畢業(yè)論文---遙感圖像中機(jī)場(chǎng)跑道檢測(cè)算法

1、<p><b>　　目 錄</b></p><p><b>　　第一章 緒論1</b></p><p>　　§1.1 研究背景及意義1</p><p>　　§1.2 國(guó)內(nèi)外研究現(xiàn)狀1</p><p>　　§1.3本文所做的工作及內(nèi)容安排2</

2、p><p>　　1.3.1主要工作2</p><p>　　1.3.2 內(nèi)容安排2</p><p>　　第二章 數(shù)字圖像預(yù)處理3</p><p>　　§2.1 圖像灰度化3</p><p>　　§2.1.1圖像灰度化原理3</p><p>　　§2.1.2圖像灰

3、度化效果圖3</p><p>　　§2.2圖像分割4</p><p>　　§2.2.1圖像分割簡(jiǎn)介4</p><p>　　§2.2.2迭代閥值分割法5</p><p>　　§2.3邊緣檢測(cè)6</p><p>　　§2.3.1邊緣檢測(cè)介紹6</p>

4、<p>　　§2.3.2 robert算子6</p><p>　　§2.3.3sobel算子7</p><p>　　§2.3.4 laplace算子7</p><p>　　§2.3.5 邊緣檢測(cè)算子測(cè)試對(duì)比8</p><p>　　§2.3.6結(jié)合圖像二值化進(jìn)行邊緣檢測(cè)效果

5、圖9</p><p>　　§2.4本章小結(jié)10</p><p>　　第三章 霍夫轉(zhuǎn)換算法12</p><p>　　§3.1霍夫轉(zhuǎn)換算法原理12</p><p>　　§3.2霍夫轉(zhuǎn)換實(shí)現(xiàn)流程及關(guān)鍵步驟14</p><p>　　§3.3霍夫轉(zhuǎn)換效果測(cè)試15</p&g

6、t;<p>　　§3.4傳統(tǒng)霍夫轉(zhuǎn)換的優(yōu)缺點(diǎn)15</p><p>　　§3.5 本章小結(jié)16</p><p>　　第四章 遙感圖像中飛機(jī)跑道檢測(cè)算法17</p><p>　　§4.1 遙感圖像中機(jī)場(chǎng)目標(biāo)判斷的基礎(chǔ)知識(shí)17</p><p>　　§4.2遙感圖像中飛機(jī)跑道檢測(cè)算法17

7、</p><p>　　§4.3算法測(cè)試19</p><p>　　§4.4 本章小節(jié)21</p><p>　　第五章 總結(jié)與展望22</p><p><b>　　致 謝23</b></p><p><b>　　參考文獻(xiàn)24</b></p&

8、gt;<p><b>　　第一章 緒論</b></p><p>　　§1.1 研究背景及意義</p><p>　　遙感圖像輔助目標(biāo)識(shí)別的開發(fā)從20世紀(jì)70年代開始一直是許多學(xué)者的興趣所在，機(jī)場(chǎng)目標(biāo)識(shí)別是其中的一個(gè)分支，而對(duì)機(jī)場(chǎng)跑道的檢測(cè)則是整個(gè)機(jī)場(chǎng)目標(biāo)識(shí)別的基礎(chǔ)，能否準(zhǔn)確得檢測(cè)出跑道目標(biāo)無論是對(duì)遙感圖像的計(jì)算機(jī)輔助判讀還是GIS信息的更新以及戰(zhàn)

9、場(chǎng)打擊效果的評(píng)估都有重要的意義。</p><p>　　利用衛(wèi)星或者飛機(jī)等所拍攝的照片監(jiān)視或者偵查地面目標(biāo)，以其不受地域的限制，一直是獲取有關(guān)信息的重要手段，已經(jīng)被應(yīng)用于國(guó)防和國(guó)民經(jīng)濟(jì)建設(shè)的許多領(lǐng)域之中。尤其是在軍事領(lǐng)域的偵查，制導(dǎo)，警戒以及防御系統(tǒng)中，目標(biāo)識(shí)別更是得到充分的運(yùn)用。</p><p>　　在遙感圖像的處理中，機(jī)場(chǎng)作為重要的目標(biāo)，研究對(duì)其進(jìn)行自動(dòng)識(shí)別具有重要的意義。由于機(jī)場(chǎng)跑道對(duì)

10、于起降飛機(jī)，自動(dòng)導(dǎo)航和軍事作戰(zhàn)有著極其重要的作用，因此機(jī)場(chǎng)跑道的自動(dòng)識(shí)別成為急待解決的課題。遙感圖像中機(jī)場(chǎng)跑道檢測(cè)是遙感圖像輔助目標(biāo)識(shí)別系統(tǒng)的一個(gè)重要分支，成功檢測(cè)出機(jī)場(chǎng)主跑道的位置，長(zhǎng)度可以極大的強(qiáng)化對(duì)機(jī)場(chǎng)進(jìn)行軍事打擊的精度。由于對(duì)機(jī)場(chǎng)跑道的檢測(cè)多用于軍事領(lǐng)域，這就對(duì)算法提出了更高的要求，不僅僅要求算法的檢測(cè)結(jié)果精確，同時(shí)還要求算法的速度快。</p><p>　　§1.2 國(guó)內(nèi)外研究現(xiàn)狀</p&

11、gt;<p>　　從20世紀(jì)90年代開始，國(guó)內(nèi)外就開始關(guān)注機(jī)場(chǎng)圖像的檢測(cè)識(shí)別，也提出了很多方法，至今國(guó)內(nèi)外對(duì)于飛機(jī)跑道的檢測(cè)一直極為重視并且做了大量的研究工作，國(guó)內(nèi)比較有影響的幾種方法分別是中國(guó)科學(xué)院對(duì)地觀測(cè)與數(shù)字地球科學(xué)中心的基于模板的機(jī)場(chǎng)提取方法和基于骨架特征的機(jī)場(chǎng)跑道檢測(cè)。這些研究方法一般有兩個(gè)思路，一個(gè)是通過邊緣檢測(cè)，直線段搜索，直線擬合，直線修正并進(jìn)行模板式霍夫轉(zhuǎn)換從而得到機(jī)場(chǎng)跑道。另一種是通過對(duì)圖像進(jìn)行增強(qiáng)處理

12、，用最佳閥值法進(jìn)行圖像二值化，然后通過結(jié)合不同的邊緣檢測(cè)算子對(duì)圖像進(jìn)行霍夫轉(zhuǎn)換然后進(jìn)行平行判斷從而得到機(jī)場(chǎng)跑道。本文使用的就是第二種思路。</p><p>　　Hough變換于1962年由Paul Hough提出，并在美國(guó)作為專利被發(fā)表。它所實(shí)現(xiàn)的是一種從圖像空間到參數(shù)空間的映射關(guān)系。由于具有一些明顯優(yōu)點(diǎn)和可貴性質(zhì)，它引起了許多國(guó)內(nèi)外學(xué)者和工程技術(shù)人員的普遍關(guān)注。例如，由于其根據(jù)局部度量來計(jì)算全面描述參數(shù)，因而對(duì)

