简介：这份资源面向雷达遥感、SAR信号处理方向的学习者与研究人员，系统整理了RD（距离多普勒）、CS（chirp scaling）与wk（波数域）三种经典SAR成像算法的实现代码，可用于理解各算法在距离压缩、多普勒处理、频域变换等环节的差异，并借助点目标仿真评估分辨率、PSLR、ISLR等成像指标。压缩包共55个文件，以54个m脚本和1个txt说明为主，整体约51KB，按RD、CS、wk三个目录组织，涵盖基础成像、星载与机载场景仿真、加窗与平滑处理、剖面绘制及指标计算等模块，便于对照运行与二次修改。目前已有2187人学习下载，适合希望从理论走向代码实践、比较不同算法性能并优化成像流程的读者参考。
1. SAR成像算法（RD、CS、wk）：三条路线怎么选，先看这五个约束
合成孔径雷达（SAR）成像算法里，距离多普勒（RD）、Chirp Scaling（CS）和波数域（wk，也叫 ω-k）是三条最常被拿来对比的路线。很多人第一次接触时，会默认“wk 最精确、CS 最均衡、RD 最基础”，然后直接照抄公式跑一遍，结果图像不是散焦就是出现假目标。问题不在公式，而在你手上的数据参数——斜视角、带宽、合成孔径长度、平台稳定性、算力预算，这五个约束决定了哪条路线能用、哪条路线纯属浪费时间。
这篇笔记面向已经拿到原始回波数据、准备在本地跑出第一幅聚焦图像的工程师。我会把三条算法的适用边界、最小可复现流程、参数怎么设、翻车点在哪讲清楚。不堆公式推导，重点放在“什么条件下选哪条、代码里改哪个变量、结果不对时先看什么”。如果你手上是正侧视、小斜视的机载或星载数据，RD 和 CS 都能在普通工作站上跑通；如果斜视角超过 5°、带宽又大，wk 才是稳妥选择，但它对插值精度和内存的要求会明显上一个台阶。
2. 三条算法的物理直觉与选型判据
2.1 RD：把二维聚焦拆成两个一维操作
RD 的核心思路是：先做距离向压缩，再做方位向压缩，中间用距离徙动校正（RCMC）把弯曲的轨迹拉直。它的成立前提是距离徙动在方位向近似为线性，也就是斜视角小、合成孔径不长。正侧视条件下，距离徙动量随方位频率的变化接近一条直线，用插值或频域相位相乘就能校正干净。
我一般用 RD 做第一轮验证，因为它步骤少、每步的中间结果都能单独看图。距离压缩后看一维剖面，方位压缩后看点目标响应，哪一步出问题一目了然。代价是斜视稍大时，二次以上的徙动项被忽略，边缘点会散焦，峰值旁瓣比恶化。
2.2 CS：用变标因子把徙动统一到同一参考距离
CS 的关键是 Chirp Scaling 操作：在距离-多普勒域乘一个相位因子，让不同距离门的距离徙动曲线变成同一形状，然后再统一校正。这样就不需要逐距离门做插值，效率比 RD 高，且能处理一定斜视。它的近似在于变标因子的泰勒展开阶数，通常取到二次项，斜视角再大就需要更高阶或改用 wk。
实际工程里，CS 是机载中等斜视、条带模式下的常用选择。参数上最需要盯的是变标因子里的参考距离和调频率，这两个量设错，图像会整体偏移或出现距离向模糊。
2.3 wk：在波数域做 Stolt 插值，斜视大时最稳
wk 算法把回波变换到二维波数域，用 Stolt 插值把弯曲的支撑区映射成矩形，再做二维逆变换。它没有 RD 和 CS 里那些小斜视近似，所以大斜视、大带宽下依然能聚焦。代价是 Stolt 插值需要高精度核，插值核长度和过采样率直接决定残余相位误差，内存占用也最大。
选型上我通常这样判断：斜视角小于 3°、带宽不超过 100 MHz，RD 够用；斜视角 3° 到 8°、条带模式，CS 性价比最高；斜视角超过 8°、聚束或滑动聚束，直接上 wk，别在 RD 上反复调参浪费时间。
| 判据 | RD | CS | wk |
|---|---|---|---|
| 适用斜视角 | < 3° | 3°~8° | > 8° |
| 距离徙动校正方式 | 插值/频域相位 | 变标后统一校正 | Stolt 插值 |
| 内存占用 | 低 | 中 | 高 |
| 实现复杂度 | 低 | 中 | 高 |
| 典型场景 | 正侧视条带 | 中等斜视条带 | 大斜视/聚束 |
