摘  要： 介紹了基于跑道檢測的機(jī)場識(shí)別、基于結(jié)構(gòu)特征的機(jī)場識(shí)別和基于模板匹配的機(jī)場識(shí)別，并結(jié)合圖像的類型和圖像的分辨率對(duì)各識(shí)別方法進(jìn)行分析和比較，討論了機(jī)場識(shí)別的關(guān)鍵技術(shù)和應(yīng)用難點(diǎn)，并提出了對(duì)該問題的思考和進(jìn)一步研究的設(shè)想。
關(guān)鍵詞： 機(jī)場識(shí)別；跑道檢測；機(jī)場特征

　在現(xiàn)代戰(zhàn)爭中，機(jī)場作為一種重要的交通設(shè)施和軍用設(shè)施，對(duì)它的自動(dòng)檢測識(shí)別在飛機(jī)導(dǎo)航、軍事偵察和精確打擊等領(lǐng)域都有重要的實(shí)用價(jià)值[1]。在國民經(jīng)濟(jì)中，機(jī)場也具有極為重要的作用，機(jī)場識(shí)別在飛機(jī)自動(dòng)駕駛、機(jī)場定位導(dǎo)航等領(lǐng)域也具有重要作用，所以機(jī)場目標(biāo)識(shí)別一直是目標(biāo)識(shí)別領(lǐng)域的研究熱點(diǎn)。
我國對(duì)機(jī)場識(shí)別的研究雖然相對(duì)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(jī)場跑道自動(dòng)識(shí)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(duì)軍用機(jī)場的幾何結(jié)構(gòu)提出了機(jī)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(jìn)行初始檢測，通過機(jī)場結(jié)構(gòu)信息和支持向量機(jī)進(jìn)行后續(xù)篩選的自動(dòng)檢測方法[3]；張立平等人通過自適應(yīng)閾值分割提取機(jī)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(jìn)行辨識(shí)，在大場景高分辨率圖像的機(jī)場識(shí)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(jī)場檢測方法[5]，將遙感圖像的融合應(yīng)用在機(jī)場識(shí)別中的方法[6]以及基于小波變換的機(jī)場識(shí)別方法[7]等。
1 機(jī)場特征識(shí)別的一般方法
1.1 機(jī)場的基本特征
　圖像特征對(duì)目標(biāo)能否正確識(shí)別有著重要的影響，對(duì)機(jī)場而言，目前對(duì)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(jī)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(jìn)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(jī)場跑道的另一重要特征。
　（3）寬度特征：在機(jī)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(jī)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(duì)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(gè)最基本的特征。機(jī)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(jī)場目標(biāo)的特征之一[9]。
　（5）拓?fù)涮卣鳎翰粫?huì)突然中斷，跑道和連接道之間有交叉，并連成網(wǎng)絡(luò)。
　根據(jù)上述對(duì)機(jī)場目標(biāo)特征的分析，可以對(duì)機(jī)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(jī)場識(shí)別中，可借助機(jī)場跑道的基本特征進(jìn)行識(shí)別驗(yàn)證。
1.2 機(jī)場識(shí)別一般方法
　圖像識(shí)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(jì)（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(shí)別法和人工智能方法[10]。而目前在實(shí)際應(yīng)用中機(jī)場識(shí)別的方法主要有三種：
　（1）基于跑道檢測的機(jī)場識(shí)別
　首先對(duì)輸入圖像進(jìn)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(duì)圖像進(jìn)行處理得到邊緣圖，對(duì)獲取的邊緣圖像進(jìn)行有方向約束的邊緣跟蹤，找出所有可能的直線段，然后對(duì)這些直線段進(jìn)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(duì)應(yīng)的平行直線對(duì)（一般為最長的平行直線對(duì)），最后根據(jù)機(jī)場的相關(guān)先驗(yàn)知識(shí)，通過設(shè)置置信參數(shù)，然后再進(jìn)行驗(yàn)證進(jìn)而判斷是否為機(jī)場目標(biāo)，具體的流程如圖1所示。

　（2）基于結(jié)構(gòu)特征的機(jī)場識(shí)別
