张 婷,蔡德饶

(1.江西警察学院，江西 南昌 330031; 2. 上饶职业技术学院，江西 上饶 334100)

0 引 言

合成孔径雷达(Synthetic Aperture Radar，SAR)具有全天时、全天候等优势，因而在军事和民用领域得到广泛运用。目标识别作为SAR图像解译的重要环节之一，在近30年里得到了广泛而深入的研究[1-2]。特征提取和分类器设计是SAR目标识别方法的两个关键模块。目前应用于SAR目标识别的特征包括几何形状特征[3-4]、变换域特征[5][6]和散射中心特征[7-8]等。分类器为提取的特征提供合适的分类机制，其本质上是定义了测试样本与不同模板类别的相似度准则，然后根据相似度的大小判断类别。随着模式识别和机器学习的飞速发展，大量先进分类器在SAR目标识别中得以成功运用，如支持向量机(Support Vector Machines, SVM)[9], 稀疏表示分类器(Sparse Representation-based Classification，SRC)[9]，卷积神经网络(Convolutional Neural Networks，CNN)[10]等。

在SAR目标识别的实际操作中，模板样本库往往是在合作条件下建立的。因此，模板样本的信噪比(Signal-to-noise Ratio，SNR)往往较高。然而，测试样本大多在非合作条件下获取的，通常受到背景环境和雷达系统的噪声干扰，相比模板样本的信噪比较低。因此，提高SAR目标识别算法对于噪声干扰的稳健性十分重要。为了提高识别算法的噪声稳健性，需要从特征提取和分类器设计两方面入手。一方面，选取的特征需要具有噪声稳健性。尽管原始图像受到噪声干扰，但从中提取的特征可以有效剔除噪声影响。另一方面，设计的分类器需要具有噪声稳健性。尽管特征一定程度上受到噪声干扰，但分类器可以很好克服其带来的不良影响。……