简介：这份资源面向本科、硕士及教研人员，提供基于Matlab的雷达成像RMA（距离徙动算法）基础教程实现，适合雷达信号处理、合成孔径成像等课程的学习与实验参考。压缩包内共2个文件，包含1个m脚本与1个png示意图，整体约98KB，其中m文件承载RMA算法核心流程，png用于辅助理解成像结果或处理流程。目前已有1236人学习下载，说明该内容在相关教学场景中具有一定参考价值。读者可借助脚本梳理RMA算法从回波数据到成像输出的完整链路，理解距离徙动校正、方位向聚焦等关键环节，并在此基础上修改参数、替换数据以适配自己的实验需求，也可作为课程设计或论文复现的起步模板。运行环境为Matlab 2019a，若遇到执行问题可私信作者获取帮助。
1. 从一次SAR回波仿真翻车说起：RMA算法到底解决什么问题
去年帮一个做无人机载SAR的团队排查成像代码，他们用Matlab写了个距离-多普勒算法（RDA），近距离目标聚焦得挺好，一到远距离、大斜视场景，图像边缘就糊成一片。换了几组窗函数、调了插值核，折腾两周没进展。问题不在代码写错了，而在RDA本身对斜视和宽孔径的近似假设失效了。这类场景下，更稳的选择是RMA算法（Range Migration Algorithm，距离徙动算法），也有人叫它波数域算法（ω-k算法）。它的核心思路是把回波变换到二维频域，在波数域完成距离徙动校正和方位聚焦，避免RDA里那个让远距离目标翻车的近似插值。Matlab实现RMA，难点不在公式推导，而在波数域坐标映射、Stolt插值、参考函数构造这几个环节的参数对齐。这篇笔记按“回波怎么造→波数域怎么走→插值怎么做→坑在哪”的顺序，把一套能跑通的Matlab RMA流程拆开讲，适合已经写过RDA、想切到RMA的雷达信号处理从业者，也适合做雷达成像大作业、需要一份可复现代码框架的学生。
2. RMA算法的波数域推导与Matlab实现骨架
2.1 为什么RMA比RDA更适合大斜视场景
RDA的处理链条是“距离压缩→距离徙动校正→方位压缩”，其中距离徙动校正靠插值完成，插值核的精度直接决定成像质量。斜视越大、孔径越宽，距离徙动曲线越偏离RDA假设的抛物线模型，插值误差就越大。RMA换了一条路：先把回波做二维FFT到波数域，在波数域里距离徙动表现为一个解析可写的相位项，用Stolt插值把弯曲的波数轨迹拉直，再统一做匹配滤波。整个过程没有近似插值，所以大斜视、宽波束下聚焦质量明显更稳。
代价是RMA需要二维频域操作，内存占用比RDA大，而且Stolt插值本身也有精度问题。我一般会先确认场景：斜视角小于3度、孔径不长，RDA够用；斜视角大于5度或者要求全场景一致聚焦，直接上RMA，别在RDA上耗时间。
2.2 回波信号模型与Matlab生成
先造一个点目标回波，验证后续处理链条。假设条带SAR，正侧视或小斜视，发射线性调频信号。
%% 参数设置 c = 3e8; % 光速 fc = 10e9; % 载频 10GHz lambda = c/fc; % 波长 Br = 100e6; % 距离向带宽 Kr = Br/Tp; % 调频率 Tp = 5e-6; % 脉宽 Fs = 120e6; % 采样率 R0 = 10e3; % 最近斜距 V = 150; % 平台速度 PRF = 1000; % 脉冲重复频率 Na = 512; % 方位向采样点数 Nr = 1024; % 距离向采样点数 %% 点目标位置 x_target = 0; % 方位向位置 R_target = R0; % 目标斜距 %% 生成回波 ta = linspace(-Na/2/PRF, Na/2/PRF, Na); % 方位时间 tr = linspace(-Nr/2/Fs, Nr/2/Fs, Nr); % 距离时间 [Ta, Tr] = meshgrid(ta, tr); R = sqrt(R_target^2 + (V*Ta - x_target).^2); % 瞬时斜距 tau = 2*R/c; % 时延 Sr = exp(1j*pi*Kr*(Tr - tau).^2) .* ... exp(-1j*4*pi*fc*R/c) .* ... (abs(Tr - tau) < Tp/2); % 回波信号这段代码生成的是单个点目标的原始回波。R是瞬时斜距，随方位时间变化，这就是距离徙动的来源。tau是双程时延。最后一行用矩形窗限制脉宽范围，实际仿真里可以换成升余弦窗抑制旁瓣。参数上，Br和Tp决定距离分辨率，PRF要满足方位采样定理，Na和Nr根据场景大小调整。跑完这段，用imagesc(abs(Sr))看一眼，应该能看到一条弯曲的距离徙动轨迹。
2.3 二维FFT与波数域坐标映射
回波生成后，做二维FFT到波数域。距离向FFT得到距离频率fr，方位向FFT得到方位频率fa。然后映射到波数域：
