Radar Forward-looking Imaging for Complex Targets Based on Sparse Representation论文阅读

1. 研究目标与实际问题

1.1 研究目标

论文旨在解决复杂目标雷达前视成像中的关键问题。传统方法（如压缩感知）假设目标散射系数满足稀疏先验，但复杂目标（如坦克、飞机、城市场景）的散射分布通常不满足这一假设，导致成像质量下降。本文提出了一种基于字典学习的稀疏表示方法，通过自适应学习目标的边缘特征和结构信息，提升复杂场景下的成像质量。

1.2 实际问题与产业意义

• 实际问题：前视成像在凝视观测几何下难以实现高分辨率，传统方法依赖目标与雷达的相对运动（如SAR/ISAR），且稀疏假设在复杂场景中失效。
• 产业意义：
  • 提升雷达在复杂场景（如城市环境、军事目标）中的成像能力；
  • 推动自动驾驶（前视雷达）、军事侦察（高速平台成像）等领域的技术发展。

---

2. 新方法、模型与公式（重点）

2.1 核心思路

论文提出基于字典学习的稀疏表示成像方法（SBLDl），核心创新包括：

1. 波前调制成像模型：通过随机频率调制生成差分辐射场，实现超分辨率成像；
2. 变换域稀疏表示：将散射系数映射到自适应学习的稀疏域；
3. 字典学习优化：利用K-SVD算法学习适应目标结构的字典，提升稀疏性。

2.2 关键公式与模型

2.2.1 波前调制成像模型

雷达发射信号模型（式1-3）：
S T n ( t m ) = A exp ⁡ { j 2 π ( f c + f n , t m ) t m } S_{T_n}\left(t_m\right)=A\exp\left\{j2\pi\left(f_c+f_{n,t_m}\right)t_m\right\} STn​​(tm​)=Aexp{ j2π(fc​+fn,t