吴天宝，夏靖波，黄玉燕

(1.厦门大学嘉庚学院 信息科学与技术学院，福建 厦门 361005；2.集美大学 轮机工程学院，福建 厦门 361021)

0 引 言

提高合成孔径雷达(synthetic aperture radar，SAR)图像识别性能对于军事和民用领域均具有重要的意义[1-2]。现阶段，SAR目标识别方法主要是基于传统模式识别思想，采用特征提取和分类决策两级流程。特征提取实现对原始SAR图像中目标特性的抽取以及降低冗余。常见的SAR目标特征包括几何形状特征、电磁散射特征以及变换域等。其中，几何形状包括目标区域[3]、外形轮廓[4]等；电磁散射特征包括散射中心[5]、极化特性[6]等；变换域特征提取方法较为丰富，包括投影法和变化域法等。代表性的投影法有主成分分析(principal component analysis，PCA)[7]、非负矩阵分解(non-negative matrix factorization，NMF)[8]等。变换域法则是将原始图像变换到另一具有稳定性的新空间，如傅里叶变换、小波分解[9]、单演信号分解[10]等。分类器基于既定的特征空间对各类目标进行空间划分，达到正确识别未知样本目标类别的目的。常用于SAR目标识别的分类器有K近邻(K nearest neighbor，KNN)[7]、支持向量机(support vector machine，SVM)[11-13]、稀疏表示分类(sparse representation-based classification，SRC)[13-15]等。文献[11]和[12]分别利用SVM对图像像素分布特征以及小波分解特征进行分类;文献[14]和[15]利用稀疏表示分类设计SAR目标识别方法;文献[13]则是提出基于SVM和SRC决策融合的识别方法，通过综合两种分类器的性能进一步提高了识别性能。近年来，基于深度学习理论的卷积神经网络(convolutional neural network，CNN)[16-22]也在SAR目标识别中得以成功应用并涌现了大量的方法。CNN是将特征学习和分类综合集成与统一的端到端系统，避免了传统的手工特征设计过程。……