基于支持向量机的机场跑道检测技术研究

摘要

自从二十世纪60年代以来,利用遥感卫星摄取的图像来获取地面目标,一直是空间技术获取地面信息的重要手段。它已经在国防、科研和经济建设领域得到了广泛的应用。随着计算机性能的提高和图像处理技术的发展,利用计算机来检测和识别遥感图像中的目标已经成为研究的热点。 机场的识别作为模式识别领域的问题之一,在军事上有着重要的应用前景,特别是在军事侦察和精确制导方面备受青睐。但是机场识别的最终目标是走向实际应用,真正能够应用于任何背景下的机场识别方法和系统还不存在,因此在这一领域的研究还有待进一步的深入和完善。 支持向量机作为一种新型的机器学习方法,由于其出色的学习性能,在很多领域得到了成功的应用。近年来,该方法在图像处理和模式识别中也显现出了优越的性能。本文在研究支持向量机方法的基础上,应用基于支持向量机的方法来进行机场跑道的检测和识别。针对遥感图像的特点和机场跑道的特征,首先应用支持向量机回归算法进行图像的边缘检测,将灰度图像变换到SVR域进行边缘提取,然后利用边缘信息和改进的Hough变换提取图像中的长直线信息,确实跑道的候选区域,最后利用SVM函数分类进行跑道的检测和识别。 本文所提出的目标识别方法较好的实现了遥感图像中机场跑道的自动识别,效果比较满意,而且这一方法对遥感图像中的类似目标的识别也具有很好的精确性和一定的适用性。

目录

文摘

英文文摘

声明

第一章绪论

1.1本文研究内容的背景

1.2国内外研究现状

1.3本文选题的研究意义

1.4本文所做的主要工作及结构安排

第二章统计学习理论与支持向量机方法

2.1机器学习的基本问题

2.1.1问题描述

2.1.2经验风险最小化(Empirical Pisk Minmization Inductive)

2.2统计学习理论(STATISTICAL LEARNING THEORY)

2.2.1 VC维(vAPNIK-Chervonenkis Dimension)

2.2.2泛化性的界

2.2.3结构风险最小化原则(Structural Risk Minimization Inductive Principle)

2.3支持向量机（SUPPORT VECTOR MACHINE）方法

2.3.1支持向量机分类

2.3.2支持向量机回归

2.3.3核函数

2.3.4支持向量机的实现方法

2.4本章小结

第三章遥感图像的边缘检测

3.1图像的边缘定义

3.2传统的边缘检测方法

3.2.1梯度算子

3.2.2高斯-拉普拉斯(Laplacian of Gaussian)边缘算子

3.2.3 Canny算子

3.3基于支持向量机的边缘检测方法

3.3.1图像的SVR表示

3.3.2 SVR的边缘检测

3.4本章小结

第四章基于支持向量机的机场跑道检测方法

4.1机场跑道模型

4.2跑道边缘直线提取

4.2.1Hough变换原理

4.2.2基于改进的Hough变换的直线提取

4.2.3改进的Hough变换检测直线算法的效率分析

4.3基于SVM的跑道检测

4.3.1特征向量的构建

4.3.2核函数的选择

4.3.3核参数的优化

4.3.4惩罚系数研究

4.3.5仿真实验

4.4本章小结

第五章总结与展望

5.1本文工作的总结

5.2存在的问题及对未来研究的展望

参考文献

攻读硕士学位期间取得的研究成果

致谢