13、于區(qū)域邊界被噪聲干擾或被其他目標(biāo)遮蓋而引起邊界發(fā)生某些間斷的情況，它具有很好的容錯(cuò)性和魯棒性。多年來，專家們對(duì)Hough變換的理論性質(zhì)和應(yīng)用方法進(jìn)行了深入而廣泛的研究, 并取得了許多有價(jià)值的成果。</p><p>　　§1.3本文所做的工作及內(nèi)容安排</p><p><b>　　1.3.1主要工作</b></p><p>　　由于直接

14、對(duì)圖像進(jìn)行霍夫轉(zhuǎn)換效果不理想，只有進(jìn)行圖像預(yù)處理之后能得到較為滿意的檢測(cè)結(jié)果，圖像預(yù)處理中對(duì)圖像進(jìn)行二值化和邊緣檢測(cè)是很重要的，預(yù)處理方面本文主要做了圖像灰度花，二值化，邊緣檢測(cè)，就不同的邊緣檢測(cè)算子進(jìn)行了測(cè)試。</p><p>　　在進(jìn)行上面的圖像預(yù)處理之后，對(duì)所得結(jié)果進(jìn)行霍夫轉(zhuǎn)換，霍夫轉(zhuǎn)換后進(jìn)行平行檢測(cè)這幾種工作，最終通過對(duì)幾幅飛機(jī)場(chǎng)俯瞰圖進(jìn)行跑道檢測(cè)。</p><p>　　結(jié)合最終算

15、法測(cè)試結(jié)果，分析了霍夫變換的優(yōu)缺點(diǎn)并給出了改進(jìn)方向。</p><p>　　1.3.2 內(nèi)容安排</p><p>　　第一章緒論，闡述了國(guó)內(nèi)外對(duì)于機(jī)場(chǎng)跑道檢測(cè)算法的研究現(xiàn)狀和該課題研究的意義，并對(duì)本文算法進(jìn)行基本的概括。</p><p>　　第二章數(shù)字圖像預(yù)處理，主要闡述了圖像處理的基本知識(shí)，圖像灰度化的知識(shí)，進(jìn)行迭代得到最佳二值化閥值算法原理及實(shí)現(xiàn)，Sobel邊緣檢

16、測(cè)算子原理及實(shí)現(xiàn)，Robert邊緣檢測(cè)算子原理及實(shí)現(xiàn)，Laplace邊緣檢測(cè)算子原理及實(shí)現(xiàn)，三種算子檢測(cè)效果對(duì)比以及結(jié)合二值化，邊緣檢測(cè)的效果圖。</p><p>　　第三章霍夫轉(zhuǎn)換，闡述了霍夫轉(zhuǎn)換算法的原理，實(shí)現(xiàn)流程以及算法中關(guān)鍵步驟的存在意義。</p><p>　　第四章遙感圖像中飛機(jī)跑道檢測(cè)算法，針對(duì)算法中的不足進(jìn)行改進(jìn)，最后對(duì)一般性軍事機(jī)場(chǎng)進(jìn)行跑到檢測(cè)并給出檢測(cè)結(jié)果。</p&

17、gt;<p>　　第五章總結(jié)與展望，對(duì)全文進(jìn)行總結(jié)，給出我對(duì)跑道檢測(cè)算法的改進(jìn)的想法。</p><p>　　第二章 數(shù)字圖像預(yù)處理</p><p>　　由于獲取到的遙感圖像一般都存在或大或小的噪音，對(duì)于我們進(jìn)行跑道檢測(cè)有很大的干擾作用，因此對(duì)圖像進(jìn)行預(yù)處理就顯得尤為重要。進(jìn)行圖像預(yù)處理可以使我們的圖像數(shù)據(jù)更加方便進(jìn)行檢測(cè)，增強(qiáng)我們需要的信息抑制無用的噪音。下面將介紹本算法中用

18、到的幾種方法，包括圖像灰度化，閥值分割二值化，圖像邊緣檢測(cè)。</p><p>　　§2.1 圖像灰度化</p><p>　　§2.1.1圖像灰度化原理</p><p>　　在RGB模型中，如果R=G=B時(shí)，則彩色表示一種灰度顏色，其中R=G=B的值叫灰度值，因此，灰度圖像每個(gè)像素只需一個(gè)字節(jié)存放灰度值（又稱強(qiáng)度值、亮度值），灰度范圍為0-255。

19、一般有以下四種方法對(duì)彩色圖像進(jìn)行灰度化： </p><p><b>　　1.分量法 </b></p><p>　　將彩色圖像中的三分量的亮度作為三個(gè)灰度圖像的灰度值，可根據(jù)應(yīng)用需要選取一種灰度圖像。 </p><p>　　f1(i,j)=R(i,j) f2(i,j)=G(i,j) f3(i,j)=B(i,j)

20、 （2-1）</p><p>　　其中fk(i,j)(k=1,2,3)為轉(zhuǎn)換后的灰度圖像在（i,j）處的灰度值。</p><p><b>　　2.最大值法 </b></p><p>　　將彩色圖像中的三分量亮度的最大值作為灰度圖的灰度值</p><p>　　f(i,j)=max(R(i,j)

21、,G(i,j),B(i,j)) （2-2）</p><p><b>　　3.平均值法 </b></p><p>　　將彩色圖像中的三分量亮度求平均得到一個(gè)灰度圖。 </p><p>　　f(i,j)=(R(i,j)+G(i,j)+B(i,j)) /3

22、 （2-3）</p><p><b>　　4.加權(quán)平均法 </b></p><p>　　根據(jù)重要性及其它指標(biāo)，將三個(gè)分量以不同的權(quán)值進(jìn)行加權(quán)平均。由于人眼對(duì)綠色的敏感最高，對(duì)藍(lán)色敏感最低，因此，按下式對(duì)RGB三分量進(jìn)行加權(quán)平均能得到較合理的灰度圖像。 </p><p>　　f(

23、i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)) （2-4）</p><p>　　在本算法中，使用第四種方法進(jìn)行圖像灰度化。</p><p>　　§2.1.2圖像灰度化效果圖</p><p><b>　　原圖片：</b></p>

24、<p>　　選取的圖片是臺(tái)灣花蓮軍事基地的Google Earth 俯瞰圖。</p><p>　　圖片 2-1 臺(tái)灣花蓮軍事基地</p><p>　　經(jīng)過灰度轉(zhuǎn)換后的灰度圖：</p><p>　　圖片 2-2 臺(tái)灣花蓮軍事基地灰度圖</p><p><b>　　§2.2圖像分割</b></p&

25、gt;<p>　　§2.2.1圖像分割簡(jiǎn)介</p><p>　　在圖像處理的研究應(yīng)用中，人們往往把最感興趣的圖像信息額外分割出來，稱之為興趣區(qū)域，它們是圖像中特定的具有獨(dú)特價(jià)值的區(qū)域。為了更好得分析興趣區(qū)域，就需要用特殊的方法將之分離出來，在此基礎(chǔ)上才可以對(duì)目標(biāo)進(jìn)行進(jìn)一步的分析。圖像分割就是將圖像分成各具特點(diǎn)的區(qū)域并提取出興趣區(qū)域的技術(shù)和過程。</p><p>　　

