简介：面向SAR初学者与信号处理研究人员，这份MATLAB代码包完整实现了wK（距离徙动RMA）两种成像算法，既支持9点目标的仿真数据验证，也可直接处理星载SAR实测数据。通过可视化结果可直观对比算法在实测场景下的聚焦效果，帮助理解从距离多普勒域到二维频域校正、插值等关键步骤。压缩包共6个文件，6.81MB，主要包含2个m脚本分别对应仿真与实测处理流程，2个p参数文件保存方位/距离向成像参数，1个mat数据文件提供仿真与实测数据集，另有readme.txt简要说明项目结构。目前已有372人学习下载，对刚接触SAR成像的读者是十分合适的起步材料。借助MATLAB的高效计算与绘图能力，调试时能清晰观察中间结果，学习曲线平缓，非常适合一边运行代码一边核对理论细节。

1. 星载SAR实测数据为什么值得用ω-k算法：先破除“RD也能行”的惯性

做星载SAR成像时，很多人习惯性选RD算法，因为教材上它最简单。可真把星载平台实测数据喂进去，RD算法在距离徙动校正那一步就容易出问题——星载雷达轨道高、波束跨度大，距离徙动量级经常超过一个距离门，而且沿场景空变严重，RD的“逐距离门校正”思路会残留相位误差。ω-k算法（也常叫Range Migration Algorithm，RMA）是另一种走法：它在二维频域把目标的波数轨迹从弯曲的圆弧搬成直线，再用一次Stolt插值完成精确聚焦，几乎不做空变近似。对单天线SAR微波成像从星载回波里重建场景，RMA是我在实测数据落地的首选，代价只是插值稍微折腾。这篇笔记按“原理→实测流程→高频坑→验收技巧”的顺序，把做法和踩过的坑一并交代清楚。

2. ω-k/RMA算法原理与信号模型：从二维频谱到Stolt插值

2.1 星载SAR的斜距几何与回波信号模型

先把几何写清楚。星载SAR沿轨道飞行，对某一地面目标，雷达平台在方位时间η的斜距可以写成：

R(η) = sqrt(R₀² + v_eff² · (η − η_c)²)

这里R₀是最短斜距，η_c是目标经过波束中心的时间，v_eff是等效速度。星载情况下，v_eff并不仅仅是卫星飞行速度，它要折入地球自转、轨道曲率和波束指向的影响，所以这个参数在后面的RMA里是最容易填错的。

回波信号经过解调后，在快时间τ和方位时间η的二维平面可以写为：

s(τ, η) = A · wr(τ − 2R(η)/c) · wa(η − η_c) · exp(−j4π f₀ R(η)/c)

其中wr和wa分别是距离向和方位向包络。距离向是线性调频信号，方位向因为斜距变化，相位本身就是一个chirp。这个模型看起来不复杂，但真正麻烦的是R(η)里的平方根——它让距离徙动不是简单的线性项，尤其是星载平台斜距动辄几百公里，这个平方根的展开项不能随便截断。

2.2 距离压缩后的二维频谱：为什么会出现距离徙动

对s(τ, η)做距离向FFT和方位向FFT，利用驻定相位原理，可以得到二维频谱的近似表达式。为便于阅读，我略去幅度项和常数相位，只保留关键相位：

S₂(f_τ, f_η) = exp(−j 4π R₀/c · sqrt((f₀ + f_τ)² − (c·f_η / (2·v_eff))²))

注意f_τ是距离频率，f_η是方位频率。这个式子里，目标回波的等相位轨迹在(f_τ, f_η)平面上是条曲线。如果直接沿f_τ做逆FFT，再沿f_η做方位匹配，那么不同距离门上的距离徙动校正量并不一致，这就是RD算法在大场景星载数据上会残留误差的根源。

RMA的思路是：把括号里的平方根看成一个新的距离波数k_y = sqrt(k_r² − k_x²)，其中k_r = 4π(f₀+f_τ)/c，k_x = 2π f_η/v_eff。原始频谱在这个二维波数域里沿着等k_y的圆轨迹分布。我们要做的不是逐点搬移，而是通过插值，把频谱从(k_x, k_r)网格重采样到(k_x, k_y)网格。重采样之后，相位对k_y的关系变成了标准的线性关系exp(−j R₀·k_y)，再做二维逆FFT，就得到完全聚焦的图像。

