合成孔径雷达射频干扰抑制技术进展及展望

陈筠力，陶明亮，李劼爽，侯雨生，刘艳阳，4

（1.上海航天技术研究院，上海 201109；2.西北工业大学 电子信息学院，陕西 西安 710072；3.上海卫星工程研究所，上海 201109；4.中科院卫星应用德清研究院，浙江 德清 313200）

0 引言

合成孔径雷达（Synthetic Aperture Radar，SAR）是一种主动式微波遥感设备，能够提供了解全球环境变化的重要数据，在科学、商业和国防等领域得到了广泛的应用。无线电技术的迅速发展使主动遥感系统的通道受到干扰的可能性大大提高，特别是那些几百兆赫兹［1］的高分辨率SAR 系统。

同一频带内其他辐射源发出的干扰信号称为射频干扰（Radio Frequency Interference，RFI），工作在P、L、C 等低频段的SAR 系统更容易受到这些RFI 的影响［2］。全球C 波段的RFI 概率分布图如图1所示。可以看出，RFI 源密集分布在全球，但分布情况又随地域而变化。相对而言人口密集的发达地区更为严重。

图1 C 波段全球干扰概率分布图（数据来源：Sentinel⁃1）Fig.1 C⁃band distribution of observed RFI sources over the global area（data source：Sentinel⁃1）

根据应用情况的差异，SAR 主要利用回波幅度、频率、时延、极化、多普勒频移和相位等信息［3］。而RFI 可以通过多种方式破坏雷达的测量量，包括原始回波录取、成像和图像解译过程。

1）回波录取。在SAR 原始回波中，RFI 会降低信噪比且遮盖弱散射能量的目标，导致原始回波的动态范围失真。此外，当目标对准主瓣中的干扰源时，大功率带内发射的强干扰会导致接收机饱和。如图2 所示，比较了实测SAR 回波在有无RFI 情况下的特定距离维频谱。结果表明，RFI 会引起目标回波功率的动态变化以及信噪比的降低，同时改变频谱形状。

图2 SAR 回波的距离谱Fig.2 Range spectra of SAR echo with and without RFI

2）成像。SAR的一个重要特点是能够产生高分辨率图像。机载SAR平台由于受到大气湍流的影响，会产生较大的轨迹偏差。在缺乏足够精确的惯性导航系统数据的情况下，需要直接从原始数据中估计出关键的匹配滤波器参数，如多普勒中心和多普勒调频率［4］。RFI 的存在将对这些参数产生有偏估计，如图3（a）所示。在这种情况下，成像结果将散焦，图像质量严重下降。在不同干信比（Interference-to-Signal power Ratio，ISR）下使用这些不准确的参数进行匹配滤波后的点目标响应如图3（b）所示。可以看出，随着干信比的增大，旁瓣水平上升越来越明显，导致目标响应失真。

图3 RFI 对成像过程的影响Fig.3 Effects of RFI on the imaging process

3）图像解译。RFI 的存在会导致成像数据的幅相失真。直观地说，强干扰会在被观测区域上产生像雾一样的图像伪影亮线，从而导致不精确的空间辐射测量。由此产生的相位失真还会使数据失去相关性，产生不准确的衍生产品，如干涉图［3］、相干系数［5］以及其他反演的生物或物理参数等［7］。

美国NASA UAVSAR 系统在夏威夷地区录取的实测数据如图4 所示。从图中可观察到明显的RFI 条纹，其可能来源于附近的机场监视雷达。这些伪影的图案非常独特，不是附近散射体或强反射率区域所造成的模糊。图像中的图案是带有曲率的明亮条纹，这可能是干扰的存在使匹配滤波产生偏差。RFI 会导致极化目标分解参数的不准确估计，在使用这些不准确的参数时会导致错误的分类结果。图4（b）～图4（c）显示了通过Cloude-Pottier 极化分解获得的熵和各向异性参数。

