SARは高速飛行するプラットフォーム（衛星等）からパルス状の電磁波を発出し、観測対象を連続的に観測する（図 3）。連続観測したデータはプラットフォームと観測対象の距離の変化に応じた周波数の変調（ドップラー効果による変調）を受ける。このデータに対して相関処理を施すことで高分解能な観測を達成することができる。これを合成開口処理という。

SARによる観測データは様々な分野で活用されている。以下に代表例を挙げる。

近年、衛星SARの観測幅は拡大しており、2023年度内打ち上げ予定のだいち4号（ALOS-4）では通常モードで約200km、最大で700kmの観測幅となり（図 4）、データ容量も多くなる。そのため、あらゆる処理に対して高速化が求められる。

一般的に用いられている船舶検出の従来手法としてCFAR（シー・ファー：Constant False Alarm Rate）がある⁽²⁾。そのほかにも、最近では深層学習を利用しているシステムも登場している。

ここでは図 7を用いてCFARについて説明する。CFARでは船舶の周辺（リファレンス）の平均値を算出し、明るさを平均値で規格化する。これにより、海の明るさが波高やうねりに依存せず、ほぼ一定となる。尚、図 7右上において、ガードはターゲット（船舶）とリファレンス（海）の境界に設置し、平均値の計算には含めない。ガードを設置することで船舶と海の境界（混合領域）の影響を避けることができる。

実際には画像が2次元なので、ターゲット・リファレンス・ガードも2次元で設定する（図 8）。これらの処理は、画像上の探索領域（図 8の各セル）を1画素ずつずらして計算する。SAR画像は数万×数万個の画素があり、処理には時間がかかる。

前述のとおり、画像全体の船舶検出を行うのは時間がかかる。そこで、画像フレームを幾つかの領域に分け、それぞれの領域での「船舶の有無」を先に判定し、「船舶有り」の領域に対してのみ従来手法を用いることにすれば効率的・高速に船舶検出ができるのではないかと考えた（図 9）。

高速判定の方法として我々が採用したのは歪度や尖度と呼ばれる統計量を使う方法である。これらの統計量は単純な四則演算で求められ、高速に計算することができる。

歪度(skewness。sと記す)、尖度（kurtosis。kと記す）の定義を以下に示す。

ここで、xは画素の輝度、μは輝度の平均値、σは輝度の標準偏差、E[x]はxの期待値である。

上記の定義によると正規分布の尖度が3になるため、上記のkの定義式から3を減じたものを尖度の定義式とすることが多いが、本稿では上記の定義とする。

歪度・尖度は共に平均値からのずれを表す量である。図 10に示すように、船舶（海よりも明るい物体）が混在すると、歪度は大きな値になる。尖度も同様である。

SAR画像における海の輝度は、指数分布と呼ばれる確率密度関数によく一致する⁽³⁾。

ノイズ抑制のため、画像に対して隣接するk個の画素による平均化が施されていることがある。

SAR用語では「ルックをとる」と呼び、kのことをルック数と呼ぶ。ルックがとられている場合、海の輝度はガンマ分布に従う。以下の式でk=1とおくと指数分布になる。幾つかのkに対する例を図 11に示す。

ガンマ分布の歪度は 2 √k 、尖度は 3 + 6 k になる。歪度・尖度はルック数kには依存するが、画像の明るさ（平均値）や粗さ（標準偏差）には依存しない。つまり、撮像角度等の観測条件に依存しない。

図 10で示したように、船舶が存在すると歪度や尖度は大きな値となる。そのため、「歪度や尖度が理論値よりも大きければ船舶が存在する」と判定することができる。図 12にk=1（指数分布）の場合のイメージを示す。k=1の場合、歪度の理論値は2、尖度の理論値は9となる。

画像上の50個のブロックに対して目視により「船舶有り・無し」を確認し、歪度・尖度を計測した。その結果を図 15に示す。「船舶無し」の歪度・尖度はほぼ理論値どおり（歪度＝2、尖度＝9）であり、「船舶有り」の歪度・尖度はいずれも「船舶無し」より大きな値となっている。船舶有り・無しが分離可能であることが分かる。

画像上の110か所に対して目視により「船舶無し・船舶無し」を確認し、歪度・尖度を計測した。「船舶有り」の歪度・尖度はいずれも「船舶無し」より大きな値であり、両者を分離可能であることが分かる。