频率变标算法(FSA,Frequency Scaling)

最近在研究SAR成像算法时，需要用到Frequency Scaling算法，看了一段时间的资料，将FS算法做一个总结，有不到之处欢迎大家批评指正。
代码实现部分可以参考我的GitHub：

https://github.com/Huang-Zh-club/Frequency-Scaling

1.FS算法与CS算法的区别

首先，接触FS算法时一般都已经接触了CS算法和RD算法，RD算法在距离徙动校正时需要插值，与CS和FS算法差异较大，这里不深究。那么CSA与FSA都是用到了在频域（波数域）进行相乘以变标，那么其差别和联系在哪里呢？
无论是CSA或者FSA其本质都是要完成距离徙动校正来实现聚焦，只不过实现方式不同，我认为其差别体现在以下几个方面：

1. CSA处理的信号需要时线性调频的；而FSA处理的信号则不要求是线性调频的，而是经过解线性频调的回波
2. CSA在频域（多普勒频域以及二维频域）进行相位补偿操作；FSA则在波数域进行相位补偿操作
3. 所以CSA将RCMC分为补余RCMC和一致RCMC，在完成补余RCMC之后，不同距离的RCM变成一致，而后再进行一致RCMC、距离压缩和方位压缩等等；而FSA则通过变标操作使得不同距离的RCM一致，而后在波数域进行RCM校正、SRC和方位压缩等等

由于由频率调制实现的变标或者平移不能太大，否则会引起不利的信号中心频率和带宽改变。所以两种算法的RCMC都分了两步进行

2.FS算法

FS算法是一种改进的线频调变标算法，该算法不要求信号在距离上是线性调频的，而是直接处理距离解线频调后的 SAR 数据。
以下用到的仿真参数设置如下

2.1解线频调

解线频调利用LFM信号的特征，用时间固定，频率和调频率相同的LFM信号作为参考信号，用它和回波做差频处理，也是一种脉冲压缩的方式。
发射LFM信号为
$$s\left(\hat{t},t_m\right)=\mathrm{rect}\left(\frac{\hat{t}}{T_p}\right)\exp \left(j2\pi \left(f_c\hat{t}+\frac{1}{2}\gamma {\hat{t}}^2\right)\right)$$

其中，$t_m$为慢时间（包含在斜距历程中）,$\hat{t}$为快时间,$f_c$为中心频率，$\gamma$为调频率,$T_p$为脉宽。
则经过目标反射，回波信号为
$$s_r\left(\hat{t},t_m\right)=\mathrm{Arect}\left(\frac{\hat{t}-2R_t/c}{T_p}\right)\exp \left(j2\pi \left(f_c\left(\hat{t}-\frac{2R_t}{c}\right)+\frac{1}{2}\gamma {\left(\hat{t}-\frac{2R_t}{c}\right)}^2\right)\right)$$

参考距离为$R_{ref}$,则参考信号为
$$s_r\left(\hat{t},t_m\right)=\mathrm{Arect}\left(\frac{\hat{t}-2R_{ref}/c}{T_p}\right)\exp \left(j2\pi \left(f_c\left(\hat{t}-\frac{2R_{ref}}{c}\right)+\frac{1}{2}\gamma {\left(\hat{t}-\frac{2R_{ref}}{c}\right)}^2\right)\right)$$

则解线频调就是将回波信号与参考信号的共轭相乘，
$$s_{if}\left(\hat{t},t_m\right)=s_r\left(\hat{t},t_m\right)\cdot s_{ref}^{\ast }\left(\hat{t},t_m\right)$$

则解线频调之后的信号即
$$\begin{gathered} s_{if}\left(\hat{t},t_m\right)=\mathrm{Arect}\left(\frac{\hat{t}-2R_t/c}{T_p}\right)\exp \left(-j\frac{4\pi }{c}\gamma \left(\hat{t}-\frac{2R_{ref}}{c}\right)R_{\Delta }\right) \\ \exp \left(-j\frac{4\pi }{c}{f}_c{R}_{\Delta }\right)\exp \left(j\frac{4\pi \gamma }{c^2}{R}_{\Delta }^2\right) \end{gathered}$$