图4 实测NASA UAVSAR 数据上RFI 产生的振幅和相位畸变示例Fig.4 Illustration of amplitude and phase distortions generated by RFI on measured NASA UAVSAR data

图4（a）展示了对应不同干扰能量的机场跑道区域，分别称为无干扰区①、弱干扰区②和强干扰区③。这些区域具有相同的散射机制，因此，应该具有类似的反射率。其共极化响应如图4（d）所示。这3 个分布区域的散射机理应与低信噪比条件下的散射机理相同。然而，随着RFI 能量的提高，共极化响应的形状和强度的畸变越来越严重。因此，RFI引起的图像幅相失真会导致错误的极化特征，从而进一步影响对散射机制的解译。

1 干扰机理及主要RFI 源

1.1 地面RFI 源

大多数RFI 来源都与人类在陆地上的活动有关。地面商业或工业无线电设备被认为是SAR的主要RFI源，包括但不限于无线电定位雷达、风廓线仪、电信设备、电视网络和业余无线电等。

潜在的地面无线电发射装置如图5（a）所示。近年来，在机载SAR系统（如AIRSAR、E-SAR［7］、UAVSAR［3］）和空间SAR系统（如PALSAR［8］和Sentinel-1［9］）中观察到了许多地面RFI 情况。

地面RFI 和SAR 系统之间的干扰机制如图5（b）所示。由于地面干扰只单向传播，接收到强RFI 信号将会大大提高噪声基底，降低信噪比。

如图5（c）～图5（d）所示，比较了有无RFI的SAR 图像。该数据集是由某机载SAR 在西安郊区采集到的，分辨率为1 m×1 m，图中主要场景为公寓楼和田地。可以明显看出，强能量干扰会在图像上产生明亮条纹，遮盖了真实目标场景。

图5 陆地RFI 示例Fig.5 Illustration of terrestrial RFI

1.2 星载RFI 源

除了地面射频干扰源外，也有一些不太常见的星载卫星的广播信号会干扰到SAR 系统，如全球导航卫星系统星座、通信卫星或其他主动遥感系统。星载RFI 源干扰机理示意图如图6（a）所示。一种途径是直接干扰其他卫星的天线旁瓣或后瓣。根据对美国宇航局SMAP 雷达的分析，这种由背瓣直接接收产生的干扰功率可忽略不计［7］。

另一种是地球反射的地形散射干扰（Terrain Scattered Interference，TSI）。当不同的星载系统共享观测区域，两个系统之间可能会发生主瓣间的强耦合，尤其是发生镜面反射时。比如中国的高分三号卫星、欧洲Sentinel-1 卫星与加拿大Radarsat-2 卫星系统发生了长时间的相互干扰。

未来，随着分布式多基观测网络的建立，这种地面散射干扰的现象将会越来越普遍。在这种情况下，接收到的RFI 信号不再被视为单点源，因为它的回波被地面目标重新调制了。2015 年8 月在意大利获得的C 波段Sentinel-1 雷达实测数据中的TSI示例，如图6 所示。

该数据是在TOPS 模式下采集的。VV、VH、伪彩色编码图像分别如图6（b）～图6（d）所示。图中可见，VH 图像中出现了许多高强度的强条纹，这些条纹产生了不规则的纹理图案，掩盖了被照区域的真实回波。这是由于Sentinel-1 和Radarsat-2 号同时对同一区域进行成像造成的。然而，在VV 图像中，干扰造成的影响并不明显，而图像的幅度也没有因干扰效应而明显恶化。这表明干扰造成的影响与电磁波的极化方式密切相关。对于不同的子条带，干扰情况也不同。第3 个子带的严重程度低于第1 和第2 个子带，这意味着RFI 特性也依赖于数据采集的地理区域。

