chirp scaling算法，是雷达成像算法中比较常用的。包含具体的算法过程及原理。

在[1]中，通过迭代最小化（SLIM）方法进行的稀疏学习已被证明在MIMO雷达模型的高分辨率成像中是有效的。 但是，那里的回声模型是直接根据离散形式导出的。 成像空间的先前网格化以及所有散射体都精确位于网格上的假设。 因此，这里我们将回波模型推广到任意位置散射体的连续形式。 通过比较两个模型，我们首先指出了先前模型中的一个推导错误。 然后，我们分析了先前模型和SLIM方法在何种程度上会受到离网散射体的范围和角度偏差的影响。 根据我们的分析，由于先前模型中的采样间隔和离散距离仓的大小是根据传输的子脉冲的持续时间设计的，因此距离偏差对成像性能没有重大影响。 但是，角度偏差可能导致基矩阵不匹配，从而严重影响SLIM的重建结果。 因此，提出了一种基于自更新的SLIM（SUB-SLIM）方法，通过交替稀疏成像和自适应细化角箱来处理偏角网格散射体。 数值结果说明了我们的方法和相关分析的有效性。

需要自己添加数据

自编雷达成像CS算法完整程序（对应《雷达成像技术》 保铮、邢孟道、王彤 P151内容） 仿真三个点的回波数据，使用CS算法成像 注释详尽，逻辑清晰，结果正确 仅供学习雷达成像使用，转载请注明出处

一本很好的微波雷达成像与先进概念书籍，由著名的Roger J.Sullivan编著

Introduction to Synthetic Aperture Radar (SAR) Background of Compressed Sensing Reconstruct Radar Image by CS methods

SAR Image Formation and Image Properties ,介绍SAR成像原理的PPT，内容比较基础，适合刚接触SAR成像算法的同学学习。

合成孔径雷达成像算法与实现（附光盘数据和仿真代码）

经典合成孔径雷达成像，RD算法，包含正侧视，大小斜视角等多个成像场景

合成孔径雷达成像算法与实现（附光盘数据和仿真代码）