其中$R_{\Delta }=R_t-R_{ref}$，可以看出在一个信号周期里，即距离差为定值，则差频处理后的信号变成了单频信号，差频输出的信号频率为

$$f=2\gamma R_{\Delta }/c$$

差频后的时间轴也不再表示距离信息，这时的时间轴与频谱频率的关系为
$$f=f_c+\gamma \tau$$

由于时间和频率轴的含义发生了变化，因而也叫‘时频变换’。
这里借用参考书籍中的解线频调的示意图来说明这一过程

对于图（a）,我们的发射信号是LFM，所以发射信号频率是关于时间的线性函数，并且调制到载频上所以信号的中心频率是$f_c$，不同距离处的回波的时间延迟是不同的，所以图示的远距离回波、场景中心回波、近距离回波在时间轴上的位置不同。在一个信号周期里，快时间认为是定值，解调差频输出的信号频率为$2\gamma R_{\Delta }/c$ ，对于某一个距离该值也是常数，所以图（b）的回波是平行于横轴的。

下面是对一个点目标的回波仿真结果，回波数据即已经解线频调后的回波（是一个Na*Nr的矩阵），然后抽取一行方位向数据，根据相位表达式，方位向时刻确定，信号相位是关于快时间的线性函数；抽取一列距离向数据，根据相位表达式，距离向向时刻确定，是关于慢时间的二次函数，所以中间震荡慢，两边震荡快。

2.2 FS算法

解线频调后的信号为
$$\begin{array}{l}s\left(X_a,\tau \right)=\sigma \mathrm{rec}t\left[\frac{X_a-X_{ac}}{L}\right]\cdot \mathrm{rect}\left[\frac{\tau -\frac{2}{c}\left(R_t-R_{ref}\right)}{T_p}\right]\cdot \exp \left[j\Phi \left(X_a,\tau \right)\right]\\ \Phi \left(X_a,\tau \right)=-\frac{4\pi \cdot \gamma }{c}\cdot \tau \cdot \left(R_t-R_{ref}\right)+\frac{4\pi \cdot \gamma }{c^2}\cdot {\left(R_t-R_{ref}\right)}^2\\ -\frac{4\pi \cdot f_c}{c}\cdot \left(R_t-R_{ref}\right)\end{array}$$

$X_a$和$X_{ac}$分别为信号方位位置和孔径中心位置， $\tau$为距离时间（这里的$\tau =\hat{t}-2R_{ref}/c$,即改变波束中心），$\gamma$为线性调频率，$R_{ref}$ 为参考距离。第一项和第三项为有用信息，分别用于距离分辨和方位分辨，第二项为剩余视频相位（RVP），实际处理中需要消除。其中瞬时斜距为

$$R_t=\sqrt{{\left(X_a-x_0\right)}^2+R_B^2}$$

大时间带宽条件下，$s(X_a,\tau )$可以表示为参看附录证明1

$$\begin{array}{l}s\left(X_a,\tau \right)=\left\{A\cdot \exp \left[j\frac{4\pi \gamma }{c}\cdot \left(\frac{f_c}{\gamma }+\tau \right)\cdot \left(R_{ref}-R_t\right)\right]\right\}\otimes \exp \left[-j\pi \gamma {\tau }^2\right]\\ A\left(X_a,\tau \right)=C\cdot \mathrm{rect}\left[\frac{X_a-X_{ac}}{L}\right]\cdot \mathrm{rec}t\left[\frac{\tau }{T_p}\right]\end{array}$$

即信号可以表示成有用部分和剩余相位的卷积。在未进行解线频调之前表示都是用时间表示距离，但是解线频调信号去斜后的基频回波用频率差值表示距离，所以解线频调又称为‘时频变换’。
在解线性频调之前可以知道，不同场景目标处的回波的时延$2R_t\left(t\right)/c$不同，在距离时间轴上看起来，不同目标的回波中心不同，也就是‘斜的’；再将信号表示成(8)之后，信号的卷积符号前的部分$\tau =\hat{t}-2R_{ref}/c$，也就是中心全都在同样的距离位置，所以卷积符号后边部分相当于对信号完成了‘置斜’操作，而将信号表示成卷积的形式就是为了便于‘去斜’。

变标操作

由于FS是在波数域进行的，首先做变量替换把距离时间域转化为距离波数域

$$\begin{array}{c}{K}_{Rc}=\frac{4\pi f_c}{c}\\ \Delta K_R=\frac{4\pi \gamma \tau }{c}\\ K_R=K_{Rc}+\Delta K_R\\ b=\frac{8\pi \gamma }{c^2}\end{array}$$

