李汶虹,王建国,田莉萍

(电子科技大学电子工程学院,四川成都611731)

0 引言

近年来随着众多学者对SAR图像目标识别的广泛关注,将神经网络应用于SAR图像目标识别已成为一个热点研究问题[1]。由于神经网络分类器模型的复杂度和泛化能力与输入空间表征目标类别信息的特征息息相关,若特征维数较高将增加分类网络的复杂度和降低分类效率,若特征信息冗余较大将弱化分类网络对未知类别目标的泛化能力。因此,研究如何在信息冗余较大的原始图像中快速提取能够表征SAR图像目标信息的低维特征,对推进SAR图像目标智能识别具有重要的意义。

文献[2-3]对SAR图像目标特征提取进行了深入分析,其中包括主成分分析和核主成分分析两种特征提取方法,均需要将二维图像矩阵转换成一维向量,使得特征提取在高维向量空间中进行,计算复杂度较大且获得的目标特征维数较高。文献[4-5]提出了二维主分量分析(2DPCA)、二维子类判决分析(2DCDA)、二维最大子类散度差鉴别分析(2DMCSD)等具有代表性低维特征提取技术,分别提取原图像(128×128)的2DPCA特征(128×8)、2DCDA特征(128×10)和2DMCSD特征(128×8)。实验结果表明,包含目标冗余信息较少的低维特征用于分类识别可有效提高目标的识别效率和准确率。但以上特征提取方法提取的特征维数仍然较高,目标冗余并没有得到有效去除。

鉴于此,本文提出了基于小波域两向二维主分量分析((2D)2PCA)的SAR图像目标识别。该方法首先引入二维离散小波变换(2DDWT)将经过预处理的原始图像变换到小波域,对最佳小波分解级且可充分表征目标类别信息的低频子图像进行(2D)2PCA特征提取,最后在低维特征空间由PNN分类器完成目标识别。……