mstar_with_machine_learning 先决条件 该存储库使用python 3.6和scikit-learn API给出了带有机器学习的公共MSTAR数据集上的SAR ATR的示例。 建议直接安装Anaconda 3，它提供了numpy，matplotlib和scipy等常见软件包以及scikit-learn。 说明 该示例支持大多数机器学习方法的实现，包括逻辑回归，神经网络，支持向量机等。 为了减少计算量，它使用主成分分析来减少特征。 数据处理和模型声明分别在data.py和model.py中定义。 当然，您可以添加您自己的操作。

为了提升合成孔径雷达（Synthetic Aperture Radar，SAR）ω-k算法成像系统的运行速度，提出了一种基于数据循环存储的STOLT插值FPGA并行实现方法。该方法将经过“一致压缩”处理的数据进行循环存储；在数据存储结束之后，进行Stolt变换中的变量替换、插值位置计算以及插值系数；在同一时间完成插值系数以及相应的处理数据的获取，进行加权求和，获得插值结果。该方案结构清晰，易于实现，流水化插值处理，并对插值的长度以及点数没有限制，极大地提升了系统的可扩展性以及运行速度。该系统工作频率为142 MHz，可以在18 s以内完成实际数据为32 768*65 536点8 bit 机载雷达数据处理，检测证实了该方法的有效性。

对聚波束脉冲合成孔径雷达的算法进行了仿真，仿真了四种算法

对聚束SAR的回波模拟和成像算法,包括方位向去斜处理。可应用于性载的低PRF成像。适合新人参考学习。

正弦信号的matlab代码8位逐次逼近寄存器 工作流程： 在VHDL中设计一个简单的逐次逼近寄存器。 将代码导入Cadence中并生成符号。 设计一个8位SAR ADC的原理图。 用正弦波作为输入信号模拟电路。 将大约100m时间段的值导出为CSV文件。 将文件导入到matlab中，绘制波形。 获取输入数据的FFT。 应用汉宁窗以减少波纹。 8位ADC原理图 SAR的状态模型 产出 1. ADC的脚踏圈速仿真 2.带窗口的FFT

LS-SSDD-v1.0-船舶检测计算机视觉 这是论文《使用深度学习从合成Kong径雷达（SAR）图像中检测小型船只》的代码存储库。 考虑到正在考虑的众多模型和模块化数据下载过程，我们通过交互式Jupyter笔记本展示了我们的代码。 请注意，模型权重，模型输出和数据集不在此存储库中。 原始数据集可以在以下位置找到： : 概述 根目录中有两个笔记本，它们训练了我们的最佳模型并执行推理。 'final_model.ipynb'是我们训练改进模型的地方'final_evaluation.ipynb'是我们对改进模型进行推断的地方 班级文件 包含我们的论文，作为CS230深度学习的一部分。 文件 我们在该项目过程中使用的论文集 火车 我们所有的培训笔记本（包括基线，实验和本文中介绍的最终模型） 数据 用于预处理数据并转换为“ Detectron2”格式的笔记本 效用 使用Otsu的方法来生成

合成孔径成像算法中的经典算法——CS算法，文件夹中包括多个CS算法的仿真代码，均可运行。适合学习雷达成像的新人朋友 。

聚束模式SAR成像仿真 This code simulates a spotlight SAR database. Four reconstruction algorithms (spatial frequency domain interpolation, range stacking, time domain correlation, and backprojection) are provided.

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.

合成孔径雷达(Synthetic Aperture Radar ，简称SAR)是一种高分辨率成像雷达技术。它利用脉冲压缩技术获得高的距离向分辨率，利用合成孔径原理获得高的方位向分辨率，从而获得大面积高分辨率雷达图像。