注意，这里仅仅做了变量替换，在代码中信号还是原来的信号，只不过表示形式在推导公式时有变化，则信号可以表示成

s ( X a , Δ K R ) = { A ⋅ exp ⁡ [ − j K R ( R t − R r e f ) ] } ⊗ exp ⁡ [ − j Δ K R 2 2 b ] A ( X a , Δ K R ) = C ⋅ rect ⁡ [ X a − X a c L ] ⋅ rec ⁡ [ 2 Δ K R b c T p ] \begin{array}{l} s\left(X_{a}, \Delta K_{R}\right)=\left\{A \cdot \exp \left[-j K_{R}\left(R_{t}-R_{r e f}\right)\right]\right\} \otimes \exp \left[-j \frac{\Delta K_{R}^{2}}{2 b}\right] \\ A\left(X_{a}, \Delta K_{R}\right)=C \cdot \operatorname{rect}\left[\frac{X_{a}-X_{a c}}{L}\right] \cdot \operatorname{rec}\left[\frac{2 \Delta K_{R}}{b c T_{p}}\right] \end{array} s(Xa​,ΔKR​)={A⋅exp[−jKR​(Rt​−Rref​)]}⊗exp[−j2bΔKR2​​]A(Xa​,ΔKR​)=C⋅rect[LXa​−Xac​​]⋅rec[bcTp​2ΔKR​​]​

做方位向傅里叶变换将信号变换到二维波数域参看附录证明2

$$\int A\exp \left[-j{K}_R\left(\sqrt{{\left(X-x_0\right)}^2+{R_B}^2}-R_{ref}\right)\right]\exp \left(-j{K}_{X}X\right)dX$$

得到信号二维波数域解析式

$$S\left(K_X,\Delta K_R\right)=\left\{A\cdot \exp \left[j{K}_R{R}_{ref}\right]\cdot \exp \left[-j\sqrt{{K_R}^2-{K_x}^2}{R}_B-j{K}_X{x}_0\right]\right\}\otimes \exp \left[-j\frac{\Delta K_R^2}{2b}\right]$$

做近似得到，参看附录

$$\begin{array}{c}S\left(K_X,\Delta K_R\right)=\left\{\begin{array}{c}A\cdot \exp \left[-j\left(\frac{R_B}{A_X}-R_{ref}\right)\Delta K_R\right]\cdot \exp \left(j{K}_{Rc}{R}_{ref}\right)\\ \cdot \exp \left[-j{A}_X{K}_{Rc}{R}_B-j{K}_X{x}_0\right]\cdot \exp \left[j\frac{R_B{K}_X^2}{2K_{Rc}^3{A}_X^3}\Delta K_R^2\right]\\ \cdot \exp \left[-j\frac{R_B{K}_X^2}{2K_{Rc}^4{A}_X^5}\Delta K_R^3\right]\end{array}\right\}\\ \otimes \exp \left[-j\frac{\Delta K_R^2}{2b}\right]\\ A\left(K_X,\Delta K_R\right)=C\cdot \mathrm{rect}\left[\frac{K_X{R}_B}{L\sqrt{K_R^2-K_X^2}}+\frac{X_{ac}-x_0}{L}\right]\cdot \mathrm{rect}\left[\frac{2\Delta K_R}{bc{T}_p}\right]\\ A_X=\sqrt{1-{\left(\frac{K_X}{K_{Rc}}\right)}^2}\end{array}$$

参看附录证明3这里的$A_X$其实就是CS算法中的徙动因子。FSA通过在二维波数域乘以线性调频函数使得距离波数展缩一定的倍数。可以看出，二维波数域中$\Delta K_R$的一次项系数为$R_{ref}-R_B/A_X$，即不同斜距的距离徙动不同，为了消除这一现象，可以让一次项系数进行展缩，使得其中的$A_X$消除，这样不同距离的RCM就一致了。并且斜视角越大，$A_X$（瞬时斜视角的余弦值）越小，即距离波数展宽越大，为了使展宽后波数仍在处理带宽内，引入一个实数$\alpha$，使得$A_X\alpha$尽量接近于1。一些文献是没有这个实数的，处理的时候根据参数设置具体分析

下图展示了三个不同距离的目标回波的距离徙动曲线，变标就是为了把近距以及远距的徙动曲线从虚线校正到实线位置，而参考位置的距离徙动也是一条曲线，就对应了$A_X$是随着方位波数变化的。

变标函数为

$$H_{FS}\left(K_X,\Delta K_R\right)=\exp \left[j\frac{\Delta K_R^2}{2b}\left(1-\alpha A_X\right)\right]$$

