值并取均值以提高估计精度。构建2次相位误差补偿项，对距离维2次相位误差进行补偿。之后，通过距离维自聚焦算法估计和补偿3次及以上阶次的误差相位，进一步提高距离压缩结果的聚焦度。最后，利用包络对齐处理消除掉距离维1次相位误差的影响。图7给出了距离相位误差补偿的效果。

2.2 脉间补偿

脉冲间慢时间的运动必须精确估计和补偿，才能等效为精确的转台模型，为方位压缩成像奠定基础。目标脉冲间的运动补偿主要包括两个方面，即目标整体相对于雷达的平动，以及目标上不同散射中心相对于转动中心的转动。

2.2.1 平动补偿

目标运动是ISAR成像的基础，但同时也是ISAR成像中一系列问题的来源。虽然目标转动和平动都会使目标散射点产生多普勒，但由于目标平动速度随时间变化，平动产生的多普勒于成像有害无益，需要将目标回波信号去除平动引起的多普勒频率变化，最终等效为转台目标成像，这一过程即为ISAR成像的平动补偿。由于目标的非合作性，平动补偿是ISAR的难点。

图5 国际空间站高速运动补偿效果[15]Fig.5 High velocity movement compensation performance of ISS[15]

图6 卫星目标仿真数据高速运动补偿效果[16]Fig.6 High velocity movement compensation performance of simulated satellite[16]

目标平动给ISAR带来两方面的影响：一是使相邻一维距离像在距离向上错开，同一个散射点在不同一维距离像上处于不同的距离单元；二是使回波存在多普勒频移，在成像积累时间内多普勒频移的快变导致ISAR像散焦。平动补偿包括消除目标平动分量对回波信号包络以及相位的影响，由于消除这两方面影响所需的精度不同，因此平动补偿一般分两步进行：距离对准和相位校正。

(1) 包络对齐。包络对齐是根据相邻距离像之间的相关特性，依据某种准则使当前距离像与参考距离像在包络上对齐。根据对齐准则的不同，包络对齐可分为互相关包络对齐、基于图像锐化度准则的包络对齐、基于空间距离准则的包络对齐3大类。根据参考距离像选取方式的不同，包络对齐方法又可分为相邻对齐、加窗积累对齐和全局对齐3大类。

(2) 初相校正。在完成包络对齐后，目标回波一维距离像在包络上基本对齐。但是，各次回波之间仍然存在一定的平动误差，即包络对齐后的各次回波初始相位仍然是随机的，从而使得目标上的散射点无法形成聚焦良好的ISAR图像。因此，还需要通过初相校正消除回波中由平动引起的相移，使得校正后的目标可视为转台成像目标。由于参考距离的随机误差，采用Dechirp脉压方式的目标回波通常是非相参的。因而，学者提出的Dechirp回波初相校正主要采用基于散射点模型的非相参化补偿算法。非相参化初相校正方法主要有：多普勒跟踪法、特显点法、相位梯度自聚焦法、秩一相位估计法、基于图像质量评价准则的自聚焦法等。

针对机动目标的平动补偿，Shao Shuai等人[20]提出了一种空变对比度最大化自聚焦算法，建立了参数化二维空变相位误差多项式模型。用多项式系数向量表示空变特性，并考虑了机动运动引起的图像投影平面的变化。此外，多项式系数向量通过基于拟牛顿迭代(Broyden-Fletcher-Goldfarb-Shanno,BFGS)快速搜索算法的最大对比度优化来实现。此外，作者还提出了一种自适应多项式阶数选择方法。图8给出了实测数据的空变相位补偿效果。

(3) 基于回波相参性的平动补偿。随着高速数字采集和存储设备的发展，国内外多部雷达已经实现对目标回波的直接中频采集。通过DIFS过程中的精确波门控制和记录技术，目标回波序列中的随机相位扰动将被有效控制和补偿，目标回波的相参性能够得到很好地保留[21]。基于匹配滤波的脉冲压缩可得到相干性较好的目标复距离像回波数据，回波的初相历程基本保持了目标平动规律，从而使得参数化初相校正方法在实际工程中的应用变得可行。

林钱强等人[22,23]针对DIFS回波数据，提出了相参化的初相校正方法，首先利用多普勒跟踪法估计得到距离像序列的初相历程，然后采用多项式拟合方法对初相历程进行高精度估计，提高初相补偿效果。类似的，文献[24]提出了基于相位估计的频域平动补偿方法，通过估计相邻回波的相位历程，直接在频域同时实现包络对齐和初相校正。图9给出了相参化运动补偿效果。

图7 距离相位误差补偿效果[18]Fig.7 Range phase error compensation performance[18]

图8 空变相位补偿效果[20]Fig.8 Spatial-variant contrast maximization autofocus performance[20]

相参化平动补偿的另一个好处是，能够实现空间快速旋转等复杂运动目标的平动补偿。当目标快速旋转时，相邻包络相关性受出现周期性的快速起伏，使得常规的非相参化包络对齐变得非常困难。文献[25,26]针对快速旋转的空间碎片，提出了基于中频直采数据的宽带成像方法，利用目标运动参数进行参数化的运动补偿，实现了快速旋转目标的高精度包络对齐和初相校正。在低信噪比环境下，采用去斜率脉冲压缩接收和传统的平动补偿方法，对快速旋转目标进行平动补偿几乎不可行。图10给出了空间旋转目标两种接收模式下的平动补偿效果。

2.2.2 转动补偿

经过理想平动补偿后，目标回波中仅包含转动分量，可等效为转台模型，可通过一定的成像方法得到目标二维ISAR像。在大带宽、大转角成像中，不可避免发生散射点的越分辨单元走动(Migration Through Resolution Cell,MTRC)。若仍采用RD成像算法，目标图像会在距离和方位向上出现散焦。同时，失控卫星、飞机等机动目标的复杂运动引起目标的非均匀转动，同样会造成方位向的散焦。因此，精细化成像中，目标的转动补偿不可或缺。

MTRC分为径向和方位向MTRC，根据目标在径向和方位向的尺寸大小，目标回波中可能同时包含两种走动。一般而言，Keystone变换能够较好地校正转动引起的径向MTRC，且无需提前估计目标转角，但其对方位向上的MTRC补偿毫无益处。高分辨ISAR成像转动补偿的核心是如何准确估计目标转动参数。目标转动参数的估计算法主要分为基于信号相位的参数化估计[27–30]和基于图像的非参数化估计[31–33]两类。

胡杰民等人[27]研究了基于相位对消的转角估计方法，根据回波相位2次项系数算出旋转速度，进而根据成像积累时间算出转动角度。针对回波相位存在1次项导致2次项系数难以估计这一难题，研究了基于相位1次项对消的2次项系数估计方法，并利用加权最小二乘法对各距离单元的估计结果进行了拟合。图11给出了相位对消法转角估计的效果。

图9 相参化运动补偿效果[22]Fig.9 Coherent motion compensation performance[22]

图10 信噪比–5 dB时空间旋转目标的平动补偿效果[26]Fig.10 Translational motion compensation performance of spatial rotation target of SNR=–5 dB[26]