2.3 ω-k的核心流程与最小代码骨架

整个ω-k/RMA算法可以拆成四步：距离FFT、方位FFT、参考函数相乘、Stolt插值。参考函数的作用是去掉波束中心斜距R_ref对应的固定相位，让聚焦后的图像落在零频附近。最小可运行的Python骨架长这样：

import numpy as np from scipy import interpolate # 距离频率轴和方位频率轴 fr = np.fft.fftshift(np.fft.fftfreq(Nr, 1 / fs)) fa = np.fft.fftshift(np.fft.fftfreq(Na, 1 / prf)) # 二维频域数据：原始raw先做距离FFT，再做方位FFT S_fr_fa = np.fft.fftshift(np.fft.fft2(raw_data), axes=(0, 1)) # 波数域坐标 kr = 4 * np.pi / c * (f0 + fr) kx = 2 * np.pi * fa / v_eff # 参考函数相乘 kr_mesh, kx_mesh = np.meshgrid(kr, kx, indexing='ij') ky = np.sqrt(kr_mesh**2 - kx_mesh**2) S_ref = np.exp(-1j * R_ref * ky) # 参考斜距处的相位 S_filt = S_fr_fa * np.conj(S_ref) # 匹配滤波 # Stolt插值：需要把非均匀ky插到等间隔kr网格 S_stolt = np.zeros_like(S_filt) for i in range(Na): # 对每个方位频率，沿距离向插值 S_stolt[:, i] = np.interp(kr_mesh[:, 0], np.flip(ky[:, i]), np.flip(S_filt[:, i])) # 二维逆FFT得到聚焦图像 img = np.fft.ifft2(np.fft.ifftshift(S_stolt))

这个骨架的关键有两个。第一，H_ref的正负号必须和你的频谱约定一致，我这里的模型用exp(−j...)，所以参考函数取共轭，实际工程里出现过很多次因为符号没对上而图像呈“蝴蝶状”的例子。第二，np.interp要求给定的x坐标单调递增，而ky在第i个方位频率上通常是递减的，所以要先np.flip；这一步不仅是排序问题，还关系到插值的边界行为。

2.4 为什么Stolt插值是RMA的“灵魂”

很多人写过RMA，但聚焦效果就是不如论文里的图，问题几乎都出在Stolt插值上。从频谱可以看出，ky和kr之间的非线性关系在方位频率大时更强，这导致插值后的信号在某些区域采样过密，某些区域采样过疏。如果只用线性插值，图像上会出现明显的旁瓣抬高和栅瓣。

常见的工程处理是用sinc插值代替线性插值，窗长取8到16个点，并且加Kaiser窗抑制截断振荡。此外，插值前要对频谱补零，让距离向和方位向的点数都达到2的幂次，否则边缘效应会被带入最终图像。这些细节我会在第4章对坑时再展开，但你在写代码时最好一开始就把sinc插值接口留出来，而不是后面返工。

3. 把星载平台实测数据跑通RMA：预处理、参数估计与聚焦实现

3.1 实测数据落地从参数审计开始：星历、脉冲参数和归档格式

我在处理星载实测数据时，第一步不是写成像代码，而是先做参数审计。从数据包里读出轨道高度、卫星速度、雷达中心频率、信号带宽、脉冲宽度、距离向采样率、PRF和波束中心斜距。如果是分景处理的条带数据，还要拿到零多普勒时刻和场景中心的参考斜距。下面这张表是我一般会维护的参数清单：

从文件格式上看，星载SAR原始数据大多是两字节或四字节的I/Q交替存储，有些还会带上辅助星历数据和噪声校正源。我不会在这个环节着急去读完整星历，而是先用数据头里的轨道半径和雷达参数估算v_eff，再在聚焦后用图像质量反推修正。这么做能少调很多参数。

3.2 距离压缩：匹配滤波与距离频率轴构造

距离压缩本质上是一维匹配滤波。发射信号是线性调频信号，本地复制品s_ref(τ)要和发射信号一致，包括调频斜率k_r和脉冲宽度T_p。下面这段代码负责距离维FFT、匹配滤波和逆FFT：

def range_compress(raw_2d, k_r, T_p, fs): tau = np.arange(-T_p*fs/2, T_p*fs/2) / fs s_ref = np.exp(1j * np.pi * k_r * tau**2) # 距离向复制品 S_ref = np.fft.fft(s_ref, n=N_fft) # 沿快时间维做FFT S_raw = np.fft.fft(raw_2d, n=N_fft, axis=0) S_match = S_raw * np.conj(S_ref) return np.fft.ifft(S_match, axis=0)

