國內(nèi)機場目標(biāo)識別研究現(xiàn)狀與展望

陳 仁，趙廣州

（北京控制與電子技術(shù)研究所，北京 100038）

在現(xiàn)代戰(zhàn)爭中，機場作為一種重要的交通設(shè)施和軍用設(shè)施，對它的自動檢測識別在飛機導(dǎo)航、軍事偵察和精確打擊等領(lǐng)域都有重要的實用價值[1]。在國民經(jīng)濟中，機場也具有極為重要的作用，機場識別在飛機自動駕駛、機場定位導(dǎo)航等領(lǐng)域也具有重要作用，所以機場目標(biāo)識別一直是目標(biāo)識別領(lǐng)域的研究熱點。

我國對機場識別的研究雖然相對國外要晚一些，但是在眾多學(xué)者的不懈努力下，也提出了很多的檢測方法，到目前為止，機場跑道自動識別的研究已經(jīng)很廣泛，并且取得了許多的成果，其中具有代表性的研究有：葉斌等人針對軍用機場的幾何結(jié)構(gòu)提出了機場檢測方法[2]；陳映鷹等人提出了一種利用圖像分割和目標(biāo)標(biāo)記方法進行初始檢測，通過機場結(jié)構(gòu)信息和支持向量機進行后續(xù)篩選的自動檢測方法[3]；張立平等人通過自適應(yīng)閾值分割提取機場感興趣區(qū)域 （ROI），然后提取ROI的尺寸、形狀、拓?fù)涮卣鞯人腿攵鏄溥M行辨識，在大場景高分辨率圖像的機場識別中取得了較好的效果[4]。除了以上幾種具有代表性的研究方法外，還有基于句法的機場檢測方法[5]，將遙感圖像的融合應(yīng)用在機場識別中的方法[6]以及基于小波變換的機場識別方法[7]等。

1 機場特征識別的一般方法

1.1 機場的基本特征

圖像特征對目標(biāo)能否正確識別有著重要的影響，對機場而言，目前對它提取的一些主要的特征集中在以下這些方面：

（1）平行線特征：機場跑道的兩條較長的邊緣是相互平行的，而且長度基本一致，一般而言，主輔跑道也是相互平行的，中間通過連接道進行連接。

（2）灰度躍變特征：跑道區(qū)域內(nèi)的灰度大致相同，而與跑道兩側(cè)區(qū)域的草坪有較大差異，在圖像上反映為灰度的躍變，因此灰度躍變是機場跑道的另一重要特征。

（3）寬度特征：在機場圖像中，跑道最寬，長度也是一定的，其構(gòu)成的連通域的面積在機場圖像中一般是最大的，這是區(qū)別于公路等目標(biāo)的重要特征。

（4）紋理特征：圖像在較大的區(qū)域內(nèi)灰度分布上呈現(xiàn)宏觀的周期性或結(jié)構(gòu)性的規(guī)律叫圖像紋理[8]。其對應(yīng)周期函數(shù)的周期或紋理基元大小和重復(fù)構(gòu)成的方向是圖像紋理的兩個最基本的特征。機場跑道和其周圍的紋理是不相同的，因此，紋理特征也可以作為分析機場目標(biāo)的特征之一[9]。

（5）拓?fù)涮卣鳎翰粫蝗恢袛啵艿篮瓦B接道之間有交叉，并連成網(wǎng)絡(luò)。

根據(jù)上述對機場目標(biāo)特征的分析，可以對機場目標(biāo)做出如下的假設(shè)：跑道一般很長，跑道兩條長邊緣之間的距離在一定范圍內(nèi)；跑道的方向不發(fā)生顯著變化；跑道區(qū)域內(nèi)的灰度較均勻，且變換較為平緩，跑道區(qū)域與背景區(qū)域灰度差別較大；跑道的寬度基本一致且變化較慢。

在機場識別中，可借助機場跑道的基本特征進行識別驗證。

1.2 機場識別一般方法

圖像識別的方法很多，目前應(yīng)用得較為廣泛的技術(shù)可概括為五種：統(tǒng)計（或決策理論）方法、結(jié)構(gòu)（或句法）方法、神經(jīng)網(wǎng)絡(luò)法、模糊集識別法和人工智能方法[10]。而目前在實際應(yīng)用中機場識別的方法主要有三種：

（1）基于跑道檢測的機場識別

首先對輸入圖像進行預(yù)處理，以減少相關(guān)噪聲的干擾，然后利用相關(guān)邊緣算子對圖像進行處理得到邊緣圖，對獲取的邊緣圖像進行有方向約束的邊緣跟蹤，找出所有可能的直線段，然后對這些直線段進行連接性測試，將滿足一定條件的直線段合并成為一條連接鏈，作為最終的直線提取結(jié)果，然后提取出其所對應(yīng)的平行直線對（一般為最長的平行直線對），最后根據(jù)機場的相關(guān)先驗知識，通過設(shè)置置信參數(shù)，然后再進行驗證進而判斷是否為機場目標(biāo)，具體的流程如圖1所示。