刘洋等人[31]提出了一种非参数化的转动参数估计方法，该算法首先通过Keystone算法校正成像过程中距离向的MTRC；然后利用目标区域提取技术和雷达视线变化角度求取目标转动参数初值；最后结合黄金分割搜索(Golden Section Search,GSS)方法和最小熵准则实现目标转角和转动中心搜索，实现方位向的MTRC校正。图12给出了Mig-25仿真数据的MTRC校正效果。

2.3 二维图像重构

实现运动补偿之后，为获得目标的二维ISAR图像，可对方位向回波进行慢时间相干积累，完成目标散射强度分布的空间重构。ISAR观测对象一般为非合作目标，根据目标的运动状态，可将目标分为3类：平稳运动目标、机动目标和复杂运动目标。3类目标的回波信号模型由简单到复杂，因此，相应的图像重构方法也有所不同。

当目标在成像时间内平稳飞行时，如三轴稳定卫星、民航飞机等，目标运动满足匀速二维转动模型，经过运动补偿后，可采用基于傅里叶变换的成像方法得到目标二维图像。根据目标成像转角的大小，基于傅里叶变换的图像重构算法有RD算法，Keystone变换算法和PFA算法等。

当目标做机动飞行时，目标多普勒频率时变，直接采用基于傅里叶变换的图像重构方法无法获得清晰的ISAR图像。为此，许多学者将时频分析方法引入到ISAR图像重构中[34,35]，采用距离瞬时多普勒(Range-Instantaneous Doppler,RID)方法成像，较好地抑制多普勒时变引起的方位向模糊。目前，应用于RID成像中常用的时频分析方法有短时傅里叶变换、平滑伪Wigner-Vile变化和Gabor变换等。为改善传统时频分析的聚焦性，同时抑制交叉项，文献[36]提出了时频分布重排的思想。RID成像的另一种思路是基于信号分解方法获取目标瞬时距离-多普勒图像，常用的方法有基于Chirplet分解[37]和调幅线性调频信号分解[38]的瞬时ISAR成像。

刘洋等人[39]针对含小幅度微动部件目标成像，提出了一种基于自适应多普勒谱线提取的改进RID算法，利用梯度能量函数提取出不同距离单元的最佳多普勒瞬时谱线，最终将所有距离单元的最佳瞬时多普勒谱线在距离向排列，得到目标聚焦性能更好的二维RID图像。图13给出了改进RID成像方法与传统成像方法的成像效果对比。

图11 相位对消转角估计效果[27]Fig.11 Rotation angle estimation performance by phase cancellation method[27]

图12 Mig-25仿真数据MTRC补偿效果[31]Fig.12 MTRC compensation performance of simulated Mig-25 data[31]

对于复杂运动目标，多采用基于信号参数估计的RID算法产生目标二维图像[40–42]。平动补偿后，复杂运动目标成为匀加速转动的“转台”目标，各散射点多普勒频率变化更为复杂。这种情况下，各个距离单元的慢时间信号可视为多分量多项式相位信号，在估计得到各多项式相位信号分量的参数后，可计算慢时间时刻的多普勒频率，从而实现了多普勒分析。哈尔滨工业大学的王勇教授团队[43–45]和西安电子科技大学的雷达信号处理重点实验室[40–42,46]在这方面做了大量的工作，较好地解决了复杂运动目标成像问题。由于需要对所有距离单元的方位回波信号进行信号参数估计，该类方法普遍存在运算量大的问题，而且运算量随精度提高而快速增大。此外，对于每个距离单元来说，参数估计过程中存在误差传递现象。王勇等人通过分析复杂运动目标的RD图像推导得出散射点峰值的精确位置，基于此，提出了基于峰值提取的成像算法，获取了聚焦良好的ISAR像，如图14所示。

为突破成像分辨率的瑞利限(rayleigh limit)，超分辨谱估计技术能够实现在雷达带宽受限的情况下对ISAR成像超分辨的要求。基于现代信号谱估计的雷达成像方法主要从参数化谱估计和非参数化谱估计两个方面展开。参数化谱估计方法假设雷达回波满足一定的数学模型，然后利用参数化方法分析信号的频谱，从而将谱估计转换成数学的参数估计问题，具有代表性的有Burg谱外推法[47]、MUSIC方法[48]、root-MUSIC方法[49]和ESPRIT方法[50]等。非参数化谱估计方法的基本思想是将利用一个窄带滤波器对感兴趣频带内的信号进行滤波，然后用滤波器的输出功率除以滤波器的带宽表示对输入信号的一种度量，主要有Capon算法和幅度-相位估计(Amplitude Phase EStimation,APES)方法[51]等。

过去十多年，压缩感知(Compressive Sensing,CS)[52,53]等信号处理新方法的出现为解决ISAR成像问题提供了另一个强有力的工具。由于ISAR一维距离像和二维图像的稀疏性，各种稀疏恢复方法在ISAR成像领域取得了广泛应用[54,55]。研究者们提出的成像算法成百上千，有的致力于提高分辨率，有的致力于降低对回波数据量的需求，有的致力于突出图像特定特征以便于后续应用。

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

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

近年来，深度学习网络在ISAR图像重构和分辨率提升等方面作用凸显。高敬坤、叶佳琪、秦丹等人[56–59]建立了利用深度学习增强ISAR分辨率的基本实施框架，通过训练深度残差网络和生成对抗网络自动学习低分辨ISAR像和对应高分辨ISAR像之间存在的映射关系，进而重构出ISAR高分辨图像。图15给出了利用深度网络的ISAR图像重构结果，可以看出通过网络的重构方法比传统RD重构方法分辨率显著提升。

2.4 ISAR成像后处理

通过图像重构技术已经获得目标的二维ISAR图像，然而考虑图像的后续应用，需要进一步实施图像方位向定标和可视化显示。

2.4.1 方位向定标

ISAR图像方位向定标是应用ISAR进行目标特征提取和目标识别的前提。ISAR图像方位向分辨率反比与目标相对于雷达的转角，因此方位向定标的核心是求取目标的转角或转动速度。目前转角估计方法大概可分为3类：第1类是基于窄带跟踪信息的估计方法[60,61]，该类方法依赖于雷达跟踪设备的观测数据，其性能也受限于窄带跟踪精度，实际应用中不具有普适性；第2类是基于ISAR图像处理的方法[62–64]，通过整幅图像直接相关或者通过散射点配准来估计转角，该类方法需要ISAR图像满足一定条件如存在孤立散射点等，从而限制了其实际应用。第3类是基于方位回波估计目标转角[65–67]，从信号处理入手，分析方位回波中包含的转角信息，并可通过多个距离单元的方位回波信号联合处理提高估计精度。该类方法仅依赖于回波信号模型和信号处理方法，具有较大的灵活性。

对于三轴稳定空间轨道目标，刘洋、呼鹏江等人[60,61]利用其运动特性，通过几何分析，将目标转角近似为雷达视线摆过的角度，实现了对此类目标的简单快速标定。图16给出了利用目标方位、俯仰测量结果近似拟合目标转角后的定标结果。

图15 暗室测量飞机模型的深度学习网络重构结果[59]Fig.15 Imaging performance via deep network of dark room airplane[59]

图16 窄带测量结果定标[61]Fig.16 Scaled result via measurement from narrow band[61]

