基于加权两向二维线性鉴别分析的SAR目标识别方法

doi:10.3724/SP.J.1087.2013.00534

计算机应用 ›› 2013, Vol. 33 ›› Issue (02): 534-538.DOI: 10.3724/SP.J.1087.2013.00534

基于加权两向二维线性鉴别分析的SAR目标识别方法

刘振¹,姜晖¹,王粒宾²

1. 电子工程学院，合肥 230037
2. 解放军61922部队,北京 100094

收稿日期:2012-08-16 修回日期:2012-09-17 出版日期:2013-02-01 发布日期:2013-02-25
通讯作者: 刘振
作者简介:刘振(1989-),男,安徽淮南人,硕士研究生,主要研究方向：合成孔径雷达图像处理、目标识别;
姜晖(1964-),男,江苏淮安人,教授,主要研究方向：嵌入式技术、图像处理系统;
王粒宾(1984-),男,河北邯郸人,博士,主要研究方向：稀疏表示、图像处理。

SAR target recognition method based on weighted two-directional and two-dimensional linear discriminant analysis

LIU Zhen¹,JIANG Hui¹,WANG Libin²

1. Electronic Engineering Institute, Hefei Anhui 230037, China
2. No. 61922 Troops of PLA, Beijing 100094, China

Received:2012-08-16 Revised:2012-09-17 Online:2013-02-01 Published:2013-02-25
Contact: LIU Zhen

摘要/Abstract

摘要： 为解决传统Fisher线性鉴别分析(LDA)在SAR图像目标识别中存在的“小样本”问题和“次优性”问题，提出一种基于加权的两向二维线性鉴别分析方法(W(2D)2LDA)。该方法对两向二维线性鉴别分析准则中散度矩阵的构造进行加入权值的改进，采用加权的两向二维鉴别准则函数进行特征提取,从理论上有效解决了 “次优性”问题，并缓解了“小样本”问题。对美国运动与静止目标获取与识别(MSTAR)计划录取的SAR图像数据进行的仿真实验结果表明,该算法增强了提取特征的可鉴别性，能够以较小的特征维数和运算量获得更高的识别率,验证了该算法的有效性。

关键词: 合成孔径雷达, 目标识别, 线性鉴别分析, 次优性, 小样本

Abstract: To solve the Small Sample Size (SSS) problem and the "inferior" problem of traditional Fisher Linear Discriminant Analysis (FLDA) when it is applied to Synthetic Aperture Radar (SAR) image recognition tasks, a new image feature extraction technique was proposed based on weighted two-directional and two-dimensional linear discriminant analysis (W(2D)2LDA). First, the scatter matrices in the two-directional and two-dimensional linear discriminant analysis criterion were modified by adding weights. Then, feature matrix was extracted by W(2D)2LDA. The experimental results with MSTAR dataset verify the effectiveness of the proposed method, and it can strengthen the feature's discrimination and obtain better recognition performance with fewer memory requirements simultaneously.

Key words: Synthetic Aperture Radar (SAR), target recognition, Linear Discriminant Analysis (LDA), inferiority, Small Sample Size (SSS

中图分类号:

TP751

刘振姜晖王粒宾. 基于加权两向二维线性鉴别分析的SAR目标识别方法[J]. 计算机应用, 2013, 33(02): 534-538.

LIU Zhen JIANG Hui WANG Libin. SAR target recognition method based on weighted two-directional and two-dimensional linear discriminant analysis[J]. Journal of Computer Applications, 2013, 33(02): 534-538.

[1]	侯笑晗, 金国栋, 谭力宁, 薛远亮. 基于自适应和最优特征的合成孔径雷达舰船检测方法[J]. 计算机应用, 2021, 41(7): 2150-2155.
[2]	杜炎, 吕良福, 焦一辰. 基于模糊推理的模糊原型网络[J]. 计算机应用, 2021, 41(7): 1885-1890.
[3]	甘岚, 沈鸿飞, 王瑶, 张跃进. 基于改进DCGAN的数据增强方法[J]. 计算机应用, 2021, 41(5): 1305-1313.
[4]	董阳, 潘海为, 崔倩娜, 边晓菲, 滕腾, 王邦菊. 面向多模态磁共振脑瘤图像的小样本分割方法[J]. 计算机应用, 2021, 41(4): 1049-1054.
[5]	黄学雨, 徐浩特, 陶剑文. 具有特征选择的多源自适应分类框架[J]. 计算机应用, 2020, 40(9): 2499-2506.
[6]	白茹意, 郭小英, 贾春花. 基于特征融合的小样本抽象画图像情感预测[J]. 计算机应用, 2020, 40(8): 2207-2213.
[7]	王一丁, 郝晨宇, 李耀利, 蔡少青, 袁媛. 基于深度学习的小样本中药材粉末显微图像识别[J]. 计算机应用, 2020, 40(5): 1301-1308.
[8]	赵一, 段兴, 谢仕义, 梁春林. 面向特定目标自识别的交通图像语义检索方法[J]. 计算机应用, 2020, 40(2): 553-560.
[9]	杨辉华, 张天宇, 李灵巧, 潘细朋. 基于MobileNet的移动端城管案件目标识别算法[J]. 计算机应用, 2019, 39(8): 2475-2479.
[10]	王鑫, 张鑫, 宁晨. 基于多特征降维和迁移学习的红外人体目标识别方法[J]. 计算机应用, 2019, 39(12): 3490-3495.
[11]	甘岚, 郭子涵, 王瑶. 基于径向变换和改进AlexNet的胃肿瘤细胞图像识别方法[J]. 计算机应用, 2019, 39(10): 2923-2929.
[12]	郭庆荣, 贾振红, 杨杰, Nikola KASABOV. 基于非下采样Shearlet变换与模糊对比度的合成孔径雷达图像增强[J]. 计算机应用, 2018, 38(9): 2701-2705.
[13]	胡聪, 屈瑾瑾, 许川佩, 朱爱军. 基于自适应池化的神经网络的服装图像识别[J]. 计算机应用, 2018, 38(8): 2211-2217.
[14]	邓旭, 徐新, 董浩. 单极化合成孔径雷达图像颜色特征编码与分类[J]. 计算机应用, 2018, 38(7): 2056-2063.
[15]	李平, 徐新, 董浩, 邓旭. 利用可分性指数的极化SAR图像特征选择与多层SVM分类[J]. 计算机应用, 2018, 38(1): 132-136.

基于加权两向二维线性鉴别分析的SAR目标识别方法

SAR target recognition method based on weighted two-directional and two-dimensional linear discriminant analysis

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics