合成孔径雷达（SAR）的点目标仿真，wKA算法，初学者可以参考一下

基于极坐标格式算法的聚束式SAR成像matlab

CSDN佛怒唐莲上传的视频均有对应的完整代码，皆可运行，亲测可用，适合小白； 1、代码压缩包内容 主函数：main.m； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2019b；若运行有误，根据提示修改；若不会，私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开main.m文件； 步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询 如需其他服务，可私信博主或扫描博客文章底部QQ名片； 4.1 博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作

初版代码，正侧视条件下，进行脉内运动补偿和距离徙动补偿，参考文献请看2021年国防科大的博士论文《微小型无人机载FMCW-SAR成像技术研究与系统实现》，这是我认为写的最详细公式最规范的一篇博士论文，有Ian. G. Cumming的风格，非常推荐！

matlab代码——————FMCW_SAR点目标成像，调频连续波FMCW点目标成像代码

参考我的博客：https://blog.csdn.net/weixin_41649786/article/details/118404909?spm=1001. % 图像拉伸显示函数 % 函数作用：用于拉伸遥感图像 % % 作者：胡礼珍 % 单位：厦门大学联合遥感接收站 % 邮件：hulizhen@xmu.edu.cn % % 输入： % Image 遥感图像矩阵 % str_per 拉伸百分比*100 % 输出： % OutImage 输出一个二维矩阵 % ImageName 将输出的矩阵保存为文件 % % 语法： % Image_Stretching(Image):Image输入参数表示遥感图像，是一个二维矩阵； % [OutImage]=Image_Stretching(Image):对图像进行拉伸处理，输出拉伸后的数据 % Image_Stretching(Image,str_per)：可以调整拉伸显示的比例，默认为2，即2% % ============

根据走停模式生成SAR回波数据； 编写了条带与聚束两种模式下的BP成像算法； 并且在三种坐标系下形成SAR图像； 详细的参考博文《后向投影算法（续）-SAR成像算法系列（八）》；

为解决单一轨道DInSAR(Differential Interferometric Synthetic Aperture Radar)技术难以获取地表三维形变,老采空区上方地基稳定性评价缺乏地表变形监测资料等问题,研究了一种基于多轨道SAR影像的老采空区地表三维形变监测方法。该方法利用2种卫星传感器PALSAR和ASAR拍摄的3个轨道SAR影像,采用传统的DInSAR技术获取地表3组视线向的地表变形。采用插值方法将3组地表变形归化到相同时间间隔。运用最小二乘原理将视线向变形分解到竖直、东西和南北方向以建立地表三维形变场。与地表14个水准点的实测数据对比结果表明:本文算法获取的地表竖向沉降均方根误差为±1 mm,优于传统忽略地表水平变形计算地表沉降的方法。

针对DInSAR(differential interferometric synthetic aperture radar)技术仅能获取雷达视线向(line of sight,LoS)形变的不足,研究了融合多卫星平台求解三维形变场的模型与算法。该算法基于多卫星轨道模式下具有不同成像几何的多源SAR影像联合求解矿区地表形变场。研究结果表明:采用该算法反演的下沉值与水准测量结果相互吻合,均方根误差为±4 mm,吻合程度优于单一影像源反演结果;垂直向位移场与等值线均表明下沉盆地向老采空区偏移,说明老采空区可能活化;东西向水平位移场与等值线符合开采沉陷地表移动规律,而且对于不同的成像模式,东西向水平移动的影响亦不同;由于卫星航向角的正弦值近乎为0,使得三维算法对南北向位移不敏感。

为掌握采空区上方所建高速公路的变形趋势,解决老采空区上方地表变形监测数据较少,不易建立时序沉降预测模型的问题,利用D-InSAR(Differential Interferometric Synthetic Aperture Radar)技术对某高速公路进行了变形监测和分析,同时将其结果同地面实测数据相融合,并以LS-SVM(Least Squares-Support Vector Machine)为基础,建立了采空区上方高速公路变形预计模型,通过实例,验证了模型的正确性。具体过程:处理融合数据为等时间间隔,并将其趋势项去除,对余项进行平稳性、正态性及零均值处理;利用Cao方法计算嵌入维数,建立训练样本集,并进行LS-SVM学习训练;最后,采用训练好的模型对未来地表沉降进行预计。以511号监测点为研究对象,建立滚动预计方法,结果显示其最大下沉绝对误差3 mm,最大相对误差2.2%,取得了较为可靠的预计成果。