圖1 基于跑道的機場識別流程

（2）基于結(jié)構(gòu)特征的機場識別

一般而言，軍用機場的主要結(jié)構(gòu)由一個主跑道和一個輔跑道組成，而且它們之間相互平行，在主、輔跑道兩端由數(shù)條滑行道將它們連接起來，它們整體呈現(xiàn)出一個封閉的矩形結(jié)構(gòu)。軍用機場一般具有“日”、“目”等幾個形狀，另外在輔跑道一側(cè)一般有數(shù)個環(huán)狀的混凝土防彈機庫掩體群以及與外界相連的公路，這構(gòu)成了軍用機場的整體幾何結(jié)構(gòu)?；诮Y(jié)構(gòu)特征的機場識別方法將機場組成部分之間的依賴關(guān)系應(yīng)用于識別技術(shù)中，具體流程圖如圖2所示。

圖2 基于結(jié)構(gòu)特征的機場識別

（3）基于模板匹配的機場識別

目前在不同應(yīng)用領(lǐng)域有多種匹配算法，其中基于統(tǒng)計學(xué)理論的圖像匹配技術(shù)較為完善、有效[11-12]。這類的匹配方法主要可以分為兩大類：基于圖像灰度的相關(guān)匹配和基于圖像特征的匹配[13]?；诨叶认嚓P(guān)的圖像匹配方法，是采用某種相似度量方法，對模板與待匹配子圖的對應(yīng)像素的灰度值進行比較，一般存在計算量大、難以實現(xiàn)等缺點，有時候難以得到良好的匹配效果。基于特征的匹配方法利用空間位置相對不變的景物特征進行匹配，在一定程度上可以克服實時圖和模板圖的誤差。匹配具體流程如圖3所示。

圖3 基于模板匹配的機場識別

2 國內(nèi)機場目標(biāo)識別研究現(xiàn)狀

國內(nèi)對機場的研究已經(jīng)比較廣泛了，其中包括紅外影像、SAR影像的機場檢測等。其中具有代表性的有以下幾類。

2.1 基于跑道檢測的機場識別

王永剛等用改進的Hough變換方法對機場圖像的邊緣檢測結(jié)果進行計算，提取出機場跑道對應(yīng)的平行直線對，然后計算跑道中心線所對應(yīng)的像素點，作為種子點進行區(qū)域生長，進而識別主要的機場結(jié)構(gòu)[14]。其識別主要步驟為：首先進行邊緣檢測，根據(jù)邊緣圖像提取直線，確定符合要求的平行線對，得到機場的一條跑道，然后，根據(jù)平行線對計算跑道中心線，以中心線上的點作為種子點進行區(qū)域的生長，生長成機場的整個跑道結(jié)構(gòu)。其中在直線提取步驟中，針對傳統(tǒng)Hough變換運算量大的特點，對Hough變換做出了相應(yīng)的改進。傳統(tǒng)Hough變換的基本思想是利用點線的對偶性，它把直線上點的坐標(biāo)變換到過點的直線的系數(shù)域，巧妙地利用了共線和直線相交的關(guān)系，使直線的提取問題轉(zhuǎn)化為計數(shù)問題。改進的Hough變換不但利用梯度的幅度信息，而且利用其相位信息（傳統(tǒng)的 Hough變化角是 0°～180°，并且經(jīng)過邊緣提取后的所有邊緣點都要參與運算）。而實際上僅僅是直線所對應(yīng)的相位角對檢測直線有共線，如果事先利用直線的相位信息，把θ的取值范圍壓縮到直線相位鄰域內(nèi)一個較小的區(qū)間，將能有效地降低計算量。另外很多邊緣點并不能形成直線，比如許多孤立的點，借鑒相位編組法提取直線的思想，根據(jù)梯度相位信息把檢測出的邊緣點劃分到不同的編組區(qū)，對每個編組區(qū)分別進行分析，找出最有可能出現(xiàn)直線的直線支持區(qū)，僅對直線支持區(qū)里的邊緣點按照它們所對應(yīng)的相位區(qū)間進行計算，這樣將大大降低計算量。

