计算成像（Computational Imaging）一文看懂

1. 什么是计算成像？

计算成像不是“先拍照再后处理”这么简单，而是将光学/电磁波前端的调制与后端的算法联合设计，通过编码、扫描或阵列采样，把传统光学或天线系统难以直接获取的信息转化为可计算的观测，再用反演重建获得目标的幅度/相位/三维/光谱/偏振等信息。

用最小模型表述成像的前向模型：

$$\mathbf{g}=\mathbf{Hf}+\mathbf{n}$$

• $\mathbf{f}$：待重建的场景（图像/体素/散射体分布）

• $\mathbf{H}$：成像系统的传递算子（PSF/OTF、传播与天线方向图、编码/扫描矩阵等）

• $\mathbf{g}$：观测数据（传感器读数、干涉条纹、回波时序等）

• $\mathbf{n}$：噪声与建模误差

重建问题一般写作（以二范数正则为例）：

$$\hat{\mathbf{f}}=\arg \underset{\mathbf{f}}{\min }|\mathbf{Hf}-\mathbf{g}{|}_2^2+\lambda \mathcal{R}(\mathbf{f})$$

• $\mathcal{R}(\mathbf{f})$：先验正则（TV 稀疏、波let、小波/字典、深度先验等）

• $\lambda$：先验强度权重

2. “高分辨”的依据是什么？

2.1 物理极限与孔径/带宽

衍射极限（光学数值孔径）
$${\delta }_{\text{opt}}\approx \frac{0.61\lambda }{\mathrm{NA}}$$

• ${\delta }_{\text{opt}}$：横向分辨率

• $\lambda$：波长

• $\mathrm{NA}$：数值孔径（介质折射率 × 入射角正弦）

合成孔径/阵列（雷达/毫米波/超声/射电）
$${\delta }_{\perp }\approx \frac{\lambda }{2{\mathrm{NA}}_{\text{eff}}},{\delta }_{\parallel }\approx \frac{c}{2B}$$

