聚束模式SAR成像的Chirp Scaling算法原理与MATLAB实现

简介：本资源是面向电子信息工程、计算机及数学等专业本科生的SAR成像教学实践工具，聚焦聚束模式下高精度成像的核心算法——线性调频变标算法（CSA），专为课程设计、期末大作业与毕业设计场景优化。压缩包仅含1个MATLAB源文件（.m），代码基于matlab2014a/2019b/2024b编写，体积精简至3KB，结构清晰、参数化设计完备，关键步骤均配有中文注释，支持用户快速修改雷达参数、距离向/方位向采样配置及成像区域，直观验证CSA对距离徙动校正与聚焦效果的影响。配套提供可直接运行的实测案例数据，省去数据预处理环节，便于初学者理解信号建模→脉压→变标→方位匹配滤波的全流程实现逻辑。目前已有29人学习下载，是掌握SAR成像原理与MATLAB工程实践结合的轻量级优质入门资源。 搞聚束模式SAR成像，线性调频变标算法（Chirp Scaling Algorithm，CSA）几乎是绕不开的名字。我最初接触这个算法时，是在做点目标仿真，代码从网上找了几分，跑出来却总是一团圆乎乎的散焦光斑，后来逐行推公式才对上号。这篇文章我会从聚束模式为什么需要CSA讲起，把算法的数学逻辑、MATLAB实现流程和调试教训一次说透，代码部分可以直接拿起跑。

内容适合正在做合成孔径雷达课程设计、课题研究，或者刚接手聚束模式数据处理工作的朋友。你对SAR有一定基础会遇到一些瓶颈，但如果你只是刚接触，我也会把前置概念解释清楚，争取让文档和代码能对上。

1. 聚束模式SAR为什么绕不开CSA算法

1.1 聚束模式和条带模式的根本差异

条带模式（Stripmap）工作时，天线波束指向固定，雷达随平台直线运动，地面上某一点经过波束照射的时间有限，合成孔径长度基本由天线波束宽度决定。这意味着方位分辨率做不高，因为你无法让一个点被照射更久。聚束模式（Spotlight）则完全不同，雷达在飞行过程中持续调整天线指向，让波束始终“锁定”场景中心，这样场景里的目标被照射的时间很长，合成孔径可以做得比条带模式大很多，方位分辨率也就明显提升。

代价是距离徙动变得非常严重。条带模式中，短合成孔径内目标距离变化可能只在几个距离单元以内，甚至可以用固定距离近似。聚束模式下，目标在合成孔径边缘与中心位置的距离差可以很大，如果还按传统假设简化，成像结果会散焦得一塌糊涂。所以聚束模式必须靠精确的距离徙动校正（RCMC）算法托底。

1.2 主流成像算法里，CSA凭什么占一席

做SAR成像绕不开三条路线：距离多普勒算法（RDA）、Chirp Scaling算法（CSA）和ωK算法（波数域算法）。

RDA的思路是在距离多普勒域做距离徙动校正，通过插值把不同距离门上的徙动曲线“拉直”。实现简单，但大距离徙动场景下插值核选择很讲究，处理不好会引入相位误差，且运算量大。

波数域ωK算法非常优雅，它通过Stolt插值直接完成精确的RCMC和二次距离压缩，精度高，对聚束模式尤其友好。但Stolt插值涉及二维插值，实现复杂度高，对处理大规模数据时的边缘效应也比较敏感。

CSA走的是第三条路：不做显式插值，靠相位相乘完成距离徙动的统一校正。它的核心技巧是“变标”——利用线性调频信号经过二次相位调制后再压缩时峰值位置会移动的特性，先把所有不同距离目标的距离徙动曲线手动调整为一致，然后在距离频域做一次统一的RCMC和距离匹配滤波。整个过程全部是FFT和复数乘法，没有插值，既保留了相位信息，又极大提高了处理效率。这也是为什么工程和论文里聚束模式高分辨率成像经常选CSA的原因。

