SAR影像特征提取研究是遥感图像处理领域中的一个重要分支，其目的在于通过对合成孔径雷达（Synthetic Aperture Radar，简称SAR）图像的深入分析，从而提取出具有代表性的影像特征以供进一步处理与分析。本文主要探讨了基于纹理的SAR影像特征提取方法，并进行了系统性的比较研究。 文本提出了对SAR影像纹理特征提取的主要方法进行了综合比较，这些方法包括： 1. 小波多尺度特征提取方法：小波变换是一种数学工具，可以将图像分解为多个不同尺度的子带图像，从而有效地捕捉到不同尺度下的纹理信息。它通常用于对纹理特征进行多尺度、多层次的分析。 2. 地统计学变差函数法：地统计学是一种处理空间数据的方法，变差函数是用于描述地统计学中空间变量空间相关性的函数。在SAR影像特征提取中，变差函数可以用来描述影像的纹理特征，特别是空间相关性的分析。 3. 基于分形理论的盒子维提取方法：分形理论是研究复杂几何形态的数学理论，盒子维是衡量分形复杂性的一个参数。在SAR影像中，通过计算图像的盒子维，可以提取到反映纹理粗糙度和复杂性的特征。 4. 高斯-马尔可夫特征提取法：该方法利用了高斯随机场和马尔可夫随机场的理论，通过建立模型对SAR图像的纹理特征进行描述和提取。 5. 灰度共生矩阵提取法：灰度共生矩阵是一种统计纹理特征的方法，通过对图像中像素对的灰度值分布进行分析，可以得到反映纹理性质的统计量，如对比度、均匀性等。 6. 基于概率统计模型的提取方法：这种方法基于统计学原理，通过构建概率模型来拟合SAR图像的纹理分布，并从中提取特征。 接着，研究利用了支持向量机（SVM）分类器，该分类器以较高的分类精度而著称，来对不同纹理特征提取方法的效果进行验证。实验结果显示，对于单纹理提取方法而言，基于概率统计模型的提取法能较好地提取SAR影像的纹理特征。而对于两种纹理提取的组合方法，将灰度共生矩阵和基于分形理论的盒子维提取方法结合，能够更好地提取SAR影像的纹理特征。 SAR影像的成像机理具有一定的复杂性，因为SAR是通过发射电磁波并接收由地物反射回来的信号来获取地表信息的，其成像过程不受光照条件的影响，因此无论昼夜均可进行观测。但是，SAR影像的解译难度较大，纹理特征提取的方法能够帮助科研人员更有效地从复杂的影像数据中获取有用信息。基于此，研究SAR影像特征提取的方法对于遥感影像分类技术的发展具有重要的意义。 本文研究了SAR影像特征提取的多纹理方法，并对这些方法进行了实验验证。研究结果为SAR图像的特征提取提供了新的思路和方法，对SAR影像处理与分类技术的发展具有重要的推动作用。此外，本文还为其他基于遥感技术的科研工作提供了宝贵的参考和借鉴。

针对DInSAR(differential interferometric synthetic aperture radar)技术仅能获取雷达视线向(line of sight,LoS)形变的不足,研究了融合多卫星平台求解三维形变场的模型与算法。该算法基于多卫星轨道模式下具有不同成像几何的多源SAR影像联合求解矿区地表形变场。研究结果表明:采用该算法反演的下沉值与水准测量结果相互吻合,均方根误差为±4 mm,吻合程度优于单一影像源反演结果;垂直向位移场与等值线均表明下沉盆地向老采空区偏移,说明老采空区可能活化;东西向水平位移场与等值线符合开采沉陷地表移动规律,而且对于不同的成像模式,东西向水平移动的影响亦不同;由于卫星航向角的正弦值近乎为0,使得三维算法对南北向位移不敏感。

在使用pyqt5显示超大遥感影像时，程序卡顿特别严重，遂实现了一种思路，将影像分割成较小的瓦片，然后循环显示到QGraphicsItem中，同时在分片的基础上实现了影像的缩放、平移、范围选取和点选取。 可以展示普通图片、遥感影像、SAR影像等，可以选择图层，实现了若干图像质量评价工具

随着COSMO-Sky Med、Terra SAR-X等高分辨率SAR卫星的投入使用,SAR数据处理的计算量呈现几何级数增长趋势,对计算资源的要求越来越高,文中通过实验表明,基于图形处理单元(GPU)的并行计算技术可以大大提高星载SAR影像数据重采样计算的效率。

本文件包含目前文章常用9个数据集，但仍缺失一些数据集，希望大家在下载的同时也把一些稀缺数据集分享出来。

sar影像各种滤波方法汇集:中值滤波，Lee滤波，sigma滤波，kuan滤波，frost滤波，map滤波等...

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

Matlab处理SAR影像的源代码

一种很好的SAR图像的滤波方法，效果很好的，matlab编写的函数文件，简单好用。

基于高分辨率SAR影像和深度学习的输电杆塔智能识别研究.pdf