简介：围绕合成孔径雷达与逆合成孔径雷达成像整理的代码与资料合集，面向雷达、遥感方向的研究者、工程师及高年级学生，用于理解SAR/ISAR从回波数据到二维成像的关键算法与实现流程。包内共30个文件，以mat回波与仿真数据、m算法脚本、jpg成像结果图为主，并含rar子包及少量txt/doc说明，压缩包约28.92MB，便于按数据、代码、结果图对照学习。内容覆盖RD、FPA、RMA等SAR算法和CS、FS、BP等ISAR算法，同时涉及运动补偿、机载SAR与算法工具箱等模块，可帮助读者把距离压缩、多普勒处理、运动误差校正等抽象环节落到可运行代码上。已有2741人学习，适合需要复现实验、排查成像流程或做二次开发的读者，也可为课程设计、科研入门和算法对照提供较完整的参考。

1. 合成孔径雷达的反直觉结论：天线越短，方位分辨率反而越高

机载雷达想看清地面，直觉上应该把天线做大；合成孔径雷达（SAR）的方位分辨率公式却是 ρ_a ≈ D/2，D 是真实天线在方位向的长度，天线越短，分辨率数值越小，图像反而越清晰。这并非玄学，是“用时间换空间”的必然结果：小天线波束宽，照射同一块地面的时间就长，平台飞过的这段轨迹可以被当成一具虚拟的长天线。ISAR 把这条逻辑推得更极端：雷达不动，改用目标自身的转动去凑出等效孔径。搞懂这两条虚拟孔径是怎么被算法一步步造出来的，才看得懂后面所有成像流程的取舍。

2. 距离维的压缩与还原：200 MHz 带宽怎么变成 0.75 米分辨率

2.1 从单频脉冲的死胡同到线性调频

单频矩形脉冲的距离分辨率由脉宽决定，ρ_r = cτ/2，想要 1 米分辨率就得把脉压到 6.7 ns，峰值功率得推到兆瓦级，工程上很难实现。线性调频（LFM，Chirp）换了个思路：脉冲照样发 10 微秒，但在这 10 微秒里让载频从 f0 线性扫到 f0+B，瞬时频率 f(t) = f0 + Kt，调频率 K = B/T。信号在时域上看还是一段长脉冲，在频域上看却占满了整整 B 的带宽。

匹配滤波把这段“扫频”压成一个宽度约 1/B 的窄峰，距离分辨率变成 ρ_r = c/(2B)。分辨率从此只跟带宽挂钩，跟脉宽脱钩。脉宽负责能量、决定信噪比，带宽负责分辨率，两个原本耦合的量被硬生生拆开——这就是脉冲压缩最核心的设计动机。时宽带宽积 T·B 就是压缩比，T 取 10 μs、B 取 200 MHz 时是 2000，折合 33 dB 增益，等于把峰值功率需求压下去两个数量级。雷达从“拼发射机”变成了“拼算法”，后面所有的成像流程都是在这条路上继续往前走。

顺带说清一个容易混的点：LFM 的相位是二次的，exp(jπKt²)，而它的导数才是频率。很多人一开始盯着“频率线性变化”去写代码，把相位也写成线性的，结果压出来的不是 sinc 而是一段平移的宽包，白白多写了很多调试日志。

2.2 匹配滤波：为什么“共轭相乘”就是最优

白噪声背景下最大化输出信噪比的线性滤波器，冲激响应必须是 h(t) = s*(-t)，也就是发射信号的时间反转再取共轭。写成卷积看着别扭，转到频域就是一次乘法：Y(f) = S(f)·S*(f) = |S(f)|²，而 |S(f)|² 在带宽内近似平坦、在带宽外为零——这正好是一个带宽为 B 的矩形窗，其逆变换就是 sinc。所以“压缩”这个词在频域里看得一清二楚：匹配滤波把信号的能量从整个时宽 T 收拢到 1/B 里。