乘以变标函数后经过一定的变换，点目标的回波信号为，推导参见附录4

$$\begin{array}{c}{S}_1\left(K_X,\Delta K_R\right)=\{A_1\exp \left[j\alpha \left(A_X{R}_{ref}-R_B\right)\Delta K_R+j\frac{{\alpha }^2{R}_B{K}_X^2}{2K_{Rc}^3{A}_X}\Delta K_R^2\right]\\ \cdot \exp \left[j{K}_{RC}{R}_{ref}\right]\cdot \exp \left[j\frac{\alpha A_X\Delta K_R^2}{2b}\left(1-\alpha A_X\right)\right]\\ \cdot \exp \left[-j{A}_X{K}_{RC}{R}_B-j{K}_X{x}_0\right]\cdot \exp \left[-j\frac{{\alpha }^3{R}_B{K}_X^2}{2K_{Rc}^4{A}_X^2}\Delta K_R^3\right]\}\\ \otimes \exp \left[-j\frac{\alpha A_X\Delta K_R^2}{2b}\right]\end{array}$$

其中$A_1=C\cdot A\left(K_X,\alpha A_X\Delta K_R\right)$，这里可以看到一次项系数发生了改变$A_X{R}_{ref}-R_B$，即这时的参考位置可以看成为$A_X{R}_{ref}$。

在距离波数域的卷积即是距离域的相乘，所以对变标后的信号作距离逆傅里叶变换，剩余视频相位去除通过乘以距离参考函数参见附录证明5

$$H_{RVPC}\left(K_X,Y_S\right)=\exp \left[-j\frac{b{Y}_S^2}{2\alpha A_X}\right]$$

这时，二维波数域的信号形式即前面中卷积符号前的形式，即完成了‘去斜操作’。对比变标前后的信号形式可知变标操作引入了新的关于$\Delta K_R$的二次相位误差，应该在后续操作前予以去除（在哪个域引入的就在那个域去除），对信号做距离傅里叶变换，在二维波数域乘以参考函数

$$H_{IFS}\left(K_X,\Delta K_R\right)=\exp \left[j\frac{\alpha A_X\Delta K_R^2}{2b}\left(\alpha A_X-1\right)\right]$$

这相当于逆变标的过程。

距离徙动校正及压缩

完成变标操作之后，这时不同距离点目标回波的距离弯曲相等。这时信号的二维波数域为

$$\begin{array}{c}{S}_1\left(K_X,\Delta K_R\right)=\{A_1\exp \left[j\alpha \left(A_X{R}_{ref}-R_B\right)\Delta K_R+j\frac{{\alpha }^2{R}_B{K}_X^2}{2K_{Rc}^3{A}_X}\Delta K_R^2\right]\\ \cdot \exp \left[-j{A}_X{K}_{RC}{R}_B-j{K}_x{x}_0\right]\cdot \exp \left[-j\frac{{\alpha }^3{R}_B{K}_X^2}{2K_{Rc}^4{A}_X^2}\Delta K_R^3\right]\}\end{array}$$

在二维波数域乘以线性相位函数对距离徙动进行校正

$$H_{RMC}\left(K_X,\Delta K_R\right)=\exp \left[j\alpha A_X{R}_{ref}\Delta K_R-j\alpha R_s\Delta K_R\right]$$

其中$R_s$为天线与场景中心的最近距离。二次距离压缩

$$H_{SRC}\left(K_X,\Delta K_R\right)=\exp \left[-j\frac{{\alpha }^2{R}_B{K}_X^2}{2K_{Rc}^3{A}_X}\Delta K_R^2\right]\cdot \exp \left[j\frac{{\alpha }^3{R}_B{K}_X^2}{2K_{Rc}^4{A}_X^2}\Delta K_R^3\right]$$

