RMA距离徙动算法详解：从原理到Matlab成像实现

简介：本资源是一份面向本科及硕士阶段雷达信号处理初学者的Matlab基础教程，聚焦雷达成像中的距离-多普勒算法（RMA）实现，帮助学习者理解合成孔径雷达（SAR）成像的核心原理与编程实践。压缩包共2个文件，包含1个关键算法脚本（main.m）用于完成RMA全流程仿真与成像，以及1张结果可视化图（png）直观展示成像效果，整体仅98KB，轻量易读、即下即用。目前已有1231人学习下载，适合作为课程设计、实验课补充材料或科研入门参考。读者可直接运行脚本复现标准RMA流程，包括距离压缩、方位压缩、坐标变换与图像重构等关键步骤，并结合图像结果分析算法性能，快速建立雷达成像的代码级认知。 做雷达成像有一阵子的朋友，应该都绕不开 RMA 这三个字母。Range Migration Algorithm，距离徙动算法，圈内也叫 ω-K 算法，跟 RD、CS 一起算是 SAR 成像里最经典的几套处理框架。我最初接触 RMA 是在处理高分辨率机载 SAR 数据的时候，当时用 RD 折腾了挺久，一换到大波束角、大场景的数据就明显感觉力不从心，后来换到 RMA 才算是真正把图像聚焦质量稳定下来。

这篇博文把一个完整的 RMA 成像流程拆开来讲，重点放在信号模型、Matlab 实现和那几步最容易翻车的细节上。我会从算法到底在解决什么问题讲起，再逐步落到回波建模、二维频域处理、Stolt 插值和最终的成像代码。内容面向刚入门的雷达方向学生，也适合已经写过 RD 算法、想往更高分辨率成像方案切换的工程师。使用的代码基于 Matlab，我本人在 R2022b/Linux 环境下跑通，版本不同影响不大。

1. 先搞清楚 RMA 到底在解决什么问题

1.1 距离徙动：目标回波并不是乖乖待在一条距离门里的

在正侧视条带 SAR 的几何关系下，一个点目标的斜距随时间变化，不靠近不远离是理想情况，实际上是条双曲线。雷达沿方位向运动，点目标的回波时延会在方位向的每一个采样时刻都不同，反映在原始数据矩阵里就是目标能量沿着距离向“游走”。这个游走就是距离徙动，英文叫 Range Cell Migration，RMA 算法名字就是从这里来的。

距离徙动在高分辨率条件下尤其严重。因为距离分辨率细了，一个目标回波在多条距离门之间跨越的格子数量也多了，你要是还把它当成固定在某一个距离单元里的信号去处理，结果就是目标沿距离向散开、方位向的压缩质量也一起变差。RD 算法实际上是在距离压缩之后，通过在内插和多普勒频率轴上做一个时域校正来把弯曲的轨迹拉直。这个思路在小波束角、低分辨率条件下够用，但一旦波束角变大、信号的方位谱变宽，校正误差会急剧积累。

1.2 二维频域处理：把“歪斜”的响应一次摆正

RMA 的思路跟 RD 完全不一样。它不做逐距离门的近似校正，而是直接把回波变换到二维频域，在频域里用一个匹配滤波把距离和方位之间的耦合关系一次性剥掉，再通过 Stolt 插值把非均匀采样的频谱重采样成直角网格。这个“剥耦合”的过程理解起来需要一点波数域的概念，但核心思想并不复杂：目标回波在二维频域里是一条曲线轨迹，只要这条曲线的参数被精确补偿，数据的频谱就会被重排成规则的网格，随后一个二维逆傅里叶变换就能得到聚焦良好的点目标响应。

我常打比方说，RD 是拿一把剪刀沿着弯曲的边缘一点点修，RMA 是直接拿一个专门设计的模具把整张图压平。两者结果在理想数据下都能聚焦，但在大场景、高分辨率、宽波束的前提下，RMA 的处理精度明显更稳定，因为它几乎没有近似条件，不依赖波束角的限制假设。

1.3 RMA、RD、CS 怎么选

很多刚接触雷达成像的朋友会问：既然 RMA 这么好，是不是所有场景都无脑用 RMA？不是。选择算法要看你的处理窗口、实时性要求和成像模式。

我自己在聚束模式下做高分辨率成像是优先选 RMA 的。Stolt 插值虽然费一点算力，但换来的是整个场景内聚焦质量的一致，尤其是大场景边缘的目标，RD 处理完明显变糊，RMA 还能保持很好的点扩散响应。