工程实现几乎不会真的做时域卷积，因为采样点动辄上万，卷积复杂度是 O(N²)。FFT 之后共轭相乘是 O(N log N)，而且能顺便把加窗、去斜、RVP 补偿都塞进频域一起做。

import numpy as np # ---------- 1. 参数区：这几个量直接决定分辨率和运算量 ---------- c = 3.0e8 # 光速 B = 200e6 # 信号带宽 200 MHz -> 理论距离分辨率 c/(2B) = 0.75 m T = 10e-6 # 脉冲时宽 10 us -> 时宽带宽积 2000，即 33 dB 脉压增益 fs = 1.2 * B # 复采样率取带宽的 1.2 倍，留 20% 余量防止频谱混叠 K = B / T # 调频率，量纲 Hz/s N = int(T * fs) # 脉内采样点数 t = np.arange(N) / fs # 复 LFM：去掉载频后只剩二次相位，实部才是能看到的“扫频” s = np.exp(1j * np.pi * K * t**2) # ---------- 2. 匹配滤波：时域卷积等价于频域共轭相乘 ---------- Nfft = 2 * N # 补零到 2N，避开 FFT 循环卷积的首尾缠绕 S = np.fft.fft(s, Nfft) H = np.conj(np.fft.fft(s, Nfft)) # 参考函数取共轭，等价于时域反转再共轭 win = np.hamming(Nfft) # 汉明窗：旁瓣 -13.2 dB -> -42.7 dB y = np.fft.ifft(S * H * win) y = np.fft.fftshift(y) # 零延迟移到中心，便于定位主瓣 # ---------- 3. 自检：实测主瓣宽度应该贴近 1/B ---------- p = np.abs(y) idx = np.argmax(p) half = np.sum(p > p[idx] / np.sqrt(2)) / 2 # 3 dB 主瓣半宽对应的采样点数 print(f"理论分辨率 {c/(2*B):.2f} m, 实测主瓣约 {half/fs*c/2:.2f} m")

这段代码里有三个参数最容易改错。fs取 1.2B 是给频谱留滚降余量，取到 1.0B 时主瓣边缘会被采样栅格切掉，实测分辨率会比理论值差一截；Nfft补零到 2N 是为了避免循环卷积，如果长度恰好等于 N，第一个和最后一个采样点会互相缠绕，图像两端出现莫名其妙的高亮条；win乘在频域匹配滤波之后，位置如果放到S*H外面，等效于同时给回波和参考函数各加了一次窗，主瓣会被展宽两次，得到的分辨率能差出 1.5 倍还多。窗函数本身是一笔交易：矩形窗主瓣最窄但旁瓣只有 -13.2 dB，强目标旁边的小目标会被淹掉；汉明窗压到 -42.7 dB，代价是主瓣展宽约 1.47 倍。选窗这件事没有最优解，只有“你这个场景里谁更能忍”。

2.3 采样率、去斜与“带宽不是想要就能要”

复采样下 Fs ≥ B 就够，实采样则要 2B。听起来不苛刻，但宽带的合成孔径雷达带宽能到 1 GHz 甚至更高，ADC 直接采 1.2 GSa/s 的代价是数据率和后端存储一起爆掉。于是有了去斜（dechirp / stretch）处理：把回波和一个延迟了 τ_ref 的参考 LFM 混频，得到的是一个单频信号，拍频 f_b = K·(τ - τ_ref)，频率正比于目标到参考点的距离差。

去斜把“采样率由带宽决定”改成了“采样率由测绘带宽决定”。200 MHz 带宽、30 km 的观测窗口，拍频范围可能只有几 MHz，ADC 压力骤降，代价是只对参考距离附近的一段场景成立，远端的距离-方位耦合需要用残余视频相位（RVP）补偿项修回去。这是典型的工程取舍：拿适用范围换采样率，在近距离高分辨成像里非常划算。

3. 方位维的多普勒历史：合成孔径到底“合成”了谁

3.1 慢时间上的相位就是全部信息

平台以速度 v 匀速直线飞行，目标是正侧方、最近斜距 R0 的一个点。慢时间 η 时刻的瞬时斜距是 R(η) = sqrt(R0² + (vη)²)，在窄波束下展开成 R0 + v²η²/(2R0)。回波相位 φ(η) = -4πR(η)/λ，对 η 求导得到多普勒频率 f_d = -2v²η/(λR0)，再求一次导得到方位调频率 K_a = -2v²/(λR0)。

于是方位向的回波在数学上和距离向长得一模一样：都是 LFM，都是二次相位，都可以用匹配滤波压。区别只在于距离向的调频率由发射波形人为设定，方位向的调频率由平台运动“天然产生”。这一步认知上的转变很关键——所谓合成孔径，合成的就是这个由运动产生的二次相位历史。

