基于导向重构与降噪稀疏自编码器的合成孔径雷达目标识别

doi:10.3969/j.issn.1000-1093.2020.09.018

兵工学报 ›› 2020, Vol. 41 ›› Issue (9): 1861-1870.doi: 10.3969/j.issn.1000-1093.2020.09.018

基于导向重构与降噪稀疏自编码器的合成孔径雷达目标识别

王健^1，2，秦春霞¹，杨珂¹，任萍¹

（1.西北工业大学电子与信息学院，陕西西安 710129； 2.西北工业大学第365研究所，陕西西安 710065）

上线日期:2020-11-18
通讯作者: 王健(1972—)，男，副教授，博士 E-mail:jianwang@nwpu.edu.cn
作者简介:秦春霞（1995—），女，硕士研究生。 E-mail: chunxia_qin@163.com；
杨珂（1995—），女，硕士研究生。 E-mail: xgdms_yk@mail.nwpu.edu.cn；
任萍（1993—），女，硕士研究生。 E-mail: 1403147639@mail.nwpu.edu.cn
基金资助:
国家自然科学基金项目(61671383)；陕西省重点产业创新链项目（2018ZDCXL-G-12-2、2019ZDLGY14-02-02、2019ZDLGY14-02-03）；西北工业大学研究生创新基金项目(Z2017144)

A SAR Target Recognition Algorithm Based on Guided Filter Reconstruction and Denoising Sparse Autoencoder

WANG Jian^1，2， QIN Chunxia¹， YANG Ke¹， REN Ping¹

(1. School of Electronics and Information，Northwestern Polytechnical University，Xi'an 710129，Shaanxi，China；2.No.365 Institute，Northwestern Polytechnical University，Xi'an 710065，Shaanxi，China)

Online:2020-11-18

摘要/Abstract

摘要： 为解决现有合成孔径雷达（SAR）目标识别算法泛化能力差和算法复杂度高等问题，提出一种基于导向重构与降噪稀疏自编码器的SAR目标识别分类算法。利用导向重构算法对SAR图像进行两尺度融合预处理，生成一维图像矢量并作归一化处理，以降低图像输出特征的维度，提高预处理的速度；采用减少降噪自编码器隐层神经元方式对图像进行低维特征抽取和识别；使用Softmax分类器进行分类处理。实验结果表明，通过导向重构与降噪稀疏自编码器的SAR目标识别算法，不仅提高了目标识别性能以及泛化能力，而且降低了自编码器的隐层神经元数量和计算复杂度，网络结构也得到改进和优化。

关键词: 合成孔径雷达, 导向重构, 降噪稀疏自编码器, 正则化Softmax, 目标识别

Abstract: The existing synthetic aperture radar（SAR） target recognition algorithms have the poor generalization ability and high complexity. For the problems above，an algorithm based on the guided filter reconstruction and denoising sparse autoencoder is proposed. The guided filter reconstruction algorithm with two-scale image fusion preprocessing of SAR image is used to generate an one-dimensional image vector and normalizate it in order to reduce the dimension of output feature of the image and increase the speed of preprocessing. The algorithm would extract and recognize the low-dimensional features of images by reducing the hidden layer neurons of the denoising autoencoder， which can effectively reduce the complexity of the algorithm. The Softmax classifier is used for classifying. The experimental results show that the SAR target recognition algorithm based on the guided filter reconstruction and denoising sparse autoencoder can not only improve the target recognition performance and generalization ability， but also reduce the number of hidden layer neurons in the autoencoder and the computational complexity, and the network structure has also been improved and optimized as well.

Key words: syntheticapertureradar, guidedfilterreconstruction, denoisingsparseautoencoder, regularizedSoftmax, targetrecognition

中图分类号:

TN959.1⁺7

王健，秦春霞，杨珂，任萍. 基于导向重构与降噪稀疏自编码器的合成孔径雷达目标识别[J]. 兵工学报, 2020, 41(9): 1861-1870.