图6 星载地形散射干扰示意图Fig.6 Illustration of terrain scattered interference

1.3 典型射频干扰源模型

对于SAR 系统，在脉冲重复时间内接收到的每一个回波都可以看作是一维时间序列，可以被建模为目标回波、噪声和干扰的混合［14］：

典型RFI 信号可以分为以下几类：

1）窄带干扰。窄带干扰通常具有相对较窄的带宽，而相对于合成孔径时间而言，窄带干扰在时间上是连续的。典型的例子是商用陆地移动无线电和业余无线电。这种干扰信号模型在RFI 的早期研究中得到了很好的研究［11］。在数学表示中，它可以被建模为复杂正弦波的和，即

式中：An、fn、θn和分别为第n个干扰分量的振幅、载波频率、相位和调制项。

被窄带射频干扰污染的雷达回波的距离维频谱和距离频率-方位时间谱如图7 所示。该数据取自L波段某机载SAR系统，信号发射带宽为300 MHz。在频谱上可以看到干扰能量所处频率有明显的尖峰，在距离频率-方位时间谱中干扰会形成亮线，这些特点使干扰更易于被识别和检测。

图7 窄带干扰示例Fig.7 Illustration of narrow-band interference

2）脉冲型宽带干扰。脉冲型宽带RFI 是在脉冲重复时间不同的情况下实现的，其带宽比窄带RFI 要宽。这种射频干扰的常见情况来自地面无线电定位雷达。

根据调制类型，它可以进一步建模为两种主要形式的宽带干扰（Wide Band Interference，WBI），即线性调频调制（Chirp Modulated，CM）WBI 和正弦调制（Sinusoidal Modulated，SM）WBI［12］。在实际应用中，WBI 不一定完全匹配这两种特殊模型，但CM-WBI 和SM-WBI 可以被看作是两种极端特例。CM-WBI 可被建模为

式中：L为干扰信号的数量；Al、fl、γl分别为系统工作信号的幅度、载波频率、调制频率。

SM-WBI 可以表示为

式中：L为干扰信号的数量；Al、fl、βl、θl分别为系统工作信号的幅度、载波频率、调制频率和相位。

时域上无法直观地识别WBI，但在频域可以最大限度地提高干信比，从而有利于干扰检测。含有WBI的雷达回波的特定距离谱如图8所示。从图8（a）可以看出，目标回波受到多个具有不同包络和带宽的WBI 的干扰。它们的幅度是变化的，且最大幅度远高于目标回波，这使得目标回波在距离频谱中几乎不可见。使用短时傅里叶变换将脉冲转换为时频图表示，如图8（b）所示。可以观测到干扰随频率和时间的变化是非常直观的，这说明WBI 是高度非平稳的。此例中WBI 特征具有CM-WBI 和SMWBI 的组合属性。

图8 脉冲型宽带干扰示例Fig.8 Illustration of pulse type wide-band interference

3）连续波宽带干扰。该类描述由于调制而具有相对较宽频带的信号，并且通常相对于合成孔径时间是连续的。常见的情况是宽带通信系统或编码信号，如全球导航卫星系统。在这种情况下，它们具有类似宽带噪声的特性。例如，数字视频广播地面（DVB-T）信号可以建模为［13］

式中：fc为中心频率帧数量符号数和子波载数；m为发射信号的帧数；n为时间采样；ksc为载波的数目；l为OFDM 符号的总数；k为中心载波对应的子载波编号；TS为符号一共持续的时间总长；Tu为信号总共持续的时间长度；Tg为频段之间的保护间隔的持续时间总长；Cm，l，ksc为在第l个数据传输的路径上，第ksc个载波对应的第m帧的调制信息。