2. 回波建模与算法推导，弄懂每个符号的含义

2.1 点目标回波和快慢时间坐标

RMA 的实现虽然最终落在频域，但一切的起点还是时域回波。SAR 成像里有一对时间坐标一定要分清楚：快时间（距离向时间）和慢时间（方位向时间）。快时间对应单个脉冲内的距离采样，慢时间对应脉冲之间的方位采样。

雷达发射线性调频信号，对正侧视条带 SAR 来说，去载频后的基带点目标回波可以写作：

s(τ, t) = A · exp(-j·4π·f_c·R(t)/c) · exp(j·π·K_r·(τ - 2R(t)/c)²)

其中 τ 是快时间，t 是方位慢时间，R(t) = sqrt(R_0² + (v·t)²) 是目标斜距，K_r 是距离向调频率，f_c 是载频。第一个指数项是方位向相位，第二个指数项是距离向调频信号。

这段公式看着简单，但它是整个算法推导的起点。许多人在 Matlab 里生成回波时最容易犯的错误是忽略载频相位，只写了 chirp 部分，结果成像后目标方位向位置完全不对。载频相位在去载频后的基带信号里依然保留着，它是方位向聚焦的关键。

2.2 距离压缩之后信号变成什么

对回波做距离向 FFT，再乘上距离向匹配滤波器，信号就被压缩到距离频域。这个步骤在 Matlab 里实现很方便，本质就是一个 FFT、一个复数乘法、一个 IFFT。不过 RMA 通常不舍弃距离频域数据，直接在距离频域继续做方位向 FFT。

距离压缩后，点目标信号的二维频谱近似可以写为：

S(K_r, K_x) = exp(-j·R_0·sqrt(K_R² - K_x²))

这里 K_R 是距离波数，K_x 是方位波数。这个表达式是理解 RMA 的钥匙。它表明，目标在二维频域的相位是关于 sqrt(K_R² - K_x²) 的线性函数。之所以有个平方根，就是因为距离徙动在二维频谱里表现为距离向和方位向的耦合。只要把这个平方根处理掉，目标就会聚焦成一个规则的二维正弦相位。

2.3 二维频域匹配滤波与 Stolt 插值

RMA 的处理分三步走。第一步，在二维频域乘上一个参考函数，参考距离通常取场景中心距离，函数形式为：

H_ref(K_r, K_x) = exp(j·R_ref·sqrt(K_R² - K_x²))

乘完之后，信号相位变成关于 (R_0 - R_ref) 的线性函数，场景中心目标的相位被完全补偿成常数，其余目标的相位正比于其到参考距离的差。这一步之后，数据频谱里依然存在非均匀的网格，因为 sqrt(K_R² - K_x²) 这个映射是非线性的。

第二步，Stolt 插值。引入一个新变量 K_y，令 K_y = sqrt(K_R² - K_x²)，并把频谱从原来的 (K_R, K_x) 网格重采样到均匀的 (K_y, K_x) 网格。这个重采样就是 Stolt 插值。完成之后，信号相位变成 exp(-j·(R_0 - R_ref)·K_y)，很标准的形式。

第三步就简单了，对重采样后的二维频谱做二维逆傅里叶变换，一幅聚焦图像就出来了。

3. Matlab 完整实现流程（附核心代码）

3.1 仿真参数与场景初始化

先用一组典型的 X 波段 SAR 参数搭建仿真场景。参数选择不必追求非凡的真实性，但要让距离向和方位向的过采样率都大于 1，避免频谱混叠影响成像效果。

c = 299792458; fc = 10e9; lambda = c / fc; Tp = 5e-6; % 脉冲宽度 Kr = 2e13; % 距离向调频率 Bw = abs(Kr) * Tp; % 带宽 fs = 150e6; % 距离向采样率 PRF = 200; % 脉冲重复频率 v = 100; % 平台速度 R0_ref = 5000; % 场景中心参考距离 Na = 512; % 方位向采样数 Nr = 1024; % 距离向采样数

场景里放置四个点目标，分布在不同的距离和方位位置，便于观察成像后点扩散响应的一致性：

R_tg = [4900, 5000, 5100, 5000]; % 目标距离 X_tg = [-10, 0, 10, 25]; % 目标方位位置

3.2 生成多目标回波

快时间轴以场景中心时延为零点来构造，这样可以让回波包络落在距离窗中心附近。

t_r = (0:Nr-1) / fs - Nr / (2*fs); t_az = (-Na/2:Na/2-1) / PRF; s = zeros(Na, Nr); for i = 1:Na for k = 1:4 R = sqrt(R_tg(k)^2 + (v * t_az(i) - X_tg(k))^2); tau = 2 * (R - R0_ref) / c; % chirp 信号，窗口判断包络位置 s(i,:) = s(i,:) + exp(-1j * 4*pi*fc * (R - R0_ref) / c) ... .* exp(1j * pi * Kr * (t_r - tau).^2) ... .* (abs(t_r - tau) <= Tp/2); end end