除上述的研究方法外，相似的研究還有很多。李小毛、唐延?xùn)|等人針對機場跑道成像的線狀結(jié)構(gòu)和高灰度值的特征，提出了一種基于多尺度線狀目標(biāo)強化、并抑制其他的非現(xiàn)狀目標(biāo)的機場識別算法[15]；何勇等著重研究了機載SAR圖像中機場跑道的檢測方法，并針對機載SAR圖像中機場跑道灰度特征和直線特征很明顯的特點，進行跑道邊緣直線的提取。為了抑制SAR圖像中噪聲的影響，文中提出了一種基于A/G（算數(shù)均值與幾何均值比）系數(shù)邊緣檢測的機場跑道檢測方法，采用非線性邊緣檢測技術(shù)和數(shù)學(xué)形態(tài)學(xué)來檢測邊緣，最后利用Hough變換檢測平行直線確定跑道，并結(jié)合灰度特征和邊緣特征，通過區(qū)域生長生成機場跑道的結(jié)構(gòu)[16]。羅軍在其論文里研究了從紅外機場圖像中自動提取、識別跑道的算法，其中著重研究了通過直線檢測確定機場跑道的算法，最后根據(jù)機場跑道的固有特征，從而判定跑道區(qū)域，確定跑道攻擊點[17]。

2.2 基于結(jié)構(gòu)特征的機場識別

徐剛峰、王平等人基于跑道的骨架特征，對原始圖像進行處理得到骨架圖，并檢測骨架分支基元，計算分支基元的顯著性度量，進而建立分支基元的顯著性度量并建立分支基元之間的鄰接關(guān)系，再結(jié)合機場跑道所具有的幾何特征，采用脊柱基元表示條狀區(qū)域，將脊柱基元的寬度、長度和方向信息作為脊柱基元的顯著性度量，然后借助先驗知識來檢測主跑道的脊柱基元，從而對跑道進行識別，將機場跑道區(qū)域的結(jié)構(gòu)骨架進行多尺度表示，從而獲取更加有效完備的特征[18]。

其他有代表性的研究還有很多。張?zhí)煨虻热颂岢隽艘环N基于仿射不變矩的紅外序列圖像機場目標(biāo)識別方法。該方法對圖像進行多次雙閾值分割，再搜索潛在目標(biāo)區(qū)域輪廓，計算其仿射不變矩和目標(biāo)背景梯度特征，并利用相關(guān)的先驗知識對各候選目標(biāo)區(qū)域進行識別，最終獲得機場目標(biāo)[19]。張紹明等人提出了一種解決低信噪比、大尺寸的 SAR圖像機場興趣區(qū)（ROI）自動檢測的方法，對圖像進行基于馬爾科夫場的分割，由目標(biāo)標(biāo)記方法確定ROI區(qū)域，用Hough變換檢測跑道平行線，濾除部分ROI，然后計算ROI候選區(qū)的跑道方法投影直方圖及目標(biāo)的寬、高、寬高比、目標(biāo)背景面積比和目標(biāo)背景灰度比5個參數(shù)，用支持向量機對樣本參數(shù)進行學(xué)習(xí)，完成ROI的最終判斷[20]。陳韶斌等人提出一種新的基于知識的機場目標(biāo)的識別方法，通過建立機場目標(biāo)識別庫，然后提取相關(guān)的特征后，運用知識推理，通過相關(guān)知識確定機場各組成部分，最后驗證各部分組成機場的可能性，判定是否存在機場目標(biāo)[21]。

2.3 基于模板匹配的機場識別

葉勤等人采用基于內(nèi)容的圖像檢索方法，對雷達景象匹配數(shù)據(jù)庫中的圖像進行興趣目標(biāo)的查詢檢索與識別。運用迭代閾值和區(qū)域生長的方法，進行感興趣目標(biāo)的分離，為了在檢索過程中確定檢索目標(biāo)在圖像中的位置，預(yù)處理時，采用對同一幅圖像多幅子圖進行特征提取的方法，通過子圖范圍來確定目標(biāo)在大幅圖像上的位置[22]。 基于內(nèi)容檢索時根據(jù)圖像的內(nèi)容（紋理、形狀、顏色、語義等特征），在圖像數(shù)據(jù)庫中找到需要的圖像，目的是從圖像數(shù)據(jù)庫中提取與查詢內(nèi)容相關(guān)的圖像或圖像序列。檢索的過程為：處理圖像、提取圖像內(nèi)容、建立索引、將圖像數(shù)據(jù)庫中的圖像特征與例子匹配，確定相似的輸出結(jié)果。

