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

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：

【摘要】 目标的自动识别是最有价值的应用需求之一，但它同时也最具挑战性。过去几十年中该课题的研究己经取得了较大的进展，但计算机自动识别技术还远没有达到理想的实际应用需求。自动识别技术涉及到很多方面的研究，如图像的预处理，图像增强、图像分割、特征提取方法和分类器的设计等等，这其中特征提取方法的研究尤为关键。一方面，研究者对特征提取的理论作了较多的探索，力求得出一些针对特定目标的高精度、高效率的特征提取算法与方法。这其中包含PCA方法、Fisher鉴别分析方法，以及以核方法为代表的非线性特征提取方法等。另一方面，在实际应用中算法的效率也是非常重要的。本文的研究集中在特征提取方法，这其中涉及到线性与非线性特征提取方法。 本文将特征提取方法分为线性和非线性特征提取方法。原始信息经过线性映射得到的变换后信息称为线性特征，原始信息经过非线性映射得到的变化后的信息成为非线性特征。对应的映射成为线性特征提取方法和非线性特征提取方法。 主分量分析和Fisher线性鉴别准则是应用最广泛的特征提取算法。本文论述了2DPCA和2DFLD等传统特征提取方法，并发展了2DFLD特征提取方法，提出分块的2DFLD特征提取方法，分析表明，该方法是2DFLD方法的推广，在人脸识别研究中优于传统的2DFLD方法。 核方法是新近发展起来的一种非线性特征提取方法，它的理论基础来自于统计学习理论。本文详细讨论了核特征提取方法，并结合偏最小二乘理论(PLS)，提出了基于KPLS的特征融合方法。 本文以构造新的特征提取算法为主要的研究方向，并结合实际应用来验证算法的优劣，对于算法中部分参数的选择讨论不足，这将在以后的研究工作中予以关注。 还原 【Abstract】 ATR is one of the most significant requests, although it is also one of the most challenging tasks. During past several decades great progress has been made in research on this subject. However, it is far away from satisfactory requirements from real world. ATR involves many techniques, such as Image preprocessing; Image enhancing; Image Segmentation; Feature extraction; classifiers designing and so on. Feature extraction is crucial. On one hand, researchers attempt to work out algorithms and methods to some special targets with high right classification rate and good efficiency. Among them, Principal Component Analysis, Fisher’s Linear Discriminant, nonlinear algorithms mainly appearing as Kernel approaches, and so on. On the other hand, in real application efficiency is also an important indicator to assess one algorithm, because in many cases only algorithms with high efficiency can satisfy request of real task. This paper aims at designing feature extraction algorithms on face recognition, including linear feature extraction and nonlinear ones.Feature extraction approaches are divided into two groups in this paper, linear feature extraction and nonlinear feature extraction. The information after linear mapping is called linear features; the information after nonlinear mapping is called nonlinear features. The mappings are called linear feature extraction and nonlinear feature extraction correspondingly.Principal Component Analysis and Fisher’s Linear Discriminant are two methods widely used. This paper introduces feature extraction approaches, 2DPCA and 2DFLD, respectively. We develops the 2DFLD, and presents a new feature extraction approach called blocked FLD. 2DFLD is the special case of blocked FLD. the experimental results indicated that the recognition performance of blocked FLD is superior to that of 2DFLD.Kernel method is a powerful machine learning method developed recently. It builds on the statistical learning theory. Feature extraction based on kernel is discussed in detail. A feature fusion method combined with KPLS is proposed. 还原

针对雷达高分辨距离像（HRRP） 的方位敏感性和平移敏感性，对一定角域内的HRRP非相干平均，提取具有 平移不变性的中心矩作为特征向量，采用Karhunen2Loeve 变换进一步进行特征压缩，建立相应的支撑矢量机（SVM） 分类 算法。与基于原始距离像特征的最大似然（ML） 方法和基于中心矩特征的ML方法识别结果比较，该方法在减少计算量的同 时具有较高的识别率，具有良好的推广能力。

自动目标识别(ATR)是雷达信息处理领域的重要研究方向。由于卷积神经网络(CNN)无需进行特征工 程，图像分类性能优越，因此在雷达自动目标识别领域研究中受到越来越多的关注。该文综合论述了CNN在雷达 图像处理中的应用进展。首先介绍了雷达自动目标识别相关知识，包括雷达图像的特性，并指出了传统的雷达自 动目标识别方法局限性。给出了CNN卷积神经网络原理、组成和在计算机视觉领域的发展历程。然后着重介绍了 CNN在雷达自动目标识别中的研究现状，其中详细介绍了合成孔径雷达(SAR)图像目标的检测与识别方法。接下 来对雷达自动目标识别面临的挑战进行了深入分析。最后对CNN新理论、新模型，以及雷达新成像技术和未来复 杂环境下的应用进行了展望。

基于高分辨距离像的雷达自动目标识别技术研究，南京航空航天大学电子信息工程学院博士论文。 雷达自动目标识别技术在军事和民用上都有着巨大的应用价值。宽带雷达高分辨距离像（HRRP）具有目标结构信息丰富、易于获取的特点，是雷达目标识别重要的发展方向之一。本文以探寻稳健、实用的识别算法为目标，围绕 HRRP 目标识别的关键问题，系统地研究了姿态敏感性、特征提取、噪声背景下的稳健识别和序列识别问题，为 HRRP 目标识别的实用化进行了有益的探索。

基于MSTAR数据库中的目标自动识别 有完整的程序 附实验报告