张双辉等人[66]通过优化ISAR图像熵和对比度，联合估计目标的旋转速度和转动中心。由于二维非线性优化，网格搜索通常计算效率低且不准确。为了提高计算效率，作者引入了修正的牛顿法，将Hessian调整为正定，以保证迭代优化过程朝着正确的方向进行。图17给出了空客320飞机的定标结果。

方位标定是赋予ISAR成像结果物理含义的重要一步，也是进行后续三维成像的基础步骤。由于ISAR图像是目标真实三维结构在成像平面上的二维投影，图像定标尺寸往往比目标真实尺寸小，对目标的准确刻画存在一定缺陷。因此，探索结合成像投影分析与方位向定标的目标真实尺寸恢复方法具有较大的实用价值。

2.4.2 图像可视化

ISAR成像过程中受雷达系统、环境噪声、成像条件、以及成像算法等多种因素的影响，ISAR图像通常存在噪声、模糊、虚影、横向条纹干扰等问题，进而使得后续的图像分析、解译面临很大的难度。图像可视化是ISAR成像结果展示和直观信息获取的重要手段，也是精细化成像必须考虑的环节，能够增强图像的视觉效果。

管志强等人[68]提出了一种基于自调焦的ISAR图像增强方法，首先估计原始ISAR像动态范围，对原始图像进行均衡直方图动态压缩；然后对原始ISAR像进行小波分解；分别对原始像、Harr小波分解得到的1层、2层低频系数进行隶属度系数估计，计算调制系数；计算边缘细节结果，利用所得的边缘细节结果进行Harr小波重构，与动态压缩后的结果进行图像增强调制，得到最终增强结果。图18给出了基于自调焦的ISAR图像增强效果。

鉴于ISAR原始图像幅度分布的稀疏性和线性直方图映射存在的不足，刘洋等人[69]提出了一种基于冗余幅度压缩的直方图均衡算法，通过空幅度级压缩，低概率幅度级压缩和高概率幅度级扩展，实现ISAR图像细节增强。图19给出不同图像增强方法的效果对比，对比的方法包括对数变换，Gama变换(系数是0.4)，传统直方图变换。

李刚[70]采用一种简单的暖色系或冷色系的灰度映射关系。暖色系主要表现为红色、黄色、橙色等；冷色系则主要表现为蓝色和紫色等。图20给出了暖色系和冷色系的变换函数及ISAR图像显示效果。暖色变换函数高亮度区域表现为黄白色，中亮度区域呈现橙黄色，低亮度区域呈现红色。冷色系变换函数高亮区以蓝白色为主，中低量度区域则主要表现为天蓝和纯蓝色。

图17 空客A320飞机定标结果[66]Fig.17 Scaled result of A320 airplane[66]

图18 基于自调焦的ISAR图像增强效果[68]Fig.18 ISAR image enhancement based on auto-adjust[68]

3 多维度成像

传统ISAR成像通过合成孔径相干处理的方式获得一幅二维图像，仅仅是目标三维结构的二维投影。随着雷达体制的进步和信号处理方法的优化，雷达成像的维度不断扩展，成像信息量不断提升。通过对多幅ISAR图像或者其对应的回波数据进行处理，可以获得更多维度的信息，例如极化雷达不同极化通道下的成像结果，不同频带雷达的成像结果，多部雷达不同视角下的成像结果，单部雷达连续姿态下的结果，多部雷达近似姿态下的成像结果等维度扩展。本部分分别从极化、多频带融合、多站多视角成像、三维成像等方面综述雷达成像维度的扩展。

3.1 单站多极化

随着宽带极化雷达技术的发展，越来越多的ISAR成像系统通过发射不同极化方式的信号来测量目标的极化特性信息。通常，人们将发射一对正交极化信号，并同时采用两个正交极化通道接收目标回波的雷达系统称为全极化雷达。全极化ISAR雷达系统相比于传统单极化ISAR雷达，至少具有以下3个优势：一是通过全极化技术与高分辨成像的结合，能够获取目标完整的极化散射信息，实现目标极化特性的准确提取；二是极化信息的利用，增强了雷达的抗干扰和反隐身性能；三是通过不同极化通道的有效融合，能够提高目标回波信噪比，改善目标ISAR成像效果。

图19 图像增强效果比对[69]Fig.19 ISAR image enhancement performance[69]

图20 不同伪彩色编码变换函数及显示效果[70]Fig.20 Transformation functions and display performance of different pseudocolor codes[70]

意大利学者Marco Martorella等人[71–74]在极化域寻找一种最优极化方式使回波信噪比最大，然后结合基于图像对比度最大准则和基于图像熵最小准则的自聚焦方法，得到了聚焦更好的ISAR像。他还将CLEAN技术[75]用于极化ISAR图像中提取散射中心的位置和极化矢量，以减少后续目标分类识别的数据量。图21给出了基于Hot Spot的全极化成像效果。

张磊等人[76]研究了基于稀疏采样的极化雷达成像自聚焦技术，全面准确的反映目标的全极化散射特性，与传统全极化ISAR成像采用图像熵或对比度准则不同，作者建立了各极化通道的联合稀疏模型，通过稀疏重构的方法直接获得配准的全极化图像，方便后续融合处理。图22给出了联合稀疏与全极化相位校正的成像效果，所提出的方法在低信噪比和随机相位噪声情况下更具稳健性。

刘洋等人[77]提出一种针对低信噪比情况下的空间目标ISAR成像。首先采用基于极化白化滤波器的一维距离像融合的方式，改善了回波信噪比；然后在融合后的一维距离像上提取目标区域，并根据融合后一维像和各极化通道的目标区域数据分别进行包络对齐和初相校正，从而改善各极化通道在低信噪比情况下的ISAR成像质量。图23给出了脉内分时极化宽带测量雷达录取的目标HH,HV和VV 3个极化通道数据传统成像和融合后成像效果。

林健智等人[78]针对高分辨极化雷达极化信息的应用问题，将4个极化通道的高分辨距离像进行基于最大似然估计的融合，利用全极化信息有效地抑制了噪声。对融合的距离像进行包络对齐后获得了包络移动量，然后利用该移动量对原始的4个极化通道的高分辨距离像进行相应的搬移，实现各自的包络对齐，提高了包络对齐算法的稳健性。图24给出了利用高分辨极化ISAR系统的实测数据包络对齐测试结果。

呼鹏江等人[79]针对脉内分时极化雷达的平动补偿，提出了基于互易性的联合平动补偿算法，减少了后续不同极化通道二维像配准的过程，且有提高单极化通道成像质量的潜质。图25基于互易性的联合平动补偿算法验证结果，极化散射特性的影响使得同一散射点在不同极化通道下位置并不一致，直接融合之后会形成“虚假点”。联合平动补偿算法对各极化通道联合平动补偿之后重构得到的二维像中各个散射点位置完全“重合”，可以方便地进行后续的融合成像处理。

针对全极化ISAR成像，目前国内的研究更多停留在融合成像的层面，宽带极化处理能力不足，还未实现极化信息的充分挖掘和利用，尚无法真正构成一个“成像维度”。随着后续实际极化雷达装备上的投入应用，更多结合实测数据的极化维度成像信息生成和利用将进一步丰富目标特性研究。