26、常用的圖像分割方法主要是把按灰度把圖像分成不同的等級(jí)，然后通過設(shè)置閥值的方法確定有意義的區(qū)域和邊界。最常用的閥值處理就是圖像的二值化處理，通過一個(gè)閥值（在0-255之間）來把圖像轉(zhuǎn)換為黑白二值圖像，用于圖像分割以及邊緣跟蹤等預(yù)處理。</p><p>　　圖像二值化閥值處理的變換函數(shù)表達(dá)式為：</p><p>　　t為閥值 （2-5） </p

27、><p>　　其中f(x,y),g(x,y)分別是處理前后(x,y)像素處的灰度值，T為閥值。</p><p>　　圖像閥值化處理實(shí)質(zhì)上是一種圖像灰度級(jí)的非線性運(yùn)算，它的功能是用戶指定一個(gè)特定的閥值，然后對(duì)圖像進(jìn)行逐像素的比較，如果圖像中某像素的灰度值小于該閥值，則將該圖像的灰度值設(shè)置為0，否則設(shè)置為255。從過程中很容易看出，閥值的選取直接影響著最終的圖像分割結(jié)果，閥值過大會(huì)提取出多余的部分

28、，而閥值過小則會(huì)丟失所需要的部分，因此，閥值的選取至關(guān)重要。</p><p>　　對(duì)于閥值的選取主要有取全局閥值和取局部閥值兩種情況，閥值的選取方法的依據(jù)基礎(chǔ)是圖像灰度值的灰度直方圖，對(duì)于圖像而言，既可以多閥值分割即局部閥值分割，也可以單閥值分割即全局閥值分割。多閥值分割效果雖然可以進(jìn)一步提高圖像的分割質(zhì)量，但是其分割算法時(shí)間復(fù)雜度很高，處理圖像尤其是大分辨率彩色圖像的速度很慢，而且其最終結(jié)果和全局閥值法分割相差

29、無幾，因此本文采用的是取全局閥值的分割方法。</p><p>　　取全局閥值的方法主要有迭代閥值分割法和最大類間方差法(Otsu)。本文選取的迭代閥值分割法。</p><p>　　§2.2.2迭代閥值分割法</p><p>　　Ridler和Calvard在1978年曾經(jīng)提出一種選取閥值的迭代法，是迭代法的最初原型，但是非常耗時(shí)，Trussel對(duì)此做了優(yōu)化

30、，即任意把直方圖劃分成兩個(gè)部分并計(jì)算每一部分的平均灰度，然后用兩個(gè)平均灰度級(jí)的平均值作為新的分割閥值。</p><p><b>　　具體步驟如下：</b></p><p>　　(1)求出圖像中最大灰度值Z1和最小灰度值Z2（可直接根據(jù)圖像的灰度矩陣確定）令閥值初始值為;</p><p>　　(2)根據(jù)閥值T將圖像分割成目標(biāo)和背景兩部分，分別求出

31、兩部分的平均灰度值Z3,Z4；</p><p><b>　　（2-6）</b></p><p><b>　?。?-7）</b></p><p>　　其中，Z(I,j)是圖像上(i,j)點(diǎn)的灰度值，N(i,j)是權(quán)重系數(shù)即像素點(diǎn)灰度值等于Z(i,j)的像素點(diǎn)個(gè)數(shù)。</p><p>　　(3)得出來的兩

32、個(gè)新閥值再次跳轉(zhuǎn)到步驟（1）并且計(jì)算出新的閥值</p><p>　　(4)直到得出的兩個(gè)閥值相等，否則不斷在步驟（1）和步驟（2）進(jìn)行跳轉(zhuǎn)</p><p>　　(5)當(dāng)且僅當(dāng)兩個(gè)閥值相等的時(shí)候，該閥值就是進(jìn)行分割的閥值了。</p><p>　　本文中用到該方法的地方在邊緣檢測(cè)完成之后，在邊緣檢測(cè)后會(huì)附加該算法的結(jié)果。</p><p><

33、b>　　§2.3邊緣檢測(cè)</b></p><p>　　§2.3.1邊緣檢測(cè)介紹</p><p>　　圖像邊緣包含了機(jī)場(chǎng)圖像的絕大部分的有用信息，成功檢測(cè)出機(jī)場(chǎng)跑道的邊緣就成功了一半，因此邊緣檢測(cè)是圖像處理中基礎(chǔ)而又重要的課題。圖像邊緣處理的主要目的是突出圖像中的細(xì)節(jié)或者增強(qiáng)被模糊化的細(xì)節(jié)，把景物的結(jié)構(gòu)輪廓清晰地表現(xiàn)出來。這其中的原理在于圖像的邊緣和輪廓

34、都位于灰度突變的地方，因此圖像邊緣檢測(cè)的實(shí)現(xiàn)是基于微分作用的。常見的方法主要是以各種微分算子為基礎(chǔ)，常見的算子主要有Sobel算子，Robert算子，Laplace算子等，其中Sobel算子，Robert算子是一階算子，Laplace算子是二階算子，下面會(huì)詳細(xì)介紹每個(gè)算子的原理和具體實(shí)現(xiàn)。</p><p>　　§2.3.2 Robert算子</p><p>　　Robert邊緣檢

35、測(cè)算子是一種利用梯度矢量交叉微分尋找邊緣的算子。</p><p>　　設(shè)圖像為f(x,y)，定義f(x,y)在點(diǎn)(x,y)的梯度矢量[f(x,y)]為:</p><p><b>　?。?-8）</b></p><p>　　梯度有兩個(gè)重要的性質(zhì)：</p><p>　　梯度矢量的方向在函數(shù)f(x,y)最大變化率的方向上。&l

36、t;/p><p>　　梯度的幅度用G[f(x,y)]表示，其值為: 由此式可以得出這樣的結(jié)論：梯度的數(shù)值就是f(x,y)在其最大變化率方向上的單位距離所增加的量。</p><p>　　對(duì)于離散的數(shù)字圖像矩陣，上面的式子可以改寫成:</p><p><b>　?。?-9）</b></p><p>　　這個(gè)公式就是羅伯特(Rob

37、ert)公式，其中f(x,y)是具有整數(shù)像素坐標(biāo)的圖像矩陣，Robert算子是兩個(gè)2×2模板作用的結(jié)果，模板如下所示：</p><p>　　模板1 模板2 </p><p>　　Robert算子利用局部差分算子尋找邊緣，邊緣定位精度較高，但是容易丟失部分邊緣，由于沒有經(jīng)過圖像平滑計(jì)算，因此不能抑制噪聲。該算子對(duì)具有陡峭的低噪聲圖像檢測(cè)效果最好，對(duì)

38、噪聲較高的圖片檢測(cè)效果一般。</p><p>　　§2.3.3Sobel算子</p><p>　　在Robert算子的2×2模板的基礎(chǔ)上，3×3模板出現(xiàn)了。Sobel算子是一種離散型差分算子，sobel算子的模板一共有兩個(gè)，一個(gè)是檢測(cè)水平邊緣的，一個(gè)是檢測(cè)垂直邊緣的。兩個(gè)模板如下：</p><p>　　檢測(cè)水平邊緣模板： 檢測(cè)豎直