%% 二维FFT Sf = fftshift(fft(fft(Sr, Nr, 1), Na, 2), 1); %% 频率轴 fr = linspace(-Fs/2, Fs/2, Nr); fa = linspace(-PRF/2, PRF/2, Na); [Fr, Fa] = meshgrid(fr, fa); %% 波数域映射 Kx = 2*pi*Fa/V; % 方位波数 Kr_w = 2*pi*(fc + Fr)/c; % 距离波数 Kx_max = 2*pi*PRF/(2*V); % 方位波数最大值这里Kx是方位波数，Kr_w是距离波数。注意Kr_w是随距离频率变化的，不是常数。Kx_max由PRF和平台速度决定，超过这个值会出现方位模糊。实际处理时，Kx的范围要截断到[-Kx_max, Kx_max]，否则Stolt插值会引入虚假目标。
2.4 Stolt插值：把弯曲的波数轨迹拉直
Stolt插值的本质是坐标变换：把(Kx, Kr_w)域的数据映射到(Kx, Ky)域，其中Ky = sqrt(Kr_w^2 - Kx^2)。这一步是RMA的核心，也是Matlab实现里最容易翻车的地方。
%% 构造插值网格 Ky = linspace(min(Kr_w(:)), max(Kr_w(:)), Nr); % 新的距离波数轴 [Kx_grid, Ky_grid] = meshgrid(Kx, Ky); %% 反变换得到对应的Kr_w Kr_w_interp = sqrt(Ky_grid.^2 + Kx_grid.^2); %% 二维插值 S_interp = interp2(Fr, Fa, Sf, ... (Kr_w_interp*c/(2*pi) - fc), Fa, 'spline', 0);interp2的第五个参数用spline比linear精度高，但计算量大。如果数据量不大，优先用spline；如果内存吃紧，可以分块插值。Kr_w_interp是插值后每个网格点对应的原始距离波数，再换算回频率fr，作为interp2的查询坐标。插值后的数据S_interp就在均匀的(Kx, Ky)网格上了，距离徙动被拉直。
2.5 参考函数构造与匹配滤波
插值完成后，构造参考函数做匹配滤波。参考函数是理想点目标的波数域相位：
%% 参考函数 R_ref = R0; % 参考斜距 H = exp(1j * Ky_grid * R_ref); % 匹配滤波参考函数 %% 匹配滤波 S_focused = S_interp .* H; %% 二维IFFT img = ifft2(ifftshift(S_focused)); img = fftshift(img);H的相位项Ky_grid * R_ref对应参考斜距处的聚焦。如果场景内有多个不同斜距的目标，参考斜距选场景中心，边缘目标会有轻微散焦，这是RMA的固有特性，可以通过分块处理或者后续自聚焦补偿。最后做二维IFFT回到图像域，img就是聚焦后的复图像。
3. Matlab RMA实现中的参数对齐与性能调优
3.1 采样率与PRF的匹配关系
RMA对采样率的要求比RDA更严格。距离向采样率Fs必须大于Br，一般取1.2到1.4倍。方位向PRF要满足PRF > 2*V*Kx_max/(2*pi)，否则方位波数截断会丢失信息。我一般会先算一下Kx_max，再反推PRF下限，留20%余量。
Kx_max = 2*pi*Br/(2*c) * sin(theta_max); % theta_max为最大斜视角 PRF_min = 2*V*Kx_max/(2*pi);如果PRF不够，图像会出现方位模糊，表现为目标两侧出现对称的虚假峰。这时候要么提高PRF，要么降低平台速度，要么接受模糊。
3.2 插值核选择与计算量权衡
interp2的spline核精度高但慢，linear快但精度低。实测下来，对于1024×512的数据，spline比linear慢3到5倍，但峰值旁瓣比能改善2到3dB。如果做科研或者对图像质量要求高，用spline；如果做实时处理或者数据量特别大，用linear加后续自聚焦补偿。
还有一种做法是先用linear插值，再用interp2的cubic核做一次局部精修。这样计算量介于两者之间，精度接近spline。我一般会在代码里留一个interp_method变量，方便切换。
3.3 参考斜距选择对边缘目标的影响
参考斜距R_ref选场景中心时，边缘目标的相位误差约为ΔKy * ΔR，其中ΔR是目标斜距与参考斜距之差。如果ΔR超过一个距离分辨单元，边缘目标就会散焦。解决办法有两个：一是分块处理，把场景分成若干子块，每块用自己的参考斜距；二是用后向投影算法（BP）替代RMA，但BP计算量更大。
