CID算法和FCID算法原理介绍

CID（Constrained Iterative Deconvolution）算法

CID算法是Richards, Mark在1988年提出的，大大降低了解卷积对信噪比的要求。对于原始的解卷积问题可以表示为
$$\Sigma \left(\omega \right)=\frac{Y\left(\omega \right)-N\left(\omega \right)}{H\left(\omega \right)}$$
将其重写，可以得到
Σ ( ω ) = Y ( ω ) H ( ω ) = a × H ∗ ( ω ) × Y ( ω ) a × ∣ H ( ω ) 2 ∣ = a × H ∗ ( ω ) × Y ( ω ) { 1 − ( 1 − a × ∣ H ( ω ) 2 ∣ ) } = a { ∑ n = 0 ∞ ( 1 − a × ∑ ∣ H ( ω ) 2 ∣ ) n } H ∗ ( ω ) Y ( ω ) \begin{aligned} & \Sigma \left( \omega \right)=\frac{Y\left( \omega \right)}{H\left( \omega \right)}=\frac{a\times {{H}^{*}}\left( \omega \right)\times Y\left( \omega \right)}{a\times \left| H{{\left( \omega \right)}^{2}} \right|}=\frac{a\times {{H}^{*}}\left( \omega \right)\times Y\left( \omega \right)}{\{1-(1-a\times \left| H{{\left( \omega \right)}^{2}} \right|)\}} \\ & =a\left\{ {{\sum\limits_{n=0}^{\infty }{\left( 1-a\times \sum\limits_{{}}^{{}}{\left| H{{\left( \omega \right)}^{2}} \right|} \right)}}^{n}} \right\}{{H}^{*}}\left( \omega \right)Y\left( \omega \right) \\ & \end{aligned} ​Σ(ω)=H(ω)Y(ω)​=a×∣∣∣​H(ω)2∣∣∣​a×H∗(ω)×Y(ω)​={1−(1−a×∣∣∣​H(ω)2∣∣∣​)}a×H∗(ω)×Y(ω)​=a{n=0∑∞​(1−a×∑​∣∣∣​H(ω)2∣∣∣​)n}H∗(ω)Y(ω)​
式中：$H^{\ast }\left(\omega \right)$表示$H\left(\omega \right)$的共轭。当
$$\Vert 1\text{-a}\times {\left|H_i\left(\omega \right)\right|}^2\Vert <1,a\left\{{\sum _{n=0}^{\infty }\left(1-a\times \sum \left|H_i{\left(\omega \right)}^2\right|\right)}^n\right\}$$
，上式收敛于$1/{\left|H_i\left(\omega \right)\right|}^2$，因此需要选择合理的$a$来满足上式。
令
$$H^{\prime }\left(\omega \right)=H\left(\omega \right)\times H^{\ast }\left(\omega \right),Y^{\prime }\left(\omega \right)=Y\left(\omega \right)\times H^{\ast }\left(\omega \right)$$
利用迭代算法重新计算上式，可以得到
$${\Sigma }_{k+1}\left(\omega \right)=a{Y}^{\prime }\left(\omega \right)+\left(1-a{H}^{\prime }\left(\omega \right)\right){\Sigma }_k\left(\omega \right)k=0,1,2\cdots$$
初始化${\Sigma }_0=a{Y}^{\prime }\left(\omega \right)$，但是上式的求解容易受到噪声的影响，并且由于迭代过程负值没有及时被剔除而存在严重的“振铃”效应。观测数据的接收不可能存在负值，因此，在每次迭代的过程中可以先将负值剔除然后再进行迭代，这样就可以缓解最终结果出现的“振铃”效应，即
Σ k + 1 ( ω ) = F { P { F − 1 [ a Y ′ ( ω ) + ( 1 − a H ′ ( ω ) ) Σ k ( ω )    ⁣ ⁣ ]  ⁣ ⁣    ⁣ ⁣ }  ⁣ ⁣    ⁣ ⁣ }  ⁣ ⁣  k=0,1,2 ⋯ {{\Sigma }_{k+1}}\left( \omega \right)=F\{P\{{{F}^{-1}}[a{Y}'\left( \omega \right)+\left( 1-a{H}'\left( \omega \right) \right){{\Sigma }_{k}}\left( \omega \right)\text{ }\!\!]\!\!\text{ }\!\!\}\!\!\text{ }\!\!\}\!\!\text{ }\text{k=0,1,2}\cdots Σk+1​(ω)=F{P{F−1[aY′(ω)+(1−aH′(ω))Σk​(ω) ] } } k=0,1,2⋯
式中：$F\left(\bullet \right)$表示傅里叶变换，$F^{-1}\left(\bullet \right)$表示傅里叶反变换，$P\left(\bullet \right)$表示去除数据中出现的负值。上述操作可以在较低信噪比的情况下分辨出同一距离向的不同目标，但是计算量过于繁重，下面将介绍CID的快速算法FCID。

