随着合成孔径雷达成像技术的发展,其自动目标识别(Automatic targetrecognition， ATR)受到了越来越多的关注。但是， 由于目标具有散射特性、所处场景复杂以及对成像参数敏感等问题，SAR ATR 依然是个亟待解决的难题。

近年来，稀疏表示逐渐深入应用于图像分析和分类识别等领域，即使在遮挡和噪声的情况下也能获得鲁棒的结果。基于稀疏表示的 SAR 目标识别要求每类目标有足够多的训练样本数以便能够张成类别子空间，训练样本集按列排列组合而成的矩阵可以直接用作联合动态稀疏表示的字典。但是，它们包含很多冗余， 且需要大量的内存空间，因此需要获得更紧凑的字典。

图1  基于字典学习和拓展联合动态稀疏表示的 SAR 目标识别方法流程图

本文提出了一种基于字典学习和拓展联合动态稀疏表示的合成孔径雷达图像的目标自动识别方法，将其命名为 DL-EJDSR (Dictionary learning - extended joint dynamic sparse representation)。首先，在图像预处理时，分割出目标区域和目标遮挡地面形成的阴影区域，将这两个区域的信息结合起来能更好地表示图像。其次，将字典学习方法 LC-KSVD (Label consistent k-singular value decomposition) 引入到训练阶段中，分别学习目标区域和阴影区域的特征字典，而不是直接将所有训练样本作为固定字典。最后，在测试阶段提出了拓展联合动态稀疏表示算法，使图像数据中的两个特征共享相似但不完全相同的稀疏模式，还可处理图像噪声遮挡损坏问题。标准数据集上的实验结果表明，该方法使不同类别更具区分性，有效地提高了 SAR 图像的目标识别准确度。

实验采用美国国防高等研究计划署公开发布的实测 SAR 地面静止军用目标数据，即 MSTAR 数据集。该数据集由不同方位角和俯仰角下的各种 SAR 目标组成，包括3大类: 装甲车 BMP2、装甲车 BTR70、主战坦克 T72。

图2  数据集目标光学图像和SAR图像

如图3所示，实验结果表明，本文提出的 DL + EJDSR 方法比其他方法具有更好的性能。它不仅利用了SAR图像的两个特征（即目标区域和阴影区域）之间的相关性，而且还提供了更灵活的、自适应的原子选择过程，并且它还可以处理图像噪声遮挡损坏问题。

图3  不同方法的识别正确率