我一般会先估算ΔR，如果小于c/(2*Br)，直接用单参考斜距；如果大于，就分块。分块时注意块与块之间的重叠区域要足够大，避免拼接痕迹。
3.4 内存优化：分块FFT与out-of-core处理
RMA需要同时存储二维频域数据，内存占用是Na * Nr * 16字节（复数double）。对于4096×4096的数据，就是256MB，普通笔记本还能扛。但如果数据再大，就得考虑分块FFT或者out-of-core处理。
分块FFT的思路是把方位向分成若干段，每段单独做FFT和插值，最后拼接。拼接时注意相位连续性，否则会出现条带。我一般会在分块边界处做重叠，重叠长度取Na/8左右，然后用加权窗平滑过渡。
4. RMA算法Matlab实现的避坑与排查清单
4.1 图像出现周期性条纹
现象：聚焦后的图像上出现等间距的明暗条纹，条纹方向与方位向垂直。
原因：PRF与平台速度不匹配，导致方位波数Kx出现周期性截断。或者Stolt插值时Kx网格没有正确对齐，引入了周期性相位误差。
解决：检查Kx_max是否超过2*pi*PRF/(2*V)，如果超过，降低Kx范围或者提高PRF。另外检查Kx网格的步长是否均匀，linspace生成的网格步长是均匀的，但如果手动构造，容易出错。
4.2 目标聚焦后出现重影
现象：一个点目标在图像上出现两个或多个对称的峰。
原因：方位向FFT时没有做fftshift，或者fftshift和ifftshift用反了。Matlab的fft默认零频在第一个点，fftshift把零频移到中心。如果处理链条里混用了fftshift和ifftshift，就会出现重影。
解决：统一处理链条。我一般会在二维FFT后立刻做fftshift，后续所有操作都在中心化坐标系下进行，最后IFFT前做ifftshift还原。这样不容易乱。
4.3 插值后图像出现网格状伪影
现象：图像上出现规则的网格状纹理，网格间距与插值网格一致。
原因：interp2的查询坐标超出了原始数据范围，interp2默认用0填充，导致边界处出现突变。或者插值核的支撑域不够大，高频信息丢失。
解决：检查Kr_w_interp的范围是否在Fr的范围内，如果超出，要么扩大Fr范围，要么截断Kr_w_interp。另外，spline核的支撑域是无限的，但Matlab实现里会截断，一般不会出问题。如果还有网格，试试cubic核。
4.4 边缘目标散焦严重
现象：场景中心目标聚焦良好，边缘目标模糊。
原因：参考斜距R_ref选在场景中心，边缘目标的斜距与参考斜距差异过大，导致相位误差超过容忍范围。
解决：分块处理，每块用自己的参考斜距。分块时注意块的大小要覆盖至少一个完整的合成孔径，否则方位分辨率会下降。我一般会按方位向分块，每块Na/4左右，重叠Na/8。
4.5 计算速度慢到无法接受
现象：跑一次RMA要几分钟甚至几十分钟。
原因：interp2的spline核计算量大，或者二维FFT没有用fft2而是用循环做fft。
解决：优先用fft2和ifft2，Matlab内部会做优化。interp2如果太慢，可以换成griddedInterpolant对象，预构造插值器，然后反复调用。实测griddedInterpolant比interp2快2到3倍，尤其是需要多次插值时。
F = griddedInterpolant({fr, fa}, Sf, 'spline'); S_interp = F({fr_interp, fa_interp});griddedInterpolant的构造需要一次性开销，但后续查询很快。如果只插值一次，用interp2就行；如果要在循环里反复插值，用griddedInterpolant。
5. 从能跑到好用：RMA算法的进阶技巧与验证方法
5.1 用理想点目标验证聚焦质量
代码跑通后，第一件事是验证聚焦质量。造一个理想点目标，跑完RMA，看冲激响应的主瓣宽度和旁瓣电平。距离向主瓣宽度理论值是c/(2*Br)，方位向是lambda/(2*θ)，其中θ是合成孔径角。如果实测主瓣宽度比理论值大20%以上，说明插值或者参考函数有问题。
%% 提取距离向剖面 [~, idx] = max(abs(img(:))); [row, col] = ind2sub(size(img), idx); profile_r = abs(img(row, :)); profile_r = profile_r / max(profile_r); profile_r_db = 20*log10(profile_r); %% 计算主瓣宽度 idx_3db = find(profile_r_db > -3); bw_3db = length(idx_3db) * c/(2*Fs);这段代码提取距离向剖面，计算-3dB主瓣宽度。如果bw_3db接近c/(2*Br)，说明距离向聚焦正常。方位向同理。