FCID（Fast Constrained Iterative Deconvolution）算法

将$\Sigma \left(\omega \right)$重写可以得到
$$\Sigma \left(\omega \right)=a\left\{{\sum _{n=0}^{\infty }\left(1-a{H}^{\prime }\left(\omega \right)\right)}^n\right\}{Y}^{\prime }\left(\omega \right)\text{=}a\left\{1+\left(1-a{H}^{\prime }\left(\omega \right)\right)+{\left(1-a{H}^{\prime }\left(\omega \right)\right)}^2+\cdots \right\}$$
从上式中可以看出，迭代求解中有公因子$1-a{H}^{\prime }\left(\omega \right)$，令$T\left(\omega \right)=1-a{H}^{\prime }\left(\omega \right)$，则上式可以表示为
$$\begin{array}{rl}& \Sigma \left(\omega \right)=a\left\{1+T\left(\omega \right)+T{\left(\omega \right)}^2+T{\left(\omega \right)}^3+\cdots \right\}{Y}^{\prime }\left(\omega \right)\\ & =a\left\{\left(1+T\left(\omega \right)\right)+T{\left(\omega \right)}^2\left(1+T\left(\omega \right)\right)+T{\left(\omega \right)}^4\left(1+T\left(\omega \right)\right)+\cdots \right\}{Y}^{\prime }\left(\omega \right)\\ & =a\left\{\left(1+T\left(\omega \right)\right)\left(1+T{\left(\omega \right)}^2+T{\left(\omega \right)}^4\text{+}T{\left(\omega \right)}^6+\cdots \right)\right\}{Y}^{\prime }\left(\omega \right)\\ & =a{Y}^{\prime }\left(\omega \right)\prod _{n=1}^{\infty }\left(1+T{\left(\omega \right)}^{2n}\right)\end{array}$$
则可以用上式写出FCID的迭代过程
$$\{\begin{array}{rl}& T_{k+1}=T_k{\left(\omega \right)}^2\\ & {\Sigma }_{k+1}\left(\omega \right)=\left(1+T_k\left(\omega \right)\right){\Sigma }_k\left(\omega \right)\end{array}k=0,1.2\cdots$$
式中：初始化$T_0=1-a{H}^{\prime }\left(\omega \right){\Sigma }_0\left(\omega \right)=a{Y}^{\prime }\left(\omega \right)$。

从推导过程可以看出FCID算法的运算速度比CID算法的运算速度要快很多，即CID算法运算$N$次，则FCID算法只需要运算${\log }_{2}N$次就可以达到相同的效果，但是同样需要注意的是由于每次迭代的过程中可能会产生负值，造成“振铃”效应，所以在迭代的过程中需要将负值剔除。再者就是因为FCID算法可以大大提升运算的速度，这样就会造成去除负值的次数减少，从而造成噪声的累积，会对最终的成像效果造成一定的影响。实际应用过程中通常采用两者的结合：先用FCID算法将原始目标区分出来，再用CID算法减小噪声的影响，提高最终的成像效果。

参考文献

[1] R. W. Schafer, R. M. Mersereau and M. A. Richards, “Constrained iterative restoration algorithms,” in Proceedings of the IEEE, vol. 69, no. 4, pp. 432-450, April 1981, doi: 10.1109/PROC.1981.11987.
[2] M. A. Richards, “Iterative noncoherent angular superresolution (radar),” Proceedings of the 1988 IEEE National Radar Conference, 1988, pp. 100-105, doi: 10.1109/NRC.1988.10940.