1.3 CSA到底“变”的是什么标

很多初学者看CSA的公式会觉得玄乎，其实拆开就一句话：把不同距离处目标原本“长度不同”的距离徙动轨迹，通过乘一个随距离变化的相位因子，变成“长度一样”再统一处理。

打个比方，你有一组跑步运动员，起点不同，终点也不同，你想用一条标准终点线统一计时，于是先给每个人身上加一个随出发位置变化的加速度，让他们刚好同时到达标准终点线。CSA中的变标函数就扮演了这个“加速度”的角色。这个变标过程在距离时域、方位频域进行，相位函数本身是距离时间的二次函数，因此叫“线性调频变标”。

2. CSA算法的数学逻辑：从回波模型到三个关键相位函数

2.1 基带回波模型

假设发射线性调频信号：

s_t(tau) = rect(tau / Tp) * exp(jπKrτ²)

其中τ是快时间（距离向时间），Tp是脉冲宽度，Kr是调频率。平台运动到某一方位时刻t_eta时，与某目标点的瞬时斜距为R(t_eta)；接收经下变频后的基带回波可写成：

s(tau, t_eta) = A0 * rect((τ - 2R(t_eta)/c) / Tp) * rect(t_eta / Ta) * exp(jπKr(τ - 2R(t_eta)/c)²) * exp(-j4πR(t_eta)/λ)

这里矩形窗rect(t_eta/Ta)表示聚束模式下方位照射范围。关键点在于R(t_eta)不仅包含最近斜距，还包含随方位时间变化的二次项，这正是距离徙动的来源。

2.2 方位向FFT后的信号形式

对慢时间t_eta做FFT，利用驻定相位原理（POSP），可以得到信号在距离时域-方位频域的形式。CSA算法的大部分推导都在这个域里展开。若只保留到R(t_eta)展开的二次项，方位频域中信号相位可以写成：

φ(tau, f_eta) ≈ -πKr(f_eta) * (τ - 2R0·c1(f_eta)/c)² - 4πR0·c2(f_eta)/λ + ...

其中R0是目标最近斜距，f_eta是方位频率，c1和c2都是f_eta的函数，反映了距离徙动曲线随方位频率的变化。你会发现不同R0目标的距离压缩峰值出现在τ = 2R0·c1/c处，而c1又和f_eta有关，这意味着目标越靠近场景边缘，距离徙动量越大，而且不同R0目标之间的徙动曲线形态不一致，无法用一个固定滤波器全部校正。

2.3 Chirp Scaling变标函数

变标函数的想法是：在距离时域-方位频域中，对信号乘以一个二次相位因子：

H_cs(tau, f_eta) = exp(jπKs(f_eta) * (τ - τ_ref)²)

其中τ_ref是参考距离对应的时延，Ks(f_eta)是一个随方位频率变化的等效调频率。乘上这个因子后，原来调频率为Kr(f_eta)的信号，等效调频率被“调整”成与f_eta无关的常数。这样，距离压缩后的峰值时延位置对所有目标都变成一致的形式，距离徙动曲线也被“拉平”到参考轨迹上。这就是“变标”名称的来源。

做这一步时需要注意，变标函数本身会让原始信号产生额外的二次相位，这部分在后续距离压缩时需要一起补偿，否则最终图像的相位是错的。

2.4 距离压缩与一致RCMC

完成变标后，信号可以沿距离向做FFT，进入二维频域。此时所有目标的距离徙动曲线已经统一，所以距离向匹配滤波器可以同时完成脉冲压缩和残余RCMC：

H_range(f_tau, f_eta) = exp(jπ f_tau² / Ks(f_eta)) * exp(j2π f_tau·R0_ref·c1(f_eta)/c)

其中第一个指数项用于距离脉冲压缩并补偿变标引入的相位，第二个指数项把统一后的距离徙动整体校正到参考距离上。由于R0_ref是已知参考值，这步是固定滤波，实现起来非常方便。

