SAR成像实战：从线性调频信号生成到距离多普勒算法实现（附完整MATLAB仿真）

最新推荐文章于 2026-05-05 15:51:17 发布

原创

最新推荐文章于 2026-05-05 15:51:17 发布 · 874 阅读

1. 从零开始：理解SAR与线性调频信号（LFM）

如果你对合成孔径雷达（SAR）感兴趣，但一看到复杂的公式和算法流程就头疼，那咱们今天就来点不一样的。我干了十多年雷达信号处理，深知入门时最需要的是一个能“跑起来”的例子。这篇文章，我就带你用MATLAB，从最基础的线性调频信号（LFM）开始，一步步亲手“造”出一个SAR的二维回波，最后再用经典的距离多普勒（RD）算法把它“压”成一张清晰的图像。整个过程，我会把原理掰开揉碎了讲，代码也给你完整的，你只管跟着做，保证有收获。

咱们先聊聊SAR到底是什么。简单说，它就是个装在飞机或者卫星上的“超级相机”。普通光学相机靠太阳光拍照，阴天黑夜就歇菜。SAR不一样，它自己发射电磁波，然后接收目标反射回来的回波，通过复杂的信号处理，就能生成地面的高分辨率图像，风雨无阻，白天黑夜都能工作。这技术在地理测绘、灾害监测、国防等领域用处太大了。而这一切成像能力的起点，就是它发射的那个特殊信号——线性调频信号。

为什么非得是线性调频信号呢？这得从雷达的一个根本矛盾说起：你想看得远，脉冲就得长（能量大）；你想看得清（距离分辨率高），脉冲就得短。这就像鱼和熊掌，不可兼得。LFM信号用一个“魔术”巧妙地解决了这个问题。它的频率不是固定的，而是在一个脉冲持续时间内，从低到高（或从高到低）线性地变化。这样，单个脉冲的时宽可以做得比较长（保证能量，看得远），同时其巨大的带宽又带来了极高的距离分辨率（看得清）。这个“时宽带宽积”是LFM信号的核心优势。

纸上谈兵没意思，咱们直接上代码感受一下。下面这段MATLAB代码，咱们生成一个典型的LFM信号，看看它长什么样。我建议你打开MATLAB，新建一个脚本文件，把这些代码敲进去，或者直接复制运行，亲眼看看波形和频谱，比读十页书都管用。

%% 1. LFM信号生成与可视化 - 实战第一步
clc; clear; close all;

% 关键参数设置（这些参数直接决定了信号特性）
f0 = 0;          % 雷达载波中心频率 (Hz)。这里设为0，意味着我们生成的是基带信号，更易观察。
T = 3e-7;        % 脉冲宽度/时宽 (秒)。3e-7秒就是0.3微秒，一个很典型的短脉冲。
B = 3e8;         % 信号带宽 (Hz)。3e8 Hz就是300MHz，带宽很大，分辨率潜力高。
fs = 2 * B;      % 采样频率 (Hz)。根据奈奎斯特定理，采样率至少是带宽的2倍，这里取2倍。
Ts = 1 / fs;     % 采样间隔 (秒)。
N = round(T / Ts); % 采样点数。确保是整数。
k = B / T;       % 调频率 (Hz/s)。这是LFM的灵魂，表示频率变化的速率。

% 生成时间序列和LFM信号
t = linspace(-T/2, T/2, N); % 时间轴，以脉冲中心为0点对称。
% LFM信号的复数表达式：实部是cos，虚部是sin，合起来用指数形式表示最方便。
s_lfm = exp(1j * pi * k * t.^2); % 基带LFM信号。相位项是 pi * k * t^2，这是二次项，正是频率线性变化的来源。

% 绘制时域波形（实部和虚部）
figure(‘Position‘, [100, 100, 1200, 400]);
subplot(1,2,1);
plot(t*1e6, real(s_lfm), ‘b-‘, ‘LineWidth‘, 1.5); % 实部，即余弦分量。
xlabel(‘时间 (\mus)‘); ylabel(‘幅度‘);
title(‘LFM信号时域波形 (实部)‘);
grid on; axis tight;

subplot(1,2,2);
plot(t*1e6, imag(s_lfm), ‘r-‘, ‘LineWidth‘, 1.5); % 虚部，即正弦分量。
xlabel(‘时间 (\mus)‘); ylabel(‘幅度‘);
title(‘LFM信号时域波形 (虚部)‘);
grid on; axis tight;

% 绘制频谱
S_lfm = fftshift(fft(s_lfm)); % 做FFT，并用fftshift将零频移到频谱中心。
f_axis = linspace(-fs/2, fs/2, N); % 频率轴。

figure;
plot(f_axis*1e-6, abs(S_lfm)/max(abs(S_lfm)), ‘k-‘, ‘LineWidth‘, 1.5); % 归一化幅频特性
xlabel(‘频率 (MHz)‘); ylabel(‘归一化幅度‘);
title(‘LFM信号频谱‘);
grid on; xlim([-B*1e-6/1.5, B*1e-6/1.5]); % 聚焦在主瓣附近

运行完这段代码，你应该能看到两张图。第一张图里信号的实部和虚部看起来像是频率越来越密的“震荡”，这正是频率在线性增加的表现。第二张图的频谱，它不是一个理想的矩形，顶部有些起伏，两边也有拖尾，这就是由所谓的“菲涅尔波纹”造成的。不过别担心，当信号的“时宽带宽积”（T乘以B）这个值很大的时候，

标签