简介面向雷达信号处理与仿真学习者的 MATLAB 源码资源以 CLEAN 算法为核心解决雷达回波中的频域杂波抑制问题尤其适用于 FMCW 波回波信号。仿真设计紧密贴合真实雷达回波数据相减函数采用 cos 形式若需处理复数信号可将表达式改为指数形式脚本内参数开放可调方便移植到其他频域杂波抑制任务只需根据实际数据调整主要变量即可运行。压缩包内包含 1 个 .m 文件体积仅 1KB轻量紧凑便于快速阅读算法主体结构和直接调试。该资源已有 897 人浏览学习适合雷达相关专业学生或工程师用于理解 CLEAN 算法实现流程、对比杂波抑制前后频谱差异也可作为基础模板扩展至不同雷达数据集的仿真验证。使用者能从中获得完整的频域处理程序框架、参数配置逻辑以及核心相减运算的编写思路为后续算法改进或工程应用提供可靠起点。1. 什么是雷达CLEAN算法从被杂波和旁瓣污染的回波里抠出目标拿到一幅距离-多普勒图强目标旁边拖着一串旁瓣尾巴海杂波把CFAR检测器的底噪抬得老高——这种场面做过雷达数据处理的人都不陌生。CLEAN算法就是处理这类问题的经典前置手段它把一幅带杂波的脏图看成真实散射点分布与点扩散函数的卷积用迭代方式逐个剥出强散射点再把残余噪声原样还回去。换句话说CLEAN能从一个被旁瓣和杂波污染的雷达回波数据矩阵里把目标的干净响应抠出来让后续检测和跟踪拿到更稳定的输入。这篇笔记从回波数据怎么组织、杂波怎么仿真讲起落到Högbom CLEAN的最小实现、参数标定和实采数据上最容易翻车的几个坑适合刚接手雷达信号处理或正在做雷达杂波仿真的工程师直接抄作业。2. 从距离-多普勒图到杂波模型先看清回波数据里到底有什么2.1 一幅距离-多普勒图的分层目标、杂波、噪声与旁瓣雷达回波数据在经过匹配滤波、距离向FFT和多普勒向FFT之后通常会组织成一张二维复数矩阵横轴是多普勒频率纵轴是距离。这张矩阵里每一格都是I/Q复数幅度代表该距离-多普勒单元的回波能量。我们常说的回波数据到这一步就变成了一幅可以送给检测器的距离-多普勒图也就是CLEAN算法要处理的输入。图里的成分可以粗略分成四层。第一层是目标理想点目标在距离-多普勒图上就是一个孤立的峰值幅度最高、谱线最窄。第二层是杂波地杂波集中在零多普勒附近海杂波在低擦地角下会铺开一大片它的幅度统计特性随海况和雷达分辨率变化。第三层是热噪声均匀底噪幅度基本符合高斯分布。第四层最容易忽略是旁瓣——脉冲压缩窗函数带来的距离旁瓣、多普勒加权带来的多普勒旁瓣以及强目标在距离维和多普勒维的拖尾。旁瓣本身不是独立的物理目标但它会抬高附近单元的检测门限也会被CFAR统计进背景功率。CLEAN算法在这个分层里的定位很明确它是旁瓣和离散强散射点的处理工具不是杂波抑制的全能药。它假设脏图 真实散射点分布 * 点扩散函数 噪声然后反解出散射点分布。这个假设更适合目标稀疏、旁瓣可预测的场景连续分布的海杂波不属于点状散射元直接拿CLEAN啃会让组分数量失控。所以实际工程里CLEAN通常放在杂波抑制之后、检测之前或者专门用来清洗强目标旁瓣污染区。2.2 杂波仿真三件套瑞利、对数正态与K分布各自的适用范围要验证CLEAN算法先得有质感真实的雷达杂波仿真数据。雷达杂波仿真里最常用的三个幅度分布模型按适用场景排是这么选的。瑞利分布对应低分辨率雷达或大擦地角下的地杂波、气象杂波。它的概率密度是一条平滑的单峰曲线物理意义是大量独立散射体等幅叠加后的极限。仿真实现也最简单复高斯白噪声的模就是瑞利分布。如果你的雷达分辨率低、一个距离单元内散射体数量多瑞利模型基本够用。对数正态分布适用于高分辨率雷达在小擦地角下观察海面或树林边缘的情况特点是分布尾巴更重出现强孤立点的概率比瑞利高。海杂波仿真里当海浪有镜面反射成分或者有较强的孤立浪尖回波时对数正态往往拟合得更好。K分布是目前最常用于高分辨率海杂波的模型。它把杂波看作快变的散斑瑞利分布被一个慢变的纹理Gamma分布调制因此能同时描述海尖峰的长尾巴和空间相关性。参数上有一个形状参数νν越小尾巴越重杂波越尖还有尺度参数γ直接控制功率水平。做CLEAN算法验证时K分布杂波是最能考验算法边界的选择——因为它里面有大量幅度起伏剧烈的离散点CLEAN容易误判。