包含连续波宽带干扰的案例如图9 所示。可以看出干扰能量非常强，并且具有与发送信号相当的大带宽。在时频域中，干扰与目标回波有很大的重叠，这使得干扰分离异常困难。

图9 连续波宽带噪声时频谱图Fig.9 Illustration of continuous modulated broadband noise

2 SAR 干扰抑制技术

RFI 抑制方法的基本思想是找到一个合适的域，使有用回波和干扰之间的特性差异最大化；然后对RFI 信号进行提取相消或直接滤波，同时尽量减少目标回波的失真。下文将详细介绍和比较目前最先进的RFI 抑制技术，具体分析见表1。值得注意的是，所有的RFI 抑制技术只能作为补救措施，其恢复质量并不能完全还原回无干扰时的原始数据。

表1 合成孔径雷达射频干扰抑制技术现状比较Tab.1 Comparison of RFI suppression techniques for SAR

2.1 频域陷波法

执行RFI 检测和抑制的最直接方法是在雷达回波的距离频谱中采用陷波滤波。由于RFI 与发射脉冲带宽相比通常是窄带的，并且在频域呈现尖峰状，这些峰值通常比周围的信号电平强很多分贝，因此，只需剔除超出能量阈值的部分即可实现干扰抑制［14］。该方法简单高效，在ESAR 系统［7］和PALSAR 系统［8］等实际机载SAR 和星载SAR 系统中得到广泛应用。

当只有聚焦后数据而无法获取原始回波时，需要从聚焦数据中移除剩余的RFI。REIGBER 等［15］提出了后验滤波方法来消除聚焦图像的干扰。文献［16］提出了一种子带谱对消方法，通过减去SAR图像的不同距离子带谱来估计和消除NBI。NATSUAKI 等［17］提出了一种利用多普勒差异在距离时间-方位频率域对间歇发射宽带RFI 进行滤波的方法。

这些方法潜在的基本假设为RFI 是窄带的，并且可以容忍干扰抑制后的信号损失。然而，在实际情况下，雷达回波面对的干扰源中通常窄带干扰和宽带干扰并存。如果陷波超过波形的2%，将导致空间分辨率的下降，以及波形旁瓣电平的严重下降［18］。这种方法是一个非相干消除过程，所以它不是保相的，会对干涉、极化等依赖相位分析的处理造成影响。为了解决这一不足，PINHEIRO 等［19］和MUSGROVE 等［20］利用相干数据对之间的相干关联信息来实现基于谱估计的重建方法。

2.2 参数化建模法

非相干干扰陷波的另一种方法是对干扰进行相干估计和相减，它主要包括干扰源的相干估计和同相相减［21-22］。RFI 的数学模型通常认为是多个正弦信号、宽带信号以及看作白噪声的系统噪声的叠加［23］。通过最小二乘法、最大似然估计法等准则估计每一个RFI 源的模型参数（幅度、频率、相位等），然后利用估计的参数重构干扰信号并进行相干滤除。从理论上讲，这种方法可以获得更好的性能。然而，由于现有RFI 源调制样式复杂多变，这种假设不再有效。因此，如何实现精确的建模和参数估计仍然是影响此类方法性能的关键问题。

2.3 自适应滤波

自适应滤波方法通过构造合适的滤波器，可以在时域、频域、空域、极化域或多域联合分析中实现域内干扰分离。

2.3.1 递归滤波器

递归自适应滤波器将射频干扰建模为自回归过程，在收敛速度与窄带干扰抑制性能方面有较好的折衷。美国NASA 喷气动力实验室最早应用了时域最小均方自适应滤波器［33］，但它的收敛速度受到输入信号自相关矩阵最大和最小特征值之比的限制。

2.3.2 时频滤波

时频表示通常用于分析或表征能量随时间和频率变化的非平稳信号。文献［34］在分析时频特性的基础上，结合恒虚警率算法设计了干扰抑制滤波器。文献［13］中提出了时频重构和掩模技术来滤除RFI。迭代自适应方法［35］具有自适应RFI 估计的特点，被认为更适合于时变RFI，以实现时频表示的超分辨率和降低信号损耗。西北工业大学粟嘉等［36］提出了基于Wigner 分布的延迟多普勒迭代分解算法。一般来说，时频表示可以最大化稀疏特征，非常适合于区分RFI 和SAR 回波，从而实现RFI 分离和抑制。