这段代码有两点需要留意。一是相位项 exp(-j·4π·f_c·(R - R0_ref)/c) 不能省，它携带方位向位置信息；二是包络窗口的写法，abs(t_r - tau) <= Tp/2是为了模拟有限的脉冲宽度。如果忽略包络，目标响应会沿距离向出现持续相位变化，成像效果照样不对。

3.3 距离向匹配滤波

距离向压缩在频域完成。先对回波沿着第二维做 FFT，乘上匹配滤波器，再移回正负频率轴方便后续处理。

S_f = fft(s, Nr, 2); S_f = fftshift(S_f, 2); f_t = (-Nr/2:Nr/2-1) * fs / Nr; H_mf = exp(1j * pi * f_t.^2 / Kr); S_rc = S_f .* H_mf;

这里的匹配滤波器表达式是基带线性调频信号的频域匹配滤波。距离压缩后的数据依然保留在频域，不要在这里做 IFFT，因为 RMA 后续步骤需要二维频域数据。

3.4 方位向 FFT 与二维频域参考滤波

距离压缩完之后，沿着方位向做 FFT，把数据变换到二维频域：

S_2df = fftshift(fft(S_rc, [], 1), 1); f_az = (-Na/2:Na/2-1) * PRF / Na; K_R = 4*pi / c * (fc + f_t); K_X = 2*pi * f_az / v; [K_R_grid, K_X_grid] = meshgrid(K_R, K_X); H_ref = exp(1j * R0_ref * sqrt(K_R_grid.^2 - K_X_grid.^2)); S_mf = S_2df .* H_ref;

注意meshgrid的使用方式。第一个输出是行向量扩展成的网格，第二个输出是列向量扩展成的网格，数据维度 Shape 需要和S_2df的维度保持一致，这里是 Na 行 Nr 列。很多人在这一步栽跟头，维度对不上后面全是骨牌式报错。

3.5 Stolt 插值这一步是灵魂

Stolt 插值把非均匀的频谱重采样成均匀网格。对每个方位波数 K_x，计算对应的 K_y = sqrt(K_R² - K_x²)，然后把该列数据插值到目标均匀网格上。

S_stolt = zeros(Na, Nr); K_y_out = K_R; % 目标均匀距离波数轴 for ia = 1:Na K_y_in = sqrt(K_R.^2 - K_X(ia)^2); % 越界数据置 0，避免边缘噪声 S_stolt(ia,:) = interp1(K_y_in, S_mf(ia,:), K_y_out, 'linear', 0); end

这里的interp1用的是线性插值。快速验证算法流程时线性插值完全够用，想追求更好的聚焦质量和更低的旁瓣，建议升级成 sinc 插值或三次样条插值，后面我会专门说。

3.6 二维 IFFT 成像

插值完成后的数据位于规则的 (K_y, K_x) 网格上，二维逆傅里叶变换就能直接得到图像：

img = ifft2(ifftshift(S_stolt)); img = fftshift(img);

最后的fftshift是为了把图像中心移到矩阵中心。到这一步，四个点目标应该清晰出现在各自对应的距离和方位位置。如果这一步出来的图像是模糊的，不要急着怀疑代码逻辑，优先检查 Stolt 插值前后的坐标轴是否对应。

4. 代码里最容易被坑的四个细节

4.1 波数坐标轴别建错

RMA 里的坐标轴是最大的坑，没有之一。距离波数 K_R = 4π(f_c + f_t)/c，方位波数 K_X = 2π·f_az/v。如果你把 K_R 构建成了行向量、K_X 构建成了列向量，用 meshgrid 扩展时就要确认S_2df的行和列分别对应哪个维度。

我自己最开始写的时候，因为 Matlab 的矩阵维度是先行后列，而meshgrid的第一个输出是列坐标、第二个输出是行坐标，经常弄混。建议每次构建完网格后，用size检查一遍，再打印一个角点值确认方向。这种问题不会报错，但图像出来方位和距离会完全错乱。

4.2 Stolt 插值用线性还是 sinc

上一节的示例代码用了interp1和线性插值。线性插值速度极快，单点目标验证流程没问题，但放到多点目标、尤其多个目标距离很近的场景，你会发现点目标的旁瓣明显升高，主瓣宽度变宽。

线性插值本质上是对频谱做了低通加权，等效于在空间域叠加了一个较宽的卷积核。所以当我从单目标切到多目标验证时，毫不夸张地说，图像里两个目标之间会出现明显的虚假响应。后来我把插值函数改成了带窗的 sinc 插值，主瓣宽度和旁瓣水平立刻恢复正常。