2.3 参数怎么定海况、擦地角与脉冲宽度的经验取值杂波仿真最怕参数拍脑袋。我一般按雷达实际工作条件来定先定海况等级再定雷达分辨率和擦地角最后反推分布参数。下表是这些年积累的一套常用起步值适合CLEAN算法验证的仿真场景。模型适用场景形状参数尺度参数相对噪声底备注瑞利大擦地角地杂波、气象杂波无根据SNR设定复高斯直接生成对数正态小擦地角、孤立浪尖海杂波σ_ln 0.5~1.2μ 控制中位数尾巴重易产生尖峰K分布高分辨率低擦地角海杂波ν 0.1~2.0γ 控制平均功率ν越小海尖峰越强一个实用的起步点是雷达距离分辨率为数十米级别时把K分布的ν设在0.5附近γ设为噪声功率的510倍得到的距离-多普勒图既有明显杂波背景目标信噪比又能压到1030 dB范围内方便观察CLEAN剥旁瓣的效果。如果ν取得太小0.1以下杂波里会出现大量与目标幅度接近的强散斑这会直接压垮CLEAN的点目标稀疏假设仿真结果会误导你让你误以为算法失效。这是做雷达杂波仿真时最容易踩的第一个坑。3. CLEAN算法的原理与最小代码把脏图一块块擦干净3.1 Högbom CLEAN的四个步骤找峰、减旁瓣、累积、重建CLEAN算法最早来自射电天文成像1974年Högbom提出的这个迭代思路放到今天的雷达距离-多普勒图上依然好用。它的核心假设是观测到的脏图D是真实散射分布S与点扩散函数PSF的卷积再加上噪声n。如果能估计出PSF就能通过迭代把S一个点一个点地解出来。算法四个步骤循环执行。第一步在残余图上找出当前幅度最大的点记录它的位置和复数值。第二步按环路增益g乘上这个峰值作为本次迭代的组分。第三步把PSF平移到该峰值的位置乘以组分幅度后从残余图中减掉。第四步重复前三步直到残余峰值低过停止门限或者迭代次数达到上限。最后把所有记录下来的组分用干净束叠加再加回残余图得到重建后的干净图。每一步背后的直觉很简单既然强目标的旁瓣形状是已知的PSF那么每找一个峰值就把它的周围连带全部减掉剩下的残余里就不再有这颗目标的旁瓣污染。反复减杂乱图就被拆成了一堆点散射系数的列表。这就是CLEAN最朴素也最可靠的地方——不做矩阵求逆只做逐次减法。3.2 一个能直接跑的clean_rdm函数下面这个函数是我常用的最小实现直接处理二维复数距离-多普勒图。import numpy as np def clean_rdm(dirty_map, psf, gain0.2, max_iter200, stop_threshNone, maskNone): Högbom CLEAN 最小实现面向距离-多普勒图。 dirty_map : 2D ndarray复数含目标、旁瓣、杂波与噪声 psf : 2D ndarray点扩散函数峰值必须归一化到 1 gain : 环路增益通常取 0.1~0.3 max_iter : 最大迭代次数 stop_thresh: 残余峰值停止门限默认取残余幅值标准差的 3 倍 mask : 可选二维 bool限制搜索区域 psf psf / np.abs(psf).max() # 强制归一化避免增益失真 psf_center_y psf.shape[0] // 2 psf_center_x psf.shape[1] // 2 residue dirty_map.copy() comps [] # 记录组分 (位置, 复幅度) if stop_thresh is None: stop_thresh 3.0 * np.std(np.abs(residue)) for _ in range(max_iter): # 第一步在残余图上找最强点 mag np.abs(residue) if mask is not None: mag mag * mask peak_idx np.unravel_index(np.argmax(mag), mag.shape) peak_val residue[peak_idx] # 第二步达到停止门限就结束 if np.abs(peak_val) stop_thresh: break # 第三步记录组分 comp_val gain * peak_val comps.append((peak_idx, comp_val)) # 第四步把 PSF 放到峰值中心从残余图中减掉 y, x peak_idx y0 max(0, y - psf_center_y) y1 min(dirty_map.shape[0], y - psf_center_y psf.shape[0]) x0 max(0, x - psf_center_x) x1 min(dirty_map.shape[1], x - psf_center_x psf.shape[1]) py0 y0 - (y - psf_center_y) py1 py0 (y1 - y0) px0 x0 - (x - psf_center_x) px1 px0 (x1 - x0) psf_shift np.zeros_like(dirty_map, dtypenp.float64) psf_shift[y0:y1, x0:x1] np.abs(psf)[py0:py1, px0:px1] residue - comp_val * psf_shift # 重建组分用 delta 函数放回加回残余图 clean_map np.zeros_like(dirty_map, dtypenp.complex128) for (y, x), val in comps: clean_map[y, x] val clean_map clean_map residue return clean_map, comps, residue这段代码里最需要注意的是PSF的裁剪逻辑。PSF是一个以中心点为中心的二维图案当峰值位置靠近图边缘时PSF会超出数据图边界这时只能用切片把超出的部分裁掉。py0/py1/px0/px1这段换算就是在做边界对齐初学者最容易在这里把坐标算错。另一个关键点是residue - comp_val * psf_shift。这里用的是实数绝对值PSF去减复数残余方向不匹配的情况在单极目标下问题不大但如果杂波背景强建议把np.abs(psf)改成复数PSF副本相位由峰值点的相位决定。我给的版本先用绝对值胜在稳定跑通逻辑后再按数据特征替换。3.3 三个必调参数环路增益、停止门限、最大迭代次数环路增益gain是整个算法最重要的旋钮。它决定每一次迭代剜掉峰值幅度的比例。0.1到0.3是经验安全区取了0.1时算法迭代次数会变多但过程平滑取了0.3时收敛快但可能出现过冲。千万别一上来就取0.5以上那会让重建结果在强目标附近出现负的坑。停止门限stop_thresh控制算法在什么时候收手。按残余图像素幅值标准差的3倍来取是噪声主导区的经验值。如果杂波幅度起伏大门限要相应抬高否则算法会一头扎进杂波里不停找伪峰。最大迭代次数max_iter是给算法上的保险栓防止门限设得过于激进时死循环。一般200次足够处理一幅128×128的距离-多普勒图。这三个参数是联动的增益小就需要更多迭代门限低也要更多迭代。调试时我建议固定max_iter200只扫gain和stop_thresh这两个参数观察残余能量下降曲线比逐个手调快得多。4. 雷达杂波仿真与CLEAN联调自己造数据验证算法边界4.1 用SIRP法生成K分布海杂波并叠加目标距离-多普勒图的仿真数据里杂波的质量直接决定CLEAN验证结论的可靠性。下面用球不变随机过程法生成一组K分布海杂波再往里面放一个带旁瓣的目标。rng np.random.default_rng(42) def simulate_k_clutter_rdm(n_range128, n_doppler128, nu0.5, gamma1.0, doppler_width0.05): SIRP法相关高斯散斑 Gamma纹理 K分布杂波。 