3.2 多频带融合

利用宽带雷达获取目标高分辨雷达像是目标识别的重要技术途径。对于单雷达系统，增加信号带宽不仅费用昂贵，而且雷达设计制造也非常困难。随着雷达系统和信息处理技术的发展，利用多部不同波段的宽带雷达通过信息融合技术获得超大带宽成为重要的技术发展方向。多频带(又称多波段、稀疏频带)ISAR信号融合成像技术通过在信号层拓展雷达信号的带宽获得与大带宽雷达相媲美的高分辨雷达图像，是一种极具价值的获得空间目标高分辨图像的途径。

林肯实验室最早展开了多频带融合成像技术的研究。1997年，林肯实验室期刊发表了题为《Ultra-Wideband Coherent Processing》的论文[80]，公布了暗室实验结果，其中低频子带和高频子带带宽均为1 GHz，完整频带带宽为6 GHz，如图26所示。实验结果展示了多频带融合成像的巨大潜能，同时也拉开了多频带融合成像的大幕。

图21 基于Hot Spot的全极化成像效果[74]Fig.21 Full polarization imaging based on Hot Spot[74]

图22 信噪比10 dB情况下全极化成像效果[76]Fig.22 Full polarization imaging results when SNR=10 dB[76]

多频段宽带雷达成像的回波数据分布在不连续的多个频带上，其成像过程与单部宽带雷达的成像有很大的不同，关键在于多频带回波的相干配准、数据融合这两步。文献[80]将子带之间的非相干相位分为线性相位项和固定相位项两部分，对子带信号建立全极点模型，通过估计各子带极点的参数，并构造以非相干相位为变量的代价函数来求解线性相位项和固定相位项。图27给出了两个子带的极点估计结果。

文献[81]采用了一种类似的方法来补偿非相干相位。文献[82,83]利用子带极点和极点幅度的相位差异来求解非相干相位项。以上方法均基于全极点模型的极点进行相干化处理，建立在正确估计子带全极点模型极点的基础上。图28给出了相干化处理前后的一维距离像结果对比。

然而在实际处理中，此类方法存在两个问题：一是很难确定全极点模型的阶数，二是扩展目标散射点数目众多，可能大于可估计的极点的数目[84]。文献[85]用互相关方法求解线性相位项，用全相位傅里叶变换求解固定相位项，避免了极点估计问题。

在融合成像方面，传统研究工作在林肯实验室方法的基础上改进，主要是建立全频带全极点模型，通过对信号进行外推内插，估计极点模型参数，进而获得融合的全频带信号。近年来，谱估计和稀疏信号处理新技术的引入给多频带融合提供了更多优化解决途径，有效避免了传统方法对模型定阶的要求[85–89]。

图23 基于极化白化滤波的融合成像结果[77]Fig.23 Fusion imaging results based on polarization whitening filtering[77]

图24 包络对齐结果对比[78]Fig.24 Comparison of range alignment performance[78]

白雪茹等人[84]针对稀疏频带对空间高速目标的成像问题，提出一种空间高速目标稀疏频带成像方法。利用缺损数据幅相联合估计(Gapped-data Amplitude and Phase EStimation,GAPES)算法填补空缺频带数据，然后以填补后的全频带数据进行散射点数目估计、色散特性估计、幅度估计、方位像融合成像。图29给出了电磁计算数据的实验结果，实验条件为子带带宽占完整频带带宽的41.5%，信噪比为20 dB，通过融合成像获得了与全频带接近的目标形状、尺寸和后向散射特性。

呼鹏江等人[91]针对低信噪比情况下的融合成像问题，首先对稀疏频带观测信号先进行方位压缩再进行距离向融合成像，有效的提高了回波信噪比。然后基于自回归(Auto Regressive,AR)模型对稀疏频带观测回波信号内插来提高观测样本数量，从而减小空缺频带带宽，再采用SL0算法对内插观测信号重构得到HRRP。通过以上两种措施，有效提高了稀疏频带融合成像质量。图30给出了稀疏频带融合成像效果，子带对应的ISAR图像由于距离分辨率有限，很难从雷达图像上获取有用的目标信息。融合重构得到的目标图像，分辨率得到了有效提升。图30给出了利用Yak-42飞机稀疏频带融合成像结果。

图25 极化成像效果对比[79]Fig.25 Comparison of polarization imaging performance[79]

图26 林肯实验室稀疏频带融合成像暗室实验结果[80]Fig.26 Sparse band fusion imaging performance of Lincoln Laboratory[80]

图27 极点估计[80]Fig.27 Pole estimation[80]

周峰等人[89]对稀疏频带回波信号建立概率模型，利用贝叶斯学习算法进行融合成像。作者利用电磁计算数据进行融合成像实验，实验中信噪比0 dB，完整频带带宽6 GHz，子带带宽与完整频带带宽比值约为0.4。图31给出了利用卫星目标的电磁仿真数据进行稀疏频带融合成像结果。

纵观国内外的多频带融合成像研究，目前尚无真正的多频带合成实测数据处理结果报道，更多停留在利用仿真数据、暗室数据、单部雷达数据切分等手段验证融合成像方法的有效性。然而，实际宽带雷达回波融合中所遇到的现实问题较多，理想的模型难以完全适用，多雷达的相干性要求更高等，理论研究的实际指导意义有所欠缺。另外，稀疏重

构跳过了对全频带数据的恢复，目前尚无合理的评估方式来衡量重构结果与真实结果的吻合度。同时，双频段雷达的出现和发展，将有力解决各频带雷达异址部署的去相干问题，尽量多的共用收发链路保证了相干性，特别是针对空间目标等成像应用具有重要价值。

图29 光滑锥体的电磁仿真数据融合成像结果[84]Fig.29 Fusion imaging results of electromagnetic simulation data of smooth cone[84]

图30 Yak-42飞机稀疏频带融合成像结果[91]Fig.30 Fusion imaging results of Yak-42 airplane[91]

图31 卫星目标稀疏频带融合成像结果[89]Fig.31 Fusion imaging results of simulated satellite[89]

3.3 多站多视角

双基地ISAR成像中接收站和发射站分置于不同位置，其中发射站提供待观测目标的照射信号，接收站接收回波并完成成像等任务[92,93]。将双基地成像技术扩展到一发多收或多发多收的情况，就组成了多基地ISAR成像网络。相对于常规的单基地ISAR成像，双(多)基地ISAR成像雷达具有隐蔽性高、抗干扰能力强、作用距离远、能对隐身目标进行探测和成像等优势[94,95]，可获得目标在不同姿态下的成像结果，进一步可实现目标多视角的融合成像。

早在2007年，林肯实验室在其空间监视组合体的基础上进一步建造的多基地雷达成像试验系统已开始工作[96]。其中Haystack雷达和HAX辅助雷达进行信号的发射和接收，另外设置有3个固定接收站和1个车载移动接收站。林肯实验室利用该系统对低轨卫星目标的双基地跟踪、观测和成像技术进行了验证，但是其具体能力和技术细节没有公开。图32给出了其雷达跟踪与成像系统的示意图。

在双基地成像方面，意大利比萨大学Marco Martorella团队[97,98]、北京理工大学高梅国团队[99–102]针对双基地角时变特性引起的相位，从不同方向研究了补偿校正方法，同时针对双基地成像等效为单基地成像进行了验证评估。图33给出了仿真的Envisat卫星目标的单基地和双基地成像结果，可以获取不同姿态下的目标信息[103]。