WANG Jian， QIN Chunxia， YANG Ke， REN Ping. A SAR Target Recognition Algorithm Based on Guided Filter Reconstruction and Denoising Sparse Autoencoder[J]. Acta Armamentarii, 2020, 41(9): 1861-1870.

参考文献

［1］冯秋晨，彭冬亮，谷雨.SAR变体目标识别的卷积神经网络法［J］.中国图形图像学报，2019，24(2):258-268.
FENG Q C，PENG D L，GU Y. SAR target recognition with variants based on convolutional neural network［J］. Journal of Image and Graphics，2019，24(2):258-268.(in Chinese)
［2］ CHEN S，WANG H，XU F，et al.Target classification using the deep convolutional networks for SAR images［J］. IEEE Transactions on Geoscience and Remote Sensing，2016，54(8):4806-4817.
［3］徐少平，张贵珍，李崇禧，等.基于深度置信网络的随机脉冲噪声快速检测算法［J］.电子与信息学报，2019，41(5):1130-1136.
XU S P，ZHANG G Z，LI C X，et al. A fast random-valued impulse noise detection algorithm based on deep belief network［J］.Journal of Electronics & Information Technology，2019，41(5):1130-1136.(in Chinese)
［4］ DENG S，DU L，LI C，et al.SAR automatic target recognition based on Euclidean distance restricted autoencoder［J］.IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing，2017，99:1-11.
［5］ KANG M，JI K，LENG X，et al.Synthetic aperture radar target recognition with feature fusion based on a stacked autoencoder ［J］. Sensors，2017，17(1):192.
DOI： 10.3390/S17010192.
［6］丁军，刘宏伟，陈渤，等.相似性约束的深度置信网络在SAR图像目标识别的应用［J］.电子与信息学报，2016，38(1): 97-103.
DING J，LIU H W，CHEN B，et al. Similarity constrained deep belief networks with application to SAR image target recognition［J］.Journal of Electronics & Information Technology，2016，38(1): 97-103. (in Chinese)
［7］崔宗勇.合成孔径雷达目标识别理论与关键技术研究［D］.成都:电子科技大学，2015.
CUI Z Y. Theory and key techniques research on synthetic aperture radar target recognition［D］.Chengdu:University of Electronic Science and Technology of China，2015.(in Chinese)
［8］徐静.基于压缩感知的SAR图像目标识别方法研究［D］.南京:南京航空航天大学，2013.
XU J.Research on SAR image target recognition via compressed sensing［D］.Nanjing:Nanjing University of Aeronautics and Astronautics，2013.(in Chinese)
［9］ YU M T，DONG G G，FAN H Y，et al.SAR target recognition via local sparse representation of multi-manifold regularized low-rank approximation［J］.Remote Sensing，2018，10(2)：211.
［10］杨龙，苏娟，李响.基于生成式对抗网络的合成孔径雷达舰船数据增广在改进单次多盒检测器中的应用［J］.兵工学报，2019，40(12):2488-2496.
YANG L, SU J, LI X.Application of SAR ship data augmentation based on generative adversarial network in improved SSD［J］.Acta Armamentarii，2019，40(12): 2488-2496.(in Chinese)
［11］ SONG S，XU B，YANG J.SAR target recognition via supervised discriminative dictionary learning and sparse representation of the SAR-HOG feature［J］.Remote Sensing，2016，8(8)：683.
［12］ WAGNER S A.SAR ATR by a combination of convolutional neural network and support vector machines ［J］.IEEE Transactions on Aerospace & Electronic Systems，2017，52(6):2861-2872.
［13］ LI S T，KANG X D，HU J W. Image fusion with guided filtering［J］.IEEE Transactions on Image Processing，2013，22(7):2864-2875.
［14］ VINCENT P，LAROCHELLE H，LAJOIE I，et al.Stacked denoising autoencoders: learning useful representations in a deep network with a local denoising criterion［J］.Journal of Machine Learning Research，2010，11(12):3371-3408.
［15］ XING C，MA L，YANG X Q.Stacked denoise autoencoder based feature extraction and classification for hyperspectral images［J］.Sensors，2016：1-10.
［16］ LIANG J L，LIU R F.Stacked denoising autoencoder and dropout together to prevent overfitting in deep neural network［C］∥Proceedings of International Congress on Image and Signal Processing. Datong，China:IEEE，2016:697-701.
［17］ KRIZHEVSKY A，SUTSKEVER I，HINTON G E. ImageNet classification with deep convolutional neural networks［C］∥Procee-
dings of International Conference on Neural Information Processing Systems. Doha，Qatar:Curran Associates Inc.，2012.