2.5 方位压缩与残余相位补偿

距离向IFFT回到距离时域-方位频域后，只剩下方位向调制和与距离相关的残余相位。此时乘以方位匹配滤波器并补偿残余相位项即可完成方位向压缩：

H_azi(tau, f_eta) = exp(jπ f_eta² / Ka(f_eta)) * exp(jθ_res(tau, f_eta))

Ka与方位调频率有关，θ_res是变标和RCMC过程中产生的残余相位，需要根据具体模型精确给出。最后方位向IFFT得到聚焦图像。

3. MATLAB实现：聚束模式CSA点目标仿真

3.1 仿真参数怎么定

我在做点目标仿真时习惯先把参数表写清楚，免得后面调代码抓瞎。下面是一组可直接用的参数，对应X波段聚束模式：

根据载频和带宽，距离分辨率理论约 c/(2B) ≈ 1 m。方位合成孔径长度 L = v·Ta = 100 m，方位分辨率约 λ/(2·θ_a) 或按聚束公式计算，也接近1 m量级。这样的参数既好计算，又不至于让数据量太大。

3.2 聚束模式回波仿真代码

生成回波时，需要模拟每个方位脉冲下，雷达与目标间的瞬时斜距。聚束模式关键是天线始终指向场景中心，所以每个脉冲发射时刻，平台位置是固定的一维数组，而场景目标相对平台的角度也在变化。下面给出一个简化的回波仿真函数：

% 参数定义 fc = 10e9; % 载频 c = 3e8; lambda = c/fc; Br = 150e6; % 距离带宽 Tp = 5e-6; % 脉宽 Kr = Br/Tp; % 距离调频率 Fs = 180e6; % 距离采样率 PRF = 100; v = 100; R0 = 10e3; Ta = 1; tr = 0:1/Fs:Tp; % 快时间采样 Nrg = length(tr); t_eta = -Ta/2:1/PRF:Ta/2; % 方位时间 Naz = length(t_eta); % 目标场景 [x,y] 相对于场景中心的距离 targets = [0, 0; 30, 20; -20, -25]; s = zeros(Nrg, Naz); % 对每个方位脉冲 for k = 1:Naz % 雷达位置 x_radar = v * t_eta(k); y_radar = 0; s_pulse = zeros(1, Nrg); for tgt = 1:size(targets, 1) xt = targets(tgt, 1); yt = targets(tgt, 2); % 瞬时斜距 R = sqrt((x_radar - xt)^2 + (yt + R0)^2); tau_d = 2*R/c; % 时延 % 将回波叠加到快时间采样上 n_delay = round(tau_d * Fs) + 1; if n_delay <= Nrg s_pulse(n_delay) = s_pulse(n_delay) + ... exp(1j*pi*Kr*(tr(n_delay) - tau_d).^2) .* ... exp(-1j*4*pi*R/lambda); end end s(:, k) = s_pulse.'; end

这个仿真里我用的是最朴素的逐脉冲逐目标叠加，代码能跑，但效率不高。实际做点目标说明问题足够用。如果你要仿真面目标，需要把目标数组改成二维散射模型，用循环会非常慢，建议用向量化或分块处理。