进行距离向傅里叶逆变换完成距离压缩之后，乘以匹配函数进行方位压缩

$$H_{AS}\left(K_X,Y_s\right)=\exp \left[j{K}_{Rc}{A}_X{R}_B\right]$$

最后做方位向傅里叶逆变换得到时域解析形式。

整个FSA的流程框图如下图所示。

注意：编程问题，方位波数的范围以及采样间隔怎么设置？可以从波数的定义来考虑。振荡频率$f_c$的单频平面波（角频率为${\omega }_c=2\pi f_c$）沿着$l$方向传播，其时空表达式为$\sigma e^{j\left({\omega }_{c}t-Kl\right)}$，振幅为常数，相位$\psi \left(t,l\right)={\omega }_{c}t-Kl$，$K$其中称为波数或者空间（角）频率，${\omega }_c=\frac{\partial \psi }{\partial t}$,$K=-\frac{\partial \psi }{\partial l}$ ，电磁波传输速度$c=\frac{\partial l}{\partial t}=\frac{\partial l}{\partial \psi }\frac{\partial \psi }{\partial t}=\frac{{\omega }_c}{K}$即$K=\frac{{\omega }_c}{c}=\frac{2\pi f_c}{c}=\frac{2\pi }{\lambda }$ 。
距离波数的定义是这里的2倍$\Delta K_R=2\frac{2\pi \gamma \tau }{c}$，是为了方便处理。
那么在方位向，运动是传感器引起的，速度即是传感器的速度，则波数$k_a=2\pi f_a/V$。

对点目标进行仿真，仿真结果如下

从最后的成像结果可以看出聚焦效果良好，完成了成像。

附录（公式推导）

1.卷积的证明
卷积公式为
$$y\left(t\right)=x\left(t\right)\otimes h\left(t\right)=\int h\left(\tau \right)x\left(t-\tau \right)d\tau$$

欲证明信号可以表示成卷积的形式，只需要计算下式卷积结果（忽略包络）
$$s\left(X_a,\tau \right)=\left\{\exp \left[j\frac{4\pi \gamma }{c}\cdot \left(\frac{f_c}{\gamma }+\tau \right)\cdot \left(R_{ref}-R_t\right)\right]\right\}\otimes \exp \left[-j\pi \gamma {\tau }^2\right]$$

上式是对$\tau$为变量进行卷积，所以可以写成

$$\exp \left(-j\frac{4\pi }{c}{f}_c{R}_{\Delta }\right)\cdot \exp \left[-j\frac{4\pi \gamma }{c}\cdot \tau \cdot R_{\Delta }\right]\otimes \exp \left[-j\pi \gamma {\tau }^2\right]$$

由于第一项中不含积分变量只计算后两项的积分即可
$$\int \exp \left[-j\frac{4\pi \gamma }{c}\cdot \left(\tau -t\right)\cdot R_{\Delta }\right]\exp \left(-j\pi \gamma t^2\right)dt$$

这里利用驻定相位法计算积分，相位为$theta\left(t\right)=-\pi \gamma t^2-\left(\tau -t\right)R_{\Delta }4\pi \gamma /c$ ，求关于$t$的导数等于0得到 $t=2R_{\Delta }/c$，将其带入相位中得

$$\begin{array}{c}\theta =-\pi \gamma {\left(\frac{2R_{\Delta }}{c}\right)}^2-\frac{4\pi \gamma }{c}\left(\tau -\frac{2R_{\Delta }}{c}\right)R_{\Delta }\\ =-\frac{4\pi \gamma {R_{\Delta }}^2}{c^2}-\frac{4\pi \gamma }{c}\tau R_{\Delta }+\frac{8\pi \gamma {R_{\Delta }}^2}{c^2}\\ =\frac{4\pi \gamma {R_{\Delta }}^2}{c^2}-\frac{4\pi \gamma }{c}\tau R_{\Delta }\end{array}$$

所以卷积后相位为

$$\frac{4\pi \gamma {R_{\Delta }}^2}{c^2}-\frac{4\pi \gamma }{c}\tau R_{\Delta }-\frac{4\pi f_c}{c}{R}_{\Delta }$$
$$\Phi \left(X_a,\tau \right)=-\frac{4\pi \cdot \gamma }{c}\cdot \tau \cdot \left(R_t-R_{ref}\right)+\frac{4\pi \cdot \gamma }{c^2}\cdot {\left(R_t-R_{ref}\right)}^2-\frac{4\pi \cdot f_c}{c}\cdot \left(R_t-R_{ref}\right)$$
证毕
2. 方位向傅里叶变换
原式为
s ( X a , Δ K R ) = { A ⋅ exp ⁡ [ − j K R ( R t − R r e f ) ] } ⊗ exp ⁡ [ − j Δ K R 2 2 b ] A ( X a , Δ K R ) = C ⋅ rect ⁡ [ X a − X a c L ] ⋅ rec ⁡ [ 2 Δ K R b c T p ] \begin{array}{l} s\left(X_{a}, \Delta K_{R}\right)=\left\{A \cdot \exp \left[-j K_{R}\left(R_{t}-R_{r e f}\right)\right]\right\} \otimes \exp \left[-j \frac{\Delta K_{R}^{2}}{2 b}\right] \\ A\left(X_{a}, \Delta K_{R}\right)=C \cdot \operatorname{rect}\left[\frac{X_{a}-X_{a c}}{L}\right] \cdot \operatorname{rec}\left[\frac{2 \Delta K_{R}}{b c T_{p}}\right] \end{array} s(Xa​,ΔKR​)={A⋅exp[−jKR​(Rt​−Rref​)]}⊗exp[−j2bΔKR2​​]A(Xa​,ΔKR​)=C⋅rect[LXa​−Xac​​]⋅rec[bcTp​2ΔKR​​]​