nu : K分布形状参数越小海尖峰越强 gamma : 尺度参数控制杂波平均功率 doppler_width: 归一化多普勒谱宽相对PRF而言 # 1) 独立复高斯散斑沿多普勒维做频域滤波得到谱型 speckle (rng.normal(size(n_range, n_doppler)) 1j * rng.normal(size(n_range, n_doppler))) spec np.fft.fft(speckle, axis1) freqs np.fft.fftfreq(n_doppler) h_gauss np.exp(-0.5 * (freqs / doppler_width) ** 2) speckle_corr np.fft.ifft(spec * h_gauss, axis1) # 2) Gamma纹理这里简化为每个距离单元独立 texture rng.gamma(shapenu, scale1.0 / nu, size(n_range, 1)) texture np.repeat(texture, n_doppler, axis1) # 3) 纹理调制散斑再把平均功率归一化到gamma clutter np.sqrt(texture) * speckle_corr clutter clutter / np.sqrt(np.mean(np.abs(clutter) ** 2)) * gamma return clutter def add_point_target(rdm, t_range, t_doppler, amp10.0): 在指定位置注入点目标模拟强散射点回波。 psf make_point_psf(*rdm.shape) # 见下方PSF构造 y0 t_range - psf.shape[0] // 2 x0 t_doppler - psf.shape[1] // 2 # 用PSF卷积的单点目标更接近真实雷达回波形态 patch np.zeros_like(rdm, dtypenp.complex128) for i in range(psf.shape[0]): for j in range(psf.shape[1]): yy y0 i xx x0 j if 0 yy rdm.shape[0] and 0 xx rdm.shape[1]: patch[yy, xx] psf[i, j] return rdm amp * patch这段代码解释了K分布杂波仿真里最关键的一层逻辑快变的散斑决定多普勒谱形状慢变的Gamma纹理决定幅度分布的重尾特性。nu0.5时杂波里会出现不少接近目标幅度的强散斑CLEAN很容易把它们误认成目标组分这正是做算法边界验证想要的场景。注意纹理在距离维这里的处理比较简单每个距离单元独立采样如果要做更真实的沿海杂波仿真纹理需要在距离方向引入相关长度。4.2 组织main函数参数仿真、CLEAN、验证一条龙脚本任何一次雷达杂波仿真和CLEAN联调试验都不该在Jupyter里一行行手搓。把整条链路组织进一个带main()入口的脚本里用命令行参数控制关键变量是省时间的根本办法。一个干净的结构可以让同一个场景反复跑也可以批量扫描参数。import argparse def parse_args(): p argparse.ArgumentParser(description雷达杂波仿真 CLEAN 算法验证) p.add_argument(--nu, typefloat, default0.5, helpK分布形状参数越小杂波尖峰越强) p.add_argument(--gain, typefloat, default0.2, helpCLEAN环路增益) p.add_argument(--max-iter, typeint, default200, helpCLEAN最大迭代次数) p.add_argument(--snr-db, typefloat, default20.0, help目标峰值信噪比) p.add_argument(--n-range, typeint, default128) p.add_argument(--n-doppler, typeint, default128) return p.parse_args() def