再往下推一步，天线的方位波束宽度 θ ≈ λ/D，地面照射足迹是 λR0/D，飞过这段足迹的时间 T_s = λR0/(Dv)。方位信号的带宽就是 |K_a|·T_s = 2v/D，对应的方位分辨率是 ρ_a = v/B_d = D/2。注意 v、λ、R0 全部约掉了，只剩下天线尺寸，而且分母上的 2 意味着天线做小反而更好。物理上的解释是：天线越小，波束越宽，能“看”同一个点的时间越长，累积的多普勒带宽越大；而分辨率永远等于“带宽的倒数”乘上扫描速度，两者恰好抵消。这就是第 1 章那个反直觉结论的算术来源。

3.2 距离徙动：一个绕不过去的几何事实

上面的推导藏了一个假设：同一个点目标在整段合成孔径时间内都待在同一个距离门里。这个假设在低分辨率时成立，分辨率一提就崩。合成孔径长度 L_s = λR0/(2ρ_a)，目标在孔径边缘与中心的斜距差是

RCM ≈ (L_s/2)²/(2R0) = λ²R0/(32ρ_a²)

代入 λ = 0.03 m、R0 = 30 km、ρ_a = 0.5 m，得 RCM ≈ 3.4 m。而 200 MHz 带宽下距离门只有 0.75 m 宽，也就是说同一个强散射点的能量被摊到了四五个距离门上。不做校正直接做方位压缩，点目标会沿着一条曲线被“抹”开，图像上表现为方位向的拖尾和分辨率恶化，这就是血泪经验里最常见的“散焦”。

校正的思路是：目标的多普勒频率和距离偏移是一一对应的。回波变换到距离-多普勒域后，对每个方位频率 f 平移一个由 f 算出来的距离量，就能把曲线拉直。这叫距离徙动校正（RCMC），一阶项叫距离走动，二阶项叫距离弯曲，大斜视或大孔径时二阶项不能省。

import numpy as np # 输入 s_rc: 已完成距离压缩的回波，形状 [Na, Nr]，Na 为方位脉冲数 # 参数：v 平台速度，R0 中心斜距，lam 波长，PRF 脉冲重复频率 Ka = -2 * v**2 / (lam * R0) # 方位调频率，负号来自斜距随慢时间的增大 fa = np.fft.fftfreq(Na, d=1 / PRF) # 方位频率轴 S = np.fft.fft(s_rc, axis=0) # 沿方位向做 FFT，进入距离-多普勒域 # --- 距离徙动校正：把每个方位频率的包络挪回同一距离门 --- for i, f in enumerate(fa): dR = lam**2 * R0 * f**2 / (8 * v**2) # 该频率对应的斜距偏移（单程） shift = dR * 2 / (c / (2 * B)) # 双程换算成距离门数 # roll 只演示整数门平移，工程实现要用 sinc 插值或频域相位斜坡做亚门校正 S[i, :] = np.roll(S[i, :], -int(round(shift))) # --- 方位压缩：参考函数的二次相位与回波共轭 --- H = np.exp(1j * np.pi * fa**2 / Ka) # 对应 exp(j*pi*Ka*eta^2) 的共轭 img = np.fft.ifft(S * H[:, None], axis=0) # 回到图像域

Ka的符号必须和回波的相位符号一致，写反的话参考函数变成“散焦函数”，图像会比不做压缩还糊。fa用fftfreq生成，天然带负半轴，别用linspace(0, PRF, Na)去凑，否则补零和频谱搬移会错位半个脉冲。shift那一行是双程换算，单程算出来的 dR 必须乘 2 再除以距离门宽度。np.roll只是把机制讲清楚，整数门平移会留下半门的残余误差，实际工程里用 8 点或 16 点 sinc 插值、或者直接在频域乘 exp(-j2πf·shift) 做亚门平移，残差能压到 1/10 门以内。

3.3 从 RDA 到 ω-k：为什么算法会越来越复杂

距离-多普勒算法（RDA）的流程很干脆：距离压缩、方位 FFT、RCMC、方位压缩、方位 IFFT。它在正侧视、窄孔径下精度足够，实现也简单，很多入门级仿真都从它开始。但 RCMC 是在距离-多普勒域用插值做的，插值核会引入额外的旁瓣和相位误差；斜视一大，距离走动变成距离弯曲，一阶平移根本拉不直。