由于卷积符号后一项无方位向时间，所以不需要进行变换

$$S\left(K_X,\Delta K_R\right)=\mathbf{F}\left[A\exp \left[-j{K}_R\left(R_t-R_{ref}\right)\right]\right]\otimes \exp \left[-j\frac{\Delta K_R^2}{2b}\right]$$

则
$$\int A\exp \left[-j{K}_R\left(\sqrt{{\left(X-x_0\right)}^2+R_B^2}-R_{ref}\right)\right]\exp \left(-j{K}_{X}X\right)dX$$

仍是利用驻定相位法，其相位为
$$\theta \left(X\right)=-K_R\left(\sqrt{{\left(X-x_0\right)}^2+{R_B}^2}-R_{ref}\right)-K_{X}X$$

对相位求关于$X$的导数求得驻相点为
$$X=-\frac{K_X{R}_B}{\sqrt{{K_R}^2-{K_X}^2}}+x_0$$

则相位为
$$\theta =-R_B\sqrt{{K_R}^2-{K_X}^2}+K_R{R}_{ref}-K_X{x}_0$$

证毕

3.近似
$$S\left(K_X,\Delta K_R\right)=\left\{A\cdot \exp \left[j{K}_R{R}_{ref}\right]\cdot \exp \left[-j\sqrt{{K_R}^2-{K_x}^2}{R}_B-j{K}_X{x}_0\right]\right\}\otimes \exp \left[-j\frac{\Delta K_R^2}{2b}\right]$$

对上式的近似主要是针对$\sqrt{{K_R}^2-{K_x}^2}$

$$\begin{array}{c}\sqrt{{K_R}^2-{K_x}^2}=\sqrt{{\left(K_{Rc}+\Delta K_R\right)}^2-{K_x}^2}\\ =\sqrt{{K_{Rc}}^2+\Delta {K_R}^2+2K_{Rc}\Delta K_R-{K_x}^2}\\ =K_{Rc}\sqrt{1+\frac{\Delta {K_R}^2}{{K_{Rc}}^2}+2\frac{\Delta K_R}{K_{Rc}}-\frac{{K_x}^2}{{K_{Rc}}^2}}\end{array}$$

令$A_X=\sqrt{1-{K_X}^2/{K_{Rc}}^2}$则

$$\begin{array}{c}\sqrt{{K_R}^2-{K_x}^2}=K_{Rc}\sqrt{{A_X}^2+\frac{\Delta {K_R}^2}{{K_{Rc}}^2}+2\frac{\Delta K_R}{K_{Rc}}}\\ =K_{Rc}{A}_X\sqrt{1+\frac{\frac{\Delta {K_R}^2}{{K_{Rc}}^2}+2\frac{\Delta K_R}{K_{Rc}}}{{A_X}^2}}\end{array}$$

参考文献1中公式8.70有
$$K_{Rc}{A}_X\sqrt{1+\frac{\frac{\Delta {K_R}^2}{{K_{Rc}}^2}+2\frac{\Delta K_R}{K_{Rc}}}{{A_X}^2}}=K_{Rc}{A}_X\left[1+\frac{1}{{A_X}^2}\frac{\Delta K_R}{K_{Rc}}-\frac{\frac{{K_X}^2}{{K_{Rc}}^2}}{2{A_X}^4}{\left(\frac{\Delta K_R}{K_{Rc}}\right)}^2+\frac{\frac{{K_X}^2}{{K_{Rc}}^2}}{2{A_X}^6}{\left(\frac{\Delta K_R}{K_{Rc}}\right)}^3\right]$$