楊衛(wèi)東等人提出了一種雷達景象匹配定位方法，針對惡劣成像條件下的機場目標(biāo)實孔徑雷達圖像匹配問題，提出一種基于目標(biāo)檢測識別的定位方法，通過線特征濾波預(yù)處理和投影變換檢測機場跑道，再用模板匹配識別跑道端點以進行定位，其中參考圖制備的準(zhǔn)確度和相似性程序尤為重要，對識別的準(zhǔn)確率有著很大的影響[23]。楊浩等人提出了基于模板搜索的高分辨率SAR圖像機場提取方法，設(shè)計出以尺度變換、邊緣檢測、短線提取、短線連接、平行線提取和驗證識別等流程的機場提取方案。其中短線連接提出了一種基于模板搜索的直線連接方法，將短直線連接問題轉(zhuǎn)化為模板參數(shù)空間里搜索峰值的問題[24]。

2.4 結(jié)合新方法理論的機場識別

除了上面幾類較為典型的方法之外，在現(xiàn)代的一些圖像研究方法中，也引入了其他學(xué)科的許多概念方法，有的學(xué)者依據(jù)機場的紋理特征對機場目標(biāo)進行識別，其中謝峰等人通過定義幾種小波紋理，提出了一種基于小波紋理與改進FCM（模糊C均值聚類）對SAR圖像進行機場類目標(biāo)識別的方法。首先利用小波算法對圖像進行分解，從而得到不同方向上的小波頻帶，然后提取小波紋理進行分析[25]。

另外還有陳楸、王曉璨等人將引力場模型引入圖像匹配中，并設(shè)計了相應(yīng)的算法，基于引力場的模型可以直接建立圖像失配代價函數(shù)的梯度場，按照最優(yōu)估計理論，只要在正確匹配位置的收斂域內(nèi)，就可以沿最速下降路徑找到正確的匹配位置。借助慣性導(dǎo)航系統(tǒng)提供的機場預(yù)測位置可以減少Hough變換所需要的時間，保證實時性的要求[26]。馬洪超等人將兩種改進的BP神經(jīng)網(wǎng)絡(luò)作為算法工具，從TM機場影像中提取出相關(guān)特征，把相關(guān)的機場特征作為BP網(wǎng)絡(luò)的輸入，并對BP網(wǎng)絡(luò)進行訓(xùn)練、測試和識別，然后在特征級信息融合技術(shù)框架下進行機場識別研究，進而識別出機場目標(biāo)[27]。王昭蓮等人提出一種基于數(shù)學(xué)形態(tài)學(xué)的航拍機場跑道快速算法，首先采用二維熵閾值方法分割出目標(biāo)區(qū)域，利用Kirsch算子提取主要輪廓，再用數(shù)學(xué)形態(tài)學(xué)操作對目標(biāo)區(qū)域進行相關(guān)處理，最后通過提取平行直線對提出跑道候選區(qū)域，然后用跑道區(qū)域的灰度特征對候選區(qū)域進行驗證，進而識別出跑道[28]。

3 機場目標(biāo)識別的分析總結(jié)

3.1 機場識別方法的分析比較

上述的幾類方法中可以看出，基于跑道檢測的方法原理上較為簡潔，但是其成立的條件一個是機場跑道具有典型的直線特征，然而在實際情況中機場具有多樣性，更加的復(fù)雜，機場的直線特征可能并不明顯，而且在機場周圍也很有可能出現(xiàn)具有直線特征的目標(biāo)物，所以對設(shè)置的置信參數(shù)要求較高，這會使該識別算法的抗噪性下降；另一個條件是要求整個機場都出現(xiàn)在待識別的圖像中，如果圖像中沒有完整地機場跑道結(jié)構(gòu)，這種方法就無法做出正確的判斷，將會出現(xiàn)漏判的情況?？梢娀谂艿罊z測的機場識別方法具有一定的局限性，一方面對圖像提出較高的要求，而且置信參數(shù)的設(shè)置對經(jīng)驗的依賴較大；另一方面要求整個機場跑道的結(jié)構(gòu)出現(xiàn)在待識別圖像中，而且具有典型的直線特征，面對單跑道或者更加復(fù)雜的機場時適用性不強。這些問題造成了該方法在實際的應(yīng)用中具有很大的局限性，只能在針對特定的機場目標(biāo)，如航拍圖像、紅外圖像以及一些質(zhì)量很好的遙感圖像才能取得較好的效果。

基于結(jié)構(gòu)特征的機場識別，利用機場的整體結(jié)構(gòu)特征，確定機場各組成部分的位置，使得機場識別更加可靠，而且該方法具有較大的靈活性，通過更新知識庫和采取合適的圖像特征，修改判別推理準(zhǔn)則，可以實現(xiàn)對不同機場的識別。該方法要求獲取機場各部分的特征，這對圖像質(zhì)量也有較高的要求，而且同樣要求整個機場結(jié)構(gòu)均出現(xiàn)在待檢測的圖像中，否則不能準(zhǔn)確地檢測到機場的各個部件。當(dāng)出現(xiàn)多個疑似機場目標(biāo)時，通過置信度進行選擇判斷，這也對置信度的設(shè)置提出了較高的要求。整體而言，基于結(jié)構(gòu)特征的機場識別，通過將機場各部分之間的依賴關(guān)系應(yīng)用于機場識別技術(shù)中，具有相對較高的的識別準(zhǔn)確率，而且通過知識庫的更新和圖像特征的選擇，具有較高的靈活性，但需要建立機場目標(biāo)相關(guān)的知識庫，對目標(biāo)機場的先驗知識有一定的要求。