3. 用 Python 跑通 RD 的最小闭环
3.1 回波仿真与距离压缩
先构造一个点目标回波，验证距离压缩链路。下面代码生成线性调频信号，做匹配滤波，并画出压缩后的剖面。
import numpy as np import matplotlib.pyplot as plt # 参数设置 c = 3e8 fc = 5.3e9 # 载频 Br = 100e6 # 距离向带宽 Tr = 10e-6 # 脉冲宽度 Kr = Br / Tr # 调频率 Fs = 120e6 # 距离向采样率 R0 = 8000.0 # 目标斜距 PRF = 1000.0 # 脉冲重复频率 Na = 512 # 方位向采样点数 Vr = 150.0 # 平台速度 # 距离向时间轴 Nr = 2048 tr = np.arange(Nr) / Fs - Tr / 2 # 生成单个点目标的距离向回波 tau = 2 * R0 / c sr = np.exp(1j * np.pi * Kr * (tr - tau) ** 2) * (np.abs(tr - tau) < Tr / 2) # 距离压缩：匹配滤波 Hr = np.exp(-1j * np.pi * Kr * tr ** 2) * (np.abs(tr) < Tr / 2) sr_comp = np.fft.ifft(np.fft.fft(sr) * np.fft.fft(Hr)) plt.figure() plt.plot(np.abs(sr_comp)) plt.title('Range compressed profile') plt.xlabel('Range sample') plt.ylabel('Amplitude') plt.show()这段代码里Kr是距离调频率，tau是目标双程时延，匹配滤波参考函数Hr必须和发射信号共轭。压缩后峰值位置应对应2*R0/c换算出的采样点。如果峰值展宽或位置偏移，先检查Fs是否满足带宽要求，再检查Tr和Kr是否自洽。
3.2 距离徙动校正与方位压缩
距离压缩后，点目标的轨迹在方位向是一条曲线。RD 用插值把同一目标的能量对齐到同一距离门。
# 方位向时间轴 eta = np.arange(Na) / PRF - Na / (2 * PRF) Ka = 2 * Vr ** 2 / (0.03 * R0) # 方位调频率，波长取0.03m示例 # 构造二维回波（简化：每个方位时刻的距离徙动） R_eta = R0 + 0.5 * Ka * (eta ** 2) * 0.03 / 2 # 实际工程中R_eta由几何关系精确计算，这里仅示意 # 距离徙动校正：对每个方位时刻，按R_eta偏移做插值 sr_rcmc = np.zeros((Na, Nr), dtype=complex) for i in range(Na): shift = int(round((R_eta[i] - R0) * 2 / c * Fs)) sr_rcmc[i, :] = np.roll(sr_comp, -shift) # 方位压缩 Ha = np.exp(-1j * np.pi * Ka * eta ** 2) sr_final = np.fft.ifft(np.fft.fft(sr_rcmc, axis=0) * Ha[:, None], axis=0) plt.figure() plt.imshow(np.abs(sr_final), aspect='auto', cmap='jet') plt.title('RD focused image') plt.xlabel('Range sample') plt.ylabel('Azimuth sample') plt.show()Ka是方位调频率，由平台速度和斜距决定。np.roll只是示意，实际要用 sinc 插值或频域相位相乘，否则会引入量化误差。方位压缩参考函数Ha的共轭关系别写反，否则图像会在方位向散焦成一条亮线。
3.3 关键参数怎么设