证毕。

$$\begin{array}{c}S\left(K_X,\Delta K_R\right)=\{A\cdot \exp \left[j\Delta K_R{R}_{ref}\right]\cdot \exp \left(j{K}_{Rc}{R}_{ref}\right)\exp \left[-j{A}_X{K}_{Rc}{R}_B-j{K}_X{x}_0\right]\exp \left[-j\frac{\Delta K_R}{A_X}{R}_B\right]\\ \cdot \exp \left[j\frac{R_B{K}_X^2}{2K_{Rc}^3{A}_X^3}\Delta K_R^2\right]\cdot \exp \left[-j\frac{R_B{K}_X^2}{2K_{Rc}^4{A}_X^5}\Delta K_R^3\right]\}\otimes \exp \left[-j\frac{\Delta K_R^2}{2b}\right]\end{array}$$

则根据卷积公式

$$H_{FS}\left(K_X,\Delta K_R\right)=\exp \left[j\frac{\Delta K_R^2}{2b}\left(1-\alpha A_X\right)\right]$$

$$\begin{array}{c}S\left(K_X,\Delta K_R\right)=\{A\left(K_X,\Delta K_R\right)\cdot \exp \left[j\Delta K_R{R}_{ref}\right]\cdot \exp \left(j{K}_{Rc}{R}_{ref}\right)\exp \left[-j{A}_X{K}_{Rc}{R}_B-j{K}_X{x}_0\right]\exp \left[-j\frac{\Delta K_R}{A_X}{R}_B\right]\\ \cdot \exp \left[j\frac{R_B{K}_X^2}{2K_{Rc}^3{A}_X^3}\Delta K_R^2\right]\cdot \exp \left[-j\frac{R_B{K}_X^2}{2K_{Rc}^4{A}_X^5}\Delta K_R^3\right]\}\otimes \exp \left[-j\frac{\Delta K_R^2}{2b}\right]\\ \cdot \exp \left[j\frac{\Delta K_R^2}{2b}\left(1-\alpha A_X\right)\right]\\ =\exp \left(j{K}_{Rc}{R}_{ref}\right)\exp \left[-j{A}_X{K}_{Rc}{R}_B-j{K}_X{x}_0\right]\int A\left(K_X,\Delta L\right)\exp \left[j\Delta L{R}_{ref}\right]\exp \left[-j\frac{\Delta L}{A_X}{R}_B\right]\\ \cdot \exp \left[j\frac{R_B{K}_X^2}{2K_{Rc}^3{A}_X^3}\Delta L^2\right]\cdot \exp \left[-j\frac{R_B{K}_X^2}{2K_{Rc}^4{A}_X^5}\Delta L^3\right]\exp \left(-j\frac{{\left(\Delta K_R-\Delta L\right)}^2}{2b}\right)d\Delta L\\ \cdot \exp \left[j\frac{\Delta K_R^2}{2b}\left(1-\alpha A_X\right)\right]\end{array}$$

由于最后一项与$\Delta L$无关，所以可以写进积分符号里面，对于积分符号里面的最后两项

$$\begin{array}{l}\exp \left(-j\frac{{\left(\Delta K_R-\Delta L\right)}^2}{2b}\right)\exp \left[j\frac{\Delta K_R^2}{2b}\left(1-\alpha A_X\right)\right]=\exp \left(-j\frac{\Delta L^2-2\Delta K_R\Delta L+\alpha A_X\Delta K_R^2}{2b}\right)\\ =\exp \left(-j\frac{\alpha A_X}{2b}\left(\frac{\Delta L^2}{{\alpha }^2{A_X}^2}-\frac{2\Delta K_R\Delta L}{\alpha A_X}+\Delta K_R^2+\frac{\Delta L^2}{\alpha A_X}-\frac{\Delta L^2}{{\alpha }^2{A_X}^2}\right)\right)\\ =\exp \left(-j\frac{\alpha A_X}{2b}{\left(\Delta K_R-\frac{\Delta L}{\alpha A_X}\right)}^2\right)\exp \left(j\frac{1-\alpha A_X}{2b\alpha A_X}\Delta L^2\right)\end{array}$$

则

$$\begin{array}{c}=\exp \left(j{K}_{Rc}{R}_{ref}\right)\exp \left[-j{A}_X{K}_{Rc}{R}_B-j{K}_X{x}_0\right]\int A\left(K_X,\Delta L\right)\exp \left[j\Delta L{R}_{ref}\right]\exp \left[-j\frac{\Delta L}{A_X}{R}_B\right]\\ \cdot \exp \left[j\frac{R_B{K}_X^2}{2K_{Rc}^3{A}_X^3}\Delta L^2\right]\cdot \exp \left[-j\frac{R_B{K}_X^2}{2K_{Rc}^4{A}_X^5}\Delta L^3\right]\exp \left(-j\frac{\alpha A_X}{2b}{\left(\Delta K_R-\frac{\Delta L}{\alpha A_X}\right)}^2\right)\exp \left(j\frac{1-\alpha A_X}{2b\alpha A_X}\Delta L^2\right)d\Delta L\end{array}$$

做替换

$$\begin{array}{l}=\exp \left(j{K}_{Rc}{R}_{ref}\right)\exp \left[-j{A}_X{K}_{Rc}{R}_B-j{K}_X{x}_0\right]\int A\left(K_X,\alpha A_X\Delta L\right)\exp \left[j\alpha A_X\Delta L_1{R}_{ref}\right]\\ \exp \left[-j\frac{\alpha A_X\Delta L_1}{A_X}{R}_B\right]\exp \left[j\frac{R_B{K}_X^2}{2K_{Rc}^3{A}_X^3}{\left(\alpha A_X\Delta L\right)}^2\right]\cdot \exp \left[-j\frac{R_B{K}_X^2}{2K_{Rc}^4{A}_X^5}{\left(\alpha A_X\Delta L_1\right)}^3\right]\\ \exp \left(-j\frac{\alpha A_X}{2b}{\left(\Delta K_R-\frac{\alpha A_X\Delta L_1}{\alpha A_X}\right)}^2\right)\exp \left(j\frac{1-\alpha A_X}{2b\alpha A_X}{\left(\alpha A_X\Delta L_1\right)}^2\right)\alpha A_{X}d\Delta L_1\\ =A_1\exp \left(j{K}_{Rc}{R}_{ref}\right)\exp \left[-j{A}_X{K}_{Rc}{R}_B-j{K}_X{x}_0\right]\exp \left[j\left(\alpha A_X{R}_{ref}-\alpha R_B\right)\Delta K_R\right]\\ \exp \left[j\frac{R_B{K}_X^2}{2K_{Rc}^3{A}_X^3}{\left(\alpha A_X\Delta K_R\right)}^2\right]\cdot \exp \left[-j\frac{R_B{K}_X^2}{2K_{Rc}^4{A}_X^5}{\left(\alpha A_X\Delta K_R\right)}^3\right]\exp \left(j\frac{1-\alpha A_X}{2b}\alpha A_X\Delta {K_R}^2\right)\\ \otimes \exp \left(-j\frac{\alpha A_X}{2b}{\left(\Delta K_R\right)}^2\right)\end{array}$$

5.剩余视频相位的去除
剩余视频相位（RVP）校正指的是去斜处理，即解卷积，消除式中的置斜处理项，即消除卷积符号后的项。常规思路是将(23)进行距离傅里叶逆变换，然后去斜，再进行傅里叶变换得到二维频域的形式。由于傅里叶逆变换比较复杂，这里根据信号卷积的性质来进行去斜。
待证明的信号其实可以简化为$x\otimes h$，现在欲去除$h$的影响，只需要进行$x\otimes h\otimes h_1$，其中$h_1$可以将$h$的效果抵消即可，所以这一步可以转换为设计$h$的匹配滤波器 $h_1$（这样表述有无问题？）

$$H\left(\Delta K_R\right)=\exp \left(-j\frac{\alpha A_X}{2b}{\left(\Delta K_R\right)}^2\right)$$

对$H\left(\Delta K_R\right)$进行傅里叶逆变换

$$\begin{array}{l}\int \exp \left(-j\frac{\alpha A_X}{2b}{\left(\Delta K_R\right)}^2\right)\exp \left(jY\Delta K_R\right)d\Delta K_R\\ \theta \left(\Delta K_R\right)=Y\Delta K_R-\frac{\alpha A_X}{2b}{\left(\Delta K_R\right)}^2\end{array}$$

对相位求导得到驻相点为$\Delta K_R=\frac{bY}{\alpha A_X}$，所以逆傅里叶变换的结果为

$$h\left(Y\right)=\exp \left(j\frac{b{Y}^2}{2\alpha A_X}\right)$$

所以滤波器设置为上式的共轭即可：
$$H_{RVPC}\left(Y\right)=\exp \left(-j\frac{b{Y}^2}{2\alpha A_X}\right)$$

参考书籍：

1. 魏忠铨, 等. 合成孔径雷达卫星[M]. 北京: 科学出版社.
2. 保铮 邢孟道 王彤. 雷达成像技术[M]. 电子工业出版社, 2005.
3. Lan G.Cumming Frank H.Wong. 合成孔径雷达成像: 算法与实现[M]. 电子工业出版社, 2012.