基于模板匹配的機場識別方法，通過建立模板庫，然后將其與待測的圖像進行匹配，利用求得的最大相關(guān)系數(shù)進行判斷識別。該方法的算法實現(xiàn)主要分為兩種，基于圖像像素相關(guān)信息的匹配和基于圖像特征的匹配。前者由于存在待測圖的相關(guān)信息容易受到客觀因素如天氣、光照以及獲取待測圖像時的角度位置等的影響，同時也較為容易受到噪聲的干擾，計算量也相對較大，難以保證實時性，而且其對模板庫中的模板圖要求較高，這些因素使得其有時候難以得到良好的匹配效果。而基于特征的匹配方法利用空間位置相對不變的景物特征進行匹配，在一定程度上可以克服因待測圖和模板圖引起的誤差。但是其對模板庫同樣有較高的要求。在實際應(yīng)用中，需要根據(jù)實際情況選擇合適的機場特征建立模板?？偟膩碚f，基于模板匹配的機場識別方法需要建立相關(guān)模板庫，對先驗知識的要求很高，基于像素的模板匹配計算量大，而且噪聲的干擾和圖像結(jié)構(gòu)的千變?nèi)f化，使得模板匹配在復(fù)雜的情況下應(yīng)用有一定的困難，但在圖像質(zhì)量較好的特定機場目標(biāo)識別上具有一定的價值。

結(jié)合新方法理論的機場識別，將當(dāng)前的一些新的方法理論應(yīng)用于機場識別中，比如利用小波變換的多尺度特性去獲取待測圖像更為細(xì)致精確的紋理信息；利用神經(jīng)網(wǎng)絡(luò)作為目標(biāo)分類判別的工具，在特征級信息融合技術(shù)框架下進行機場識別研究。像這樣把新的方法理論應(yīng)用于機場識別的具體方法還有很多，其在識別效果上相對而言都有一定的改進，但有些方法也是在一定的范圍情況下適用，有些方法的復(fù)雜度相對較高，性能并不一定很好，這些都需要根據(jù)具體的情況進行選擇和判斷，整體上來說，新的方法理論結(jié)合在機場目標(biāo)識別還是具有較大的價值，值得深入研究探討。

通過上面的分析可以發(fā)現(xiàn)，基于跑道檢測的機場識別，其算法流程相對簡潔，算法效率高，但是其抗噪性不強，很多參數(shù)需要根據(jù)經(jīng)驗進行設(shè)置，應(yīng)用起來具有一定的局限性，在特定機場目標(biāo)識別上還是具有一定的價值。基于結(jié)構(gòu)特征的機場識別，其識別準(zhǔn)確率以及靈活性相對基于跑道檢測的機場識別方法具有較大的提高，但是需要建立知識庫，對先驗知識有一定要求，而且要求獲取待測圖像中機場的各個組成部件，對圖像的質(zhì)量要求較高?；谀０迤ヅ涞姆椒ǎ枰⒛０鍘?，對機場目標(biāo)的先驗知識要求更高，而且基于像素匹配的方法計算量較大，比較容易受到干擾，在實際應(yīng)用中具有很大的局限性。最后，結(jié)合了新的方法理論的機場識別，在機場識別過程的某個步驟中使用了新的方法理論，對提高機場目標(biāo)識別的準(zhǔn)確率有一定的幫助，但有的方法過于復(fù)雜，有的方法也存在計算量大等問題，其適用性也需要進行進一步的研究實驗。

3.2 分辨率和圖像類型對機場識別的影響

在上述的研究中，有的是從灰度、紋理或者結(jié)構(gòu)等特征入手，有的是先檢測直線特征，然后在此基礎(chǔ)上再參考灰度特性等深入分析，需要預(yù)先設(shè)置相關(guān)的閾值等參數(shù)；有的檢測感興趣區(qū)域，然后通過先驗知識等濾除虛假的候選區(qū)；有的通過圖像匹配，這就要求需要有模板圖像；在選擇一些較新的理論方法的識別算法中，與待測圖像也有著緊密的聯(lián)系。這些方法通常與待測圖像的質(zhì)量及圖像中機場的表面特性有關(guān)，下面就根據(jù)待測圖像的分辨率和圖像類型進行相關(guān)的討論研究。

