The performance of synthetic aperture radar is vulnerable to radio frequency interference (RFI). In many situations, the RFI has a low-rank property, since the frequency bands occupied by RFI usually remain stable during a short slow time period. Therefore, low-rank representation (LRR)-based methods can be applied to separate RFI and signal of interest (SOI), by minimizing the rank of RFI components with a regularization constraint to protect SOI. However, traditional methods use the sparsity of the raw data or range profile to formulate the regularization term, which fails to describe the properties of SOI accurately. In addition to the sparse property of range profiles, this article explores the common patterns hidden in the range profiles and proposes two new LRR-based RFI suppression optimization models with a well-designed regularization term to describe such common sparsity to protect the SOI. Four methods are proposed to solve the optimization problems based on the alternating direction multiplier (ADM) method, which provides tradeoff between efficiency and accuracy. Compared with traditional LRR-based RFI suppression methods, the proposed methods make a more precise description of the features of SOI, therefore can better protect the information of SOI during the RFI suppression process and improves the imaging quality. The superior performance of the proposed method is validated by measured data in both sparse and nonsparse scenes.

中文翻译：

---

增强的基于 LRR 的 RFI 抑制用于 SAR 成像，使用距离剖面的公共稀疏性进行准确的信号恢复

合成孔径雷达的性能容易受到射频干扰（RFI）的影响。在许多情况下，RFI 具有低秩特性，因为 RFI 占用的频段通常在很短的慢速时间段内保持稳定。因此，通过使用正则化约束最小化 RFI 组件的秩来保护 SOI，可以应用基于低秩表示 (LRR) 的方法来分离 RFI 和感兴趣的信号 (SOI)。然而，传统方法利用原始数据或范围剖面的稀疏性来制定正则化项，无法准确描述SOI的特性。除了范围剖面的稀疏特性，本文探讨了隐藏在范围分布中的常见模式，并提出了两种新的基于 LRR 的 RFI 抑制优化模型，该模型具有精心设计的正则化项来描述这种保护 SOI 的常见稀疏性。提出了四种方法来解决基于交替方向乘法器 (ADM) 方法的优化问题，该方法提供了效率和准确性之间的权衡。与传统的基于LRR的RFI抑制方法相比，本文提出的方法对SOI的特征进行了更精确的描述，从而在RFI抑制过程中更好地保​​护了SOI的信息，提高了成像质量。通过稀疏和非稀疏场景中的测量数据验证了所提出方法的优越性能。提出了四种方法来解决基于交替方向乘法器 (ADM) 方法的优化问题，该方法提供了效率和准确性之间的权衡。与传统的基于LRR的RFI抑制方法相比，本文提出的方法对SOI的特征进行了更精确的描述，从而在RFI抑制过程中更好地保​​护了SOI的信息，提高了成像质量。通过稀疏和非稀疏场景中的测量数据验证了所提出方法的优越性能。提出了四种方法来解决基于交替方向乘法器 (ADM) 方法的优化问题，该方法提供了效率和准确性之间的权衡。与传统的基于LRR的RFI抑制方法相比，本文提出的方法对SOI的特征进行了更精确的描述，从而在RFI抑制过程中更好地保​​护了SOI的信息，提高了成像质量。通过稀疏和非稀疏场景中的测量数据验证了所提出方法的优越性能。因此在RFI抑制过程中可以更好地保护SOI的信息，提高成像质量。通过稀疏和非稀疏场景中的测量数据验证了所提出方法的优越性能。因此在RFI抑制过程中可以更好地保护SOI的信息，提高成像质量。通过稀疏和非稀疏场景中的测量数据验证了所提出方法的优越性能。