穿墙成像前墙杂波抑制：从平均相减法到熵准则时域加窗

1. 穿墙成像中的“墙”与“杂波”：一个核心挑战的深度剖析

在雷达信号处理，特别是穿墙成像这个细分领域里，最让人头疼的往往不是目标本身有多难找，而是那堵“墙”本身。想象一下，你拿着一个高灵敏度的“透视”设备，试图看清墙后的人或物体，但设备接收到的第一个、也是最强的信号，却是来自你面前这堵墙的巨大回波。这个回波，我们称之为“前墙杂波”，它的强度通常是墙后目标回波的几十甚至上百倍。这就好比在震耳欲聋的摇滚乐现场，试图听清角落里一根针落地的声音。如果不对这个强干扰进行有效抑制，目标信号会被完全淹没，成像结果就是一片模糊的“墙影”，毫无探测价值。因此，杂波抑制不是穿墙成像的“可选项”，而是决定其成败的“必选项”。本文将从一线工程师和科研人员的视角，深入拆解几种主流的前墙杂波抑制方法，并重点探讨一种基于信息熵准则的时域加窗技术。我们将不局限于公式推导，更聚焦于每种方法的物理意义、实现细节、适用场景以及在实际操作中可能遇到的“坑”。

2. 核心思路拆解：从“硬减”到“巧分”的演进

处理前墙杂波，核心思路无非两种：一是“减法”，二是“分离”。“减法”最直观，如果我们能知道没有目标时墙的纯净回波（即背景信号），直接从总信号里减掉它就行了。这被称为背景对消，效果最好，但现实很骨感——在应急搜救、反恐侦查等实际应用中，你几乎不可能先让现场清空，测一遍干净的墙回波。于是，我们转向“分离”思路：利用墙杂波和目标信号在时域、空域或变换域上的不同特征，设计滤波器把它们分开。

2.1 传统方法的物理直觉与局限

平均轨迹相减法基于一个朴素而有效的观察：在单站雷达沿墙面平行移动扫描时，来自均匀墙面的反射信号在不同扫描位置（即不同通道）上几乎是一模一样的，它是一个“常数”信号。而墙后的目标，由于与雷达的相对几何关系随扫描位置变化，其回波在通道间是变化的。因此，将所有通道的信号在每一个时间点上取平均，得到的就是墙杂波的一个估计，再从每个通道的原始信号中减去这个平均值，就实现了杂波抑制。这个方法简单高效，计算量小。但其代价是，它本质上是一个高通空间滤波器，在滤除墙这个“直流分量”的同时，也会无情地削弱目标信号中那些空间变化缓慢的低频成分。对于尺寸较大或正对雷达的目标，其散射能量恰恰集中在低频部分，这会导致成像中目标变形、边缘模糊甚至分裂。

差分法可以看作是平均法的“局部版”。它通过计算相邻两个扫描位置信号的差值来消除公共的墙杂波。它的优势在于对墙面的横向不均匀性有一定容忍度。但它的滤波特性更“陡峭”，对目标低频分量的抑制更严重，且会引入额外的噪声，在图像重建中容易产生虚假的“鬼影”目标。

子空间投影法则是一种更“数学”的方法。它将所有通道、所有时间点的数据排列成一个矩阵，进行奇异值分解。其核心假设是：能量最强的几个奇异值及其对应的奇异向量，主要承载了强相关的墙杂波信息；而能量较弱的部分则对应目标信号和噪声。通过丢弃前几个主成分（即投影到其补空间），就能实现杂波抑制。这个方法的关键和难点在于如何确定“墙杂波子空间”的维度（即该丢弃前几个奇异值）。这个维度取决于墙的复杂程度、阵列构型、频率采样等多种因素，选择不当会导致要么杂波残留，要么目标信号受损。

2.2 熵准则方法：一种自适应的时域“手术刀”

上述方法可以统称为“空间滤波”或“变换域滤波”，它们都在不同程度上对目标信号本身进行了修改。有没有一种方法，能像外科手术一样，精准地切除杂波所在的“时间段”，而不影响目标信号呢？这就是基于熵准则的时域加窗的思路。

