毛舒宇, 岳凤英

(中北大学电气与控制工程学院，太原 030051)

0 引言

特征提取和分类决策是合成孔径雷达(SAR)目标识别算法中的两个关键阶段[1]。特征提取通过SAR图像分析获得鉴别力描述，为分类决策提供输入，主要有目标形状类、像素投影类和电磁散射类。文献[2]采用目标轮廓描述子进行SAR目标识别。文献[3]提出一种基于二值区域匹配的SAR目标识别方法。投影变换特征获得SAR图像在特定投影方向或变换域的表示。其中，代表性投影特征提取算法有主成分分析(PCA)、线性鉴别分析(LDA)等[4]。文献[5]将单演信号用于SAR图像分解，基于分解成分设计SAR目标识别方法。电磁散射特征的典型代表是散射中心，文献[6-7]就是利用属性散射中心匹配进行SAR目标识别。文献[8]通过层次化方式融合多种特征提高SAR目标识别性能。分类阶段通过采用已有的或设计的分类器开展决策分析。传统模式识别领域为SAR目标识别提供了大量可用的分类模型，如最近邻分类器(NN)[4]、支持向量机(SVM)[2,9-10]、稀疏表示分类(SRC)[11]等。其中，SVM作为一种经典的分类器，在SAR目标识别中的应用最为广泛，用于多种特征的分类[2,9-10]。近年来，深度学习模型也在SAR目标识别中得以运用，如卷积神经网络(CNN)[12-13]。

本文将二维变分模态分解(BVMD)[14-17]用于SAR图像分解及目标识别，从特征提取和分类决策两方面着手提高最终的目标识别性能。采用BVMD对原始SAR图像进行分解，获得多成分的分解结果。这些分解成分能够很好地反映原始SAR图像的二维时频特性及目标的全局和局部特性。……