Chirp Scaling（CS）算法绕开插值的办法很巧妙：用一个相位相乘把不同距离门的徙动曲线“掰”成同一条形状，然后一次性整体平移，全程只有 FFT 和复数乘法，没有插值损失。ω-k（距离徙动）算法更进一步，在二维频域做 Stolt 变换，把频率轴重采样成波数域，从根上处理宽孔径和大斜视。而 BP（后向投影）干脆放弃频域，把每个脉冲的回波沿等距离球面反向投影叠加，几何上绝对精确，代价是计算量大到需要 GPU 或者快速 BP 分解。

这里的设计逻辑值得停一下：算法复杂度的每一次上升，都是在为某个被前一代忽略的几何效应买单。RDA 忽略了插值误差和高阶徙动，CS 补上了徙动一致化，ω-k 补上了波数域的精确映射，BP 补上了任意几何。明白“每一代在补什么”，比背下某个算法的步骤更有用。

4. ISAR 的镜像逻辑：目标转一圈，等效出一部大孔径雷达

4.1 转台模型：目标自己转，雷达不用动

成像雷达（ISAR）面对的目标通常不合作，雷达也不动，能提供的只有目标自身的姿态变化。平移补偿把目标质心固定到参考距离门之后，剩下的运动可以近似为一个绕参考点的匀速转动，转速 ω。此时目标上横向距离为 x 的散射点，其径向速度是 ωx，产生的多普勒是 f = 2ωx/λ。

这个式子和 SAR 里的 f_d = -2v²η/(λR0) 是同一套逻辑的两面：SAR 里多普勒频率随时间线性变化，靠调频率定标；ISAR 里多普勒频率正比于横向位置，靠它把横向坐标“读”出来。转速 ω 和积累时间 T 一起决定等效转角 Δθ = ωT，横向分辨率是 ρ_cr = λ/(2Δθ)。转角越大分辨率越高，但转角大到一定程度，散射点的距离走动会跨越多个距离门，转台模型本身就开始失效，这叫“越分辨单元走动”（MTRC），是 ISAR 高分辨成像的上限所在。

和 SAR 最不一样的地方在于，ISAR 的 Δθ 是未知的。SAR 知道 v、知道 PRF，多普勒调频率可以算；ISAR 只有回波，转速得从数据里估。这就引出了一个 SAR 里没有的步骤：横向定标。估计不出等效转速，图像就只有相对比例，看得见形状但量不出尺寸。

4.2 包络对齐：先把所有脉冲拽到同一行

ISAR 成像的第一步是距离压缩，得到一串一维距离像。目标在转动、在平动，相邻脉冲的距离像在距离轴上会整体偏移，偏移量可能远大于一个距离门，直接做方位 FFT 就是一锅粥。包络对齐要干的事就是把这个偏移消掉。

最简单的是相邻脉冲互相关取峰，实现便宜但误差会累积；更稳的是全局最小熵或最小对比度准则，把所有脉冲相对于第一帧做搜索，让对齐后距离像的平均包络最“尖锐”。对齐精度必须做到亚距离门，否则残余的位移会在方位向引入线性相位，表现为图像整体平移甚至散焦。

import numpy as np def align_envelope(echo): """按相邻脉冲互相关做包络对齐。echo 形状 [Na, Nr]，距离维是 axis=1""" Na, Nr = echo.shape aligned = np.zeros_like(echo, dtype=complex) aligned[0] = echo[0] # 第一帧作基准，后续都向它靠 freq = np.fft.fftfreq(Nr) # 归一化频率，用于频域移位 for i in range(1, Na): # 与前一个已对齐脉冲做互相关，峰值位置即残余距离走动 corr = np.fft.ifft(np.fft.fft(echo[i]) * np.conj(np.fft.fft(aligned[i-1]))) peak = np.argmax(np.abs(corr)) shift = peak if peak < Nr // 2 else peak - Nr # 折回负半轴 # 补零 FFT 细化到亚门（这里示意为直接频域乘相位斜坡） aligned[i] = np.fft.ifft(np.fft.fft(echo[i]) * np.exp(-2j*np.pi*freq*shift)) return aligned

np.fft.fftfreq(Nr)给出的归一化频率范围是 [-0.5, 0.5)，配合 exp(-2jπf·shift) 实现的移位对小数 shift 同样成立，前提是 shift 本身估得准。只用argmax拿到的 peak 是整数门，半个门的残余误差在 0.5 m 量级的距离门下相当于 25 cm 的位移，方位向相位误差是 4π·0.25/λ，X 波段下能到几十度，足够把图像糊掉。稳妥做法是把互相关峰值附近三点做抛物线插值，或者把互相关谱补零 8 倍再取峰。

