[论文解读] Compressed Remote Sensing of Sparse Objects

Albert Fannjiang, Pengchong Yan+1 more|ArXiv.org|Apr 25, 2009

Sparse and Compressive Sensing Techniques参考文献 20被引用 16

一句话总结

本文为使用随机传感器阵列对稀疏目标进行遥感的压缩感知建立了理论基础，证明了可恢复目标的数量与测量样本数成比例，仅受对数平方因子影响。文中引入了与瑞利判据一致的阈值孔径，并证明随机天线布置可产生去相干效应，从而即使在欠定系统中也能通过基追踪实现稳定恢复。

ABSTRACT

The linear inverse source and scattering problems are studied from the perspective of compressed sensing, in particular the idea that sufficient incoherence and sparsity guarantee uniqueness of the solution. By introducing the sensor as well as target ensembles, the maximum number of recoverable targets is proved to be at least proportional to the number of measurement data modulo a log-square factor with overwhelming probability. Important contributions of the analysis include the discoveries of the threshold aperture, consistent with the classical Rayleigh criterion, and the decoherence effect induced by random antenna locations. The prediction of theorems are confirmed by numerical simulations.

研究动机与目标

• 解决雷达、声纳和CT成像中常见的反源问题和散射问题的非唯一性和不稳定性。
• 克服传统方法（如匹配场处理）的局限性，后者无法检测到许多目标并产生伪影。
• 利用目标分布的稀疏性，基于压缩感知原理实现唯一且稳定的恢复。
• 建立在物理成像设置中，基追踪可从欠定线性系统唯一恢复稀疏信号的理论条件。
• 以测量数据、孔径和传感器随机性为参数，量化可恢复目标的最大数量（MNRT）。

提出的方法

• 将反源和散射问题建模为欠定线性系统 $ Y = \mathbf{A}X $，其中 $ \mathbf{A} $ 通过亥姆霍兹格林函数编码波传播。
• 应用压缩感知理论，采用 $ \ell^1 $-最小化（基追踪）作为 NP 难的 $ \ell^0 $-最小化的凸松弛，以实现稀疏恢复。
• 引入传感器和目标集合，以建模随机传感器位置和稀疏目标分布，从而获得概率性保证。
• 推导传感矩阵 $ \mathbf{A} $ 的相干性估计和谱范数界，表明随机传感器布置可降低相干性。
• 证明在高概率下，若满足 $ n / \ln n \geq C s \ln^2 s \ln m \ln(1/\epsilon) $，其中 $ n $ 为测量数，则所有稀疏度为 $ s $ 的信号均可唯一恢复。
• 引入阈值孔径 $ A\ell / \lambda z_0 = 1/2 $，该条件与经典瑞利判据一致，是分辨率的关键设计参数。

实验结果

研究问题

• RQ1 在遥感中，从有限测量数中最多可唯一恢复多少个稀疏目标？
• RQ2 随机传感器阵列布置如何影响基于波的成像中压缩感知恢复的相干性和稳定性？
• RQ3 在传感矩阵受波动物理约束的物理反问题中，能否为基追踪恢复建立理论保证？
• RQ4 孔径尺寸和传感器分布在实现超越经典瑞利极限的分辨率中起什么作用？
• RQ5 与规则阵列相比，随机天线位置引起的去相干效应如何提升稀疏目标的恢复性能？

主要发现

• 可恢复目标的最大数量（MNRT）至少与测量数据点数 $ n $ 成正比，仅受 $ \ln^2 s \ln m $ 因子影响，且具有高概率。
• 阈值孔径条件 $ A\ell / \lambda z_0 = 1/2 $ 与经典瑞利判据一致，对分辨稀疏目标至关重要。
• 随机传感器阵列布置引发去相干效应，降低传感矩阵的互相关性，从而增强压缩恢复性能。
• 在条件 $ n / \ln n \geq C s \ln^2 s \ln m \ln(1/\epsilon) $ 下，建立了基追踪唯一恢复的理论保证，确保对所有稀疏度 $ s $ 的信号实现高概率恢复。
• 数值模拟验证了理论预测，表明即使在欠定系统中，也能实现稀疏目标的稳定且精确恢复。
• 基于RIP的方法提供的保证强于仅依赖非相干性，可确保所有稀疏度 $ \leq s $ 的信号的唯一性和稳定性，但不适用于所有成像配置（如响应矩阵成像）。