这段代码有几个参数值得推敲。第一，N_fft最好取距离采样点数的2倍以上幂次，避免匹配滤波输出环回混叠。第二，k_r和T_p必须从数据头读，或用内部信号估计；如果发射波形是其它编码形式，这段复制品逻辑要换成对应的形式。第三，距离压缩后的数据不再包含距离向调频项，后续才能直接进入RMA的距离FFT阶段。距离压缩后你应该能看到一条条亮线，它们的弯曲程度就是距离徙动。

3.3 方位向的两个“隐藏参数”：多普勒中心与有效速度估计

RMA的参考函数和Stolt插值都用到了v_eff，多普勒中心则决定了方位频率轴的原点位置。实测数据里，卫星姿态侧摆或波束前视会造成多普勒中心偏移到几千赫兹，如果不把频谱中心对齐到零频，方位向会明显散焦。

估计多普勒中心最实用的方法是对距离压缩后的数据沿方位向做FFT，看方位谱的峰值位置；也可以在两幅相邻距离线之间做干涉相关，从相位差推中心频率。求得f_dc后，把方位频率轴整体平移：

fa_shifted = fa - f_dc

而对于v_eff，我一般先按零多普勒几何算一个初值，再用点目标聚焦质量往回修。对星载低轨SAR，v_eff通常在7100到7300之间，和卫星地面速度接近，但受地球扁率影响有每公里级的偏差。v_eff偏0.1%，Stolt插值的相位误差就可能让远距离端图像模糊，这点非常敏感。

3.4 Stolt插值工程化：sinc插值、内存分块与边界处理

Stolt插值是整个流程里最消耗资源的一步。如果直接把二维频域全矩阵做插值，很容易碰到内存爆炸或运行时间过长的现象。工程上我会先沿方位向分块，每块128或256条方位线，逐块做距离向重采样。以下是使用sinc插值的实现要点：

def sinc_interp(x, y, x_new, sinc_len=16, beta=8): """ 在距离波数域做带窗sinc插值。 x为原始非均匀ky网格，y为对应的频谱值， x_new为均匀的ky目标网格。 """ dx = x[1] - x[0] result = np.zeros_like(x_new) for i, xi in enumerate(x_new): idx = np.argmin(np.abs(x - xi)) lo = max(0, idx - sinc_len) hi = min(len(x), idx + sinc_len) t = (x[lo:hi] - xi) / dx kernel = np.sinc(t) * np.kaiser(2*sinc_len, beta)[offset:offset+len(t)] # 简化写法 result[i] = np.sum(y[lo:hi] * kernel) return result

这里的关键参数是sinc_len和beta。sinc_len太小会让旁瓣抬得很高，太大会让边缘截断振铃加重；一般用16个点、Kaiser窗beta取6到8。插值结束后，把S_stolt做二维逆FFT，图像会以复数形式输出，取模后才能看到地物反射强度。

我通常还会在逆FFT前对频域数据乘一个二维窗函数。窗函数窄一点能压低旁瓣，但主瓣会展宽，导致分辨率下降。实测里我一般用Hamming窗，方位向和距离向各加一次，具体参数要看你的产品指标是更偏辐射精度还是更偏几何分辨率。

4. 星载实测数据RMA聚焦避坑指南：五条高频踩坑记录

4.1 方位向散焦：多普勒中心没校到零频度

现象：地物点目标在方位向拖出一条长尾，或者图像纹理呈斜纹状，看起来像整个场景“扭”了。

原因：我遇到过好几次，都是方位频率轴中心与真实多普勒中心不一致。星载平台存在偏航角、侧摆角以及地球自转引起的多普勒偏移，方位谱峰值不在零频，而参考函数是按照零频对称构造的。

解决：在距离压缩后估计多普勒中心，把方位频率轴减去f_dc，同时把二维频域数据在方位向做循环移位。注意是用np.fft.fftshift配合频率轴循环移位，不是简单位置截断。改完这一步，散焦现象通常会消失。