[1]	李良福，陈卫东，高强，许开銮，刘轩，何曦，钱钧. 基于深度学习的光电系统智能目标识别[J]. 兵工学报, 2022, 43(S1): 162-168.
[2]	徐熙毅，谭鸽伟，李彪. 基于空变分离的两步聚焦双基曲线合成孔径雷达成像[J]. 兵工学报, 2022, 43(6): 1365-1375.
[3]	徐英，谷雨，彭冬亮，刘俊，陈华杰. 面向合成孔径雷达图像任意方向舰船检测的改进YOLOv3模型[J]. 兵工学报, 2021, 42(8): 1698-1707.
[4]	马月红，孔梦瑶. 基于改进快速区域卷积网络的目标检测轻量化算法[J]. 兵工学报, 2021, 42(12): 2664-2674.
[5]	薛灵芝, 曾向阳, 杨爽. 基于生成对抗网络的水声目标识别算法[J]. 兵工学报, 2021, 42(11): 2444-2452.
[6]	黄莎玲，朱鸿志，程祥利，谢玉斌. 自适应阈值侵彻引信层目标识别算法[J]. 兵工学报, 2020, 41(9): 1762-1771.
[7]	邹汝平，刘建书. 基于概率假设密度滤波与无迹Kalman滤波的多目标跟踪与识别[J]. 兵工学报, 2020, 41(8): 1502-1508.
[8]	李响，苏娟，杨龙. 基于改进YOLOv3的合成孔径雷达图像中建筑物检测算法[J]. 兵工学报, 2020, 41(7): 1347-1359.
[9]	何耀民，何华锋，徐永壮，王依繁，苏敬. 基于多特征量的海杂波参数估计[J]. 兵工学报, 2020, 41(3): 517-525.
[10]	杨龙，苏娟，李响. 基于生成式对抗网络的合成孔径雷达舰船数据增广在改进单次多盒检测器中的应用[J]. 兵工学报, 2019, 40(12): 2488-2496.
[11]	伍薇, 苏娟. 一种基于双向匹配融合的合成孔径雷达景象匹配算法[J]. 兵工学报, 2019, 40(1): 124-133.
[12]	曾溢良，蓝金辉，邹金霖. 滑动置信度约束的红外弱小目标跟踪算法研究[J]. 兵工学报, 2017, 38(9): 1771-1778.
[13]	黄莹，郝新红，孔志杰，张彪. 基于熵特征的调频引信目标与干扰信号识别[J]. 兵工学报, 2017, 38(2): 254-260.
[14]	庞海洋，王岩飞，张健. 基于合成孔径雷达图像的伪装遮障目标特性建模技术[J]. 兵工学报, 2016, 37(3): 559-564.
[15]	王萱，邓甲昊，李辉，陆满君. 交会末段制导引信一体化系统射频成像目标轮廓重构方法[J]. 兵工学报, 2015, 36(9): 1624-1631.

基于导向重构与降噪稀疏自编码器的合成孔径雷达目标识别

A SAR Target Recognition Algorithm Based on Guided Filter Reconstruction and Denoising Sparse Autoencoder

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价