在图像层面的多视角非相参融合方面，许志伟等人[104]对连续姿态ISAR图像，提取出ISAR图像中稳定的特征点用于有效匹配，将这些有效匹配后的点进行转角估计，之后通过方位尺度搜索方法，结合图像熵值确定出方位向尺度因子，并用其校正ISAR图像的方位向尺度。然后，采用非负矩阵分解提取出最初ISAR图像和经过后处理后相邻ISAR图像基图像，从而获取最终准确有效ISAR目标融合结果图。图34给出了不同姿态下成像结果与融合结果。可以看出融合后成像能够精确完整地呈现不同姿态下的目标完整的局部结构，避免了因关键散射结构丢失而使目标部件鉴别和观测准确度下降。

在信号层面的相参融合成像方面，马俊涛等人[105]针对在轨空间目标多站ISAR相干融合成像问题，提出一种基于目标轨道先验信息的优化布站方法，提高了回波融合效率；针对多站雷达回波融合处理问题，利用轨道运动模型分析了融合成像平面的空变特性，提出融合回波越距离单元徙动、多普勒时变等问题的解决方法，使多视角回波有效相干融合。图35给出了多站融合成像结果与优化布站影响。

分布式雷达在实现发射相参后，可对远程目标实现高信噪比的有效跟踪。如果可进一步实现分布式雷达对目标的高分辨成像，将对远程目标识别提供有力的支撑。王锐等人[106]研究了分布式相参雷达的ISAR高分辨成像方法，提出了基于ISAR后向投影的转动中心与角速度估计方法，获得各子天线单元成像的投影几何关系，解决了回波数据的空间对齐问题，从而实现了各接收单元在同一空间坐标系下的ISAR图像重建；最终，基于各重建ISAR图像，实现了接收相参处理。图36给出了分布式融合的效果。

图32 林肯实验室双多基地空间目标雷达跟踪与成像系统示意图[96]Fig.32 Bistatic and multistatic space target radar tracking and imaging system in Lincoln Laboratory[96]

图33 单基地与双基地成像结果对比[103]Fig.33 Imaging results comparison of monostatic and bistatic[103]

在分布式雷达成像中，通常假设目标的散射特性在各种大视角下是相同的，但在实际情况下很难成立，只能保证在一定视角下目标的散射特性具有一定的相关性。如何既能充分利用收发装置的空间展开带来的收益，又能利用不同视角下的散射系数相关性，值得进一步深入研究。

3.4 三维成像

尽管二维ISAR图像能够直观地反映目标的基本几何属性和电磁散射属性，但在将真实的三维场景投影至二维图像的过程中，不可避免地存在信息损失。同时，受姿态敏感性的限制，不同时刻目标的二维图像差别较大，难于直接从目标ISAR图像上提取稳健的目标三维几何特征用于识别，鉴于此，人们开始探寻更高维的特征。理论上，雷达高分辨三维图像反映目标的三维几何结构，且对目标姿态的变化不敏感，能为目标识别提供更加全面、稳定的目标性状结构信息。

研究人员最早探索用单站宽带雷达实现目标三维成像，主要的方法有基于单脉冲雷达和差波束的三维成像[107,108,148]、基于序列图像的三维重构[109–111]以及对快速旋转目标的三维成像。利用单天线进行三维成像的主要不足是成像时间长、散射点误差大。近年来，多站雷达干涉ISAR三维成像技术[112–116]以及基于阵列ISAR的三维成像技术[144]也得到研究者的关注。

3.4.1 基于单站宽带雷达的目标三维重构

利用单脉冲雷达的和差波束特性进行目标三维成像，是对ISAR三维成像的初步探索。通常，具备抛物面形天线的单脉冲雷达在其接收端有四个通道，能够形成方位、俯仰方向上的和通道、差通道信号。雷达工作时，通过和差通道的信号比对，获取目标相对波束中心的偏轴方向，进而引导雷达实现稳定的目标跟踪[117]。通过和差通道数据比对，能够获得目标上各散射点相对波束中心的偏角，再结合ISAR成像的二维分辨率力，能够获取目标的三维成像结果[118]。采用单脉冲和差通道方法进行三维成像需要对目标上的各散射点进行偏角测量。然而，对于远距离目标，和差通道对目标上散射点的测角能力非常有限，难以分辨同一ISAR成像单元内不同偏角的散射点。因此，单脉冲和差通道三维成像方法仅仅适用于近距离目标，其应用场景十分有限。

图34 不同姿态下ISAR图像融合结果[104]Fig.34 Fusion ISAR imaging results of different attitude[104]

图35 优化布站ISAR图像融合结果[105]Fig.35 Fusion ISAR imaging results of optimum distribution[105]

图36 分布式融合结果[106]Fig.36 Fusion ISAR imaging results of distributed system[106]

本质上，实现目标三维成像需要在不同的视角上对目标进行观测。单站宽带雷达能够获得目标在某一时刻下某一观测视角的二维ISAR图像。连续观测情况下，目标在序列ISAR图像呈现出明显的姿态变化。因此，采用时间换空间的策略，将不同目标姿态的序列ISAR图像进行关联融合，理论上能够获取目标的三维图像。近些年来，随着雷达带宽的增加和ISAR图像分辨力的提高，在光学图像三维重构日渐成熟的情况下，ISAR图像三维重构成为研究热点之一，其中关键技术主要在于两个方面：散射中心关联匹配和三维重构。

进行三维重构的前提是需要提取出目标上的特征点在ISAR图像中的二维坐标，并将同一特征点在不同ISAR图像中的坐标进行匹配关联。所以从图像中提取的特征点要具有一定的稳定性，即要求其在整个ISAR图像序列中都存在，且具备一定的数量，这样才能提供足够的信息来表征目标的特征。但ISAR 图像由于二维成像本身就存在模糊，并存在一些不确定点。在整个基于ISAR图像序列进行三维重构的流程中，图像序列的匹配关联环节一直以来是一个重难点问题。主要分为三大类方法，一是借鉴光学图像特征点匹配方法，如SIFT、SURF等[119–122]，二是基于散射点跟踪模型的关联方法，如马尔科夫链、多假设跟踪等[123–126]，三是基于ISAR图像的特殊结构，计算图像之间变换关系，进而得到散射点关联结果[127]。目前国内外在ISAR图像特征点匹配方法研究方面取得了一定成果，但其实用性和稳健性仍有待提升。

ISAR幅值图像和光学灰度图像均以像素的幅值波动表征图像信息，因此将光学图像中的特征点提取与关联方法引入到ISAR图像中存在一定的可行性。杨山等人[121]采用SIFT算法提取并匹配序列ISAR图像中的特征点，并进一步利用RANSAC算法优化匹配结果，获得图像间的特征点变换矩阵，然后对图像进行匹配方法以及利用网格法对ISAR图像序列进行匹配的方法。图37给出了几种匹配方法的实验结果，SIFT算法用在ISAR图像匹配中存在匹配点较少；基于变换矩阵的匹配方法需要考虑变换矩阵的精度的问题，且需要思考如何将其运用到对图像序列进行匹配的问题，网格法只对图像角度变化不大的图像匹配效果较好。

