文|玉惜品诗

编辑|玉惜品诗

前言：

随着科技的不断发展，传统的微波成像技术在原位感知和监测领域的应用面临着一些挑战。

一般情况下，这些技术要么需要耗费大量的时间进行数据采集，要么需要复杂的数据后处理和重建算法，这也就严重限制了它们在复杂环境下的有效性。

为了解决这个有效性问题，科学家们提出了一项具有革命性潜力的新技术，即实时数字亚波表面成像技术。

那么，这种技术是如何提高微波成像技术的有效性的呢?

数字亚波表面成像技术

数字亚波表面成像技术具有独特的特点，那就是可以在原位进行训练，以生成适用于机器学习优化测量模式的辐射模式，然后通过实时的电子重编程，该成像仪能够访问整个数据集的优化解决方案，从而实现在动态变化的场景中存储和传输全分辨率的原始数据。

这一种创新性的成像技术原理和实验结果，以及它在各种领域的潜在应用，包括智能监控、快速数据采集和处理，以及在不同频率下的成像等，导致这项电子控制的亚波表面成像技术为未来的感知和监测任务开辟了新的可能性。

随着时代的发展，人类和现代社会对高效微波成像系统的需求日益增加，也是在这种背景下，信息和数据的快速处理为当前的成像技术提出了新的挑战。

因为现在成像技术在众多情境下受到了普遍使用，如安全检测或管道监测，数据流量巨大，使得全分辨率成像变得低效和难以管理，这也代表了资源和能源的巨大浪费，因为实际上只有一些图像属性是感兴趣的，例如物体的位置或其动态变化。

如果想要彻底解决这些情况就需要一种能够智能且高效地即时重建场景的成像设备，即使在物理级别进行高速、高保真度和高压缩比的重要特征提取，就像生物系统，如我们的大脑一样。

可是在过去的十年中，我们只能依靠引入了各种计算成像技术，以在物理级别执行图像压缩，从而消除了对完整像素原始场景的存储、传输和处理的需求。

也就导致在这种情况下，只记录了一些相关数据，以重建场景，而不会丢失感兴趣的信息，这对于微波或毫米波雷达特别有用。

即使一项技术再完美，但是随着时代的发展都会出现跟不上的趋势，如今微波成像器始终不得不在速度和图像质量之间进行妥协，因此科学家们最近，提出了受压感应计算成像技术，以极大地减少硬件成本和加速数据采集，但这是以迭代重建算法为代价的。

并且如果只是优化为每个单独的场景解决了一个耗时和资源的反问题，那在这个意义上，当场景发生变化时，通常需要反复解决反散射问题，使它们在复杂的原位感知和监测中效果不佳。

机器学习驱动的微波成像技术

那如何处理好这个问题就成了重中之重，后来为了正确处理高复杂性的大数据流，有必要研究并提取整个数据集中的共同特征，近年来，新兴的机器学习技术已显著解决了这一挑战。

最近光学方面的进展表明，机器学习可以用于进行测量，以便可以直接从成像仪获得的压缩测量上进行高质量成像和高准确度的目标识别，而无需昂贵的计算图像重建。

但是这种机器学习技术与其在物理级别微波成像中的直接应用之间存在差距，这是因为上述成像器的受限配置，几乎所有微波成像器都不能实时且高效地产生与机器学习优化的测量模式相对应的辐射模式。

并且除了这个问题外，这些成像器主要是为一个指定的主题完成成像功能而设计的，一旦制造后就不能更改，因此科学家们又又提出一个新的概念，那就是通过将机器学习技术与两位编码亚波表面结合的微波可重编程成像仪，这也已经通过概念验证实验得到了确认。

这个概念中所提出的微波成像仪在经过一段时间的训练后，可以生成高质量的成像和高准确度的目标识别，操作基于直接从成像仪获取的压缩测量，无需昂贵的计算图像重建。

如果这种概念是可以实现的，那么我们的实时成像将为微波、毫米波和太赫兹频率以及其他领域的压缩成像应用铺平道路，这也代表着社会发展会前进一大步。

突破微波成像的性能极限

一般来说，微波成像是用于通过散射场的测量来识别场景，为了解决这个反问题需要建立一个模型，将测量的返回信号与场景建立联系，通常表示为y = Hx + n，其中y CM代表测量值，H是测量（或感知）矩阵，x CN代表正在研究的场景，n是测量噪声。