一个性价比高的做法：先把数据沿距离向补零到原始长度的 4 倍，再用线性插值，效果能接近 sinc 插值。补零相当于频域插值的特例，在很多工程实现里都能用这个替代。

4.3 窗函数加不加，结果两回事

距离压缩和方位压缩的频域数据，在 FFT 之前是否加窗，直接决定点目标响应旁瓣高低。不加窗时，频域矩形截断会在目标周围形成比较高的旁瓣，严重的话会掩盖弱目标。

加了窗之后主瓣会展宽，但也换来低旁瓣。实际处理时我习惯在距离向和方位向分别做一次窗函数加权：

w_range = hamming(Nr).'; w_az = hamming(Na); S_rc = S_rc .* w_range; S_2df = S_2df .* w_az;

加窗的位置是在匹配滤波之后、二维频域处理之前。注意这里加窗会改变最终分辨率，如果你看重绝对分辨率而不是图像观感，可以不加或者用更浅的窗（比如 Hann 窗）。经验是：单目标测分辨率时不加，多目标场景展示时加。

4.4 循环慢的时候先检查数据维度

上面生成回波用了两层循环，数据量一大的时候 Matlab 跑起来确实煎熬。Na=512 还好，Na 到 4096 的时候就明显吃力。建议先把两层循环改写成一维矩阵乘法预计算距离矩阵，再一次性生成回波，速度能提升一个数量级以上。

Stolt 插值那里的循环其实也可以优化，用arrayfun或者parfor都能加速。但说实话，我在工程上更常用的方案是把 Stolt 插值用interp2对整个二维频谱一次性重采样，代码写起来更短，运行效率也高不少。

5. 常见成像异常与排查速查表

5.1 图像方位向翻转

现象：目标明明在正方位位置，成像结果却出现在负方位位置。

这种问题基本都出在 K_X 的定义方向或者 FFT 的 shift 处理上。检查一下 f_az 的定义，如果是(-Na/2:Na/2-1)*PRF/Na，那么 K_X 为正时对应目标方位位置为正。如果你在方位向 FFT 后做了一次多余的fftshift或者少做了一次，方向就会反过来。排查办法是在仿真里只放一个位于正方位位置的目标，跑完看位置方向。

5.2 目标散焦（主瓣明显展宽）

现象：点目标响应沿距离向或者方位向拉出长条，峰值降低。

优先怀疑 Stolt 插值精度。线性插值在距离向带宽较大的时候会带来明显的频谱畸变，换成 sinc 插值或者提高距离向采样率通常能缓解。还有一个可能的原因是参考距离 R_ref 偏离场景中心太远。R_ref 应该取场景中心距离，如果取到了场景边缘，场景内大部分目标的相位补偿就不准。

5.3 目标整体偏移

现象：所有目标的位置相对真实位置统一偏移一段距离。

距离向偏移通常是快时间轴参考问题。你要是把 t_r 的零点设置在脉冲发射时刻，而不是场景中心时延，回波信号就会整体平移。方位向偏移一般是 PRF 中心频率没对准，检查fftshift是否与 f_az 的零点对应。

5.4 边缘伪影与噪声

现象：图像边缘出现亮线或者噪声突起。

Stolt 插值的越界数据如果没有置零，插值函数会在边界外使用线性外推，产生异常大的值。interp1的第五个参数我填的是 0，就是让越界区域数据直接置零。如果填的是'extrap'，图像边缘会出现明显的亮条纹。

同样的问题也可能来自数据截断。频谱未加窗的时候，二维频域的非连续截断会在图像边缘产生吉布斯现象，看起来也是边缘噪声，这种情况只能靠加窗缓解。

我平时 debug RMA 的顺序基本固定：先跑一个位于场景中心的目标，确保成像位置和聚焦正常；再把这个目标挪到场景角落，检验 Stolt 插值在边缘区域的表现；最后才上多目标场景。这样每加一层复杂度，问题的归属就清晰很多。

最后再分享一个小技巧。RMA 的调试阶段不要急着上大型回波数据，先用点目标仿真把整个链路的中间频谱图打出来，一边看二维频谱的形状一边调整坐标轴。第一次跑通的时候，看到二维频谱里那条弯曲的轨迹被 Stolt 插值拉直，你对这个算法的理解会比读十篇推导都来得直观。后面有时间我准备把聚束 SAR 模式下 RMA 的处理差异再单独写一篇，这套频域处理框架在聚束数据里同样能发挥很大价值。

本文还有配套的精品资源，点击获取