3.2.1 分辨率對機場識別的影響

待測圖像的分辨率對機場識別的算法有一定的影響，在高分辨率的圖像中，機場可能只是圖像中一個很小的部分，如果對整幅圖像都進行處理的話，計算量相對偏大，而且可能出現(xiàn)誤檢測。一般而言，首先需要對圖像進行預(yù)處理，在預(yù)處理之后分割提取出包含機場目標(biāo)的感興趣區(qū)域，然后在感興趣區(qū)域上進行相關(guān)后續(xù)的處理，從而獲得較快的處理速度，通常在分割提取感興趣區(qū)域的時候結(jié)合圖像的宏觀和微觀特征[29]進行多尺度分析。在高分辨率圖像中，目標(biāo)地物與背景的灰度反差大，區(qū)分度好，但是噪聲也會相對多一些，這對機場目標(biāo)的準(zhǔn)確識別也存在一定的干擾。

在低分辨率圖像中，圖像的細(xì)節(jié)并不豐富，在提取圖像的細(xì)節(jié)特征時，比如提取圖像的邊緣特征時，不能獲得足夠準(zhǔn)確有效的信息。例如在跑道的灰度范圍內(nèi)灰度值過渡比較平緩，目標(biāo)地物與背景地灰度差值也會相對小一些，這使得機場信息的提取難度加大，所以，提取代表機場跑道的直線特征，對直線及附近目標(biāo)進行判斷，進而識別機場的方法適用于小場景高分辨率圖像；而提取感興趣區(qū)域，進而對感興趣區(qū)域進行分辨識別，其對圖像細(xì)節(jié)要求相對較低，相對而言適合在大場景低分辨率的圖像中的機場檢測。

總體而言，在識別機場時，不同分辨率的圖像識別效率是不一樣的，分辨率過低會造成機場信息的提取困難，過高則會造成噪聲過多?？梢酝ㄟ^尋找一個相對較佳的分辨率，使得既可以清晰地分割出機場，又可以有效地抑制許多噪聲。

3.2.2 圖像類型對機場識別的影響

（1）紅外圖像中的機場識別

目前，由于紅外成像條件和噪聲的干擾，導(dǎo)致機場成為復(fù)雜背景下的弱目標(biāo)，特別在遠(yuǎn)距離前視觀察條件下，得到的紅外圖像細(xì)節(jié)比較多，目標(biāo)和背景之間的界限相對模糊，而且由于成像器件固有的傳感器效應(yīng)和大氣輻射的影響會使紅外圖像產(chǎn)生很多噪點，紅外圖像目標(biāo)和背景的溫度差異明顯，在圖像中目標(biāo)和背景通常占據(jù)不同的灰度范圍，因此基于圖像邊緣點的處理相對而言要困難一些，在進行處理之前，一般需要經(jīng)過預(yù)處理，以去除噪聲、對圖像進行增強。而通過提取感興趣區(qū)域的方法則成為一種相對有效的處理方法[30]。

（2）雷達圖像中的機場識別

雷達圖像由于具有不受自然光照和氣候條件影響的全天時、全天候成像的特點而被廣泛采用，但其具有受斑點噪聲影響明顯的特點，信噪比相對較低，所以在低對比度和低分辨率的雷達圖像中，經(jīng)典的邊緣檢測方法難以適應(yīng)，要完整地提取機場結(jié)構(gòu)特征比較困難。而采用基于灰度的模板匹配也存在一定的局限性，尤其是對成像質(zhì)量較差、信噪比較低的實孔徑雷達，容易產(chǎn)生誤匹配，所以一般還是要進行圖像的預(yù)處理，濾除噪聲干擾，或?qū)⒃紙D像進行變換，將其轉(zhuǎn)換到其他的圖像參數(shù)空間進行處理，或者在提取相關(guān)圖像特征之后，利用圖像的特征進行匹配進而識別判斷出機場目標(biāo)[31]。

（3）可見光圖像中的機場識別

可見光圖像包括全色、多光譜、專題掃描儀以及高分辨率成像儀所成的紅綠藍(lán)單色圖像。該波段圖像真實、細(xì)節(jié)相對豐富、直觀易判讀，有利于對機場的整體結(jié)構(gòu)認(rèn)識，但受自然條件、時間、人為偽裝等因素影響很大，在惡劣天氣和夜晚會失去效能?？梢姽鈧鞲衅髂茌^好地獲取目標(biāo)外形尺寸，但不具備全天候和發(fā)現(xiàn)遮蔽目標(biāo)的能力，且可見光圖像易受光照強度變化、成像角度、目標(biāo)陰影、成像噪聲等諸多因素的干擾，故該類傳感器使用范圍還是受到一定的限制[32]。