散射点在序列ISAR图像中的位置变动具有一定的规律性。刘磊等人[124]研究发现，在目标平稳旋转的运动模型下，散射点在序列ISAR图像中的轨迹呈椭圆曲线，这一特性可用于散射中心的关联。他们提出了一种基于马尔可夫链蒙特卡罗(Markov Chain Monte Carlo,MCMC)算法的关联算法，通过计算压缩回波的信噪比，利用旋转不变性技术对信号参数进行二维估计，准确有效地提取出各ISAR图像中散射点的数目和位置，应用MCMC估计散射点轨迹矩阵。他们利用每个散射点的椭圆运动特性，设计了新的MCMC先验和似然估计准则。图38给出了MCMC算法的散射中心关联效果。

图37 不同方法匹配效果对比[121]Fig.37 Comparison of different matching methods[121]

图38 MCMC散射中心关联结果[124]Fig.38 Scattering center correlation results of MCMC[124]

基于散射中心模型的特征点提取与关联存在“闪烁”问题，难以实现稳健的特征点匹配。鉴于此，也有学者提出基于目标轮廓特征的匹配方法，匹配结果更加可靠。周叶剑等人[127]从图像特征提取的角度出发，提出了一种使用轮廓特征来取代传统的散射点特征。作者设计了一个平行四边形描述符来提取ISAR图像帧中卫星目标的矩形组件。利用这种轮廓特征进行目标描述可以避免由角闪烁现象引起的匹配困难。并最后对目标部件实现了姿态估计和重建，结果如图39所示。

在三维重构方面，光流场分析技术是从二维ISAR图像序列提取三维特征进行三维重构的经典方法之一，该方法源自机器视觉领域，它通过序列图像中“强散射中心像元” 的关联来实现目标的三维重构，文献[128]利用光流场实现了目标三维特征的提取与识别。哈尔滨工业大学的宿福林[129]，清华大学的彭石宝等人[130]则利用因式分解法完成了飞机目标的三维散射点的重建，并将重建后点的分布应用到目标识别领域，取得了不错的效果。因式分解法符合ISAR成像运动模型[131]，研究者主要精力放在了因式分解法及其改进方法上。

Frank假设基准散射点能够准确提取，将因式分解法应用到ISAR图像序列中，进行了舰船的三维模型恢复，并且其所使用的是美国海军实验室(NRL)的实测数据，验证了重构方法的有效性[132]。徐丰等人[133]针对空间目标的三维重构，同样利用因式分解法获得了较好的效果。图40给出了空间卫星目标的三维重构效果。

针对序列ISAR图像三维重构，文献[134,135]均采样一种序贯因式分解法，每次只对两帧图像进行匹配、重构。随着不断增加新的图像，进行新的匹配、重构过程，然后将每次的重构结果进行融合，最后得到整个图像序列的重构结果。这种方法相较于原始的因式分解法更加适用于实际应用场合，满足实时性要求。同时改进了对于ISAR图像序列来说，存在于整个序列中的特征点较少的情况。图41给出了利用序贯因式分解法的三维重构结

果，由于网格法匹配的点数较多，目标结构也相对更清晰。同时，序贯因式分解法中存在误差积累的问题，随着图像数量增多，积累的误差会影响重构效果。图41(d)所示，飞机的机翼和尾翼都出现了展宽的现象。关于序贯因式分解法中存在误差积累的问题也是下一步需要改进的方向。

图39 提取目标的轮廓特征并关联[127]Fig.39 Extract the contour feature extraction and association[127]

图40 空间卫星目标重构结果[133]Fig.40 Reconstruction result of space satellite[133]

图41 用网格法匹配然后进行序贯重构图[135]Fig.41 Matching with grid method and sequential reconstruction results[135]

周叶剑等人[136]提出了一种新的基于多视角雷达图像序列的稳定姿态目标三维表面重建算法。推导了雷达和光学成像几何结构的统一显式表达式，以联合雷达和光学成像结果用于三维重构。该方法利用多视点立体技术对雷达图像序列中提取的轮廓信息进行重建，得到目标的视觉表面，进而确定目标的绝对姿态，并将雷达图像和光学图像进行特征融合的扩展算法，实现了重建性能的大幅度提高。图42给出了雷达和光学融合的三维重构效果。

单站序列ISAR成像仍面临的问题主要是：对目标运动姿态具有一定要求，在连续姿态图像中，姿态变化小可以提升散射中心提取和关联质量，但是姿态变化小导致三维重构质量下降；另一方面，姿态变化大的序列图像，蕴含的三维信息更多，但是对图像的散射中心提取和关联提出挑战。在二者的优化平衡中寻求更合理的解决方案，或者提升特征点提取和关联的准确性，仍是序列ISAR成像需要重点考虑和解决的。

3.4.2 基于多站雷达的干涉ISAR三维成像

单站序列ISAR三维成像方法中，以时间换空间的策略存在特征点不稳定，匹配关联困难、存在误差，特征点数量少等棘手问题，导致重构结果的准确性难以保证，因而其应用价值有限。鉴于单站序列ISAR三维成像的不足，有研究者们探索了直接采用空间融合的策略实现三维成像，即采用多站雷达同时对目标进行观测，将同一时刻下不同视角的成像结果进行融合以获取三维图像。多站雷达观测场景下，目标的距离一般较远，雷达之间的距离相对较近，因此多站雷达的ISAR图像之间十分相近，进而简化了散射中心提取和关联过程。多站雷达相对目标的位置差异导致波程差，进而导致ISAR复图像中像素的相位差。通过干涉方法，解算蕴含在相位中的散射中心坐标信息，再结合ISAR图像的二维分辨能力，能够获得目标的三维像。干涉ISAR的关键是获得各天线的高质量二维ISAR成像结果，同时在成像过程中要能保持相位关系，即需要利用相参性的运动补偿方法进行成像。然后对获取的ISAR像分别进行散射中心提取和图像配准，保证相同的等效散射中心在各幅ISAR像中的位置相同。最后对不同基线上的ISAR像进行干涉处理，得到散射中心坐标在相应基线方向的投影值，进而重构三维图像。与单站序列ISAR三维成像技术相比，干涉ISAR三维成像方法可获取可用性更强的空间目标信息。

为获得高质量的干涉ISAR三维成像结果，需要多站雷达在获取清晰的ISAR成像结果的同时，保持各雷达ISAR图像之间的相干性。干涉三维成像的主要关键技术包括系统配置、高质量相干二维成像、散射中心提取、图像配准、大斜视角校正等。国内外的研究者们在不同的观测场景，针对多种目标进行了干涉ISAR成像的相关研究。

麻省理工的Forrester[137]在暗室中利用卫星缩比模型和双天线接收通道进行了干涉ISAR成像的验证试验。试验中，通过设置在不同俯仰上的两个天线分别对目标模型进行转台成像，其俯仰角度分别为15°和15.05°。图43分别给出了试验中的天线和模型的相对位置关系、两个天线的二维成像结果、干涉相位分布以及重构的三维点云分布。

