基于SAE特征融合的合成孔径雷达图像的目标识别

原论文：Synthetic Aperture Radar Target Recognition with Feature Fusion Based on a Stacked Autoencoder
Sensors 2017, 17(1), 192; doi:10.3390/s17010192
Article

国防科大，北京遥感信息研究所(网上查不到任何信息，可能保密单位)
特征提取是各种自动目标识别过程里非常关键的一步，尤其是合成孔径雷达图像的识别。为了得到明显的易于区分不同目标的特征，本文提出了一个基于SAE的特征融合算法，把特征经过SAE网络处理(融合)以后能提升识别性能！首先提取了23种基本特征(baseline features,这是图像的几何参数里提取的geometric parameters)和三片局部二值模式特征(TPLBP,three patch local binary pattern，翻译成三片局部二值模式很生硬哈，但想不到更好的了?，这是图像的纹理特征texture features)，这些特征可以以更小的冗余度和更大的互补性(原图相邻像素之间冗余度非常大，描述的信息十分接近，一般原始语音原始图像都有很多冗余，比如奈奎斯特采样定理就说了，只要采样频率大于等于两倍信号最高频率，得到的离散序列和原始连续时间信号就完全等价，一点信息也没失去，语音和图像，文本的传输之前都会想办法去除冗余实现压缩以降低传输成本，即需要的传输带宽)描述图像的全局以及局部信息。然后设计了一个高效的特征融合SAE网络，基本特征和三片局部二值模式特征向量级联起来输入到SAE网络去。然后，用一个无监督的学习算法(逐层贪婪训练法)去预训练SAE网络，由于具有特征表示的能力，SAE网络融合以后的特征更加明显。最后，这个模型被一个softmax分类器精调（fine-tuned）再运用到目标分类中。十种基于MSTAR数据集的SAR目标得到了高达95.43%的分类精度，这就验证了提出的算法的有效性。
合成孔径雷达的发展使得合成孔径雷达图像（SAR图）爆炸式增长。手动识别大量的SAR图像耗时，不现实，因此ATR（ automatic target recognition自动目标识别）算法在不断加速发展。对于传统的SAR AT