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。

该方法在传统的极化SAR滤波Lee方法上增加了自适应窗口处理以及滤波参数预估计等步骤，有效的提高了传统的滤波方法的抑制相干斑的能力，同时能够很好的保持极化SAR图像的极化散射特性。

里面有许多VC++图像处理方面的经典案例大家可以学习一下.其中有许多是与SAR图像处理有关的，大家可以放心的下载

matlab SAR图像滤波代码，goldstein，baran

基于卷积神经网络的SAR图像目标识别研究

SAR影像的傅里叶变换，通过对SAR影像的处理来获取频谱图

Sar图像中基于显着性的船舶检测

pylearn2_cnn SAR图像的深度学习

近些年，利用计算机对极化SAR图像进行分类逐渐成为遥感领域的一个研究热点.本文采用全极化SAR数据，利用不同的特征提取算法提取特征，并基于随机森林模型最终实现对江苏沿海滩涂的分类.首先采用H/α和Freeman两种分解算法提取极化特征参数，采用灰度共生矩阵提取纹理特征参数；然后将提取的所有特征进行不同的组合，构成不同的特征集；最后采用随机森林模型对不同特征集合进行分类和精度评估.结果表明仅用纹理特征对沿海滩涂进行分类时效果较差；利用极化分解提取出的散射特征进行分类的结果要优于矩阵元素特征的分类结果；综合了极化散射特征和纹理特征的组合方式在沿海滩涂的分类中可以取得最优的分类结果，总体精度和Kappa系数可以达到94.44%和0.9305，表明极化SAR图像中蕴含的不同方面的特征在分类中具有一定的互补性.