基于CNN的SAR图像识别

合成孔径雷达(SAR)是一种高分辨率成像雷达和有源微波遥感侦测器。SAR的第一次应用是在20世纪50年代后期,装在RB-47A和RB-57D战略侦察飞机上。经过几十年的进步,SAR技术已经相当成熟,每个国家都有自己的SAR发展计划,各种类型的SAR已经出现在我们眼前,它们在很多领域都发挥着重要的作用。随着科技的迅猛发展,人们对SAR的研究越来越全面,特别是在SAR识别等多层面的探究。本文提出了SAR图像识别的两种方法,主要工作如下:首先本文利用SAR图像的Hu不变矩,仿射不变矩,以及Zernike不变矩,通过调整学习因子后的PSO对SVM进行优化,提出了基于改进PSO-SVM的SAR图像分类识别算法。该方法主要调节PSO的异步学习因子,加强粒子的学习能力,在算法性能上,不仅减小粒子陷入局部最优的概率,而且能有效提高算法的收敛性。其次利用CNN-ELM算法对SAR图像进行识别。因为第一种方法无法在较短时间内就找到有利于分类的特征,因此考虑使用CNN。CNN可以直接将图像作为输入,而且CNN的最后一层也可以直接作为分类器,这样CNN本身就形成了一个分类识别系统。为了使得更好的识别效果,将传统CNN的激活函数改为Rule函数,通过CNN得到SAR图像的特征。最后将特征作为极限学习机(ELM)的输入,这样得到CNN-ELM算法,并利用它对SAR图像进行识别。最后在美国MSTAR公开数据集上进行实验,并测试CNN-ELM算法的分类识别效果。实验结果表明该算法不仅实现了网络的稀疏性,缓解了过拟合问题,加快了网络的收敛速度,并且具有很高的识别率。