　一般而言，軍用機(jī)場的主要結(jié)構(gòu)由一個(gè)主跑道和一個(gè)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(gè)封閉的矩形結(jié)構(gòu)。軍用機(jī)場一般具有“日”、“目”等幾個(gè)形狀，另外在輔跑道一側(cè)一般有數(shù)個(gè)環(huán)狀的混凝土防彈機(jī)庫掩體群以及與外界相連的公路，這構(gòu)成了軍用機(jī)場的整體幾何結(jié)構(gòu)。基于結(jié)構(gòu)特征的機(jī)場識(shí)別方法將機(jī)場組成部分之間的依賴關(guān)系應(yīng)用于識(shí)別技術(shù)中，具體流程圖如圖2所示。

　（3）基于模板匹配的機(jī)場識(shí)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(jì)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]。基于灰度相關(guān)的圖像匹配方法，是采用某種相似度量方法，對(duì)模板與待匹配子圖的對(duì)應(yīng)像素的灰度值進(jìn)行比較，一般存在計(jì)算量大、難以實(shí)現(xiàn)等缺點(diǎn)，有時(shí)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(duì)不變的景物特征進(jìn)行匹配，在一定程度上可以克服實(shí)時(shí)圖和模板圖的誤差。匹配具體流程如圖3所示。

2 國內(nèi)機(jī)場目標(biāo)識(shí)別研究現(xiàn)狀
　國內(nèi)對(duì)機(jī)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(jī)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(jī)場識(shí)別
　王永剛等用改進(jìn)的Hough變換方法對(duì)機(jī)場圖像的邊緣檢測結(jié)果進(jìn)行計(jì)算，提取出機(jī)場跑道對(duì)應(yīng)的平行直線對(duì)，然后計(jì)算跑道中心線所對(duì)應(yīng)的像素點(diǎn)，作為種子點(diǎn)進(jìn)行區(qū)域生長，進(jìn)而識(shí)別主要的機(jī)場結(jié)構(gòu)[14]。其識(shí)別主要步驟為：首先進(jìn)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(duì)，得到機(jī)場的一條跑道，然后，根據(jù)平行線對(duì)計(jì)算跑道中心線，以中心線上的點(diǎn)作為種子點(diǎn)進(jìn)行區(qū)域的生長，生長成機(jī)場的整個(gè)跑道結(jié)構(gòu)。其中在直線提取步驟中，針對(duì)傳統(tǒng)Hough變換運(yùn)算量大的特點(diǎn)，對(duì)Hough變換做出了相應(yīng)的改進(jìn)。傳統(tǒng)Hough變換的基本思想是利用點(diǎn)線的對(duì)偶性，它把直線上點(diǎn)的坐標(biāo)變換到過點(diǎn)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(jì)數(shù)問題。改進(jìn)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(diǎn)都要參與運(yùn)算）。而實(shí)際上僅僅是直線所對(duì)應(yīng)的相位角對(duì)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(gè)較小的區(qū)間，將能有效地降低計(jì)算量。另外很多邊緣點(diǎn)并不能形成直線，比如許多孤立的點(diǎn)，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(diǎn)劃分到不同的編組區(qū)，對(duì)每個(gè)編組區(qū)分別進(jìn)行分析，找出最有可能出現(xiàn)直線的直線支持區(qū)，僅對(duì)直線支持區(qū)里的邊緣點(diǎn)按照它們所對(duì)應(yīng)的相位區(qū)間進(jìn)行計(jì)算，這樣將大大降低計(jì)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(duì)機(jī)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(qiáng)化、并抑制其他的非現(xiàn)狀目標(biāo)的機(jī)場識(shí)別算法[15]；何勇等著重研究了機(jī)載SAR圖像中機(jī)場跑道的檢測方法，并針對(duì)機(jī)載SAR圖像中機(jī)場跑道灰度特征和直線特征很明顯的特點(diǎn)，進(jìn)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(jī)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(jī)場跑道的結(jié)構(gòu)[16]。羅軍在其論文里研究了從紅外機(jī)場圖像中自動(dòng)提取、識(shí)別跑道的算法，其中著重研究了通過直線檢測確定機(jī)場跑道的算法，最后根據(jù)機(jī)場跑道的固有特征，從而判定跑道區(qū)域，確定跑道攻擊點(diǎn)[17]。
2.2 基于結(jié)構(gòu)特征的機(jī)場識(shí)別