3.3 CSA成像主流程实现

CSA的完整流程可以浓缩成下面这几步。代码中我尽量保持和推导对应，方便你学习时对照。

% 1. 方位向FFT S_az = fftshift(fft(s, Naz, 2), 2); f_eta = (-Naz/2 : Naz/2-1) * PRF / Naz; % 2. 构造变标函数 H_cs f_tau = (-Nrg/2 : Nrg/2-1) * Fs / Nrg; % 距离频率 % 参考距离时延 tau_ref = 2 * R0 / c; f0_range = fc - Br/2 + Br*(0:Nrg-1)/(Nrg-1); % 简化：用中心频率计算Ks，这里需要更精确的表达式，我放在代码注释里 Ks = Kr ./ (1 + Kr * R0 * 2 * lambda * f_eta.^2 / c^2); % 与方位频率相关 % 实际上对每个方位频率f_eta需要构造距离向调频变标函数 Hs = zeros(Nrg, Naz); for k = 1:Naz Hs(:, k) = exp(1j * pi * Ks(k) .* (tr - tau_ref).^2); end S_cs = S_az .* Hs; % 3. 距离向FFT S_fr = fft(S_cs, Nrg, 1); f_tau = (-Nrg/2 : Nrg/2-1) * Fs / Nrg; % 4. 距离压缩 + 一致RCMC for k = 1:Naz H_r = exp(1j * pi * f_tau.^2 / Ks(k)) .* ... exp(1j * 2 * pi * f_tau * tau_ref); % 统一RCMC S_fr(:, k) = S_fr(:, k) .* H_r.'; end % 5. 距离向IFFT S_tau = ifft(S_fr, Nrg, 1); % 6. 方位压缩（这里用简化匹配滤波，实际需要补偿残余相位） for n = 1:Nrg % 距离对应的最近斜距为 R_n = (tr(n)*c)/2 R_n = tr(n) * c / 2; Ka = 2 * v^2 / (lambda * R_n); % 方位调频率 H_a = exp(-1j * pi * f_eta.^2 / Ka); S_tau(n, :) = S_tau(n, :) .* H_a; end % 7. 方位向IFFT img = ifft(ifftshift(S_tau, 2), Naz, 2);

这套代码能跑完整处理，但为了简洁我做了不少简化，特别是Ks和方位匹配滤波的表达。实际工程中，这些参数必须严格按公式推导计算，否则图像质量会打折扣。

3.4 点目标评估怎么进行

成像后一定要切剖面看分辨率。以场景中心目标为例，可以取成像网格上目标附近区域，用峰值位置对齐后做幅度归一化，然后计算-3dB宽度。

% 提取目标区域 [peak_val, peak_idx] = max(abs(img(:))); [pr, pc] = ind2sub(size(img), peak_idx); % 距离向剖面 range_profile = abs(img(:, pc)); range_profile = range_profile / max(range_profile); range_idx = find(range_profile > 0.707); range_res = (range_idx(end) - range_idx(1)) * (c / (2*Fs));

理论上距离分辨率约 c/(2Br)，方位分辨率约 v/(Naz*PRF) 乘以系数，需要与实测结果比对。更重要的是峰值旁瓣比（PSLR），理想情况下应该接近-13.2dB，如果旁瓣偏高，大概率是加权函数没加，或者变标相位没补干净。

4. 调试经验：我在MATLAB里踩过的几个坑

4.1 相位符号和FFT方向必须一一对应

这是我从“散焦到怀疑人生”里学到的第一条。MATLAB的fft是正的指数核，图像重建时如果你用ifft做方位压缩，滤波器指数符号就要相应翻转。很多人从教科书公式直接抄过来，结果图像要么左右翻转，要么叠加了残留相位。

我的习惯是：全流程统一用fft做正变换，ifft做逆变换，滤波器指数符号严格与推导公式一致，不要凭感觉改。写代码时把复数信号的虚部打印出来，如果相位卷绕太杂乱，八成是符号问题。

4.2 变标函数里距离频率变量不要用错

Kr、Ks这些参数会随f_eta变化，不同实现里有的用快时间频率f_tau，有的用瞬时斜距R。我在最初写代码时，把变标函数中的二次相位直接写成了Kr乘以τ²，结果距离压缩后距离向曲线完全对不齐。后来重读推导才发现，变标函数中的调频率是经过方位频率调制的等效调频率Ks，而不是发射信号调频率Kr。这个差异在方位频率变化较大时非常明显。