它的物理直觉非常巧妙：由于墙是均匀且平行于雷达阵列的，其反射信号在不同通道间不仅幅度相似，波形也高度相似。而目标信号在不同通道间的波形差异较大。信息熵是衡量一个系统“混乱度”或“不确定性”的指标。如果我们把每个时间点上，所有通道信号的归一化能量分布看作一个概率分布，那么当所有通道信号都相同时（即墙杂波主导），这个分布非常“集中”，熵值很低（理论上，完全相同时，由于归一化，每个通道概率相等，熵值达到最大，但原文此处逻辑需注意，实际计算中，墙杂波主导时，各通道信号高度相关，其归一化能量分布可能趋于均匀，导致熵值较高；而目标出现时，能量分布可能更集中到某个通道，导致熵值降低。原文的表述是“墙杂波给出高的熵值”。这里的关键在于“相似性”的度量方式，熵作为一种度量，能够刻画这种通道间能量分布的均匀性差异）。通过计算每个时间点上的信号熵，我们就能画出一条“熵-时间曲线”。在这条曲线上，墙杂波占据的时间段会呈现出明显的特征（例如持续的高熵值平台）。我们只需要设置一个阈值，将熵值高于该阈值的时间段内的信号置零（加窗），就完成了杂波抑制。这个方法最大的优点是仅在时域做加窗处理，不改变幸存信号的任何频率成分，因此完美保留了目标信号的频谱完整性。

注意：关于熵值高低的物理意义这里是一个容易混淆的点。原文指出墙杂波导致高熵值。其内在逻辑是：当墙杂波主导时，各通道接收到的信号高度相似，经过公式(12)的平方和归一化后，每个通道的eNz(n,m)值会非常接近（都约等于1/N），此时概率分布非常均匀，熵值ϵs(m)趋近于最大值log(N)。而当某个时间点出现强目标信号时，目标所在通道的能量会显著高于其他通道，导致归一化后的概率分布变得“尖锐”（一个通道的值很大，其他很小），此时熵值会降低。因此，通过寻找熵值持续较高的时间区间，就能定位墙杂波。

3. 方法实现与实操要点

理论很美好，但落地到代码和实际数据处理中，每一步都有需要注意的细节。下面我们以熵准则方法为例，拆解其实现流程和关键参数。

3.1 数据预处理与矩阵构建

穿墙雷达数据通常是多通道、多时间采样的。假设我们有N个扫描位置（通道），每个位置采集了M个时间采样点。原始数据首先被整理成一个N x M的矩阵E，其中第n行代表第n个通道的整个时间序列，第m列代表所有通道在第m个时间点上的采样值。

实操要点一：数据对齐与初至校正在构建矩阵前，必须确保所有通道的数据在时间上是严格对齐的。由于电缆长度、天线响应等细微差异，各通道信号的“零时刻”可能需要精细校准。通常的做法是，利用一个放置在已知位置的强反射体（如金属板）进行标定，通过互相关算法对齐各通道信号的起始点。这一步没做好，后续的熵计算和杂波抑制效果会大打折扣。

3.2 熵曲线的计算与阈值选取

这是该方法的核心步骤，对应原文的公式(12)和(13)。

1. 计算归一化能量：对于时间点m(m从 0 到 M-1)，计算所有N个通道在该时刻信号幅度的平方和。然后，将每个通道在该时刻的幅度平方值除以这个总和，得到eNz(n, m)。这一步确保了对于每个m，sum(eNz(:, m)) = 1，满足了概率分布的定义。

   # 伪代码示例 import numpy as np # E 是 N x M 的原始数据矩阵 E_squared = np.abs(E) ** 2 # 计算幅度平方 sum_per_time = np.sum(E_squared, axis=0) # 对每个时间点求和，得到1 x M的向量 # 避免除零，加上一个极小值 sum_per_time[sum_per_time == 0] = 1e-10 eNz = E_squared / sum_per_time # 广播除法，得到 N x M 的归一化矩阵

2. 计算香农熵：对于每个时间点m，将eNz(:, m)视为一个概率分布，计算其香农熵ϵs(m) = -sum( eNz(n, m) * log(eNz(n, m)) )，其中求和遍及n=0到N-1。这里对数通常取自然对数。

