基于改进的子类判决分析的SAR目标特征提取与识别

针对大多文献中假设合成孔径雷达(SAR)数据服从单模分布带来的问题,该文提出改进的子类判决分析(ICDA),它假设SAR目标数据服从更合理更实际的多模分布。首先采用快速全局k-均值聚类算法找到每类目标的子类划分,然后基于子类判决分析(CDA)准则寻找最优的投影矢量,使得投影后不同类别的子类样本之间距离最大而每个子类内部的样本散布最小。用美国运动和静止目标获取与识别(MSTAR)计划录取的SAR地面静止目标数据的实验结果表明,ICDA可获得较好的对真实目标的分类性能和对干扰目标的拒判能力。

两向二维最大子类散度差鉴别分析及其在SAR目标识别中的应用

针对Fisher线性判决分析(FLDA)在图像识别应用中遇到的小样本问题,提出了两向二维最大子类散度差((2D)2MCSD)鉴别分析的图像特征提取方法。首先找到每类数据的子类划分,再根据这些子类构造基于二维图像矩阵的子类类间和子类类内散布矩阵,最后用子类类间与子类类内散布之差作为鉴别准则求取投影矢量。该方法可以处理多模分布问题,从根本上避免了矩阵求逆和小样本问题,加快了特征抽取的速度,且同时对图像行和列进行压缩,克服了二维最大子类散度差(2DMCSD)鉴别分析和另一种形式的2DMCSD(Alternate 2DMCSD)的特征维数较大的问题。基于美国运动和静止目标获取与识别(MSTAR)公共数据库提供的实测数据的实验结果表明:本文方法的性能优于现有的子空间方法;与2DMCSD和Alter-nate 2DMCSD相比,可大大降低特征维数、提高识别性能。