run_clean_experiment(args): # 1) 造PSF来自距离窗和多普勒窗 psf make_point_psf(args.n_range, args.n_doppler) # 2) 造杂波和目标的距离-多普勒图 rdm simulate_k_clutter_rdm(args.n_range, args.n_doppler, nuargs.nu) rdm add_point_target(rdm, 64, 96, amp10 ** (args.snr_db / 20)) # 3) 跑CLEAN clean_map, comps, residue clean_rdm(rdm, psf, gainargs.gain, max_iterargs.max_iter) # 4) 度量与报告 estimate_snr(rdm, clean_map, comps, residue, target_loc(64, 96)) def main(): args parse_args() run_clean_experiment(args) if __name__ __main__: main()main函数的参数设计有个经验跟算法相关的参数gain、max_iter和跟场景相关的参数nu、snr_db分开这样既能单独扫算法参数也能单独换场景。命令行传参比改代码里的常量更稳妥跑批量网格搜索时直接用shell循环就能完成不需要动一行算法代码。需要提醒的是入口脚本的命名容易翻车。CLEAN的入口函数必须以main命名并且写在if __name__ __main__:之下否则import这个模块时仿真代码会被立刻执行一遍。曾经有人把函数命名成main_clean批量跑数据时整个流程乱了报错信息里类似编译器未包含main类型的说法——不是编译器没找到main是入口函数命名不统一这类问题定位起来非常耗时间。4.3 跑通后的验收口径残余图降到什么水平才算合格CLEAN跑完怎么判断它真的有效我一般用三个指标说话。第一个是目标点重建前后的幅度偏差理想情况偏差在0.5 dB以内。第二个是残余图的峰值级要明显低于原始图里旁瓣的峰值级通常要求至少下降6 dB以上。第三个是残余图的统计特性好的CLEAN结果是残余里只剩噪声和未建模的杂波它的幅度分布应接近原始噪声分布。指标计算方式合格参考值目标幅度偏差|重建幅度/原始幅度|折算dB 0.5 dB旁瓣抑制比原始峰值旁瓣 / 残余峰值 6 dB残余噪声贴合度残余幅度分布与噪声分布的KS检验p值 0.05如果旁瓣抑制比一直上不去先别急着调CLEAN参数回去检查PSF是不是跟数据匹配。用窗函数算出来的理论PSF跟实际回波里的点目标响应有细微差别时CLEAN剥得再准残余里也始终带着没洗干净的结构性旁瓣。这也是实采数据上做CLEAN最麻烦的一环。5. CLEAN算法避坑指南从参数到杂波边界的5个翻车现场5.1 环路增益调到0.5CLEAN把目标扫出了负坑现象是CLEAN跑完后强目标附近出现明显的负值凹陷重建图上目标周围一圈像被啃掉一块幅度甚至低于噪声底。增益取0.5以上时每次迭代减掉过多能量组分被高估后续迭代只能靠减负值来补偿负坑就出现了。原因在于环路增益和PSF的匹配关系。增益太大相当于在每次减法时对未来估计过度自信一旦峰值本身含有噪声成分减过头不可避免。解决方法是把增益压回0.1~0.3。我的习惯是先取0.2如果迭代次数偏大逼近max_iter上限再把增益微调到0.3如果残余图里目标附近有振荡就往0.1方向回调。5.2 停止门限压得过低热噪声被当成目标逐个捡走现象是迭代次数耗尽但组分列表极长且组分幅度大多在噪声水平附近重建图看起来像撒了一层面粉目标反而淹没在密集的伪组分里。这是把停止门限设到了噪声标准差以下。原因在于残余图里热噪声的峰值本身就有约3倍标准差的量级门限设成1倍标准差时算法永远扫不到低于噪声的状态会把噪声尖峰当成目标继续剥。解决方法是把门限设在3~5倍标准差或者更稳妥地先估计无目标区域的噪声均方根再把这个均方根的3倍作为门限。注意杂波强时噪声底要按杂波区估计不能拿整个图的标准差一刀切。