   # 继续伪代码 # 为避免log(0)，将eNz中的零值替换为一个极小值 eNz_log = np.where(eNz > 0, eNz, 1e-10) entropy_per_time = -np.sum(eNz_log * np.log(eNz_log), axis=0) # 得到1 x M的熵曲线

3. 阈值α的选择：这是整个方法的关键调参环节。阈值α决定了哪些时间点被判定为杂波。原文中，阈值与最大熵log(N)相关。α是一个介于0和1之间的因子。

   • 理论指导：纯墙杂波（各通道完全一致）时，熵达到最大值log(N)。α越接近1，判为杂波的条件越苛刻（熵值必须非常接近最大值），可能导致杂波清除不干净。α越小，判为杂波的条件越宽松，可能误伤早期到达的弱目标信号。
   • 实操经验：α没有一个普适的最优值。建议的流程是： a. 绘制出完整的熵-时间曲线。 b. 观察曲线形态，找到墙杂波对应的那个熵值较高的“平台区”。 c. 将阈值初步设在该平台起始熵值的80%-90%处。例如，平台熵值约为0.9*log(N)，则可设α=0.85。 d. 这是一个迭代过程。可以先用一个保守的α（如0.9）生成加窗后的数据并成像，观察是否还有明显的墙杂波残留。如果有，则适当降低α（如0.8），再次成像，直到墙杂波被有效抑制，同时不破坏目标区域。

3.3 加窗与后续成像

确定阈值后，生成一个M长的二值窗函数W(m)：当ϵs(m) >= α * log(N)时，W(m)=0；否则W(m)=1。然后用这个窗函数点乘原始数据矩阵E的每一行（即每个通道），得到抑制后的数据矩阵E_w。

# 继续伪代码 max_entropy = np.log(N) # 最大熵 threshold = alpha * max_entropy W = np.where(entropy_per_time >= threshold, 0, 1) # 生成窗函数 E_w = E * W # 广播乘法，对每个通道的每个时间点加窗

加窗后的数据E_w就可以送入后续的成像算法（如后向投影算法、层析成像算法等）进行重建。

4. 对比实验与结果分析：纸上得来终觉浅

为了直观感受不同方法的优劣，我们参考原文思路，设计一个简单的仿真实验。

仿真场景设置：

• 墙：厚度0.2米，相对介电常数5.9。
• 雷达：64个阵元，线阵长度1.28米，距墙0.2米。频带0.5-2.5 GHz。
• 目标1：一个小的金属点目标，位于墙后0.3米处。
• 目标2：一个水平放置的金属椭圆体（长轴0.5米，短轴0.1米），同样位于墙后。

实操心得：仿真数据生成使用FDTD（时域有限差分）软件（如gprMax）生成数据是最接近真实物理过程的方法。但要注意，FDTD仿真计算量大。对于方法对比研究，可以采用射线追踪法或基于解析解的正向模型来快速生成包含墙多重反射和目标散射的数据。这能让你快速验证算法核心逻辑，把时间花在方法比较上，而不是等待仿真。

结果分析：

1. 点目标情况：对于小点目标，其散射能量在空间频谱上分布较宽。平均相减法、子空间投影法和熵准则法都能很好地抑制墙杂波并恢复目标，三者成像的点扩散函数形状与理想背景对消结果非常接近。而差分法则表现出明显的失真，主瓣展宽，旁瓣升高，这是因为其过度的空间高通滤波特性严重损失了目标的低频信息。
2. 扩展目标情况：对于椭圆体目标，其散射能量主要集中在低频空间频谱。此时，差异变得显著：
   • 平均相减与子空间投影：成像结果中，椭圆体的两端（对应高频边缘）尚可分辨，但中间部分（强低频分量）被严重抑制，导致图像看起来像两个分离的小目标，造成了严重的误判。
   • 熵准则法：成像结果与理想的背景对消结果几乎一致，椭圆体的完整形状和位置都得到了准确重建。因为它只剔除了高熵时间段（墙杂波），完整保留了目标信号的所有频率成分。

