李 勇 王德功 常 硕

（空军航空大学 长春 130022）

1 引言

PCA是一种线性变换，由于方法的简单性，在SAR识别中得到了广泛地应用［1］。PCA特征提取方法可有效地降低特征维数，同时尽最大可能保持了原始样本的信息。但是基于PCA的特征提取方法需先将图像矩阵转化为一维向量，然后对一维向量提取特征，具有破坏SAR图像的空间机构，并且不能准确估计协方差矩阵的缺点。对此，胡利平［2］等提出基于图像矩阵的特征提取方法（如2DPCA），能克服基于PCA特征提取方法的诸多问题，提高特征抽取的效率，但由于它们得到的特征维数较大，虽然均采用了相应的进一步降低维数的改进算法，但是，与基于向量的方法相比，改进的算法得到的特征维数还是相对偏大，如何进一步降低特征维数将是下一步工作的重点。本文的主要内容是使用二维离散小波变换对图像进行进一步降维。改进原有的单纯使用2DPCA进行特征提取进行识别的方法。

2 基于小波域二维主成分分析的特征提取方法

在图像处理中，小波变换是进行特征提取和数据压缩的有效工具之一。小波变换提取的低频子带图像不但保留了原图像的主要特征，而且相比较原图像具有较少的数据维数［3］。2DPCA在特征提取之前不需要将人脸图像矩阵展开为一维的向量［5～6］。结合这两种方法的优点、作者提出了用小波变换和2DPCA进行SAR图像识别的方法，得到了较好的识别效果。该方法对SAR图像进行小波分解后提取低频子带图像的二维主成分分量作为目标的分类特征，利用支持向量机［4］完成目标分类［7～8］。……