39、邊緣模板：</p><p>　　Sobel算子的表達(dá)式如下：</p><p><b>　?。?-10）</b></p><p><b>　　（2-11）</b></p><p>　　在本算法中，會(huì)分別用水平和豎直檢測(cè)模板對(duì)圖像進(jìn)行卷積，取兩個(gè)卷積值較大的作為該點(diǎn)的灰度值。</p>&l

40、t;p>　　Sobel相比之Robert算子加入了加權(quán)局部平均，不僅能檢測(cè)圖像的邊緣而且能進(jìn)一步抑制噪聲的影響，但是也由于進(jìn)行加權(quán)局部平均，它得到的邊緣較粗，在飛機(jī)跑道檢測(cè)的方面來說，需要獲取的邊緣有一定寬度，因此該算子更適用。</p><p>　　§2.3.4 Laplace算子</p><p>　　拉普拉斯算子(Laplace)算子是一種常用的邊緣檢測(cè)二階微分算子，是偏

41、導(dǎo)數(shù)運(yùn)算的線性組合運(yùn)算，而且是一種各向同性（各個(gè)方向上增長(zhǎng)速度一樣）的線性運(yùn)算，一個(gè)二元圖像函數(shù)f(x,y)的拉普拉斯算子定義為：</p><p>　　（2-12） </p><p>　　為了該算子更適用于數(shù)字圖像處理，這一方程需要表示為離散形式。因此對(duì)于離散數(shù)字圖像f(x,y)，用差分運(yùn)算代替微分運(yùn)算，其二階偏微分表示為下式：</p&g

42、t;<p>　　X方向上： （2-13）</p><p>　　Y方向上： （2-14）</p><p>　　由這兩個(gè)式子帶入到拉普拉斯算子中則可得到：</p><p><b>　　（2-15）</b></p><p>　　公式必須配合相應(yīng)的模板才能進(jìn)行計(jì)算，本文算法中使用的模板如下：&l

43、t;/p><p>　　使用這個(gè)模板的好處在于它是各向同性的，對(duì)各個(gè)方向的邊緣檢測(cè)都很敏感。由于拉普拉斯算子是一種微分算子，它的應(yīng)用強(qiáng)調(diào)圖像中灰度的突變和降低灰度慢變化的區(qū)域。這樣處理之后會(huì)把圖像中的淺灰色邊線和突變點(diǎn)疊加到暗背景，看上去就像磨砂的效果。</p><p>　　§2.3.5 邊緣檢測(cè)算子測(cè)試對(duì)比</p><p>　　下面將將分別用Sobel算子，R

44、obert算子，Laplace算子對(duì)某軍事機(jī)場(chǎng)如圖2-3所示進(jìn)行灰度化后的邊緣檢測(cè)。</p><p>　　圖 2-3 臺(tái)灣新竹軍事基地</p><p><b>　　檢測(cè)效果圖如下：</b></p><p><b>　　Sobel算子：</b></p><p>　　圖2-4 Sobel檢測(cè)圖</

45、p><p><b>　　Robert算子：</b></p><p>　　圖 2-5 Robert檢測(cè)圖</p><p>　　Laplace算子：</p><p>　　圖 2-6 Laplace檢測(cè)圖</p><p>　　通過對(duì)上面檢測(cè)效果圖的對(duì)比以及以往的研究可以得出以下幾個(gè)結(jié)論：</p>

46、<p>　　一階微分算子通常會(huì)產(chǎn)生比較寬的邊緣，這個(gè)寬是相對(duì)比于二階微分算子的，在上面三圖中可看出，雖然Laplace算子的檢測(cè)效果圖略顯龐雜，但是其邊緣和Sobel算子，Robert算子相比是更細(xì)的。</p><p>　　二階微分處理對(duì)細(xì)節(jié)有較強(qiáng)的響應(yīng)，如細(xì)線和孤立點(diǎn)。這一點(diǎn)在Laplace檢測(cè)圖上有明顯的表示，大量的細(xì)節(jié)被標(biāo)志出來，而在一階微分檢測(cè)圖中就沒有。</p><p&

47、gt;　　二階微分處理形成的增強(qiáng)細(xì)節(jié)比一階微分多很多，這一點(diǎn)并不利于我們進(jìn)行飛機(jī)跑道的邊緣檢測(cè)，我們需要提取的邊緣很直接就是飛機(jī)主跑道，形成太多的細(xì)節(jié)對(duì)于后續(xù)的操作有不利影響，因此本算法選用一階微分算子進(jìn)行邊緣檢測(cè)。</p><p>　　§2.3.6結(jié)合圖像二值化進(jìn)行邊緣檢測(cè)效果圖</p><p>　　上一節(jié)解決了使用一階微分算子還是二階微分算子的問題，本節(jié)的主要工作是選用哪個(gè)一

48、階微分算子。在對(duì)圖像進(jìn)行灰度化邊緣檢測(cè)之后用最佳閥值迭代法進(jìn)行二值化，根據(jù)最后得到的結(jié)果對(duì)比來確定。</p><p>　　選取圖片如圖2-7所示：</p><p>　　圖 2-7臺(tái)灣花蓮軍事基地</p><p>　　Sobel-二值化檢測(cè)結(jié)果</p><p>　　圖 2-8 Sobel-二值化檢測(cè)圖</p><p>　

49、　Robert-二值化檢測(cè)結(jié)果：</p><p>　　圖 2-9 Robert-二值化檢測(cè)圖</p><p>　　結(jié)論：從上面的對(duì)比圖來看，使用Sobel算子處理過的最終圖片邊緣清晰，Robert算子的邊緣較細(xì)且有斷點(diǎn)，因此本文算法選用Sobel算子進(jìn)行邊緣檢測(cè)。</p><p><b>　　§2.4本章小結(jié)</b></p>

50、;<p>　　本章主要介紹了本算法中圖像預(yù)處理的部分，包括圖像灰度化，利用最佳閥值迭代法進(jìn)行二值化，三種圖像邊緣檢測(cè)算子的原理和對(duì)比，通過對(duì)飛機(jī)場(chǎng)圖片的邊緣處理對(duì)比確定使用一階微分算子，然后通過邊緣檢測(cè)二值化的最終結(jié)果來確定使用Sobel算子作為本文算法的邊緣檢測(cè)算子。</p><p>　　第三章 霍夫轉(zhuǎn)換算法</p><p>　　上一章中已經(jīng)得到了經(jīng)過邊緣檢測(cè)和二值化后的飛

51、機(jī)場(chǎng)邊緣圖像，現(xiàn)在的問題是如何從該圖像中提取出飛機(jī)跑道的直線，為了提取直線，本文算法采用圖像處理中經(jīng)典的直線檢測(cè)方法霍夫變換算法。</p><p>　　霍夫變換是霍夫在1962年提出的一種形狀匹配技術(shù)，是一種檢測(cè)，定位直線和解析曲線的有效方法，它將原始圖像中給定形狀的曲線和直線變換到參數(shù)空間的一個(gè)點(diǎn)，即原始圖像中給定形狀的曲線或者直線上所有的點(diǎn)都集中到參數(shù)空間的某個(gè)點(diǎn)上形成峰值，這樣就可以把原始圖像中給定形狀的直