注意：子空间投影法的维度选择陷阱在实现子空间投影法时，我们尝试了选择前1、2、3个奇异值来构成杂波子空间。结果发现，对于本仿真场景，选择前1个主成分效果与平均法相当。但当墙结构更复杂（如空心砖墙、有饰面层）时，墙杂波可能占据多个主成分。选择少了，杂波残留；选择多了，目标受损。这个维度的选择缺乏自适应的理论指导，严重依赖经验或对场景的先验知识，这是其在实际应用中的主要短板。

5. 常见问题、排查技巧与进阶思考

5.1 熵方法失效了？可能的原因与对策

问题1：熵曲线没有明显的“高台”

• 可能原因：阵列孔径太小或频率太低，导致墙杂波在不同通道间的差异变得明显，破坏了其“高度相似”的假设。
• 排查与解决：检查雷达系统参数。尝试增大阵列物理孔径或提高工作频率中心。如果无法改变硬件，可以考虑在熵计算前，先对数据进行一个轻度的通道间平滑预处理，但需谨慎，以免模糊目标。

问题2：目标也被加窗切掉了

• 可能原因：阈值α设置过低，或者目标距离墙太近，其回波在时间上与墙的晚期多次反射重叠，导致这些时间点的熵值也较高。
• 排查与解决：首先，调高α再试。其次，观察熵曲线，如果目标回波时间段也出现熵的抬升，说明存在时域混叠。此时单纯依靠熵准则可能不够，需要结合时延先验信息进行改进。例如，可以根据墙的厚度和介电常数，估算出墙的一次反射和二次、三次反射的大致时间范围，在熵准则的基础上，强制保留这些多次反射时间窗之后的数据。

5.2 与其他方法的融合：没有银弹，只有组合拳

在实际复杂场景中，单一方法可能力有不逮。熵准则法一个很大的优点是与其他方法兼容性好。

• 熵准则 + 平均相减：可以先使用熵准则进行时域加窗，切除主要的墙反射脉冲，然后再对剩余数据使用平均相减法，进一步抑制残留的、分布较散的墙杂波（如来自墙内不均匀体的散射）。
• 熵准则作为预处理：对于子空间投影法，可以先应用熵准则加窗，去除掉能量最强的早期墙反射。这样，剩余数据矩阵的奇异值谱中，目标信号的能量占比会相对提升，可能有助于更准确地估计杂波子空间维度。

5.3 走向实际：处理实测数据的额外挑战

处理仿真数据一切顺利，但切换到实测数据（如原文中Villanova大学的数据）时，新的问题接踵而至：

1. 天线耦合与直波：雷达天线自身存在耦合信号，以及从发射天线直接到接收天线的直波信号，它们往往比墙反射更早、更强。熵方法会将其识别为“高相似性”信号并滤除，这本身是好事。但需要确保数据采集时的时间零点设置准确，否则可能切不干净。
2. 噪声的影响：实测数据包含噪声。在计算归一化能量eNz时，噪声会使各通道的能量分布趋于均匀，导致熵值在无信号时段也保持一个非零的基底。这可能会干扰阈值的选取。
   • 对策：在计算熵之前，可以对原始数据E进行一个轻微的时域平滑或小波去噪，以抑制噪声。或者，在熵曲线上，先估算一个噪声基底熵值，将其从曲线中减去。
3. 非理想阵列：阵元位置误差、通道幅度/相位不一致性都会破坏墙杂波的通道间一致性。阵列校准是处理实测数据前不可或缺的一步。

最后，分享一个我个人在处理某次穿墙雷达实验数据时的体会：熵准则方法就像一位经验丰富的剪辑师，它能基于“信号在不同机位（通道）的相似度”这个内在逻辑，精准地找到并剪掉那些无用的“空镜头”（墙杂波）。而平均相减等空间滤波方法，则更像一个固定的滤镜，虽然也能突出主体，但难免会改变画面原有的色调和细节（目标频谱）。在实际项目中，我通常会先用熵准则法做一遍处理，得到一个“干净”的基底，然后再根据成像结果中残留的杂波类型，决定是否需要叠加其他轻量级的滤波手段。这种分步、递进的策略，往往比追求一个复杂的一步到位算法更加稳健和高效。