MSTAR SAR 目标识别数据集

MSTAR (Moving and Stationary Target Acquisition and Recognition) 公开数据集的镜像仓库，用于 SAR（合成孔径雷达）自动目标识别 (ATR) 研究。

🌐 语言: English · 中文

本仓库包含两个最常用的子集：

子集	格式	大小	说明
soc/	强度图 (.jpg)	~11 MB	由 soc_complex/ 复数数据检波后生成的实值强度图（158×158，8-bit 灰度），方便直接喂给常规 CV 模型
soc_complex/	复数 (.000 / .025)	~923 MB	SOC 数据集的原始复数 SAR 数据（实部 + 虚部），可自行检波得到幅度/强度/相位图

两个子集 文件名和目录结构完全一致，只需把 dataloader 指向另一个根目录，就能在强度图和复数输入之间切换。

---

背景

MSTAR 由 美国空军研究实验室 (AFRL) 和 国防高级研究计划局 (DARPA) 于 1990 年代采集，涵盖 X 波段 SAR 对地面军用车辆的成像。标准操作条件 (Standard Operating Conditions, SOC) 切分——17° 俯仰角训练 / 15° 俯仰角测试——已成为 SAR ATR 领域的标准基准。

每个切片是 128×128（或 158×158）大小的 SAR 图像，以地面目标为中心。

---

目标类别（10 类）

类别	装备	说明
2S1	自行火炮
BMP2	步兵战车	测试集中含多个序列号（SN-9563、SN-C21、SN-812）
BRDM2	两栖装甲侦察车
BTR60	两栖装甲运兵车
BTR70	两栖装甲运兵车
D7	推土机
T62	主战坦克
T72	主战坦克	测试集中含多个序列号
ZIL131	军用卡车
ZSU234	自行防空炮

---

数据集结构

MSTAR/
├── soc/                          # 检波后的强度图
│   ├── train/
│   │   ├── 2S1/   (299)
│   │   ├── BMP2/  (233)
│   │   ├── BRDM2/ (298)
│   │   ├── BTR60/ (256)
│   │   ├── BTR70/ (233)
│   │   ├── D7/    (299)
│   │   ├── T62/   (299)
│   │   ├── T72/   (232)
│   │   ├── ZIL131/(299)
│   │   └── ZSU234/(299)
│   └── test/
│       ├── 2S1/   (274)
│       ├── BMP2/  (195，含多种序列号)
│       ├── BRDM2/ (274)
│       ├── BTR60/ (195)
│       ├── BTR70/ (196)
│       ├── D7/    (274)
│       ├── T62/   (273)
│       ├── T72/   (196，含多种序列号)
│       ├── ZIL131/(274)
│       └── ZSU234/(274)
└── soc_complex/                  # 原始复数 SAR 数据
    ├── train/                    # (与 soc/train 数量完全一致)
    └── test/                     # (与 soc/test 数量完全一致)

样本数

切分	soc（强度图）	soc_complex（复数）
train	2,747	2,747
test	2,425	2,425
合计	5,172	5,172

---

文件命名规则

soc_complex/ 中的文件遵循以下规则：

<目标序列号>_<序号>.000   （训练，17° 俯仰）
<目标序列号>_<序号>.025   （测试， 15° 俯仰）

示例：

• HB14931.000 — 训练切片
• HB14931.025 — 同一目标在不同俯仰角下的测试切片

soc/ 中的强度图使用相同的基本文件名，后缀为 .jpg（每张 158×158，8-bit 灰度）。

---

用法

Python — 强度图快速加载

from torchvision import datasets, transforms

dataset = datasets.ImageFolder(
    root='soc/train',
    transform=transforms.Compose([
        transforms.Grayscale(),
        transforms.Resize((128, 128)),
        transforms.ToTensor(),
    ])
)
print(f'{len(dataset)} 个训练样本，{len(dataset.classes)} 个类别')

Python — 复数 SAR (.000) 数据加载

import numpy as np
from pathlib import Path

def load_complex_chip(path):
    with open(path, 'rb') as f:
        data = np.frombuffer(f.read(), dtype='>f4')
    re, im = data[0::2], data[1::2]
    return (re + 1j * im).reshape(128, 128)  # 请根据实际数据尺寸调整

---

引用

MSTAR 数据集在 SAR ATR 文献中被广泛引用。代表性参考文献：

Ross, T. D., Worrell, S. W., Velten, V. J., Mossing, J. C., & Bryant, M. L. (1998). Standard SAR ATR evaluation experiments using the MSTAR public release data set. SPIE Conference on Algorithms for Synthetic Aperture Radar Imagery V, 3370, 566–573.

---

许可与免责声明

MSTAR 数据集由 美国国防部 (U.S. DoD) 公开发布，用于研究目的。本仓库是这次公开发布的再分发，旨在方便学术和非商业研究访问。

• ✅ 允许：学术研究、教学用途、基准测试
• ❌ 不允许：军事作战用途、商业监控、作为付费产品再分发

如果您是权利人并希望调整或移除内容，请提 issue。

---

仓库信息

• 维护者: @omae11
• 数据来源: 美国空军研究实验室 (AFRL) MSTAR Public Release
• 镜像目的: 让研究者可以轻松 git clone 访问