4.2 距离向出现重影：参考斜距R_ref取值不对

现象：图像上每个强目标旁边出现一个等距的“幽灵”目标，距离向间隔不是整数个距离门，随着斜距变化。

原因：R_ref是参考函数里用来聚焦的斜距，不是数据里所有目标的斜距。如果R_ref取得过于偏离场景中心斜距，参考函数在Stolt插值后会产生残余的二次相位，形成距离向重影。

解决：把R_ref设为场景中心对应的斜距，通常可以从卫星轨道外推得到。如果拿不到轨道，就用图像亮度最高处对应的斜距。R_ref变化几十米就能看到重影幅度明显下降。

4.3 目标位置偏移几百米：时间同步与斜距起始时刻误差

现象：强点目标在图像上的位置和已知地面参考点对不上，偏移量随距离门变化，不是整体平移。

原因：星载实测数据里，发射脉冲的触发时刻和距离窗起始时刻之间存在固定延迟，有些数据格式里还有附加的零多普勒时间戳。RMA对绝对斜距非常敏感，因为它把距离轴当成严格的时间轴。

解决：不做“事后平移”，而是先探测数据里的校准脉冲或自带的定时标记，得到距离窗起始延迟。把每条距离线的快时间向量加一个time_offset，再重新生成距离频率轴。这一步对定位精度的影响远比滤波窗大。

4.4 Stolt插值后出现棋盘格纹：插值方向和端点处理错了

现象：图像上叠加了一层细密的网格纹路，像棋盘一样，距离向重采样点数越大越明显。

原因：这是ky随kr变化方向不一致导致的。在RMA中，方位频率越大，ky越小，非均匀网格的递减速度不同。如果插值时没有保证x单调，或者端点处外推过度，就会在频谱边缘产生阶跃，逆FFT后变成周期性纹路。

解决：插值前把ky降到单调方向，统一按递减方向排序，然后显式处理超出原有ky范围的边缘值。常用做法是给频谱边缘补零，不让插值器在未知区域乱外推；或者在插值前先对频谱做二维加窗，把边缘能量压弱。

4.5 远距离端图像“糊”：v_eff精度不够

现象：近距端图像清晰，远距端越来越模糊，而且模糊方向以距离向为主，不是方位向。

原因：v_eff在Stolt插值里决定了距离波数k_x到方位波数k_y的映射关系。v_eff如果偏小，远距目标的二次相位误差会快速累积，距离分辨率恶化；偏大则会出现过校正。

解决：用两轮处理法。第一轮用卫星星历给初值成像，测出图像里若干强点目标的旁瓣形状；第二轮调整v_eff，微调到目标冲激响应在距离向和方位向同时聚焦。一般v_eff的搜索步长取1到5 m/s就够，反复一次往往就能收敛。

5. 用点目标指标验收RMA聚焦质量：两个必看指标与一个自检技巧

拿到一张实测图像，你没法用肉眼判断聚焦到底好到什么程度，必须用强点目标做定量评估。我一般在图像里挑3到5个孤立的目标，截取周围64×64像素区域，做二维插值放大后量测三个指标：距离向峰值旁瓣比PSLR、方位向PSLR、分辨率。PSLR应低于−13 dB，分辨率应接近理论值ρ_r = c/(2B)和ρ_a = v_eff/B_doppler。如果PSLR高了1到2 dB，常见原因是Stolt插值的sinc窗长不够，或者加窗函数过窄。

第二个必看指标是图像间的辐射一致性。把同一景数据分成两半，分别用相同的参数做RMA，然后把聚焦后的图像做比值。平坦区域比值应接近1，若出现系统性斜线，说明插值或参考函数在某个维度上残差分块差异。

一个我觉得很实用的自检技巧是：先不碰实测数据，用完全相同的代码跑一个星载轨道参数下的点目标仿真。仿真里把R0、v_eff、PRF全部设成和实测一致，但目标位置是已知的。这一步能验证你的代码是否满足如下关系：输出图像中目标坐标 = 输入位置 + 常数偏移。如果仿真这一步都出现偏差，问题肯定在算法代码里，而不是实测数据。

我自己的习惯是每次换数据源时，先跑这个两点验证再上实测。它能帮我快速发现插值边界、参考函数符号这类低级错误，省下大量调参时间。希望这套流程也能让你手里的星载实测数据顺利出图。

本文还有配套的精品资源，点击获取