　徐剛峰、王平等人基于跑道的骨架特征，對(duì)原始圖像進(jìn)行處理得到骨架圖，并檢測骨架分支基元，計(jì)算分支基元的顯著性度量，進(jìn)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(jī)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(yàn)知識(shí)來檢測主跑道的脊柱基元，從而對(duì)跑道進(jìn)行識(shí)別，將機(jī)場跑道區(qū)域的結(jié)構(gòu)骨架進(jìn)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(jī)場目標(biāo)識(shí)別方法。該方法對(duì)圖像進(jìn)行多次雙閾值分割，再搜索潛在目標(biāo)區(qū)域輪廓，計(jì)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(yàn)知識(shí)對(duì)各候選目標(biāo)區(qū)域進(jìn)行識(shí)別，最終獲得機(jī)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(jī)場興趣區(qū)（ROI）自動(dòng)檢測的方法，對(duì)圖像進(jìn)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(jì)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(gè)參數(shù)，用支持向量機(jī)對(duì)樣本參數(shù)進(jìn)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(shí)的機(jī)場目標(biāo)的識(shí)別方法，通過建立機(jī)場目標(biāo)識(shí)別庫，然后提取相關(guān)的特征后，運(yùn)用知識(shí)推理，通過相關(guān)知識(shí)確定機(jī)場各組成部分，最后驗(yàn)證各部分組成機(jī)場的可能性，判定是否存在機(jī)場目標(biāo)[21]。
2.3 基于模板匹配的機(jī)場識(shí)別
　葉勤等人采用基于內(nèi)容的圖像檢索方法，對(duì)雷達(dá)景象匹配數(shù)據(jù)庫中的圖像進(jìn)行興趣目標(biāo)的查詢檢索與識(shí)別。運(yùn)用迭代閾值和區(qū)域生長的方法，進(jìn)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(shí)，采用對(duì)同一幅圖像多幅子圖進(jìn)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(shí)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(dá)景象匹配定位方法，針對(duì)惡劣成像條件下的機(jī)場目標(biāo)實(shí)孔徑雷達(dá)圖像匹配問題，提出一種基于目標(biāo)檢測識(shí)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(jī)場跑道，再用模板匹配識(shí)別跑道端點(diǎn)以進(jìn)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(duì)識(shí)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(jī)場提取方法，設(shè)計(jì)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(yàn)證識(shí)別等流程的機(jī)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(jī)場識(shí)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(jī)場的紋理特征對(duì)機(jī)場目標(biāo)進(jìn)行識(shí)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(jìn)FCM（模糊C均值聚類）對(duì)SAR圖像進(jìn)行機(jī)場類目標(biāo)識(shí)別的方法。首先利用小波算法對(duì)圖像進(jìn)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(jìn)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(jì)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(jià)函數(shù)的梯度場，按照最優(yōu)估計(jì)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(jī)場預(yù)測位置可以減少Hough變換所需要的時(shí)間，保證實(shí)時(shí)性的要求[26]。馬洪超等人將兩種改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)作為算法工具，從TM機(jī)場影像中提取出相關(guān)特征，把相關(guān)的機(jī)場特征作為BP網(wǎng)絡(luò)的輸入，并對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練、測試和識(shí)別，然后在特征級(jí)信息融合技術(shù)框架下進(jìn)行機(jī)場識(shí)別研究，進(jìn)而識(shí)別出機(jī)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(jī)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(duì)目標(biāo)區(qū)域進(jìn)行相關(guān)處理，最后通過提取平行直線對(duì)提出跑道候選區(qū)域，然后用跑道區(qū)域的灰度特征對(duì)候選區(qū)域進(jìn)行驗(yàn)證，進(jìn)而識(shí)別出跑道[28]。