2.3.3 空域滤波

在现代SAR 系统中，基本的配置是多天线或多通道，这为抑制空间方向的RFI 提供了额外的自由度。空间滤波的基本思想是利用阵列波束形成技术，将方向图零点对准射频干扰源。ROSENBERG等［37］提出了约束快速时空自适应处理技术，该技术利用自适应波束形成以最小失真抑制对最终图像的干扰，BOLLIAN 等［38］使用数字波束形成技术应用在32 通道EcoSAR 系统中。

此类方法的主要挑战是干扰的空间特性难以准确估计，从而限制了零陷深度。一般来说，使用波束形成算法的自适应系统需要较高的干信比，并且仅限于在观测期间跟踪少量RFI 目标。对于干扰源快速动态变化的情况，零陷展宽难以有效覆盖。空间滤波适用于RFI 和目标信号来自不同空间方向的情况，但也会增加系统的复杂度。

2.4 分解与重构

2.4.1 分解

分解方法根据RFI 与SAR 回波的差异，提取RFI 对应的潜在成分或子空间［39］，包括功率、统计差异等。特征子空间投影方法采用奇异值分解来分离。将大奇异值和小奇异值分成两组，然后通过对应于不同奇异值组的奇异向量构造RFI 子空间和信号子空间［40］。TAO 等［12］将本征子空间投影扩展到瞬时谱中，以消除宽带干扰。还有利用统计分布差异，提出了独立分量分析［41］和独立子空间分析［42］，提取RFI 对应的潜在分量。

ZHOU 等［43］提出使用复经验模态分解来区分RFI 和雷达回波，其实质是逐步分解信号中包含的不同趋势或波动，得到一系列具有不同内在时间尺度的数据序列。ELGAMEL 等［44］则进一步将经验模式分解与分数傅里叶变换结合起来抑制干扰。

2.4.2 重构

上述提取或滤波方法会导致有用回波信号的大量损失，尤其是在处理长时间持续的宽带干扰时。稀疏恢复是一种较先进的半参数干扰抑制方法，它基于压缩感知的思想，能够有效降低信号失真，可以看作是用给定的字典重构少量系数的优化问题。

LIU 等［45-47］分别利用了距离谱的稀疏性和时频域的稀疏性，其中，RFI 和SAR 图像的联合稀疏恢复用于处理窄带和宽带干扰。NGUYEN 等［48］利用稀疏表示和恢复框架独立处理每个距离压缩回波。LU 等［49］通过在时频平面上应用稀疏恢复扩展了这一思想。

SU 等［50］利用RFI 的低秩特性和SAR 回波的稀疏性，研究了基于鲁棒主成分分析的时频信号分离。为了有效地捕获相邻SAR 孔径信号间的时空相关性，充分发挥二维耦合处理的优势，有学者还提出了联合稀疏和低秩模型［51］。然而，这些稀疏的低秩算法都需要对一个或多个超参数进行微调，而且由于缺乏RFI 和雷达信号的先验信息，这种参数微调在实际应用中不是一个简单的任务。HUANG等［52］和REN 等［53］提出先进的无超参数方法来进一步改进。

在考虑块内相关的情况下，块稀疏贝叶斯学习（Block Sparse Bayesian Learning，BSBL）更有效地解决了欠定恢复问题。文献［54］提出了基于BSBL的改进方法，在一定非稀疏情况下，证明了该方法具有优越的恢复性能。

虽然这些方法在RFI 分离中有很好的性能，但是它们需要额外的训练样本来估计RFI 结构，并且比传统的滤波技术需要更多的存储和计算资源，因此，更适合于离线的地面处理。

