基于 SAR图像的目标检测是对 SAR 图像解译的重要环节之一。本文从 SAR图像的统计特性出发，对包括 SAR 图像统计特性描述，斑点噪声抑制，检测器设计等若干基于SAR 图像的目标检测关键问题进行了研究。

应用于SAR图像自动目标识别，具有很高的目标识别效率，可以供相关领域的童鞋参考学习

描述了图像目标识别的基本方法研究，主要从gabor及Adaboost两个方面来详细说明

基于支持向量机的SAR图像目标识别，毕业设计的论文模板，做关于这方面的毕业设计，赶紧下载参考参考吧

针对合成孔径雷达图像目标识别问题,在基于图像成像模型分析基础上,提出了一种融 合SAR目标轮廓和阴影轮廓的目标识别算法。首先提出了一种基于去控制标记符的SAR图像 分割算法,得到SAR图像目标轮廓和阴影轮廓,然后用这2种轮廓融合,用傅立叶描述子将二 维数据转为一维数据,最后用基于串接准则的融合算法得到识别结果,进行SAR目标识别。基 于MSTAR的实验结果验证了本算法的有效性。实验结果证明:目标轮廓和阴影轮廓的结合,除 反映本身包含的局部空间结构信息外,还能反映SAR目标的高度信息,较单一轮廓特征,是一

摘 要：为了准确地进行 SAR图像目标识别，提出一种基于稀疏表示的 SAR目标识别方法，在用主成分分析（PCA）进 行降维的前提下，利用降维后的训练样本构建稀疏线性模型，通过 ℓ1 范数最优化求解测试样本的稀疏系数解 x ，利用 系数的稀疏性分布进行目标的分类识别。基于 MSTAR数据进行了仿真验证，实验证明，基于稀疏表示的 SAR目标识 别方法在一定的特征维数下能够获得很好的识别性能，在目标方位角未知的情况下识别率仍可达到 98%以上。

基于卷积神经网络的SAR图像目标识别研究

针对合成孔径雷达（SAR）目标识别问题，提出一种结合线性，非线性特征提取和分类器的方法。采用PCA和KPCA分别提取原始SAR图像的特征矢量。在此基础上，分别利用稀疏表示（SRC）和核稀疏表示（KSRC）对两类特征进行分类。通过线性，非线性特征，分类器的结合，可以更好地考察SAR图像的内部数据结构以及测试样本与训练样本的对应关系。实验中，基于MSTAR数据集进行性能测试，结果表明提出方法的有效性。

为了解决 SAR 图像受相干斑噪声干扰和震后发生形变而识别率偏低的问题，提出了一种新 的仿射、形变不变特征-热核特征，并将该特征用于 SAR 图像目标识别。首先采用推广的核模糊 C-均 值方法分割 SAR 图像，提取 SAR 图像目标形状；接着对目标形状进行 Delaunay 三角剖分，采用余切 权重法对 Laplace-Beltrami Operator 离散化，通过离散化 Laplace-Beltrami Operator 特征值、特征向量 求每一点热核特征；然后采用谱距离公式对点点间热核距离计算，转化为距离分布表示目标形状的热 核特征；最后采用 L1 相似性准则对图像进行相似性度量，得到识别结果。实验表明：与经典的 Hu 不 变矩方法相比，对于仿射变换和发生形变的 SAR 图像，该方法都具有更高的识别率。因此，基于热核 特征的 SAR 图像识别方法是一种更加有效的识别方法

2018之江杯全球人工智能大赛 - 零样本图像目标识别