52、線或者曲線上的檢測(cè)問題，變成了尋求參數(shù)空間中的峰值的問題，也即把檢測(cè)整體特性（例如直線特征）變換成檢測(cè)局部特性的問題。運(yùn)用兩個(gè)坐標(biāo)系之間的變換來檢測(cè)平面內(nèi)的直線和有規(guī)律的曲線，這種變換具有在變換空間所希望的邊緣區(qū)凝聚在一起形成峰值的特性，最終在變換空間內(nèi)找到的峰值即待檢測(cè)的直線和曲線。</p><p>　　§3.1霍夫轉(zhuǎn)換算法原理</p><p>　　設(shè)x-y平面坐標(biāo)系中，已知一

53、黑白圖像（即二值圖像）上有一條直線，其直線方程可描述為：</p><p><b>　?。?-1）</b></p><p>　　其中k和b是參數(shù)，分別是斜率和截距。</p><p>　　過某一點(diǎn)的所有直線的參數(shù)都會(huì)滿足方程。即點(diǎn)確定了一類直線。方程在參數(shù)k-b平面上是一條直線，其方程為：</p><p><b>

54、　　（3-2）</b></p><p>　　這樣，圖像x-y平面上的一個(gè)前景像素點(diǎn)就對(duì)應(yīng)到參數(shù)平面上的一條直線。其中和分別是直線的負(fù)斜率和截距。比較上面的兩個(gè)方程并結(jié)合書中的知識(shí)我們可以得出兩個(gè)重要的性質(zhì)。</p><p>　　x-y平面上任意一點(diǎn)對(duì)應(yīng)參數(shù)平面k-b上一條直線。</p><p>　　對(duì)于x-y平面中的某一條直線的點(diǎn)簇，在k-b平面中對(duì)應(yīng)的

55、為不同的斜率和截距的直線簇，但是這些直線簇在參數(shù)空間內(nèi)都相交于一個(gè)點(diǎn)。這就給我們直線檢測(cè)創(chuàng)造了一個(gè)很好的條件，只需要在參數(shù)空間內(nèi)找到最大值點(diǎn)，也就可以找到了這些直線簇，然后將這些直線簇進(jìn)行還原就可以得到直線了。</p><p>　　上面的原理介紹還是稍微有一些抽象，下面用具體的圖像處理中的語(yǔ)言進(jìn)行解釋。</p><p>　　平面中任意一條直線都可以用極坐標(biāo)方程來表示，即可以使用兩個(gè)參數(shù)確定

56、下來，對(duì)于圖像空間任意點(diǎn)(x,y),其函數(shù)關(guān)系為：</p><p><b>　　（3-3）</b></p><p>　　其中為原點(diǎn)到直線的垂線的長(zhǎng)度，是原點(diǎn)到直線的垂線與x軸的夾角，這個(gè)角有可能是銳角也可以是鈍角，這在程序設(shè)計(jì)的時(shí)候會(huì)有一些小麻煩。具體的關(guān)系如圖3-1所示：</p><p>　　圖 3-1 霍夫變換示意圖</p>

57、<p>　　如果對(duì)如圖3-2所示圖片位于同一直線上的n個(gè)點(diǎn)進(jìn)行上面的參數(shù)系轉(zhuǎn)換，則原圖像空間n個(gè)點(diǎn)在參數(shù)空間中可以相應(yīng)的得到n條正弦曲線，并且這些曲線都相交于同一點(diǎn)，如圖3-3所示，這條直線同樣具有上面的兩個(gè)性質(zhì)。</p><p>　　圖3-2（x,y)坐標(biāo)系 圖3-3（ρ，θ）坐標(biāo)系</p><p>　　數(shù)字圖像空間中共線的點(diǎn)與參數(shù)空

58、間里面的共點(diǎn)的線存在對(duì)應(yīng)關(guān)系，只要找出參數(shù)空間中共點(diǎn)的曲線的點(diǎn)，就能確定圖像空間中的直線。在實(shí)際應(yīng)用中，霍夫變換是根據(jù)上面的公式將圖像空間中的每一個(gè)點(diǎn)都映射到霍夫參數(shù)空間中去，然后在霍夫參數(shù)空間的每一點(diǎn)處設(shè)置一個(gè)累加器。每當(dāng)參數(shù)空間的一個(gè)點(diǎn)滿足一條直線，則在這個(gè)累加器的值加1。然后設(shè)定一個(gè)閥值，這個(gè)閥值的作用在于當(dāng)累加器的值累加到多大的時(shí)候，我們認(rèn)定這個(gè)點(diǎn)對(duì)應(yīng)一條直線。如果最大值大于該閥值，則說明直線存在，若小于則舍棄掉。通過檢測(cè)參數(shù)空

59、間的累加器的值可以確定該直線對(duì)應(yīng)的參數(shù)，也就是累加器最大值點(diǎn)的參數(shù),從而把直線檢測(cè)出來。</p><p>　　§3.2霍夫轉(zhuǎn)換實(shí)現(xiàn)流程及關(guān)鍵步驟</p><p>　　上一節(jié)最后已經(jīng)給出了霍夫轉(zhuǎn)換實(shí)現(xiàn)的基本思路，在計(jì)算機(jī)上實(shí)現(xiàn)的最重要的一步就是在參數(shù)空間中設(shè)置累加器并且根據(jù)原圖像空間的點(diǎn)對(duì)累加器進(jìn)行累加，最終得到參數(shù)空間累加器的一個(gè)總的數(shù)值矩陣。然后取這個(gè)矩陣的最大的幾個(gè)值來獲取這

60、幾個(gè)值所對(duì)應(yīng)的直線，最后進(jìn)行平行判斷即可。</p><p><b>　　下面是具體步驟：</b></p><p>　　初始化一個(gè)變換域空間，初始化為零，編程實(shí)現(xiàn)是設(shè)置一個(gè)數(shù)組，ρ方向上的量化數(shù)目圖像對(duì)角線方向的像素?cái)?shù)，θ方向上的量化數(shù)目為90（角度從0~180,每一格2度）。</p><p>　　順序搜索原圖像中的所有的黑點(diǎn)，對(duì)于每一個(gè)黑點(diǎn)，在

61、對(duì)應(yīng)的參數(shù)空間的對(duì)應(yīng)點(diǎn)上加1，這是累加器的效果。</p><p>　　求出參數(shù)空間中的最大值并記錄。</p><p>　　將最大值及附近的點(diǎn)清零，這個(gè)附近是該點(diǎn)的八鄰域清零。</p><p>　　依次求出參數(shù)空間累加器中的第二大，第三大，第四大的點(diǎn)并記錄。</p><p>　　對(duì)所記錄的四個(gè)點(diǎn)進(jìn)行兩兩不重復(fù)判斷平行，若平行則繪出這兩條直線，若