5.3 PSF没有做峰值归一化重建幅度系统性偏低现象是目标幅度被低估但旁瓣抑制比看起来很好好像没出问题。常见做法里有人直接拿窗函数算出的PSF送进算法忘了除以它的峰值结果每次减法都超量组分幅度被系统性压缩。原因在于CLEAN的增益依赖PSF峰值归一化到1。PSF峰值是0.8或0.5时实际减掉的能量是理论值的1.25倍或2倍等效于增益被放大了。解决方法是函数入口处强制psf psf / np.abs(psf).max()把归一化写死在算法里而不是靠调用方自觉。我给出的clean_rdm里已经带了这行但如果你复制了早期版本务必检查。5.4 拿CLEAN直接啃K分布杂波组分数量失控现象是K分布杂波仿真图里CLEAN的迭代次数几乎每次都顶到上限组分数量达到几百上千重建图杂波区变得密集且杂乱目标检测结果反而恶化。这是最典型的算法边界误用。原因在于K分布海杂波里存在大量高幅度散斑点它们在CLEAN看来就是强散射点于是被当成目标一个个剥掉并记入组分。但杂波本质上是分布式的不具备点散射结构CLEAN的行为等价于把杂波图梳成一片伪目标列表物理上毫无意义。解决方法是不要对纯杂波图跑CLEAN。正确链路是先用MTI或杂波图检测抑制杂波再对剩余的距离-多普勒图做CLEAN专门治理旁瓣。如果必须在杂波背景上跑给CLEAN加一个只包含目标疑似区域的空间mask避免全图搜索。5.5 main入口组织翻车批量跑仿真时脚本自己先执行了一遍现象是调用仿真模块做参数扫描时杂波图被反复生成日志输出顺序奇怪甚至硬盘被重复写入的临时文件占满。问题通常出在入口函数命名或模块级代码上。原因在于仿真脚本把顶层代码直接写在模块里没有放进main()函数也没有用if __name__ __main__:保护。被import时模块顶层代码立刻执行一遍批量参数循环里等于每个子进程都额外跑了一次整套仿真。解决方法是把所有可执行语句收进main()模块顶层只留函数定义和if __name__ __main__: main()两行。入口函数就用main别随手命名成main_clean或run_all省得后面调试时自己都分不清哪个是真正入口。6. 把CLEAN用到实采数据前验证路径与一个多尺度技巧实采数据与仿真数据最大的差别在于PSF不准。天线的实际方向图、脉冲压缩的失配、系统非线性都会让真实点目标响应偏离理论窗函数算出的PSF。所以在碰实采数据之前我习惯先做一次标定找一个孤立强目标比如角反射器回波从数据里直接截取它的二维响应剪裁后作为PSF存入文件并且每次雷达参数变更后重新标定绝不复用旧PSF。这一步做扎实了CLEAN在实采数据上的成功率至少提高一半。验证路径上建议按三级走。第一级用仿真数据做基线记录目标幅度偏差和旁瓣抑制比。第二级用半实测数据把实采的纯杂波段叠加仿真目标再跑CLEAN检验算法在真实杂波统计特性下的表现。第三级才是整段实采数据直接跑验收标准仍然是第4.3节那三个指标只是目标幅度偏差的参考值可以放宽到1 dB以内。如果第二级就出现组分失控或残余非随机先回头查杂波是否太强、mask是否合理而不要急着上机改参数。进阶技巧是多尺度CLEAN。当目标在距离维跨多个单元比如高分辨雷达下的大型船只单点峰值搜索会把它切碎成多个组分重建后目标轮廓失真。常见做法是维护一个尺度列表从大到小依次搜索每个尺度用对应宽度的高斯核做互相关找相关峰值而不是直接找幅度峰值剥除时也按该尺度的高斯形状减去。这相当于把CLEAN从找孤立点升级成找孤立块原理不变但适应面宽很多。一个我自己的教训是早期在某次海试数据上图省事拿仿真PSF直接套实采数据CLEAN把强目标旁边扫出一串排列规则的假组分后来才意识到是实际天线方向图与理论窗函数偏差太大。那以后我改成每次测试先从数据里现场标定PSF即便只截一个粗剪的峰值区域也比硬套理论PSF可靠得多。CLEAN本身是个很朴素的算法真正决定成败的往往不是算法内部而是PSF对不对、门限合不合理、杂波场景是否超出适用范围。把这三个前提管住它就能成为雷达回波数据处理里一把顺手且可靠的清道夫。希望这篇笔记能帮你少踩几个我已经踩过的坑。本文还有配套的精品资源点击获取