其中H的每一行对应于一种测量模式，行数等于测量次数，这个问题可以看作是机器学习中的线性嵌入，然后再根据机器学习的已建立理论，如果相关于感兴趣场景的训练样本可用，那么这些测量模式可以高效地从训练样本中学习，从而提供尽可能多的场景信息。

以上的这些信息我们都可以进行进一步验证，通过监测站在亚波表面前的人的移动来实验性地检验了开发的机器学习成像仪的性能，在我们的研究中，我们使用一个移动的人来训练我们的机器学习成像仪，并使用另一个移动的人来测试它。

这个训练人员分别使用玻璃剪刀武装和不武装记录，然后使用提出的概念验证系统，整个训练时间不到20分钟，但通过下面讨论的专用接收机，这个时间可以大大缩短。

并且在经过训练后，机器学习成像仪可以生成PCA所需的测量模式，这些数据都很好的展示了机器学习成像仪能够生成PCA所需的测量模式，为具有大大减少的测量的机器学习驱动成像奠定了坚实的基础。

而另外一名经过训练的机器学习成像仪用于监测另一个移动的人，测试人员的一系列重建结果，包括玻璃剪刀和不带玻璃剪刀的，这一系列数据展示了机器学习成像仪不仅可以恢复测试人员的手势，还可以清晰地重建出带玻璃剪刀的图像。

这也意味着这个实验展示所提出的机器学习成像仪的“透墙”能力，该机器学习成像仪可以清晰检测到3厘米厚的纸墙后面的测试人员的连续移动，在所有的结果中，使用了400个PCA测量，这个机器也很好的演示了经过PCA训练的机器学习成像仪可以在只使用400个测量的情况下生成高质量的图像，远远少于8000个未知像素的数量。

等待最终结果出来后，仔细研究分析这组数据，完美可以发现这一系列图表清楚地表明，对于小量测量的情况，PCA的重建优势远远超过了随机投影，因为PCA中包含了大量相关的训练样本。

但是这里面需要注意的是，由于有限的视场和亚波表面与所考虑的人之间的有限大小，头部和脚部都无法清晰识别，

这可能有两个原因：第一个是使用了指向接收器，第二个原因则是因为亚波表面相对于考虑人员的尺寸有限。

因此这个结果很有可能受到这两个因素的影响，但尽管如此，根据以前的结果，经过良好训练的机器学习成像仪可以使用大大减少的测量来实施实时高质量的成像，而且这个演示结果的成本也十分的低，由此可以发现最初提出的这个概念能够很好的实现人类的最大需求，既能完成目标，又能降低成本。

总结：

科学家们近段时间提出的数字亚波表面成像技术是一项具有创新性的成像技术，它具备了一些独特的特点和潜在应用，这项技术可以在原位进行训练，生成适用于机器学习优化测量模式的辐射模式。

通过实时的电子重编程，这种成像仪可以访问整个数据集的优化解决方案，从而实现在动态变化的场景中存储和传输全分辨率的原始数据。

这种创新性的成像技术不仅在原理上具有巨大的潜力，而且在实验中也得到了验证，它可以在多个领域中应用，包括智能监控、快速数据采集和处理，以及不同频率下的成像等，这为未来的感知和监测任务开辟了新的可能性。

在过去的几年里，微波成像技术一直在不断发展，但也面临着一些挑战，特别是在处理高复杂性的大数据流时，由于数据流量庞大，传统的全分辨率成像变得低效和难以管理，这导致了资源和能源的浪费，因此，寻找一种智能且高效地即时重建场景的成像设备变得至关重要。

而且最近的机器学习技术已经显著改善了这一情况，它们能够提取整个数据集中的共同特征，从而高效地进行目标识别，然而，将机器学习技术应用于微波成像领域面临一些挑战，因为现有成像器通常不能实时生成与机器学习优化的测量模式相对应的辐射模式。

所以最后总结来说，就是数字亚波表面成像技术代表了成像领域的一项重大突破，它将为微波、毫米波和太赫兹频率等领域的压缩成像应用带来革命性的变革。

这一技术的成功应用将有望满足现代社会对高效微波成像系统的需求，为未来的科研和工程任务提供更强大的工具。