4.3 自聚焦：PGA 在估什么

包络对齐只解决了“位置”，相位还没管。目标机动、传播媒质、系统本振抖动都会在方位向引入一个未知的相位误差 φ_e(η)，它在每个距离门上相同（这叫相位误差的距离不变性假设，绝大多数场合成立），但随慢时间任意变化。这个误差不补偿掉，方位压缩就等于用一个错误的匹配滤波器去卷，图像必然散焦。

相位梯度自聚焦（PGA）的思路是把这个“盲估计”问题转化成一个良态问题。步骤是四步循环：选强散射点、圆移居中、加窗隔离、用相邻脉冲的相位差做最大似然估计。

# s 为某一距离门（或若干距离门平均后）的方位向复数据，已在每个 range bin 完成居中与加窗 # 相邻脉冲相位差的 ML 估计：对窗口内所有距离门求和后取相位 grad = np.angle(np.sum(np.conj(s[:-1]) * s[1:], axis=0)) # 长度 Na-1 的相位梯度 phi = np.concatenate([[0], np.cumsum(grad)]) # 积分得到相位误差 phi -= np.linspace(phi[0], phi[-1], len(phi)) # 去掉线性项（对应图像平移） s_corr = s * np.exp(-1j * phi) # 补偿

np.sum沿距离门方向做非相干累加，是把多个独立观测的相位梯度平均，信噪比越高估得越准，所以 PGA 天然偏爱强散射点多的目标。np.angle的结果落在 (-π, π]，相邻脉冲的真实相位差必须小于 π 才能保证不缠绕，如果转角大或者脉冲间隔长，得先做相位解缠或者分段估计。去掉线性项那一步对应“图像整体平移不改变聚焦质量”，不去掉的话迭代会一直往一个方向漂。

PGA 通常迭代 3～5 次：第一次用较宽的窗，把误差的大轮廓拉平；后续逐步收窄窗，只保留最强散射点，逼近残差。迭代次数不是越多越好，超过 5 次以后残余相位已经接近噪声水平，再迭代反而会把噪声拟合进去。这一整套流程在 ISAR 里几乎是标配，因为它对目标形状没有任何先验要求——这也是为什么它比各种基于参数化模型的补偿方法更耐操。

5. 成像翻车排查：散焦、重影、歪斜分别该查哪个量

5.1 图像整体散焦、方位向拖尾：先看方位调频率

现象很典型：距离向剖面很干净，方位向却像被拉长的彗星，目标点变成一条拖尾，越靠图像边缘越明显。原因几乎都是方位匹配滤波器的调频率和真实值对不上，Ka 偏差 1% 就能让孔径边缘的相位误差累积到几十度。平台速度估计误差、斜距 R0 取错、或者斜视角没考虑，都会造成这个结果。

处理办法是用数据自己说话：以图像对比度或熵为目标函数，在 Ka 附近做一维搜索，取对比度最大（熵最小）的那个值。搜索范围一般取理论值的 ±5%，步长 0.1%，几十次成像就能锁定。更省事的做法是从回波的多普勒调频率直接估，用 Radon 变换或者分数阶傅里叶变换在距离-多普勒域找 chirp 斜率。

5.2 目标出现重影、鬼影：查参考函数的距离起点

现象是图像上每个强点旁边多出一个或多个对称的弱副本，间隔固定，看着像光学系统的鬼像。原因通常不在算法，而在参考函数和回波的采样起点没有对齐。去斜处理时，如果参考信号的延迟 τ_ref 和实际采样窗的起始时刻差了几个采样点，混频出来的拍频就带了一个固定偏移，匹配滤波后会在距离向产生周期性的假目标。

排查手段很直接：把回波和参考函数分别取出来，看两者的时间轴原点是否落在同一个采样点上；或者先在无目标的背景区做一次成像，理想情况下输出应该只有噪声，出现规则条纹就说明有固定偏移。修正就是把参考函数的起始位置按采样延迟平移，重新生成一次。

5.3 图像被“推歪”、方方正正的场景变成平行四边形：查多普勒中心

现象很好认，正侧视成像出来的道路、田块是斜的，整体旋转了一个角度。这是多普勒中心频率 f_dc 估计有偏，方位向加了一个线性相位斜坡，图像在方位向被平移，配合距离徙动的方向就表现为旋转。