距离向采样率Fs要大于带宽Br的 1.2 倍，留出抗混叠余量。方位向PRF要满足方位带宽要求，通常取方位多普勒带宽的 1.2 到 1.5 倍。R0和Vr必须和实际几何一致，这两个量错了，Ka就错，方位压缩直接失效。我一般先用一个强点目标标定，确认峰值位置和理论值差在半个采样点以内，再处理整幅数据。
4. CS 算法的实现要点与参数敏感性
4.1 Chirp Scaling 相位因子的构造
CS 在距离-多普勒域乘一个相位因子，把不同距离门的徙动曲线变到同一形状。核心是变标因子C_s和参考距离R_ref。
# 距离-多普勒域 Sr_rd = np.fft.fft(sr_rcmc, axis=1) # 变标因子 R_ref = R0 C_s = 1.0 / np.sqrt(1 - (0.03 * 0.5 * Ka * eta / Vr) ** 2) - 1 # 实际C_s由斜视角和距离频率共同决定，这里简化示意 # 变标相位 phase_cs = np.exp(1j * np.pi * Kr * C_s[:, None] * (tr[None, :] - 2 * R_ref / c) ** 2) Sr_cs = Sr_rd * phase_cs # 后续：距离压缩、RCMC、方位压缩C_s的符号和大小直接决定徙动校正量。如果图像出现整体距离向偏移，先检查R_ref是否取在场景中心。C_s展开阶数不够时，边缘距离门的残余徙动会超过一个分辨单元，表现为边缘点方位向展宽。
4.2 参考距离与调频率的匹配
CS 对Kr的估计误差很敏感。实际数据里Kr可能随距离变化，如果只用单一值，远距离门会失焦。常见做法是分块估计Kr，或者用自聚焦在方位向补偿。我一般先跑一遍全局Kr，看图像质量，如果边缘明显差于中心，再启用分块。
4.3 和 RD 的代码复用边界
CS 的距离压缩和方位压缩模块可以直接复用 RD 的代码，区别在中间多了一步变标和统一 RCMC。如果你已经有 RD 链路，改 CS 只需要替换 RCMC 那一段，其他不用动。这样调试时可以先确认 RD 链路正常，再单独验证变标相位。
5. wk 算法的 Stolt 插值与内存控制
5.1 二维波数域变换
wk 先把回波做二维 FFT 到波数域，然后做 Stolt 插值，把k_r映射到k_y。
# 二维FFT S_k = np.fft.fftshift(np.fft.fft2(sr_rcmc)) # 波数轴 kr = 2 * np.pi * np.fft.fftshift(np.fft.fftfreq(Nr, 1 / Fs)) / c * 2 ky = 2 * np.pi * np.fft.fftshift(np.fft.fftfreq(Na, 1 / PRF)) / Vr # Stolt映射：k_y = sqrt(k_r^2 - k_x^2) # 实际用插值实现，这里示意映射关系 KX, KY = np.meshgrid(kr, ky) KY_mapped = np.sqrt(np.maximum(KX ** 2 - KY ** 2, 0)) # 插值到均匀网格 from scipy.interpolate import RegularGridInterpolator interp = RegularGridInterpolator((ky, kr), np.abs(S_k), bounds_error=False, fill_value=0) S_stolt = interp((KY, KY_mapped))Stolt 插值的精度取决于插值核长度和过采样率。我一般把过采样率设到 1.5 以上，插值核用 8 点 sinc。内存不够时，可以分块处理方位向，但块与块之间要重叠足够多的脉冲，避免边界效应。
5.2 插值核长度与残余相位
插值核太短，高频分量丢失，图像分辨率下降；太长，计算量上升，且边界处理麻烦。经验值是核长度取 8 到 16 点，配合 Kaiser 窗抑制旁瓣。如果图像出现周期性条纹，多半是插值核截断导致的吉布斯现象，换窗函数或加长核。
5.3 大场景下的分块策略