3.3 機場識別的關(guān)鍵技術(shù)和難點

機場識別是一個復(fù)雜的系統(tǒng)，其中比較關(guān)鍵的技術(shù)和難點主要有以下幾個方面：

（1）原始圖像的質(zhì)量

原始圖像的質(zhì)量對機場是否能正確識別有著很大的關(guān)系，對后續(xù)處理有重要的影響。對圖像進行預(yù)處理能在使原始圖像的相關(guān)信息得到一定程度的增強，但并不能完全彌補原始圖像本身質(zhì)量不好的缺點。

（2）準(zhǔn)確獲取機場相關(guān)特征

機場相關(guān)特征是進行機場識別判斷的基礎(chǔ)，準(zhǔn)確地提取機場的特征作為后續(xù)階段處理的依據(jù)，如何根據(jù)處理圖像的具體情況選擇圖像特征并進行正確提取，在整個機場識別的過程中尤為關(guān)鍵。

（3）準(zhǔn)確進行分類的判斷

在獲取圖像的相關(guān)特征之后，采用何種判斷識別的方法，對準(zhǔn)確識別機場目標(biāo)，提高判斷的準(zhǔn)確率、減少虛警率也有著重要的意義。

（4）先驗知識

在上述的機場識別方法中，很多方法對先驗知識具有一定的依賴性，先驗知識越豐富，對機場的正確識別、減少誤判越有利。

4 對機場目標(biāo)識別的思考與展望

在機場識別中，一般的研究流程為先設(shè)計算法再進行實驗，但由于現(xiàn)實中機場的數(shù)量眾多，而且結(jié)構(gòu)復(fù)雜多樣，很難找到一種通用統(tǒng)一的算法，能對各種各樣的機場進行判斷識別。而且在設(shè)計識別算法時，測試數(shù)據(jù)非常有限，具有很大的局限性。在機場識別中，可以考慮先確定識別具體的機場目標(biāo)，然后再根據(jù)該機場的具體相關(guān)情況進行機場識別的系統(tǒng)設(shè)計，這樣在設(shè)計機場識別算法時具有較強的針對性，而且算法中能擁有更豐富的先驗知識。即便不能針對每個機場進行具體的識別算法設(shè)計，也應(yīng)該按照機場的相關(guān)情況，進行分類。對每一類機場有針對性地設(shè)計相關(guān)的識別算法，這對機場識別的實用性具有一定的幫助。

在機場識別今后的發(fā)展中，一方面可以考慮充分利用不同類型圖像的特點，進行不同類型圖像之間的信息融合[33]，可以提高從影像提取機場信息的可靠性和效率；另一方面也可以將多種方法結(jié)合，多學(xué)科知識結(jié)合，借助最新研究的方法工具和思路，比如基于分形理論、小波變換、引力場模型、神經(jīng)網(wǎng)絡(luò)、圖像融合等進行機場目標(biāo)識別。

盡管我國機場識別研究已經(jīng)取得了不少的研究成果，但總體而言，離實際應(yīng)用還有一定的距離，在提取方法的自動化程度、準(zhǔn)確性、高效性、抗干擾性等方面還有很多的路要走。相信隨著計算機技術(shù)的飛速發(fā)展，機場提取算法會不斷改進，機場的識別能力也會越來越強，在不久的將來將會從研究走向?qū)嶋H應(yīng)用，體現(xiàn)出巨大的實用價值。

[1]張冬青，張純學(xué)，文蘇麗.自動目標(biāo)識別技術(shù)在導(dǎo)彈上的應(yīng)用研究[J].戰(zhàn)術(shù)導(dǎo)彈技術(shù)，2010（5）：1-6.

[2]葉斌，彭嘉雄.基于結(jié)構(gòu)特征的軍用機場識別與理解[J].華中科技大學(xué)學(xué)報，2001，39（3）：39-42.

[3]張紹明，陳映鷹，林怡，等.星載 SAR圖像機場感興趣區(qū)域檢測算法[J].計算機工程，2008，34（15）：19-21.

[4]張立平，張紅，王超，等.大場景高分辨率 SAR圖像中機場快速檢測方法[J].中國圖象圖形學(xué)報，2010，15（7）：1112-1120.

[5]周延延，吳曉燕.基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別模型驗證方法研究[J].計算機工程與應(yīng)用，2010，46（7）：145-147.

[6]因倩，張占睽，曲筱筱，等.遙感圖像融合方法在機場識別應(yīng)用中的研究[J].海洋測繪，2010，30（2）：38-41.