5.2 用峰值旁瓣比和积分旁瓣比量化成像质量
主瓣宽度只反映分辨率，旁瓣电平反映能量泄漏。峰值旁瓣比（PSLR）和积分旁瓣比（ISLR）是更全面的指标。PSLR是最高旁瓣与主瓣的比值，ISLR是旁瓣总能量与主瓣能量的比值。我一般要求PSLR低于-13dB，ISLR低于-10dB。
%% 计算PSLR [~, main_idx] = max(profile_r_db); left_sidelobe = max(profile_r_db(1:main_idx-5)); right_sidelobe = max(profile_r_db(main_idx+5:end)); PSLR = max(left_sidelobe, right_sidelobe); %% 计算ISLR main_energy = sum(profile_r.^2(main_idx-5:main_idx+5)); total_energy = sum(profile_r.^2); ISLR = 10*log10((total_energy - main_energy)/main_energy);如果PSLR高于-13dB，说明旁瓣抑制不够，可以加窗函数。常用的窗有Hamming、Taylor、Kaiser。Hamming窗能把PSLR压到-40dB以下，但主瓣会展宽。Taylor窗可以在主瓣展宽和旁瓣抑制之间折中。
5.3 加窗抑制旁瓣的Matlab实现
加窗的位置在距离压缩和方位压缩之前，对回波做加窗。距离向加窗在fft之前，方位向加窗在方位fft之前。
%% 距离向加窗 win_r = hamming(Nr)'; Sr_windowed = Sr .* win_r; %% 方位向加窗 win_a = hamming(Na)'; Sr_windowed = Sr_windowed .* win_a;注意窗函数要归一化，否则会影响幅度。hamming窗的峰值是1，但旁瓣衰减慢。如果要求更高，用taylorwin。
win_r = taylorwin(Nr, 5, -35)'; % 5个旁瓣，-35dBtaylorwin的参数nbar控制旁瓣数量，sll控制旁瓣电平。nbar越大，主瓣越宽，旁瓣越低。我一般取nbar=5，sll=-35，兼顾分辨率和旁瓣。
5.4 自聚焦补偿残余相位误差
RMA对参考斜距敏感，边缘目标会有残余相位误差。如果场景内有强点目标，可以用自聚焦算法估计残余相位并补偿。常用的自聚焦算法有PGA（Phase Gradient Autofocus）和MD（Map Drift）。PGA适合点目标丰富的场景，MD适合连续场景。
%% PGA自聚焦（简化版） % 提取强点目标 threshold = 0.5 * max(abs(img(:))); [rows, cols] = find(abs(img) > threshold); % 估计相位误差 phase_error = zeros(Na, 1); for k = 1:length(rows) patch = img(max(1,rows(k)-8):min(Na,rows(k)+8), cols(k)); phase_error = phase_error + angle(patch); end phase_error = phase_error / length(rows); % 补偿 img_comp = img .* exp(-1j * phase_error);这段代码是PGA的简化版，实际PGA需要迭代多次，每次估计相位误差并补偿，直到收敛。我一般迭代3到5次，看相位误差的方差是否稳定。
5.5 我踩过的坑和现在的习惯
最早写RMA时，我在interp2的坐标换算上翻过车。Kr_w_interp算出来后，忘了减fc再乘c/(2*pi)，结果插值坐标全错，图像一片模糊。排查了一整天，最后用plot把Kr_w_interp和Fr画在一起才看出来。现在的习惯是：每次坐标变换后，立刻画图确认范围对齐，不等到最后出图才发现问题。
另一个坑是fftshift和ifftshift混用。Matlab里fftshift和ifftshift对偶数长度数组是一样的，但对奇数长度数组不一样。如果Na是奇数，混用会导致半个像素的偏移，图像上表现为目标位置偏移。我现在的习惯是：统一用fftshift做中心化，最后用ifftshift还原，不混用。
还有一个血泪经验：RMA的内存占用比RDA大得多，跑大场景时容易爆内存。我现在的习惯是先用小场景验证算法，确认无误后再放大场景，并且提前估算内存需求。如果内存不够，就分块处理，别硬扛。
希望帮到你。
本文还有配套的精品资源，点击获取