wk 的内存占用和Nr * Na成正比。一幅 8192×8192 的复数数据，单精度也要 512 MB，加上中间变量很容易超过普通工作站内存。分块时按方位向切，每块至少包含 256 个脉冲，块间重叠 64 个脉冲用于拼接。拼接时用重叠区做相位对齐，否则会出现拼接缝。
6. 避坑与排查：三条算法最容易翻车的五个点
6.1 距离压缩后峰值位置对不上
现象：压缩后峰值不在理论时延对应的采样点。原因：Fs和Tr不匹配，或者匹配滤波参考函数没有共轭。解决：先检查Kr = Br/Tr是否和仿真一致，再确认Hr取了共轭。如果用的是实测数据，检查采样延迟是否已补偿。
6.2 RD 方位压缩后出现对称假目标
现象：点目标两侧出现对称的亮斑。原因：方位向PRF不够，多普勒频谱混叠。解决：提高PRF或降低平台速度，确保方位多普勒带宽小于PRF。如果数据已经采了，只能在方位向做带通滤波，牺牲分辨率。
6.3 CS 边缘点散焦
现象：场景中心聚焦良好，边缘方位向展宽。原因：Kr随距离变化，全局值不适用。解决：分块估计Kr，或者用自聚焦算法在方位向补偿相位误差。我一般先看边缘点的峰值旁瓣比，如果比中心差 3 dB 以上，就启用分块。
6.4 wk 插值后出现周期性条纹
现象：图像上出现等间距的明暗条纹。原因：Stolt 插值核截断，或者过采样率不足。解决：加长插值核到 16 点，过采样率提到 1.5 以上，换 Kaiser 窗。如果条纹间距和PRF相关，检查方位向 FFT 是否做了正确的 shift。
6.5 三条算法结果不一致
现象：同一组数据，RD、CS、wk 跑出来的点目标位置有偏移。原因：各自的近似阶数不同，RD 忽略高阶徙动，CS 变标因子展开阶数有限，wk 插值有残余相位。解决：以 wk 为基准，检查 RD 和 CS 的偏移是否在一个分辨单元以内。如果超过，说明该数据不适合 RD 或 CS，换算法。
7. 进阶技巧：用点目标响应量化选型，别靠眼睛判断
跑通三条算法后，怎么判断哪条真的适合你的数据？靠肉眼看图像不够，要用点目标响应量化。具体做法是：在场景里放一个强点目标，分别用三条算法聚焦，然后测三个指标——峰值旁瓣比（PSLR）、积分旁瓣比（ISLR）、分辨率展宽。PSLR 低于 -13 dB 算合格，ISLR 低于 -10 dB 算合格，分辨率展宽超过 5% 就要查原因。
我一般会写一个小的评估脚本，自动算这三个指标：
def evaluate_pslr(img, peak_idx): # img: 一维剖面 peak = np.abs(img[peak_idx]) left = np.max(np.abs(img[:peak_idx-2])) right = np.max(np.abs(img[peak_idx+3:])) pslr = 20 * np.log10(max(left, right) / peak) return pslr # 对距离向和方位向分别算 pslr_r = evaluate_pslr(np.abs(sr_final[:, center]), peak_r) pslr_a = evaluate_pslr(np.abs(sr_final[center, :]), peak_a) print(f'Range PSLR: {pslr_r:.2f} dB, Azimuth PSLR: {pslr_a:.2f} dB')这个脚本里peak_idx是峰值位置，左右各避开 2 到 3 个采样点再取最大值，避免主瓣影响。如果 PSLR 不达标，先查窗函数有没有加，再加窗后重测。加窗会展宽主瓣，所以要在旁瓣和分辨率之间折中。
另一个实用技巧是：先用仿真点目标标定整条链路，确认理论 PSLR 和分辨率，再换实测数据。仿真和实测的差异如果超过 1 dB，说明实测数据里有仿真没建模的误差，比如平台振动或相位噪声。这时候别急着改算法，先做自聚焦。
我自己的习惯是，每换一批数据，先跑一个点目标评估，把三条算法的 PSLR、ISLR、分辨率列成表，再决定用哪条。这个表比任何理论分析都直接。希望帮到你。
本文还有配套的精品资源，点击获取
