论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar, SAR)是一种主动式相干成像雷达,在环境监测、资源勘察和国防军事等领域有着广泛的应用。SAR在军事领域最主要的应用是实现对特定军事目标的检测和识别,如何实现SAR图像的自动目标识别(Automatic Target Recognition, ATR),具有重要的理论和实践意义。SAR图像的目标识别研究也成为了国内外的研究热点。本文针对SAR图像目标识别中受相干斑噪声干扰,底层特征不稳健等问题,结合稀疏表示的特征学习能力和深度网络的高层特征抽取能力,分别提出了基于多尺度稀疏表示和基于深层去噪自编码网络的SAR图像目标识别算法,主要工作如下:1.基于多尺度稀疏表示方法的SAR图像目标识别方法。针对传统稀疏表示方法中缺少多尺度信息,且直接在SAR图像域进行稀疏表示易受噪声干扰等问题,提出一种基于密集SIFT特征的多尺度稀疏表示算法,首先提取图像的多尺度密集SIFT特征,利用SIFT特征训练多尺度字典,进一步对局部特征进行稀疏表示,最后使用多尺度稀疏表示训练线性SVM进行目标分类。2.基于深层去噪自编码网络的SAR图像目标识别方法。考虑SAR图像的相干斑噪声特性,利用去噪自编码器对噪声的鲁棒性,提出基于深层去噪自编码网络的SAR图像深层特征提取方法,首先通过提取大量密集SIFT特征作为特征输入,训练去噪自编码网络,避免了网络出现过拟合。通过深层去噪自编码网络,对SIFT特征进行了高层特征的抽取,用于后期分类器的特征输入。本文基于稀疏表示和深度学习基本理论,利用多尺度稀疏表示和深层去噪自编码网络构建特征学习框架,并以此提出了两种SAR图像目标识别算法。在MSTAR数据集和TerraSAR-X船舶数据集上的仿真实验表明,两种算法都可以学习有效鲁棒的特征表示,进一步提高了SAR图像目标识别的性能。