中科院电子所的刘亚波等人[138]利用小型的干涉系统实现了飞机目标的干涉成像。他们提出了针对各个天线的回波信号进行联合处理得到ISAR像的方法，以保证各天线之间的相干性。以一个天线的回波为参考，进行包络对齐和相位校正并记录距离平移和相位补偿的参数，然后以相同的参数对另外两幅天线进行运动补偿。实验表明，联合处理得到的干涉结果要好于不进行联合处理。图44给出了相应的实验结果。值得注意的是，这种联合处理的前提条件是，各天线通道满足严格的时钟同步，该条件对于小型干涉系统是易于实现的。

图42 基于雷达光学融合的三维重构效果[136]Fig.42 3D reconstruction performance based on radar and optical fusion[136]

对远距离目标进行干涉ISAR观测时，多站雷达之间的距离较远，往往难以实现严格的时钟同步，此时不能采用刘亚波等人的联合处理方法，需要针对性地解决ISAR图像配准问题。考虑到多站ISAR成像中的平动补偿可能会引入非相干量，吴文振等人[139]针对干涉ISAR成像的相干性要求，提出了一种基于联合平动分量补偿的ISAR像配准新方法。该方法包含联合包络对齐和联合相位自聚焦两部分，能够在雷达之间不具备精准时钟同步的情况下，实现不同雷达ISAR图像之间的配准。实验中位置相近的两雷达对同一个空间目标同时进行观测得到的一维像序列如图45，A雷达发射LFM信号，A,B同时以去斜方式接收目标回波。可见对于相同的目标回波，两部雷达的接收数据存在明显的信噪比、信号增益、开窗位置等差异。B雷达一维像的噪比较低，因此以A雷达的一维像序列为参考进行联合包络对齐。

图43 干涉ISAR系统及成像结果[137]Fig.43 InISAR system and imaging results[137]

图44 联合处理的干涉ISAR实测数据处理结果[138]Fig.44 InISAR imaging results by combined processing[138]

图45 两雷达联合包络对齐Fig.45 Range alignment by combined processing

将干涉相位解算为散射点坐标值是干涉ISAR中的关键步骤。多站雷达之间的连线称之为基线。干涉ISAR成像场景中，当目标位于基线中轴正上方附近时，干涉相位和散射点坐标之间存在正比例关系或者线性关系，因而可以通过解方程的方法获取坐标值。实际观测场景中，目标通常远离基线中轴线，称之为斜视。在大斜视场景下，干涉相位中存在斜视附加相位，破坏了干涉相位与散射点坐标之间的线性关系，增加了目标方位向和高度向坐标值求解的难度，引起散射点坐标的估计误差和三维像的扭曲。针对该问题，刘承兰等[140]提出了基于非线性最小二乘(Nonlinear Least Square,NLS)-坐标变换(Coordinates Transform,CT)联合估计目标散射点坐标的新方法，该方法首先利用非线性最小二乘解决斜视附加项与待求参量的耦合问题，而后通过坐标变换校正得到真实的目标纵向坐标值，有效解决了斜视情况下运动目标的InISAR 三维成像问题。类似的，针对统一开窗采集统一参数相位校正的DIFS数据的斜视干涉ISAR成像，田彪等人[141]提出了基于斜视迭代寻优和坐标变换的斜视补偿算法。图46给出了干涉ISAR成像的斜视校正效果。

目前暗室试验和外场针对实际目标的试验均验证了干涉ISAR三维成像的有效性。针对近程目标，采用小型干涉多天线系统能够实现较好的干涉成像效果。对于远距离目标，需要采用大型雷达系统，雷达之间的距离较远，存在时钟同步困难、不同雷达的信噪比差异、ISAR图像失配、大斜视等问题。通过系统仿真，在信号处理层面能够较好地克服这些问题，实现较好的ISAR图像配准及干涉成像结果，但这些方法还需要大型干涉ISAR成像系统的实际验证。由于利用相位信息进行第三维成像的，补偿方法和精度要求很高，在前文所述的精细化ISAR成像的任何一个环节引入非相干量将导致三维成像结果的退化。总体上，干涉三维成像目前仍停留在原理验证或者小型试验阶段，未见实际装备应用。另外，针对目标干涉成像结果的信息解译，如何有效地利用干涉成像结果，也是值得思考的问题。

3.4.3 基于阵列ISAR的三维成像

阵列ISAR三维成像是对传统双天线干涉ISAR成像的进一步扩展。传统干涉成像方法中，根据干涉相位能够解算得到ISAR图像中每个像素的高程，即散射点相对成像平面的高度。当ISAR图像的某个分辨单元内包含多个散射点时(称为合成散射点)，该像素的高程是多个散射点实际高程的合成值，但无法获取其中单个散射点的高程值。简单来说，由于第三维分辨能力有限，传统干涉ISAR并不是真正的三维成像。阵列ISAR体制中，第三维成像孔径由天线阵列通过空间谱估计的方式来实现，再结合ISAR图像的二维分辨能力，理论上具备更好的三维成像效果。

马长征等人[142]较早地研究了阵列ISAR三维成像问题。他们采用相互垂直的两个线阵，分别估计合成散射点中包含的各散射中心在两个方向上的分布位置，再进行散射中心综合，最终获得三维成像结果。系统仿真验证了这种方法的三维成像能力，但双阵列的配置显得有些冗余，也难以在实际系统中实现。另外马长征等人[143]也研究了基于二维天线阵面的三维成像方法，其中采用时-空匹配滤波的方法实现散射点信号的相干累积。虽然理论上可行，但这种方法需要已知目标的运动参数来构造匹配滤波函数，而目标通常是非合作的，因此该方法的实用性有限。

阵列ISAR三维成像方法中，阵列方向的分辨能力受到阵列长度和阵元数量的影响。根据合成孔径成像原理，高分辨率需要大孔径，即较长的阵列长度和足够的阵元数量。而实际中大型阵列ISAR系统硬件复杂，成本太高，目前无法实现；小型阵列ISAR成像系统的阵列长度为几米的量级，对应的空间谱分辨能力有限。为弥补阵列长度不够造成的分辨率损失，研究者们采取了稀疏重构的方法来提升阵列方向分辨率，同时采用MIMO技术提升等效阵元数量。

图46 斜视校正效果[140]Fig.46 Squint model InISAR imaging results[140]

中科院电子所的焦泽坤等人[144]采用稀疏贝叶斯推断算法获取阵列方向的超分辨谱估计，获得了10倍的分辨率提升，同时具备良好的抗噪效果。他们利用小型阵列天线系统，对民航飞机目标进行了阵列ISAR三维成像实验。天线阵列如图47(a)所示，收发阵元分布如图47(b)所示，其中T表示发射阵元，R表示接收阵元，红色圆点表示等效阵元位置，单个通道的ISAR成像结果如图47(c)所示，其中红色矩形框内的散射中心存在明显的角闪烁，意味着其中包含合成散射点。将8个通道的ISAR成像结果按照等效阵元位置依次排列，然后沿阵列方向进行超分辨空间谱估计，最终得到目标的三维点云分布如图47(d)所示。可见，在目标的三维成像结果中，机翼、引擎、机尾等部件的结构特征均能够直观地分辨。由于采用了超分辨算法获取第三维分辨率，目标点云在三个不同坐标轴方向上的分布范围基本一致。此次实验验证了阵列ISAR三维成像方法的可行性，以及采用超分辨算法获取阵列方向空间谱分布的有效性。