多普勒中心的经典估法有两种：杂波锁定（把方位频谱的能量重心当成中心）和能量均衡（找使左右能量相等的位置）。前者在天线波束对称、场景均匀时很准，后者对强点目标更稳健。斜视情况下 f_dc 本身很大，必须在 RCMC 之前就减掉，否则徙动曲线整体偏移，用一阶平移根本拉不直。

5.4 ISAR 方位向糊成一片“饼”：查包络对齐精度与相位连续性

现象是距离向能分辨，方位向完全糊掉，强点摊成一片。第一嫌疑是包络对齐只做到了整数门，残余位移在方位向引入线性相位，各脉冲之间相位不连续，FFT 之后自然聚不起来。第二嫌疑是目标在积累期内做了机动，转角不再匀速，二次相位模型失效。

验证方法：把对齐前后的距离像按脉冲序号铺成二维图看一眼，对齐后每一行的峰值应该基本在同一个距离门上，如果还在缓慢漂移，说明对齐算法被某个强散射点带偏了。机动的情况则需要把长积累切成若干短段，每段单独成像再拼接，或者用高阶相位多项式拟合代替单纯的自聚焦。

5.5 大斜视下 RDA 完全失效：不是参数问题，是模型问题

现象是把 RDA 的参数调到极致，图像中心还能看，边缘依然严重散焦，而且散焦方向随位置变化。这时候不该继续调参数，应该承认假设不成立了：RDA 的参考函数基于正侧视的二次相位近似，斜视角一大，距离走动和方位相位都出现高阶项，二次模型本身就错了。

换算法是唯一出路。斜视角中等可以上 CS，它的一致性处理能覆盖大部分斜视；斜视很大或者孔径很宽，就得上 ω-k 或 BP。判断阈值没有统一标准，一个经验做法是看孔径边缘的二次相位残差：残差超过 π/4，二次近似就开始不可信了。

6. 算法选型的取舍：RDA、CS、ω-k 与 BP 各自在为谁让路

把四个算法摆在一起看，能看清它们各自在为什么让步。

这张表的读法是“精度换计算量，通用性换复杂度”。RDA 便宜但有插值损失和斜视限制，CS 用一次相位相乘把插值这件麻烦事从流程里彻底删掉，ω-k 把几何映射做在波数域所以精确，BP 干脆放弃频域近似、用最笨的办法换取任意几何下的正确性。没有哪个是“更好”的，只有哪个更配你手上的几何约束。

验证方法我一般这么走：先用一组点目标仿真跑一遍，看冲激响应的主瓣宽度是否贴近理论值、峰值旁瓣比和积分旁瓣比是否达标；再换一个有起伏的场景，检查有没有因为加窗或者插值引入的伪影；最后才上实测数据。前两步能在几分钟内暴露 90% 的实现错误，比在实测数据上盲调高效得多。

进阶方向有两个。一是把自聚焦嵌进成像循环，不做事后补偿，因为事后补偿的相位误差模型往往和成像算法本身的近似矛盾；二是往稀疏孔径和压缩感知走，用远少于 Nyquist 的脉冲数重建图像，代价是需要目标的先验稀疏性假设，场景一复杂就容易翻车。

这里说个我自己踩过的坑。早年做一组机载数据的处理，图像边缘始终有点糊，我花了整整两天在自聚焦上反复调参数，试了三四种窗宽和迭代次数，怎么调都不行。最后把 RCMC 那一步单独拉出来看才明白，问题出在插值核只有 4 点，α 参数选的是 Kaiser，高频处的相位响应根本跟不上，边缘的高频分量被削掉了；换成 8 点 sinc 并补上正确的 Kaiser 窗参数后，图像当场就清楚了，自聚焦参数一个字没改。从那以后我每次拿到一份成像结果，都强制先把脉冲压缩后的距离向剖面、方位向剖面这条最简单的自检走一遍，再去碰后面那些“看起来更高级”的模块。希望帮到你。

这份《SAR(ISAR) 算法大总结》把上面这些环节串成了一条完整的线：从 LFM 产生、匹配滤波、RDA/CS/ω-k/BP 的推导与实现，到 ISAR 的包络对齐、相位校正与 PGA 自聚焦，每一段都能落到可以改参数、可以复现的工程代码上。想照着验证文中那几个推导，或者想看看自己的实现差在哪一步，直接拿下来对着跑一遍就行。

本文还有配套的精品资源，点击获取