[7]謝鋒，林怡，陳映鷹.基于小波紋理與改進 FCM的 SAR機場類目標(biāo)提取 [J].同濟大學(xué)學(xué)報 （自然科學(xué)版），2009，37（1）：115-120.

[8]馬莉，范影樂.紋理圖像分析[M].北京：科學(xué)出版社，2009.

[9]孫棟.基于紋理分析的目標(biāo)圖像識別技術(shù)研究 [D].南京：南京理工大學(xué)，2005.

[10]孫即祥.現(xiàn)代模式識別[M].長沙：國防科技大學(xué)出版社，2002.

[11]陳鷹.遙感影像的數(shù)字?jǐn)z影測量[M].上海：同濟大學(xué)出版社，2003.

[12]馬時平，畢篤彥，陳嵐嵐.基于圖像匹配技術(shù)的飛機識別[J].計算機工程，2004，30（5）：159-160.

[13]陳雷.基于輪廓模板匹配的物體檢測算法[J].基礎(chǔ)科學(xué)，2010.11（上）：158.

[14]王永剛，姜挺，龔輝.一種基于跑道檢測的機場識別方法[J].測繪工程，2009，18（5）：69-72.

[15]李小毛，唐延?xùn)|，肖穎杰.多尺度線狀目標(biāo)的機場跑道識別[J].紅外激光工程，2005，34（6）：733-736.

[16]何勇，徐新，孫洪，等.機載 SAR圖像中機場跑道的檢測[J].武漢大學(xué)學(xué)報（理學(xué)版），2004，50（3）：393-396.

[17]羅軍.紅外圖像中機場跑道的自動目標(biāo)識別[D].長沙：國防科學(xué)技術(shù)大學(xué)，2002.

[18]徐剛峰，王平，沈振康.基于骨架特征的機場識別[J].紅外與激光工程，2006，35（6）：717-721.

[19]張?zhí)煨?，曹楊，劉進，等.基于不變矩的紅外圖像機場目標(biāo)識別[J].華中科技大學(xué)學(xué)報：自然科學(xué)版，2007，35（1）：17-19.

[20]張紹明，陳映鷹，林怡，等.星載 SAR圖像機場興趣區(qū)檢測算法[J].計算機工程，2005，34（15）：19-21.

[21]陳韶斌，蔡超，丁明躍，等.基于知識推理的機場目標(biāo)識別[J].紅外與激光工程，2011，40（3）：548-552.

[22]葉勤，李華光，張慶，等.機場目標(biāo)檢索在雷達景象匹配數(shù)據(jù)庫中的應(yīng)用[J].同濟大學(xué)學(xué)報（自然科學(xué)版），2007，35（4）：547-550.

[23]楊衛(wèi)東，作崢嶸，張?zhí)煨?基于檢測識別的實孔徑雷達景象匹配定位方法[J].華中科技大學(xué)學(xué)報（自然科學(xué)版），2005，33（2）：25-27.

[24]楊浩，張紅，王超，等.基于模板搜索的高分辨率 SAR圖像機場提取方法[J].遙感信息，2010：30-35.

[25]謝峰，林怡，陳映鷹.基于小波紋理與改進FCM的 SAR機場類目標(biāo)提取 [J].同濟大學(xué)學(xué)報 （自然科學(xué)版），2009，37（1）：115-119.

[26]陳楸，王曉璨，馬松輝.基于引力場模型的圖像匹配方法[J].計算機仿真，2011，28（1）：88-91.

[27]馬洪超，郭艷麗.人工神經(jīng)網(wǎng)絡(luò)信息融合及其在機場識別中的應(yīng)用研究 [J].武漢大學(xué)學(xué)報 （信息科學(xué)版），2005，30（8）：682-684.

[28]王昭蓮，吳樂華.基于數(shù)學(xué)形態(tài)學(xué)的機場跑道快速識別方法[J].計算機技術(shù)與發(fā)展，2008，18（7）：193-196.

[29]明冬萍，駱劍承，沈占峰，等.高分辨率遙感影像信息提取與目標(biāo)識別技術(shù)研究[J].測試科學(xué)，2005，30（3）：18-20.

[30]王阿妮，馬彩文，劉爽，等.基于角點的紅外與可見光圖像自動配準(zhǔn)[J].光子學(xué)報，2009，38（12）：3328-3331.

[31]陳東，李飚，沈振康，等.SAR與可見光圖像匹配方法研究[J].中國圖像圖形學(xué)報，2001，63（A）：223-227.

[32]陳新，彭科舉，周東祥，等.一種利用 SAR和可見光圖像融合檢測目標(biāo)的方法 [J].信號處理，2010，26（9）：1408-1413.

[33]楊靖宇.戰(zhàn)場數(shù)據(jù)融合技術(shù)[M].北京：兵器工業(yè)出版社，1993.