基于距离徙动算法(range migration algorithm, RMA)与后向投影算法(back projection algorithm, BPA)混合的合成孔径雷达(synthetic aperture radar, SAR)图像重建效率与精度增强方法

《International Journal of Microwave and Wireless Technologies》：Enhanced efficiency and accuracy for synthetic aperture radar image reconstruction based on a hybrid range migration and back projection algorithm

　　

摘要：本研究提出一种结合距离徙动算法（range migration algorithm, RMA）与后向投影算法（back projection algorithm, BPA）的新型混合算法。传统合成孔径雷达（synthetic aperture radar, SAR）图像重建算法在计算效率与成像精度之间存在权衡。所提出的混合RMA–BPA方法利用RMA的计算高效性进行初始图像重建与目标检测，随后对裁剪后的感兴趣区域数据集应用BPA以获得精细高分辨率结果。将计算资源集中于含目标的较小裁剪数据集上，显著降低了相比传统独立BPA的处理时间。研究人员在三种不同场景下评估了该混合算法的性能，各场景均实现了计算时间的缩减。由于算法针对特定目标裁剪数据集，效率提升幅度因场景而异，最优情况下相较传统BPA减少了75.2%的计算时间且不损失图像精度。该混合方法特别适用于医疗健康、油气、安防及工业检测中需精确定位目标的应用场合。

论文解读：基于RMA与BPA混合的SAR图像重建效率与精度增强方法

研究背景与意义： 合成孔径雷达（synthetic aperture radar, SAR）成像是遥感与短距毫米波（millimeter-wave, mmWave）应用中的关键技术，广泛用于医疗、安防、无损检测及环境监测。后向投影算法（back projection algorithm, BPA）因能精确建模波前曲率被视为近场SAR成像的"金标准"，但其计算复杂度极高，难以用于大场景或实时处理；距离徙动算法（range migration algorithm, RMA）基于频域快速傅里叶变换（Fast Fourier Transform, FFT）及Stolt插值处理，速度快但在近场场景中易因插值误差导致分辨率下降与位置偏移。如何在保持BPA精度的同时克服其计算瓶颈，是SAR成像待解决的问题。研究人员提出一种先用RMA快速初构并定位目标、再裁剪原始数据并对感兴趣区（region of interest, ROI）施加BPA的混合RMA–BPA框架，旨在兼顾效率与精度。论文发表于《International Journal of Microwave and Wireless Technologies》。

主要关键技术方法： 研究人员采用德克萨斯大学达拉斯提供的近场二维SAR数据集，该系统基于TI IWR1443 77-GHz调频连续波（frequency-modulated continuous-wave, FMCW）雷达及两轴自动导轨采集矩形网格测量点，原始数据组织为时域采样×水平孔径点×垂直孔径点的三维数据立方体。混合算法步骤为：(i) 对原始SAR数据执行RMA初构图像；(ii) 对RMA结果设阈值生成二值掩膜提取目标区域并扩展边界框（bounding box）；(iii) 按边界框裁剪原始SAR数据立方体；(iv) 将裁剪数据送入BPA做最终重建。RMA流程含二维FFT变换至空间频域、按目标距离z₀施加相位校正滤波K_z=√(4k2?k_x2?k_y2)、二维逆FFT取模；BPA逐像素计算雷达位置到像点往返距离R=√((x?x')2+(y?y')2+z₀2)，据时延t_R=2R/c做线性插值并累加相位因子exp(?i·k·2R)。在Flat 2-D Target、Two Flat 2-D Targets Concealed in Box及Cascaded Concealed Targets三种场景下分别运行BPA、RMA及混合RMA–BPA并记录耗时，以BPA结果为基准计算结构相似性（structural similarity index, SSIM）与峰值信噪比（peak signal-to-noise ratio, PSNR）评估RMA质量。

研究结果：

SAR image reconstruction results（SAR图像重建结果）： 研究人员在三个场景（Flat 2-D Target；Two Flat 2-D Targets Concealed in Box；Cascaded Concealed Targets）下分别用BPA、RMA及混合RMA–BPA重建图像，BPA图像细节聚焦好但耗时最长，RMA图像整体相似但计算成本极低，混合RMA–BPA在ROI内获得与BPA相当的清晰度。

Back projection algorithm (BPA)（后向投影算法重建结果）： Flat 2-D Target场景下BPA重建耗时445.458秒，验证了BPA高精度但计算量大的特点。

Range migration algorithm (RMA)（距离徙动算法重建结果）： 同场景RMA重建仅耗时1.7秒（文中讨论部分记为2.7秒），说明频域处理效率优势明显；定量评估显示RMA相对BPA的SSIM为0.7958、PSNR为22.04 dB，目标峰值定位误差19.42像素（9.54 mm），证实近场存在定位偏差。

Hybrid RMA–BPA algorithm（混合RMA–BPA算法重建结果）： 同场景混合算法耗时110.59秒，较全场景BPA减少75.2%计算时间，且在裁剪ROI内BPA formulation未变，故分辨率与精度等同于全场景BPA。

Computational time comparison（计算时间对比）： 三场景下BPA、RMA、混合RMA–BPA耗时均被记录比较，混合算法在各场景均显著快于完整BPA，最佳降幅达75.2%。因混合法在裁剪子区做BPA，像素级SSIM/PSNR不适用故未报告，但理论上海ROI内像质与BPA一致。

讨论与结论翻译： 研究人员指出BPA为成像保真度基准但计算负担重，RMA极快但近场有精度折损，稀疏重构等方法增复杂或依赖稀疏假设。所提混合RMA–BPA先用RMA高效锁定ROI再在裁剪数据上运行BPA，保留了BPA级分辨率和定位精度且最多降低75.2%计算量，适合安检、无损评价及工业检测。局限性含阈值选取敏感（过高漏弱目标、过低降效）、边界框过小致伪影或部分目标丢失。未来可研自适应或基于机器学习的阈值策略、GPU/FPGA硬件加速、扩展至三维成像及结合深度学习分类器。结论为：本工作提出并验证了一种混合RMA–BPA算法，利用RMA初构与ROI检测后仅对裁剪原始数据应用BPA，相较传统全数据BPA最多减少75.2%计算时间且在感兴趣区域内达到可比拟的图像分辨率，适用于时效性强的高分辨成像任务，但性能受阈值与扩展参数影响需在应用中调节，且当前在受控数据集验证，对多径、杂波及强噪声鲁棒性有待进一步评估。