3 機(jī)場目標(biāo)識(shí)別的分析總結(jié)
3.1 機(jī)場識(shí)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(gè)是機(jī)場跑道具有典型的直線特征，然而在實(shí)際情況中機(jī)場具有多樣性，更加的復(fù)雜，機(jī)場的直線特征可能并不明顯，而且在機(jī)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(duì)設(shè)置的置信參數(shù)要求較高，這會(huì)使該識(shí)別算法的抗噪性下降；另一個(gè)條件是要求整個(gè)機(jī)場都出現(xiàn)在待識(shí)別的圖像中，如果圖像中沒有完整地機(jī)場跑道結(jié)構(gòu)，這種方法就無法做出正確的判斷，將會(huì)出現(xiàn)漏判的情況。可見基于跑道檢測的機(jī)場識(shí)別方法具有一定的局限性，一方面對(duì)圖像提出較高的要求，而且置信參數(shù)的設(shè)置對(duì)經(jīng)驗(yàn)的依賴較大；另一方面要求整個(gè)機(jī)場跑道的結(jié)構(gòu)出現(xiàn)在待識(shí)別圖像中，而且具有典型的直線特征，面對(duì)單跑道或者更加復(fù)雜的機(jī)場時(shí)適用性不強(qiáng)。這些問題造成了該方法在實(shí)際的應(yīng)用中具有很大的局限性，只能在針對(duì)特定的機(jī)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(jī)場識(shí)別，利用機(jī)場的整體結(jié)構(gòu)特征，確定機(jī)場各組成部分的位置，使得機(jī)場識(shí)別更加可靠，而且該方法具有較大的靈活性，通過更新知識(shí)庫和采取合適的圖像特征，修改判別推理準(zhǔn)則，可以實(shí)現(xiàn)對(duì)不同機(jī)場的識(shí)別。該方法要求獲取機(jī)場各部分的特征，這對(duì)圖像質(zhì)量也有較高的要求，而且同樣要求整個(gè)機(jī)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(jī)場的各個(gè)部件。當(dāng)出現(xiàn)多個(gè)疑似機(jī)場目標(biāo)時(shí)，通過置信度進(jìn)行選擇判斷，這也對(duì)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(jī)場識(shí)別，通過將機(jī)場各部分之間的依賴關(guān)系應(yīng)用于機(jī)場識(shí)別技術(shù)中，具有相對(duì)較高的的識(shí)別準(zhǔn)確率，而且通過知識(shí)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(jī)場目標(biāo)相關(guān)的知識(shí)庫，對(duì)目標(biāo)機(jī)場的先驗(yàn)知識(shí)有一定的要求。
　基于模板匹配的機(jī)場識(shí)別方法，通過建立模板庫，然后將其與待測的圖像進(jìn)行匹配，利用求得的最大相關(guān)系數(shù)進(jìn)行判斷識(shí)別。該方法的算法實(shí)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(shí)的角度位置等的影響，同時(shí)也較為容易受到噪聲的干擾，計(jì)算量也相對(duì)較大，難以保證實(shí)時(shí)性，而且其對(duì)模板庫中的模板圖要求較高，這些因素使得其有時(shí)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(duì)不變的景物特征進(jìn)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(duì)模板庫同樣有較高的要求。在實(shí)際應(yīng)用中，需要根據(jù)實(shí)際情況選擇合適的機(jī)場特征建立模板。總的來說，基于模板匹配的機(jī)場識(shí)別方法需要建立相關(guān)模板庫，對(duì)先驗(yàn)知識(shí)的要求很高，基于像素的模板匹配計(jì)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(jī)場目標(biāo)識(shí)別上具有一定的價(jià)值。
