全球视野 媒体聚焦
接受央视报道共计15次 党媒、央媒、地方官媒总传播量达0.5亿人次
干涉信号里的“隐藏污染”：基线漂移的影响与去除方法
背景介绍
在实际的干涉成像系统中，我们往往习惯将注意力集中在傅里叶变换和光谱重建算法本身，却很容易忽略一个更基础的问题——原始干涉信号本身是否“干净”。理想情况下，每个像元对应的干涉信号应该围绕零值对称振荡，其能量主要集中在有效的干涉条纹之中。然而在真实系统中，这种理想状态几乎不会出现。原始信号中往往会叠加一层缓慢变化的趋势项，使得整条干涉曲线出现整体抬升或倾斜下降，如图1所示，这种缓慢变化但幅度不可忽视的趋势项，正是我们所说的基线（Baseline）。
图1. 原始干涉信号（带基线）
基线的存在虽然看起来只是“轻微偏移”，但其影响却会在后续处理过程中被不断放大。尤其是在进行傅里叶变换时，这种低频趋势会转化为强烈的低频分量，从而污染整个频谱结构，并可能通过频谱泄漏影响整个光谱范围。不仅会抬高光谱基底，还可能引入虚假的峰值，最终导致光谱能量分布失真。换句话说，很多时候我们以为是“重建算法不够好”，实际上问题早在信号进入傅里叶变换之前就已经产生。因此，在进行任何光谱分析之前，首先要解决的问题不是“如何重建”，而是如何去除这类隐藏在信号中的低频污染。
目前常见的基线矫正方法包括差分滤波、自适应差分滤波（ADF）、经验模态分解（EMD）以及多项式拟合等，其特点如下：
在实际应用中可以发现，这些方法虽然各有优势，但很难同时兼顾计算效率与处理稳定性。差分滤波虽然速度快，但容易放大噪声。ADF与EMD虽然在一定程度上提高了精度，但计算复杂、耗时较长，不适合大规模数据处理。相比之下，多项式拟合在保证一定精度的前提下，可以通过矩阵预计算实现快速处理，大幅降低计算开销。在工程实践中，它在处理速度、计算效率以及相对精度之间取得了更优的平衡，因此成为更合适的选择。
技术原理
为了去除基线，我们首先需要对干涉信号做一个简单而直观的建模。对于每一个像元，其信号可以理解为由两部分组成：一部分是缓慢变化的背景趋势，另一部分是快速振荡的干涉条纹。
Y = L + S
在大多数工程场景下，基线可以近似为加性低频趋势。其中，Y表示原始信号，L表示基线，S表示真正的干涉信息。我们的目标，就是从Y中提取出L，然后将其去除，得到干净的信号S。关键问题在于：如何描述这个基线L。在实际系统中，基线变化通常是平滑且缓慢的，因此可以用一个低阶多项式来近似表示，例如：
L(x) ≈ a0 + a1*x + a2*x^2 + ... + an*x^n
这一步的本质是：用一个“简单函数”去描述复杂系统中的低频趋势。
接下来，我们需要让这个多项式尽可能贴合原始信号，最常见的方法是最小二乘拟合，其目标可以简单理解为（让L尽可能接近Y）。在传统做法中，这一步需要对每一个像元单独进行拟合计算，数据量一大就会变得非常慢。但在工程实现中，可以对这一过程进行一次性优化。对于所有像元干涉图采样点数一致的情况，可以通过预先计算一个固定的矩阵P，可以把“拟合”变成一次简单的矩阵运算：
L = P * Y
这样一来，无论有多少像元，都可以直接用同一个P来提取基线，大大提高了处理速度。去除基线的过程也就变得非常直接：
S = Y – L
相比于直接用滤波的方法，这种方式不会简单地“砍掉某些频率”，而是通过建模把基线单独分离出来，因此在去除趋势的同时，能够更好地保留干涉条纹的细节结构。同时，由于矩阵P只需要计算一次，在处理大规模数据时，这种方法既稳定又高效，非常适合工程应用。实际处理中需注意拟合边界处的误差，通常可结合加权策略或只保留有效干涉区域。
结果分析
在实际数据处理中，可以直观地观察到基线去除前后的变化。原始干涉信号通常带有明显的整体趋势，无论是线性抬升还是缓慢弯曲，都会破坏信号原有的对称性。而在经过多项式拟合与投影处理之后，这部分低频趋势被有效剥离，信号重新回到围绕零值振荡的状态，干涉条纹结构也更加清晰。为了更直观地说明这一过程，下面给出单像元信号在处理前后的对比结果：
图2. 原单像元去基线前后对比