62、不平行則結(jié)束。</p><p>　　在霍夫轉(zhuǎn)換的編程實(shí)現(xiàn)中，有幾個(gè)關(guān)鍵性的步驟需要重點(diǎn)研究。</p><p>　　第一步中的θ的定值就是一個(gè)難點(diǎn)，這里的θ值指的是參數(shù)空間中一個(gè)點(diǎn)代表原圖像空間中幾度角，簡(jiǎn)單來說在某點(diǎn)上1度和2度兩個(gè)方向上的直線進(jìn)行計(jì)算的時(shí)候，在參數(shù)空間中只對(duì)一個(gè)θ值進(jìn)行累加。設(shè)置為90是基于本算法對(duì)速度的要求，如果全部180度都計(jì)算的話，計(jì)算量要增加一倍以上，大幅拖慢了速

63、度。</p><p>　　第二步中的順序搜索有一個(gè)小問題就是本文算法在進(jìn)行邊緣檢測(cè)二值化的時(shí)候?qū)υ瓐D像最外沿的一個(gè)像素進(jìn)行了置零處理，因此這里要從第二個(gè)像素開始進(jìn)行搜索，在倒數(shù)第二個(gè)元素的時(shí)候停止。</p><p><b>　　第三步?jīng)]問題。</b></p><p>　　第四步也是一個(gè)難點(diǎn)，為什么要進(jìn)行清零操作？這還是要和第一步中的設(shè)置進(jìn)行關(guān)聯(lián)

64、，因?yàn)楸疚闹笑鹊脑O(shè)置為2度，也就是說如果沒有清零，則極有可能在這個(gè)點(diǎn)的旁邊也記錄了直線，但是這條直線和之前的直線是同一條直線，因此必須清零。否則的話極有可能檢測(cè)出來相同的直線。</p><p>　　第五步記錄點(diǎn)的值，本文算法記錄了四個(gè)點(diǎn)也就是四條直線，而不是像其他算法一樣設(shè)置一個(gè)閥值然后判斷參數(shù)空間累加器的值是否大于該閥值來進(jìn)行直線的取舍。這是因?yàn)楸疚乃惴ㄖ饕脕頇z測(cè)飛機(jī)跑道，而一個(gè)軍事機(jī)場(chǎng)的飛機(jī)跑道也僅僅只有主

65、跑道，極少有副跑道，設(shè)置兩個(gè)點(diǎn)就足夠了，這里設(shè)置4個(gè)點(diǎn)是為了防止有副跑道。</p><p>　　第六步中需要兩兩進(jìn)行不重復(fù)的判斷，這個(gè)很好理解，如果進(jìn)行重復(fù)的判斷的話，則會(huì)對(duì)一條直線進(jìn)行反復(fù)的重繪。這一步是在跑道檢測(cè)中才會(huì)有，在普通的霍夫轉(zhuǎn)換中可有可無。 </p><p>　　§3.3霍夫變換效果測(cè)試</p><p>　　上一節(jié)討論了霍夫變換的流程及關(guān)鍵步

66、驟，霍夫變換是用于二值圖像中檢測(cè)直線的一個(gè)有力的工具，下面對(duì)一副簡(jiǎn)單的二值圖像圖3-4進(jìn)行直線檢測(cè)觀察效果。</p><p>　　圖 3-4 二值圖像 圖 3-5霍夫變換處理后的圖片</p><p>　　圖3-5是經(jīng)過普通霍夫轉(zhuǎn)換后的圖片，即最后沒有進(jìn)行平行判斷，沒有對(duì)圖片進(jìn)行修改，僅在另一張圖片上顯示兩條直線。通過圖片對(duì)比可以看出檢測(cè)效果良好，兩條直線標(biāo)注方

67、向正確。</p><p>　　§3.4傳統(tǒng)霍夫變換的優(yōu)缺點(diǎn)</p><p>　　傳統(tǒng)霍夫變換最大的優(yōu)點(diǎn)在于抗噪聲能力強(qiáng)，對(duì)遙感圖片中的噪聲不敏感，能夠在信噪比比較低的情況下檢測(cè)出直線或者一定規(guī)律的曲線。但是傳統(tǒng)的霍夫轉(zhuǎn)換用來檢測(cè)直線也存在這固有的缺陷。</p><p>　　當(dāng)霍夫變換用于檢測(cè)使用參數(shù)坐標(biāo)系表示直線的時(shí)候，只能得到直線的ρ和θ參數(shù)，而不能提供

68、線段的長(zhǎng)度，端點(diǎn)方面的信息。</p><p>　　傳統(tǒng)的霍夫轉(zhuǎn)換在一定程度上解決了理想情況下直線檢測(cè)的問題，但是在實(shí)際問題中待檢測(cè)的線段往往是具有一定寬度的而不是理想的單線寬，需要進(jìn)行二值化和邊界檢測(cè)和細(xì)化等圖像預(yù)處理工作。</p><p>　　標(biāo)準(zhǔn)的霍夫變換在進(jìn)行直線檢測(cè)中，對(duì)于一個(gè)二值邊緣圖像中的邊緣點(diǎn)不僅僅代表某條真實(shí)曲線的參數(shù)單元被累加，而且很多不具有實(shí)際意義的點(diǎn)也得到累加，增加了

69、計(jì)算量而且結(jié)算結(jié)果也不精確。</p><p><b>　　§3.5 本章小結(jié)</b></p><p>　　本章首先介紹了直線檢測(cè)的經(jīng)典算法霍夫變換，然后根據(jù)算法原理寫出了其算法流程，還有針對(duì)飛機(jī)跑道檢測(cè)而做的幾個(gè)改動(dòng)。后面給出了傳統(tǒng)霍夫變換的檢測(cè)效果圖，最后給出了霍夫變換的優(yōu)缺點(diǎn)。</p><p>　　第四章 遙感圖像中飛機(jī)跑道檢測(cè)算

70、法</p><p>　　§4.1 遙感圖像中機(jī)場(chǎng)目標(biāo)判斷的基礎(chǔ)知識(shí)</p><p>　　機(jī)場(chǎng)是供飛機(jī)起飛，著陸，停放和組織飛信活動(dòng)的場(chǎng)所。它包括飛行場(chǎng)地和各種保障設(shè)施，按照其跑道和其他設(shè)施的條件，可以分為永備機(jī)場(chǎng)和野戰(zhàn)機(jī)場(chǎng)即臨時(shí)機(jī)場(chǎng)；按照其使用性質(zhì)，又可以分為民用機(jī)場(chǎng)和軍用機(jī)場(chǎng)。在遙感圖像中判讀機(jī)場(chǎng)目標(biāo)，主要是用于查明機(jī)場(chǎng)的種類和建筑情況，尤為重要的是對(duì)機(jī)場(chǎng)跑道的判讀，在軍事上有

71、著重要的意義。</p><p>　　機(jī)場(chǎng)作為一個(gè)較大的組織目標(biāo)，其設(shè)施根據(jù)其種類的不同而不同，通常情況下由跑道，滑行道，停機(jī)坪，飛行管制室這些主要設(shè)施和其他次要設(shè)施組成。這些組成部分各不相同，反映在遙感圖像上的特征也各不一樣。本文主要針對(duì)跑道進(jìn)行檢測(cè)，下面簡(jiǎn)單介紹一下飛機(jī)跑道在遙感圖像上的識(shí)別特征。</p><p>　　跑道是供飛機(jī)起飛，著陸，滑跑，具有一定長(zhǎng)度和寬度的鋪筑地段。根據(jù)所用的