　結(jié)合新方法理論的機(jī)場識(shí)別，將當(dāng)前的一些新的方法理論應(yīng)用于機(jī)場識(shí)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(jí)信息融合技術(shù)框架下進(jìn)行機(jī)場識(shí)別研究。像這樣把新的方法理論應(yīng)用于機(jī)場識(shí)別的具體方法還有很多，其在識(shí)別效果上相對(duì)而言都有一定的改進(jìn)，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(duì)較高，性能并不一定很好，這些都需要根據(jù)具體的情況進(jìn)行選擇和判斷，整體上來說，新的方法理論結(jié)合在機(jī)場目標(biāo)識(shí)別還是具有較大的價(jià)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(jī)場識(shí)別，其算法流程相對(duì)簡潔，算法效率高，但是其抗噪性不強(qiáng)，很多參數(shù)需要根據(jù)經(jīng)驗(yàn)進(jìn)行設(shè)置，應(yīng)用起來具有一定的局限性，在特定機(jī)場目標(biāo)識(shí)別上還是具有一定的價(jià)值。基于結(jié)構(gòu)特征的機(jī)場識(shí)別，其識(shí)別準(zhǔn)確率以及靈活性相對(duì)基于跑道檢測的機(jī)場識(shí)別方法具有較大的提高，但是需要建立知識(shí)庫，對(duì)先驗(yàn)知識(shí)有一定要求，而且要求獲取待測圖像中機(jī)場的各個(gè)組成部件，對(duì)圖像的質(zhì)量要求較高。基于模板匹配的方法，需要建立模板庫，對(duì)機(jī)場目標(biāo)的先驗(yàn)知識(shí)要求更高，而且基于像素匹配的方法計(jì)算量較大，比較容易受到干擾，在實(shí)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(jī)場識(shí)別，在機(jī)場識(shí)別過程的某個(gè)步驟中使用了新的方法理論，對(duì)提高機(jī)場目標(biāo)識(shí)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(jì)算量大等問題，其適用性也需要進(jìn)行進(jìn)一步的研究實(shí)驗(yàn)。
3.2 分辨率和圖像類型對(duì)機(jī)場識(shí)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(yàn)知識(shí)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(shí)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(jī)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(jìn)行相關(guān)的討論研究。
3.2.1分辨率對(duì)機(jī)場識(shí)別的影響
　待測圖像的分辨率對(duì)機(jī)場識(shí)別的算法有一定的影響，在高分辨率的圖像中，機(jī)場可能只是圖像中一個(gè)很小的部分，如果對(duì)整幅圖像都進(jìn)行處理的話，計(jì)算量相對(duì)偏大，而且可能出現(xiàn)誤檢測。一般而言，首先需要對(duì)圖像進(jìn)行預(yù)處理，在預(yù)處理之后分割提取出包含機(jī)場目標(biāo)的感興趣區(qū)域，然后在感興趣區(qū)域上進(jìn)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(shí)候結(jié)合圖像的宏觀和微觀特征[29]進(jìn)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(huì)相對(duì)多一些，這對(duì)機(jī)場目標(biāo)的準(zhǔn)確識(shí)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(shí)，比如提取圖像的邊緣特征時(shí)，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(huì)相對(duì)小一些，這使得機(jī)場信息的提取難度加大，所以，提取代表機(jī)場跑道的直線特征，對(duì)直線及附近目標(biāo)進(jìn)行判斷，進(jìn)而識(shí)別機(jī)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(jìn)而對(duì)感興趣區(qū)域進(jìn)行分辨識(shí)別，其對(duì)圖像細(xì)節(jié)要求相對(duì)較低，相對(duì)而言適合在大場景低分辨率的圖像中的機(jī)場檢測。
總體而言，在識(shí)別機(jī)場時(shí)，不同分辨率的圖像識(shí)別效率是不一樣的，分辨率過低會(huì)造成機(jī)場信息的提取困難，過高則會(huì)造成噪聲過多。可以通過尋找一個(gè)相對(duì)較佳的分辨率，使得既可以清晰地分割出機(jī)場，又可以有效地抑制許多噪聲。
3.2.2 圖像類型對(duì)機(jī)場識(shí)別的影響
　（1）紅外圖像中的機(jī)場識(shí)別
　目前，由于紅外成像條件和噪聲的干擾，導(dǎo)致機(jī)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(duì)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(huì)使紅外圖像產(chǎn)生很多噪點(diǎn)，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(diǎn)的處理相對(duì)而言要困難一些，在進(jìn)行處理之前，一般需要經(jīng)過預(yù)處理，以去除噪聲、對(duì)圖像進(jìn)行增強(qiáng)。而通過提取感興趣區(qū)域的方法則成為一種相對(duì)有效的處理方法[30]。
　（2）雷達(dá)圖像中的機(jī)場識(shí)別