采用阵列ISAR体制对目标进行观测时，最简单易行的是一发多收策略，此时有效阵元数等于接收阵元数。有效阵元数较少给后续的第三维信号空间谱估计造成困难。鉴于此，研究者们多采用多发多收(MIMO)方式，并通过合理的阵元排布，使得有效阵元数扩展为发射阵元和接收阵元的乘积，ISAR图像数量显著增加，有利于后续的三维成像。MIMO技术通常需要采用正交相位编码等复杂波形，而复杂波形对ISAR成像的影响及相应的补偿方法还需要深入研究。

4 总结与展望

雷达成像技术的发展总是伴随着雷达系统技术的进步和雷达信号设计、成像算法的优化。在分布式网络化、MIMO等新型雷达体制，频率编码、相位编码等复杂信号体制下的成像处理方法变得异常复杂，特别是对复杂场景下非合作目标的精细补偿技术成为能否良好聚焦的关键。同时，ISAR成像由于其目标的非合作性，获取的成像数据质量和数量都难以与SAR成像比拟，因此，ISAR成像的装备应用仍然有限，特别是在支撑后端的目标识别应用上亟待突破。从技术到应用下面主要从成像建模、复杂场景精细成像、实时成像、成像评价与图像应用等四个方面进行展望分析。

图47 阵列ISAR三维成像效果[144]Fig.47 3D imaging performance of array ISAR[144]

4.1 成像建模的细化

4.1.1 目标散射特性建模

现有的ISAR成像多聚焦于从雷达回波到ISAR图像的各个环节算法研究，欠缺对目标电磁散射特性的研究。目前对目标的电磁散射建模依然停留在理想散射点模型、衰减指数和模型和几何绕射模型，这些模型多为单站后向散射模型。然而在超大带宽下、多站下、多视角下、多极化下等条件下，目标散射特性的精确建模是提升成像质量，实现有效的成像结果解译的关键。

4.1.2 成像过程建模

目标回波数据可看作是雷达对目标的电磁散射特性在有限频率和有效空间内的采样值，因而成像过程的本质是一个由有效数据到原目标场景的数学求逆问题。求逆过程中，稀疏的方法、概率统计的方法、以及深度网络的方法才能够找到合适的介入应用场景。传统成像的线性变换工具模型也转变为对回波信号进行非线性变换，从回波到图像之间的线性变换关系转变为以等价算子为基础的隐式实现，进而完成高效ISAR成像。近年来的研究表明，基于压缩感知的稀疏重构算法能够有效提升ISAR图像分辨率，克服数据缺损问题。贝叶斯学习等数理统计模型也在ISAR成像中展现出了不错的应用前景。另外，ISAR成像的基本前提是恢复脉内信号的相干性以及脉间回波的相干性，根据数据特点，对破坏相干性的相位误差进行建模估计和高效补偿，是成像研究中需要不断完善优化的重要方面。随着数学工具的研究深入，ISAR成像问题也必将从新的角度加以诠释。

4.2 复杂场景下的精细化成像

精细化成像技术作为一个通用技术群，支撑了特定的场景和目标下的高质量成像，例如低信噪比成像、稀疏数据成像、多目标成像、微动目标成像等，他们对成像技术链路也都有各自的具体要求，同时也是精细化成像需要解决的重点和难点问题。

在低信噪比成像中，强噪声干扰不仅会掩盖目标一维距离像，而且会破坏相邻回波一维距离像的相关性，严重影响平动补偿过程。不仅如此，杂波和噪声还会引入相位误差，导致ISAR图像散焦。研究低信噪比条件下成像精细化成像技术，对于远距离空间目标特别是小目标成像具有重要的理论意义和应用价值。

在稀疏数据成像中，目标一维距离像同样存在去相关，目标回波的相位特性更加复杂，同时由于方位向的数据缺失导致传统重构方法失效，因此运动补偿和重构方法是稀疏数据成像需要重点解决的问题。

在多目标成像中，由于各目标相对雷达具有不同的平动，传统单目标运动补偿方法无法同时完成对各个目标的平动补偿，无法获得清晰的多目标ISAR像。因此，多目标回波信号的分离是该应用的重要基础。

在微动目标成像中，微动部件除了与目标主体的共同平动，进一步叠加了自身的微运动，这种复合调制使得目标运动更加复杂，对图像的方位聚焦造成重要影响。微动成像技术在螺旋桨类飞机、旋翼类直升机、舰船目标以及含旋转天线等部件的空间目标应用中尤其广泛。

4.3 高质量实时成像

由于中频直接采样数据量巨大，匹配滤波过程的运算量较大，当前，我国研制部署的宽带雷达仅针对Dechirp脉冲压缩数据展开了实时成像的研究，使用DSP芯片实现相关成像算法。一般来说，计算复杂度低的算法成像效果不如计算度复杂度高的算法。受限于DSP芯片性能，性能优越的成像算法无法实时实现，实时成像质量较差，难以满足对高质量ISAR图像的需求。

针对Dechirp脉冲压缩数据的实时成像质量的提高，一方面随着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等实现复杂算法的实时成像。针对直接中频采样数据，采用数字STRETCH技术实现实时脉冲压缩，不仅可以提高脉冲压缩方法的数字化程度，减少模拟环节给系统带来的失真，而且可以极大减小数据量，从而为进一步的实时成像奠定基础。

4.4 成像评价与图像应用

4.4.1 成像质量评价技术

随着雷达成像技术的成熟完善，目前已可以得到相当数量的ISAR图像。对海量ISAR图像进行评价，挑选出高质量的ISAR图像能极大提高ISAR图像解译效率，促进成像结果的应用，也是对成像方法的反向考核。现有ISAR图像熵的衡量指标仅适用于数据起点相同情况下不同成像方法的成像效果比对，无法实现不同数据成像质量的通用化衡量。另一方面，ISAR成像中目前大量采用并且成熟工程应用的基于图像最小熵的成像补偿方法仅适用于简单点散射模型，对于卫星主体、飞机主体等复杂散射无法良好聚焦，其与相位补偿的一致性问题已有初步研究[149]。因此研究如何对同一目标不同时刻的ISAR图像质量进行评价，甚至对不同目标不同时刻的ISAR图像质量进行评价显得极其重要。

4.4.2 从图像应用优化成像方法

ISAR成像的目的不仅仅是获取一幅雷达图像，而是需要进一步从雷达图像中挖掘所隐含的目标信息，包括特征提取、姿态估计与部件判别、目标识别等。例如，特征提取关注单幅雷达图像的质量提升，而目标姿态估计则关注图像序列之间的关联性，二者对成像方法的要求和侧重各不相同，从成像信息利用的角度，通过给图像的解空间加入一定的先验约束，使成像结果脱离线性投影的解空间而朝着人们趋向的侧重方向发展。现有技术体系中往往将成像过程和识别过程孤立开来，通常情况下是识别方法和流程利用前序成像结果，而对成像过程无反馈；而在实际的应用中，更希望将识别流程前提，做到可在成像的任意中间环节纳入，同时将结果反馈给成像链路，为成像方法的选择、关注的目标重点部件等提供支持，最终实现成像识别一体化。