3 关于未来趋势的讨论

现有的抑制方法依赖于专家知识来最大化RFI和有用回波之间的差异，如能量、统计差异等。在这些算法的实现中，一些超参数是根据经验选择的，仅适用于特定调制类型的干扰。然而，未来SAR 系统面临的异构RFI 环境是一个具有挑战性的任务，会同时遭遇各种类型的RFI 信号。因此，干扰抑制技术应具有适应性、实用性和适用性，并尽量减少人为的参与。

基于这一挑战，遵循接收信号的流程，根据观察—调整—决策—行为（OODA）规则，RFI 抑制技术的发展趋势和未来方向可以概括为3 个关键词：认知、综合和自适应。这3 个方面构成了一个完整的系统，相互支持，以提高RFI 的抑制性能。

3.1 认知

认知是指SAR 系统应该能够动态、快速地感知复杂的电磁环境［56］。过往的SAR 系统往往没有过多考虑面临的干扰问题。但随着电磁环境愈趋复杂，在SAR 系统部署、飞行或发射之前［10］，应清楚地了解其面临的RFI 环境，从而制定相应的有效抑制措施。例如，未来规划的欧空局Biomass 系统已经分析了潜在的干扰源，并开发了用于RFI 抑制的地面处理软件［57］。

3.2 综合

由于射频环境在时间上和地理上都在不断变化，因此，对其进行表征和抑制并不容易，单一的技术不可能抑制所有类型的RFI。为了更好地提高抗干扰能力，综合是指通过结合从收发系统级到信号处理级的技术的不同方面进行全方面RFI抑制。

从收发机系统层面上，可以利用嗅探脉冲进行RFI 的预检测和监测，但这是以降低发射波形的脉冲重复频率为代价的。对于当前和未来的电扫SAR 系统，数字波束形成技术可以产生天线零陷指向以抑制旁瓣RFI，但不适用于处理主瓣干扰。

如果RFI 信号从与SAR 回波相同方向发射并由接收机记录，则可以应用信号处理方法来抑制。对于更一般、更异构的环境，通过联合利用时间、频率、空间、极化、码域和功率域之间的特性，可以更准确地表征RFI 和目标回波之间的差异，从而通过使用张量分析等工具来提高抑制性能。

3.3 自适应

自适应要求SAR 系统能够根据RFI 环境的动态变化来采用最优策略抑制干扰。如信号带宽为1 MHz 的低分辨率SMAP 系统，采用灵活的频率选择方案，避免了不同时间、不同区域的干扰，但这可能不适用于其他高分辨率系统。未来的MIMOSAR 系统可以提供更多的波形优化能力，在时间、频率、空间和极化上进行自适应调整，从而具有提高抗干扰能力的潜力［58］。随着人工智能技术的发展，诸如深度学习网络等也会在干扰抑制方面展现出广阔的应用前景［59］。

4 结束语

本文综合分析了目前SAR 系统中RFI 抑制技术的研究，为今后在机载或星载SAR 系统中实施最合适的RFI 抑制方案提供参考。任何干扰抑制技术的有效性取决于许多因素，包括SAR 系统的架构、观测模式、RFI 本身的性质以及所需计算资源等。目前的技术最适用于相对目标回波具有稀疏频域、时域或时频域占用的干扰信号。陷波滤波和LMS滤波凭借简单高效的特点而被广泛采用，适用于系统在线的快速处理。

其他精细化的抑制方案，如时频联合滤波和稀疏恢复，由于其相对较大的计算复杂度，可以成为离线地面处理的候选方案。在非平稳干扰环境中，可以优先选择信号处理方法，而对于已知和固定RFI 源，可以优选诸如参考天线和空间滤波等特殊措施。

此外，还应重视对干扰抑制效果的评价。强干扰对SAR 图像幅度的影响显而易见，但是也不能忽略低功率干扰对于相位的影响。因此，好的干扰抑制方法，除了能成功抑制图像中的干扰伪影，还应该具有较好的相位保持性能，因此，对于RFI 更精细的表征和抑制工作仍有待继续深入研究。