　雷達(dá)圖像由于具有不受自然光照和氣候條件影響的全天時(shí)、全天候成像的特點(diǎn)而被廣泛采用，但其具有受斑點(diǎn)噪聲影響明顯的特點(diǎn)，信噪比相對(duì)較低，所以在低對(duì)比度和低分辨率的雷達(dá)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(jī)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(duì)成像質(zhì)量較差、信噪比較低的實(shí)孔徑雷達(dá)，容易產(chǎn)生誤匹配，所以一般還是要進(jìn)行圖像的預(yù)處理，濾除噪聲干擾，或?qū)⒃紙D像進(jìn)行變換，將其轉(zhuǎn)換到其他的圖像參數(shù)空間進(jìn)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(jìn)行匹配進(jìn)而識(shí)別判斷出機(jī)場目標(biāo)[31]。
　（3）可見光圖像中的機(jī)場識(shí)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(shí)、細(xì)節(jié)相對(duì)豐富、直觀易判讀，有利于對(duì)機(jī)場的整體結(jié)構(gòu)認(rèn)識(shí)，但受自然條件、時(shí)間、人為偽裝等因素影響很大，在惡劣天氣和夜晚會(huì)失去效能。可見光傳感器能較好地獲取目標(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(qiáng)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(jī)場識(shí)別的關(guān)鍵技術(shù)和難點(diǎn)
　機(jī)場識(shí)別是一個(gè)復(fù)雜的系統(tǒng)，其中比較關(guān)鍵的技術(shù)和難點(diǎn)主要有以下幾個(gè)方面：
　（1）原始圖像的質(zhì)量
　原始圖像的質(zhì)量對(duì)機(jī)場是否能正確識(shí)別有著很大的關(guān)系，對(duì)后續(xù)處理有重要的影響。對(duì)圖像進(jìn)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(qiáng)，但并不能完全彌補(bǔ)原始圖像本身質(zhì)量不好的缺點(diǎn)。
　（2）準(zhǔn)確獲取機(jī)場相關(guān)特征
機(jī)場相關(guān)特征是進(jìn)行機(jī)場識(shí)別判斷的基礎(chǔ)，準(zhǔn)確地提取機(jī)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(jìn)行正確提取，在整個(gè)機(jī)場識(shí)別的過程中尤為關(guān)鍵。
　（3）準(zhǔn)確進(jìn)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(shí)別的方法，對(duì)準(zhǔn)確識(shí)別機(jī)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(yàn)知識(shí)
　在上述的機(jī)場識(shí)別方法中，很多方法對(duì)先驗(yàn)知識(shí)具有一定的依賴性，先驗(yàn)知識(shí)越豐富，對(duì)機(jī)場的正確識(shí)別、減少誤判越有利。
4 對(duì)機(jī)場目標(biāo)識(shí)別的思考與展望
　在機(jī)場識(shí)別中，一般的研究流程為先設(shè)計(jì)算法再進(jìn)行實(shí)驗(yàn)，但由于現(xiàn)實(shí)中機(jī)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(duì)各種各樣的機(jī)場進(jìn)行判斷識(shí)別。而且在設(shè)計(jì)識(shí)別算法時(shí)，測試數(shù)據(jù)非常有限，具有很大的局限性。在機(jī)場識(shí)別中，可以考慮先確定識(shí)別具體的機(jī)場目標(biāo)，然后再根據(jù)該機(jī)場的具體相關(guān)情況進(jìn)行機(jī)場識(shí)別的系統(tǒng)設(shè)計(jì)，這樣在設(shè)計(jì)機(jī)場識(shí)別算法時(shí)具有較強(qiáng)的針對(duì)性，而且算法中能擁有更豐富的先驗(yàn)知識(shí)。即便不能針對(duì)每個(gè)機(jī)場進(jìn)行具體的識(shí)別算法設(shè)計(jì)，也應(yīng)該按照機(jī)場的相關(guān)情況，進(jìn)行分類。對(duì)每一類機(jī)場有針對(duì)性地設(shè)計(jì)相關(guān)的識(shí)別算法，這對(duì)機(jī)場識(shí)別的實(shí)用性具有一定的幫助。
　在機(jī)場識(shí)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(diǎn)，進(jìn)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(jī)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(shí)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(jìn)行機(jī)場目標(biāo)識(shí)別。
　盡管我國機(jī)場識(shí)別研究已經(jīng)取得了不少的研究成果，但總體而言，離實(shí)際應(yīng)用還有一定的距離，在提取方法的自動(dòng)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(jì)算機(jī)技術(shù)的飛速發(fā)展，機(jī)場提取算法會(huì)不斷改進(jìn)，機(jī)場的識(shí)別能力也會(huì)越來越強(qiáng)，在不久的將來將會(huì)從研究走向?qū)嶋H應(yīng)用，體現(xiàn)出巨大的實(shí)用價(jià)值。
