基于无监督K均值特征和数据增强的SAR图像目标识别方法

摘要：

过去二十年中,合成孔径雷达(Synthetic Aperture Radar,SAR)自动目标识别已经受到越来越多的关注.许多有监督特征学习算法被提出来,而且应用到合成孔径雷达的自动目标识别中.本文采用了无监督学习算法——K均值(K-means)聚类算法,通过分块自编码和优化接受域参数进行SAR图像特征学习,从而自动学习到无标签数据中鉴别性特征,并将所提取特征用于SAR图像目标识别中.然而,无监督学习一般对训练数据量有较高要求,因此,我们提出了两种数据增强方法,通过旋转目标物体的方位角,以及在原始图像上增加随机值,来获得更多可以用来训练模型的数据,使模型可以学习具有多样性的特征,达到提高识别效果的目的.采用公开的MSTAR数据库进行实验验证,结果表明所提方法可达到96.67％的主流识别率.

关键词：合成孔径雷达、无监督学习、K均值特征、数据增强

所属期刊栏目：33

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61372193;广东高等学校优秀青年培养计划项目SYQ2014001;广东省特色创新类项目2015KTSCX143,2015KTSCX145,2015KTSCX148;广东省青年创新项目2015KQNCX172

在线出版日期：2017-06-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：452-458