72、建筑材料的不同在遙感圖像上有不同的特征。機(jī)場(chǎng)的長(zhǎng)度和寬度和預(yù)定使用的飛機(jī)有關(guān)，一般的跑道長(zhǎng)度在2000米以上，有的跑道長(zhǎng)達(dá)4000米。供小型飛機(jī)使用的跑道長(zhǎng)度多在1000米左右。跑道的寬度一般為30-100米。機(jī)場(chǎng)跑道反映在遙感圖像中呈現(xiàn)的是一條邊沿整齊，寬大且平直的帶狀，不同材料做成的跑道有不同的色彩，野戰(zhàn)機(jī)場(chǎng)通常使用土質(zhì)跑道，和正規(guī)的水泥混凝土跑道相比色調(diào)更重一些。</p><p>　　本文算法針對(duì)的機(jī)場(chǎng)為軍

73、用常備機(jī)場(chǎng)，軍用常備機(jī)場(chǎng)的主要特點(diǎn)是供飛機(jī)起降的跑道一般有兩條且不超過五條，周圍有排列整齊的營(yíng)房和油料庫(kù)，彈藥庫(kù)，除此之外沒有別的設(shè)施。在現(xiàn)代條件下，因?yàn)轱w機(jī)攜帶武器比較危險(xiǎn)，因此軍用機(jī)場(chǎng)多遠(yuǎn)離城市和人群，機(jī)場(chǎng)周圍基本沒有其他干擾。</p><p>　　§4.2遙感圖像中飛機(jī)跑道檢測(cè)算法</p><p>　　根據(jù)飛機(jī)跑道明顯區(qū)別于其他區(qū)域的圖像特征，本文算法的主要思路是首先把遙感

74、圖像進(jìn)行灰度化，邊緣檢測(cè)，然后二值化，然后對(duì)所得結(jié)果進(jìn)行針對(duì)飛機(jī)跑道的霍夫變換，最終在原圖中繪出機(jī)場(chǎng)跑道。</p><p>　　跑道的灰度特征主要有下面幾個(gè)：</p><p>　　跑道部分在圖像中灰度值較高。</p><p>　　跑道表面的灰度值相近。</p><p>　　跑道的長(zhǎng)度在一定的范圍內(nèi)。</p><p>　

75、　跑道的長(zhǎng)度一定要遠(yuǎn)遠(yuǎn)大于跑道的寬度。</p><p>　　當(dāng)跑道數(shù)目大于1時(shí)，僅限于平行而不能相交。</p><p>　　因?yàn)檫@個(gè)算法對(duì)圖像的要求最重要的是跑道清晰可見且灰度特征明顯，整個(gè)跑道亮度均勻且平整無反光。</p><p>　　算法流程圖如下所示： </p><p>　　圖4-1 本文算法流程圖</p><p&g

76、t;<b>　　§4.3算法測(cè)試</b></p><p>　　為了對(duì)本文算法的可行性進(jìn)行驗(yàn)證，一共選取了三幅遙感圖片進(jìn)行算法測(cè)試，這三幅圖片均來自于Google Earth，是三幅軍事機(jī)場(chǎng)的遙感圖像且滿足上一節(jié)中對(duì)圖片的要求。</p><p><b>　　第一幅圖片：</b></p><p>　　圖 4-2 臺(tái)灣

77、新竹軍事基地</p><p><b>　　處理后：</b></p><p>　　圖 4-3臺(tái)灣新竹軍事基地檢測(cè)結(jié)果</p><p>　　圖4-2處理后，完全標(biāo)志出了主跑道和副跑道，角度和方向完全符合，如圖4-3所示。</p><p><b>　　第二幅圖片：</b></p><p

78、>　　圖 4-4 臺(tái)灣臺(tái)中軍事基地</p><p><b>　　處理后：</b></p><p>　　圖 4-5臺(tái)灣臺(tái)中軍事基地檢測(cè)結(jié)果</p><p>　　圖4-5檢測(cè)出了主跑道而只檢測(cè)出副跑道的下邊緣，其原因在于副跑道的上邊緣不完整被幾個(gè)分叉的服務(wù)道給分開了。</p><p><b>　　第三幅圖片：

79、</b></p><p>　　圖 4-6 臺(tái)灣花蓮軍事基地 </p><p><b>　　處理后：</b></p><p>　　圖 4-7臺(tái)灣花蓮軍事基地檢測(cè)結(jié)果</p><p>　　圖4-7檢測(cè)到了主跑道，但是沒有檢測(cè)到副跑道，因?yàn)楦迸艿赖幕叶忍卣鞑粔蛎黠@，而且邊緣部分被白色部分遮擋了。</p>

80、;<p>　　結(jié)論：經(jīng)過上面三幅圖片的檢測(cè)可以得出，在滿足第四章第二小節(jié)中的對(duì)機(jī)場(chǎng)圖片的幾個(gè)要求之后，本算法是可以準(zhǔn)確檢測(cè)出飛機(jī)主跑道的，而對(duì)于一般不符合特征的飛機(jī)副跑道檢測(cè)效果不好。</p><p><b>　　§4.4 本章小節(jié)</b></p><p>　　本章開始系統(tǒng)介紹了遙感圖像中機(jī)場(chǎng)的設(shè)施以及飛機(jī)跑道的數(shù)字圖像特征以及判讀的主要知識(shí)，

81、由此給出了本文算法適用的飛機(jī)跑道圖片的5個(gè)特征，后續(xù)給出了算法的流程圖。在算法測(cè)試的部分用三幅符合5個(gè)特征的圖片進(jìn)行了測(cè)試并給出了結(jié)果圖，實(shí)現(xiàn)的檢測(cè)效果是非常理想的。</p><p><b>　　第五章 總結(jié)與展望</b></p><p>　　遙感圖像中飛機(jī)跑道檢測(cè)算法在國(guó)防和民生方面有著廣泛的應(yīng)用，尤其是在軍事領(lǐng)域中有非凡的意義，能夠快速準(zhǔn)確檢測(cè)出機(jī)場(chǎng)跑道是非常有意

82、義的。</p><p>　　本文完成的主要工作有：</p><p>　　對(duì)圖像灰度化算法進(jìn)行研究。</p><p>　　對(duì)圖像二值化算法進(jìn)行對(duì)比和測(cè)試，選用了最佳閥值迭代法作為二值化算法。</p><p>　　對(duì)圖像邊緣檢測(cè)算子進(jìn)行對(duì)比和測(cè)試，最終確定了使用Sobel算子作為檢測(cè)算子。</p><p>　　對(duì)霍夫轉(zhuǎn)換算

83、法進(jìn)行針對(duì)機(jī)場(chǎng)跑道檢測(cè)的改進(jìn)。</p><p>　　根據(jù)處理結(jié)果對(duì)原圖片進(jìn)行重繪和測(cè)試</p><p>　　本文所用算法程序的編碼工作</p><p><b>　　工作中的不足之處：</b></p><p>　　在進(jìn)行算法測(cè)試的時(shí)候缺少符合5個(gè)特征的飛機(jī)跑道的遙感圖片，最終是使用Google Earth這款軟件進(jìn)行截圖獲