參考文獻(xiàn)
[1] 張冬青，張純學(xué)，文蘇麗.自動(dòng)目標(biāo)識(shí)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(jī)場識(shí)別與理解[J].華中科技大學(xué)學(xué)報(bào)，2001，39（3）：39-42.
[3] 張紹明，陳映鷹，林怡，等.星載SAR圖像機(jī)場感興趣區(qū)域檢測算法[J].計(jì)算機(jī)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(jī)場快速檢測方法[J].中國圖象圖形學(xué)報(bào)，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(shí)別模型驗(yàn)證方法研究[J].計(jì)算機(jī)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(jī)場識(shí)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(jìn)FCM的SAR機(jī)場類目標(biāo)提取[J].同濟(jì)大學(xué)學(xué)報(bào)（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(shí)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(shí)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(jì)大學(xué)出版社，2003.
[12] 馬時(shí)平，畢篤彥，陳嵐嵐.基于圖像匹配技術(shù)的飛機(jī)識(shí)別[J].計(jì)算機(jī)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(jī)場識(shí)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(jī)場跑道識(shí)別[J].紅外激光工程，2005，34（6）：733-736.
[16] 何勇，徐新，孫洪，等.機(jī)載SAR圖像中機(jī)場跑道的檢測[J].武漢大學(xué)學(xué)報(bào)（理學(xué)版），2004，50（3）：393-396.
[17] 羅軍.紅外圖像中機(jī)場跑道的自動(dòng)目標(biāo)識(shí)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(jī)場識(shí)別[J].紅外與激光工程，2006，35（6）：717-721.
[19] 張?zhí)煨颍軛睿瑒⑦M(jìn)，等.基于不變矩的紅外圖像機(jī)場目標(biāo)識(shí)別[J].華中科技大學(xué)學(xué)報(bào)：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(jī)場興趣區(qū)檢測算法[J].計(jì)算機(jī)工程，2005，34（15）：19-21.
[21] 陳韶斌，蔡超，丁明躍，等.基于知識(shí)推理的機(jī)場目標(biāo)識(shí)別[J].紅外與激光工程，2011，40（3）：548-552.
[22] 葉勤，李華光，張慶，等.機(jī)場目標(biāo)檢索在雷達(dá)景象匹配數(shù)據(jù)庫中的應(yīng)用[J].同濟(jì)大學(xué)學(xué)報(bào)（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(shí)別的實(shí)孔徑雷達(dá)景象匹配定位方法[J].華中科技大學(xué)學(xué)報(bào)（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(jī)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(jìn)FCM的SAR機(jī)場類目標(biāo)提取[J].同濟(jì)大學(xué)學(xué)報(bào)（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(jì)算機(jī)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(jī)場識(shí)別中的應(yīng)用研究[J].武漢大學(xué)學(xué)報(bào)（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(jī)場跑道快速識(shí)別方法[J].計(jì)算機(jī)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(shí)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(diǎn)的紅外與可見光圖像自動(dòng)配準(zhǔn)[J].光子學(xué)報(bào)，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(bào)，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(hào)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.