高春永,柏业超,王 琼

（南京大学电子科学与工程学院，南京，210093）

合成孔径雷达（Synthetic Aperture Radar，SAR）具有全天候、全天时、大幅宽、高分辨等多种优点，并有一定的地表穿透能力，SAR 图像被广泛应用到海洋监测、环境检测、灾害检测和军事等方面［1-2］，因其可发挥其他遥感方式不具备的独特优势，越来越受到世界各国的重视.

SAR 图像目标识别是分析和解译SAR 图像的重要环节，主要包括图像数据预处理、特征提取以及分类器的设计.SAR 图像存在大量的相干斑噪声，严重影响SAR 的图像质量，给后续的图像目标识别带来巨大的挑战.预处理是在尽可能保留图像的原始信息的同时，对图像进行滤波和去噪［3］；特征提取的目的是从每个图像中提取具有鉴别性的特征，将提取的特征输入已经训练好的分类器进行分类识别.传统SAR 图像特征提取方法是提取图像的高维特征输入训练好的分类器中，而降维方法主要包括线性判别分析（Linear Discriminant Analysis，LDA）［4］、主成分分析（Principal Component Analysis，PCA）［4］、t分布随机邻域嵌入算法（t-distributed Stochastic Neighbor Embedding，t-SNE）［5］等，分类器有支持向量机［6］、随机森林［7］、K 最近邻域［8］以及决策树［9］等.随着深度学习的不断发展与应用，将深度学习应用到图像识别分类成为一大热点.深度学习分有监督学习、半监督学习和无监督学习.监督学习的图像样本是带有标签的数据，根据训练的结果调解分类器.目前主流的监督学习算法是卷积神经网络（Convolutional Neural Networks，CNN）［10-12］，它将二维图像作为网络的输入，经过卷积层、池化层及全连接层等操作后，自动从图像中提取抽象的……