一种基于核主成分分析的sar目标识别方法.docxVIP

一种基于核主成分分析的sar目标识别方法 双孔泰纳尔达模型（sar）在土壤目标勘探中的独特优势及其现代战场感知和地质打击等领域的应用前景来看，越来越多的基于sar图像的自动目标识别技术受到了关注。与光学图像不同，sar图像通常是分散波的中心分布，对成像的方向非常敏感，在不同的视角上的目标是非常不同的。模型sar的自动目标识别主要从两个方面进行研究：资源提取方法和识别方法。一是基于randon变换的资源分析（pca），二是基于模型匹配方法、基于bayes网络的模型识别方法、基于隐藏模型的资源识别方法、以及基于模型的支持向量机（支持向量机，简称svm）。模型匹配方法使用每个网格的平均值作为模型，并直接用于目标图像的几何形状。同时，目标图像的方向非常敏感。网格的间距越小，形成的模型的质量越高，匹配效果越好，但需要对方程的良好评估。使用所有像素值作为特征，将样品按30排列，在每个网格单位中配置svm分类器。识别时，使用目标网格信息选择相应的网格单位的分类器进行分类。该方法不具有目标图像的资源提取。另一方面，噪声的存在降低了识别效果。另一方面，如果没有足够的维度采样，计算将变得困难。对于文献中的主要成分分析（kcla，简称kcla），提取sar目标，然后识别svm。与前两种方法相比，该方法的识别率有所增加，但如果同时识别包括0.360方位角的所有数据，则方位角变化较大，目标图像结构变得复杂