高分辨率的SAR图像，大概160张，很有用。

基于结构稀疏的SAR图像低秩重构，matlab程序编写

萨尔根 SAR图像生成器由用python 3编写的光学图像生成器。 生成算法 加载光学图像 在RGB模式下以高比例（分辨率）加载光学图像。 转换为灰度 将颜色从RGB空间转换为灰度空间。 支持的算法： ITU-R BT.601进行的伽马校正 HSV空间转换 增加噪音 通过亮度钳位将高斯噪声添加到每个像素。 标度单位 调整单位大小以达到图像比例。 旋转单元 通过随机旋转模拟​​不同的方向。 放置单位 通过随机位置模拟不同的站点。 请注意，现在单位可以放置在整个图像上的任何位置。 旋转影像 通过随机旋转模拟​​不同的飞行水平方向。 小型化 通过随机缩小比例模拟不同的飞行高度。 倾斜 通过随机倾斜模拟不同的飞行垂直方向（假设雷达具有坚硬的接头）。

基于卷积神经网络端到端的SAR图像自动目标识别源码。 端到端的SAR自动目标识别：首先从复杂场景中检测出潜在目标，提取包含潜在目标的图像切片，然后将包含目标的图像切片送入分类器，识别出目标类型。 目标检测可以用经典的恒虚警率（CFAR）,为了展现全卷积网络对于目标检测仍有良好的效果，选择采用两级全卷积网络，第一级用于目标检测，第二级用于目标分类。 采用MSTAR大场景数据集，尺寸为1476×1784，如下图所示： 由于大场景数据不包含目标图像，所以将许多大小为88×88像素的目标嵌入场景中，因为目标和场景都是同一个机载SAR系统获取的，标准工作条件（SOC）下的SAR图像，成像分辨率都是0.3m，所以可以手动添加目标到大幅场景中，目标切片和添加后的大场景如下图所示：

适用于合成孔径雷达图像去噪中用于衡量真实SAR图像去噪效果的指标。

合成孔径雷达(SAR)目标检测和识别是SAR实用化的瓶颈技术之一,提取有效的目标特征是SAR目标检测与识别的关键环节。高分辨率SAR图像中,目标属性散射中心特征反映了目标散射中心的位置、类型等信息,精确获取目标散射中心属性特征能够提高对目标的检测识别性能。针对SAR目标属性散射中心特征的提取,该文提出了一种基于改进的空间-波数分布(ISWD)的特征提取方法,该方法首先利用ISWD估计散射中心关于频率与方位角的函数,然后利用该函数来获得目标属性散射中心模型参数。最后利用仿真实验验证了方法的有效性。

针对合成孔径雷达(SAR)目标检测精确性、实时性和鲁棒性的要求，设计了一种基于局部窗口的SAR图像目标检测算法．该算法在对获取的SAR图像进行去噪和分割处理的基础上，基于尺度不变特征变换(SIFT)实现了亚像素精度快速配准策略；同时，通过SIFT 特征的描述结果降维和基于局部窗口的最大期望算法(EM)实现了目标检测．实验结果表明，该算法对复杂背景和光照、旋转变化有较强的自适应性，获得了理想的目标检测效果．

sar成像matlab代码

hsi matlab代码SAR_CD_MS_CapsNet 论文“”的代码，IEEE地质科学与遥感通讯，第1卷。 18号3，第484-488页，2021年3月。 如有任何疑问，请随时与我联系（）。可以从以下网址获取更多代码 通过以下过程运行此代码： 差异图像可以通过邻域比率“ DI_generation.m”来获得。 （Matlab 2012a） 打开终端并运行以下脚本：“ python Ms_CapsNet.py”。 （Ubuntu-16.04.1 Keras-2.1.6） 在我们的实现中，我们引用郭锡峰和陈玉诗的代码：

SAR图像聚焦质量评价插件 分辨率 峰值旁瓣比 积分旁瓣比 辐射 质量评价