实际处理时，建议先在一个小尺寸数据上把每个方位频率对应的距离压缩峰值位置打出来，确认是否全部对齐到参考距离，再加后续的RCMC。这样可以快速定位是哪一步相位没有配平。

4.3 方位向采样不足会导致混叠

聚束模式方位带宽可能很大，甚至超过PRF的一半，这就违反了奈奎斯特采样定理。很多仿真为了节省计算时间把合成孔径时间设得很长，却忘了提高PRF，结果图像上出现折叠目标的虚影。

解决思路有两个：一是在仿真阶段保证PRF大于聚束方位带宽，二是处理时在方位向补零。补零虽然不能增加真实信息，但可以将频谱插值，减轻视觉上的混叠假象。需要注意的是，补零也会带来运算量上升，实际工程中需根据系统参数提前评估。

4.4 大规模数据的性能优化

MATLAB处理SAR数据，循环是最大敌人。上面的回波仿真我用了双重循环，数据量一大就非常慢。我自己用过的优化手段包括：把所有目标到雷达的斜距写成矩阵运算、用permute和reshape集中处理多脉冲、把二维匹配滤波器一次性生成再点乘。内存允许的情况下，尽量避免在距离方向用for循环逐列滤波。

另外，MATLAB对复数矩阵的内存占用比实数高很多，数据量超过几万×几万时建议用单精度。但单精度会引入额外量化噪声，点目标仿真影响不大，干涉测量就得慎重。

5. 从仿真到工程应用：CSA的定位与扩展

5.1 CSA和ωK到底怎么选

很多朋友问我，既然ωK精度更高，为什么还要学CSA？我的看法是，两者各有适用场景。下面这张表是我在实际项目中的经验总结：

如果你的系统斜视角不大、数据规模又大，CSA是性价比最好的选择。如果聚束照射范围很大、距离徙动曲线严重非线性，那就老老实实用ωK或者改进的非线性CSA（NCSA）。

5.2 大斜视和高波段场景的改进

当斜视角超过20度，方位和距离向耦合变得明显，标准CSA的二次近似就不够用了。一种做法是引入非线性Chirp Scaling，通过对变标函数做高阶项修正，把残余相位压制到可接受范围。另一种是在距离向使用频域分段处理，把大带宽分成几个子带再合并。

实际处理高波段数据时还要注意大气延迟和运动误差补偿。这些相位误差在仿真里不存在，但真实数据里不补偿，CSA再准也白搭。所以做工程时，我会把成像算法和运动补偿分开来调试，先确保算法在仿真数据上没毛病，再接入惯导数据做运动补偿。

5.3 从点目标到滑动聚束、TopSAR

聚束模式的高分辨率需求催生了滑动聚束（Sliding Spotlight）和TopSAR模式。这些模式本质上是聚束和条带的折中，成像时距离徙动介于两者之间。CSA的思想可以平滑迁移：变标函数里修改参考斜距和方位带宽的计算，就能适配滑动聚束模式。

如果是多普勒波束锐化（DBS）或地面动目标检测（GMTI），CSA就不是主角了。那时更常用的是子孔径处理或者STAP。搞SAR算法的人，不应该死守一个算法，而是要理解不同算法背后的信号模型假设，这样换场景时才不会抓瞎。

一段不算总结的收尾

我印象最深的一次调试，是在一个阴间节点，CS成像出来的点目标响应图总有一圈奇怪的副瓣。我把公式推了一遍又一遍，最后发现只是距离向参考时延取错了位置。那一刻我意识到，这类算法写得再熟，公式和代码之间的鸿沟也需要靠一次次的实验去填。

所以如果你正在复现CSA，别急着追求跑通，先花时间把每个变量对应到代码里，尤其是那些带下标的调频率和距离值。这篇文章里的代码虽然简化了，但流程是对的。等你跑出第一张聚焦的点目标图像，再回头研究那些被省略的相位项，会顺畅得多。

本文还有配套的精品资源，点击获取