84、取的圖片而不是實(shí)際的遙感圖像。</p><p>　　對(duì)于經(jīng)典的邊緣檢測(cè)算子和霍夫轉(zhuǎn)換算法僅做了簡(jiǎn)單移植和非原理性的修改，還沒有進(jìn)行深入的優(yōu)化。</p><p><b>　　進(jìn)一步的展望：</b></p><p>　　傳統(tǒng)的霍夫轉(zhuǎn)換僅可以檢測(cè)出直線的方向和角度，對(duì)于長(zhǎng)度和寬度無能為力，應(yīng)該對(duì)算法進(jìn)行優(yōu)化從而可以檢測(cè)跑道的長(zhǎng)度和寬度。</p&

85、gt;<p>　　霍夫轉(zhuǎn)換是逐像素進(jìn)行運(yùn)算的算法，時(shí)間復(fù)雜度和空間復(fù)雜度都較高，可以加入對(duì)直線區(qū)域的分割從而在小范圍內(nèi)使用霍夫轉(zhuǎn)換達(dá)到減少運(yùn)算量的目的。</p><p>　　本文算法受到試驗(yàn)圖片的制約，只能針對(duì)一部分符合特征的機(jī)場(chǎng)圖片進(jìn)行檢測(cè)，檢測(cè)效果好的圖片多為軍事機(jī)場(chǎng)，在復(fù)雜民用機(jī)場(chǎng)的檢測(cè)上有較大的不足。</p><p><b>　　致 謝</b>

86、;</p><p>　　首先我要真誠(chéng)得感謝我的指導(dǎo)老師xx老師，在工作非常繁忙的情況下，她自始至終都對(duì)本文論進(jìn)行了精心的指導(dǎo)和幫助。在做畢業(yè)設(shè)計(jì)期間，xx老師嚴(yán)謹(jǐn)?shù)闹螌W(xué)作風(fēng)，淵博的學(xué)識(shí)和踏實(shí)的學(xué)術(shù)心態(tài)給了我深深的啟發(fā)，讓我受益終生。在此，我想xx老師表達(dá)深深的敬意和謝意。</p><p>　　感謝我的班主任xx老師，在四年的大學(xué)學(xué)習(xí)和生活中，張老師給予了我悉心的指導(dǎo)，在此向張老師表示由衷的

87、敬意和感謝。</p><p>　　感謝大學(xué)四年中結(jié)識(shí)的各位同學(xué)，他們?cè)趯W(xué)習(xí)和生活中給了我很大的幫助，是我人生的一筆巨大的財(cái)富，在此對(duì)他們表示衷心感謝。</p><p>　　最后感謝我的父母，我的每一步都凝聚著父母默默的關(guān)懷和支持，祝愿我的父母身體健康。</p><p>　　本文參閱了大量的資料，在此對(duì)各位學(xué)術(shù)界前輩表示深深的敬意。</p><p&

88、gt;<b>　　參考文獻(xiàn)</b></p><p>　　[1] 孫夑華，數(shù)字圖象處理—Visual C#.NET 編程與實(shí)驗(yàn)，杭州：機(jī)械工業(yè)出版社 2010</p><p>　　[2] 李蘭友，王學(xué)彬 Visual C# 圖像處理程序設(shè)計(jì)實(shí)例，北京：國(guó)防工業(yè)出版社 2005</p><p>　　[3] 龔勝榮，等 數(shù)字圖像處理與分析 ，北京：清

89、華大學(xué)出版社 2006</p><p>　　[4] 何斌，馬天予，王運(yùn)堅(jiān) Visual C++數(shù)字圖象處理，北京：人民郵電出版社 2001</p><p>　　[5] Rafael C.Gonzalez 數(shù)字圖象處理 阮秋琪.等譯 北京：電子工業(yè)出版社 2005</p><p>　　[6] 高委委 機(jī)場(chǎng)跑道識(shí)別算法與實(shí)現(xiàn)研究：[碩士學(xué)位論文] 成都：電子科技大學(xué) 2

90、008</p><p>　　[7] 應(yīng)龍，宋海娜，粟毅 一種快速檢測(cè)遙感圖像中機(jī)場(chǎng)跑道的方法，計(jì)算機(jī)應(yīng)用與軟件，2006，23卷3期，94-97頁(yè)</p><p>　　[8] 楊浩，張紅，王超 等 基于模版搜索的高分辨率SAR圖像機(jī)場(chǎng)提取方法，遙感應(yīng)用，2010-2，24-29頁(yè)</p><p>　　[9] 張小琳 圖像邊緣檢測(cè)技術(shù)綜述，高能量密度物理，2007-3

91、，1期，37-40頁(yè)</p><p>　　[10] 朱芳芳 顧宏斌 孫瑾，一種改進(jìn)的Hough變換直線檢測(cè)算法，計(jì)算機(jī)技術(shù)與發(fā)展，2009-5，19卷5期，19-22頁(yè)</p><p>　　[11] 賈曉琳，吳慧思，李愛國(guó) 等，適用于機(jī)場(chǎng)跑道識(shí)別的改進(jìn)Hough變換，小型微型計(jì)算機(jī)系統(tǒng)，2005-12，26卷12期，2200-2202頁(yè)</p><p>　　[12]

92、 張磊，朱磊，張鳳霞 遙感圖像中直線目標(biāo)的檢測(cè)研究，軍事通信技術(shù)，2006-6，27卷2期，19-22頁(yè)</p><p>　　[13] 劉廣智，李建勛，敬忠良，基于改變Hough變換的前視機(jī)場(chǎng)跑道識(shí)別方法，計(jì)算機(jī)工程，2004-10，30卷20期，143-145頁(yè)</p><p>　　[14] 張雅蘭 圖像二值化處理，廣西工學(xué)院學(xué)報(bào)，2002-3，13卷1期，31-33頁(yè)</p>

93、;<p>　　[15] 何亮云 基于MATLAB的遙感圖像邊緣檢測(cè)算子的實(shí)驗(yàn)比較分析，計(jì)算技術(shù)與自動(dòng)化，2010-6，29卷2期，70-73頁(yè)</p><p>　　[16] 徐剛峰，王平，沈振康，基于骨架特征的機(jī)場(chǎng)主跑道識(shí)別，紅外與激光工程，2006-12，35卷6期，717-721頁(yè)</p><p>　　[17] 王衛(wèi)星，周寧，遙感圖像中機(jī)場(chǎng)跑道的檢測(cè)，重慶郵電大學(xué)學(xué)報(bào)（自

94、然科學(xué)版），2010-2，22卷1期，108-111頁(yè)</p><p>　　[18] 鄭小平 Visual C#.NET開發(fā)實(shí)踐，北京：人民郵電出版社，2001</p><p>　　[19] 溫謙，鄭小平，C#語(yǔ)言程序設(shè)計(jì)，北京：人民郵電出版社，2001</p><p>　　[20] 趙春江，C#數(shù)字圖像處理算法典型實(shí)例，北京：人民郵電出版社，2009</p&