• ${\delta }_{\perp }$：横向角向分辨率（由有效孔径决定）

• ${\delta }_{\parallel }$：距离向分辨率（由调制带宽 $B$ 决定）

• $c$：传播速度（电磁波取光速）

• ${\mathrm{NA}}_{\text{eff}}$：等效数值孔径/波束宽度

结论：更大的有效孔径与更宽的调制带宽带来更高分辨率。

2.2 信息论与可恢复性

• 采样与互相关性：矩阵 $\mathbf{H}$ 的列间相关越低，超分辨更可行。

• 信噪比（SNR）与Cramér–Rao下界：在给定$\mathbf{H}$与噪声统计下，参数估计的方差有下界，约束了可达分辨。

• 先验与可辨识性：稀疏/低秩/平滑先验提升“可恢复性”，但需匹配场景真实统计。

3. 如何计算成像？（方法谱系与工程路线）

3.1 前端：编码/调制/扫描/阵列

1. 编码孔径/掩膜（Coded Aperture / Pinhole 变体）：多孔径随机或优化编码，提升测量通道信息量。

2. 调频/调相（FMCW、相位/全息编码、偏振编码）：把空间信息映射到频率/相位/时间。

3. 扫描/拼接（扫描显微、SAR 条带/聚束、ptychography）：多视角或位移叠加提升覆盖与冗余。

4. 阵列/MIMO：空间多通道并发获取角度信息，形成合成孔径。

3.2 后端：反演/优化/学习

• 经典反演：反卷积、匹配滤波、BP/RTM、波场反演、相位恢复。

• 正则化优化：TV、稀疏（${\ell }_1$）、低秩（核范数）、Plug-and-Play、ADMM。

• 学习式：深度展开（unrolling）、物理引导神经网络（PINNs）、生成先验（Diffusion/GAN），端到端“物理层+网络”联合训练。

• 混合范式：$\text{Physics}+\text{Optimization}+\text{Learning}$，稳健又高效。

工程实践三步曲：建模 $\to$ 标定 $\to$ 重建。标定含PSF/相位误差/阵列几何/时间同步/互耦等。

4. 计算成像能有什么应用？

1. 显微与生医：超分辨（Structured Illumination, STORM/PALM 的计算后端）、光场显微、相位成像、光声/超声 CT。

2. 机器视觉/消费电子：景深扩展、低光/去噪/去模糊、双目/多视几何重建、事件相机重建。

3. 天文与地球观测：射电/光学干涉、稀疏阵列成像、合成孔径雷达（SAR/InSAR）。

4. 毫米波/太赫兹/安检与NDT：通过衣物/涂层、材料缺陷检测、内部结构层析。

5. 车载与通感一体化（ISAC）：FMCW/MIMO 雷达成像、联合通信与感知、网联协同感知。

6. 无线/室内感知：Wi-Fi/RF 感知成像、行为识别、透墙/非视距（NLoS）感知。

7. 安防/文保/工业测控：多模态融合（光学+毫米波+超声）、薄弱目标增强。

5. 光学与电磁波（RF/mmWave/THz/微波）计算成像：异同点

共同点

• 都受波动光学/电磁场控制；本质是波场编码 + 反演重建。

• 相同的数学工具：卷积/傅里叶/菲涅耳传播、稀疏/低秩、相位恢复、全变分等。

• 都需标定与稳健性：PSF/相位/几何误差、噪声与动态场景。

差异点

1. 波长与孔径尺度：

   • 光学 $\lambda \sim$ 0.4–1 μm，器件微纳；

   • mmWave/THz/微波 $\lambda \sim$ 毫米-厘米，阵列/孔径尺寸更大但电子可控性强。

2. 探测机理：

   • 光学常见强度探测（需相位恢复）；

   • RF 可同/正交解调直接测相幅，易做多普勒/距离成像。

3. 介质穿透与散射：

   • 光学对雾/烟/组织穿透差（受散射影响大），但空间分辨高；

   • RF 穿透更强，适合透墙/NDT/安检，但角向分辨受孔径限制。

4. 前端可编程性：

   • 光学可用 SLM/DMD/金属enses/Meta-optic；

   • RF 依赖相控阵、MIMO、全极化、可编程超表面（RIS）等。

5. 合规与场景约束：

   • 光学受照度/安全与成像目标反射特性约束；

   • RF 受频谱/发射功率/安全标准与法规约束。

6. 远场 vs 近场计算成像：模型与挑战

判据（以孔径尺度 $D$、工作波长 $\lambda$ 为例）：

• 远场（Fraunhofer）：$R\gg \frac{2D^2}{\lambda }$，传播近似为平面波，角谱到像域近似为傅里叶对。

• 近场（Fresnel/Reactive）：$R\lesssim \frac{2D^2}{\lambda }$，波前曲率显著，甚至存在倏逝波（evanescent）。

6.1 远场成像挑战

1. 角分辨受限于有效孔径：需更大物理/合成孔径、稀疏阵列优化采样。

2. 宽带与宽视场耦合像差：频变波束/色差，需频率-角度联合校正与多尺度成像。

3. 同步与相位稳定：长时合成（SAR/干涉）对相位噪声极敏感，需稳频/时间同步/运动补偿。

6.2 近场成像挑战

1. 模型非线性增强：需精确的菲涅耳/全波/互耦模型与高精度标定。

2. 互耦与多散射：阵元间、介质内强耦合导致 $\mathbf{H}$ 病态，需多物理场与迭代反演。

3. 超分辨与倏逝波获取：依赖超表面/探针/结构光等手段把高频近场信息“搬运”到可测域。

4. 硬件-算法协同：纳/微结构器件容差、热漂与制造误差需在重建里“自校准”。

7. 小结

• 计算成像的核心是把物理—测量—算法打通：通过可编程前端制造“信息-丰富”的观测，再以含先验的反演或学习式网络实现高质量重建。

• “高分辨”的本质来自孔径与带宽（物理）和可恢复性（信息论/先验/SNR）两条腿。

• 光学与电磁波体系在数学上共通，在器件、可编程性、穿透力与法规上各有取舍。

• 远场看“合成孔径与相位稳定”，近场看“精确建模与互耦/多散射”。

• 真正落地要坚持联合设计 + 标定优先 + 稳健反演 + 工程可计算性。