摘  要： 介紹了基于跑道檢測的機場識別、基于結構特征的機場識別和基于模板匹配的機場識別，并結合圖像的類型和圖像的分辨率對各識別方法進行分析和比較，討論了機場識別的關鍵技術和應用難點，并提出了對該問題的思考和進一步研究的設想。
關鍵詞： 機場識別；跑道檢測；機場特征

　在現代戰爭中，機場作為一種重要的交通設施和軍用設施，對它的自動檢測識別在飛機導航、軍事偵察和精確打擊等領域都有重要的實用價值[1]。在國民經濟中，機場也具有極為重要的作用，機場識別在飛機自動駕駛、機場定位導航等領域也具有重要作用，所以機場目標識別一直是目標識別領域的研究熱點。
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構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標記方法進行初始檢測，通過機場結構信息和支持向量機進行后續篩選的自動檢測方法[3]；張立平等人通過自適應閾值分割提取機場感興趣區域（ROI），然后提取ROI的尺寸、形狀、拓撲特征等送入二叉樹進行辨識，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：跑道區域內的灰度大致相同，而與跑道兩側區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，其構成的連通域的面積在機場圖像中一般是最大的，這是區別于公路等目標的重要特征。
　（4）紋理特征：圖像在較大的區域內灰度分布上呈現宏觀的周期性或結構性的規律叫圖像紋理[8]。其對應周期函數的周期或紋理基元大小和重復構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的特征之一[9]。
　（5）拓撲特征：不會突然中斷，跑道和連接道之間有交叉，并連成網絡。
　根據上述對機場目標特征的分析，可以對機場目標做出如下的假設：跑道一般很長，跑道兩條長邊緣之間的距離在一定范圍內；跑道的方向不發生顯著變化；跑道區域內的灰度較均勻，且變換較為平緩，跑道區域與背景區域灰度差別較大；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，目前應用得較為廣泛的技術可概括為五種：統計（或決策理論）方法、結構（或句法）方法、神經網絡法、模糊集識別法和人工智能方法[10]。而目前在實際應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處理，以減少相關噪聲的干擾，然后利用相關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果，然后提取出其所對應的平行直線對（一般為最長的平行直線對），最后根據機場的相關先驗知識，通過設置置信參數，然后再進行驗證進而判斷是否為機場目標，具體的流程如圖1所示。

　（2）基于結構特征的機場識別
　一般而言，軍用機場的主要結構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、輔跑道兩端由數條滑行道將它們連接起來，它們整體呈現出一個封閉的矩形結構。軍用機場一般具有“日”、“目”等幾個形狀，另外在輔跑道一側一般有數個環狀的混凝土防彈機庫掩體群以及與外界相連的公路，這構成了軍用機場的整體幾何結構。基于結構特征的機場識別方法將機場組成部分之間的依賴關系應用于識別技術中，具體流程圖如圖2所示。

　（3）基于模板匹配的機場識別
　目前在不同應用領域有多種匹配算法，其中基于統計學理論的圖像匹配技術較為完善、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匹配和基于圖像特征的匹配[13]。基于灰度相關的圖像匹配方法，是采用某種相似度量方法，對模板與待匹配子圖的對應像素的灰度值進行比較，一般存在計算量大、難以實現等缺點，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。

2 國內機場目標識別研究現狀
　國內對機場的研究已經比較廣泛了，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果進行計算，提取出機場跑道對應的平行直線對，然后計算跑道中心線所對應的像素點，作為種子點進行區域生長，進而識別主要的機場結構[14]。其識別主要步驟為：首先進行邊緣檢測，根據邊緣圖像提取直線，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域的生長，生長成機場的整個跑道結構。其中在直線提取步驟中，針對傳統Hough變換運算量大的特點，對Hough變換做出了相應的改進。傳統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變換到過點的直線的系數域，巧妙地利用了共線和直線相交的關系，使直線的提取問題轉化為計數問題。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（傳統的Hough變化角是0°~180°，并且經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一個較小的區間，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，根據梯度相位信息把檢測出的邊緣點劃分到不同的編組區，對每個編組區分別進行分析，找出最有可能出現直線的直線支持區，僅對直線支持區里的邊緣點按照它們所對應的相位區間進行計算，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、唐延東等人針對機場跑道成像的線狀結構和高灰度值的特征，提出了一種基于多尺度線狀目標強化、并抑制其他的非現狀目標的機場識別算法[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（算數均值與幾何均值比）系數邊緣檢測的機場跑道檢測方法，采用非線性邊緣檢測技術和數學形態學來檢測邊緣，最后利用Hough變換檢測平行直線確定跑道，并結合灰度特征和邊緣特征，通過區域生長生成機場跑道的結構[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，最后根據機場跑道的固有特征，從而判定跑道區域，確定跑道攻擊點[17]。
2.2 基于結構特征的機場識別
　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系，再結合機場跑道所具有的幾何特征，采用脊柱基元表示條狀區域，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，將機場跑道區域的結構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。張天序等人提出了一種基于仿射不變矩的紅外序列圖像機場目標識別方法。該方法對圖像進行多次雙閾值分割，再搜索潛在目標區域輪廓，計算其仿射不變矩和目標背景梯度特征，并利用相關的先驗知識對各候選目標區域進行識別，最終獲得機場目標[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（ROI）自動檢測的方法，對圖像進行基于馬爾科夫場的分割，由目標標記方法確定ROI區域，用Hough變換檢測跑道平行線，濾除部分ROI，然后計算ROI候選區的跑道方法投影直方圖及目標的寬、高、寬高比、目標背景面積比和目標背景灰度比5個參數，用支持向量機對樣本參數進行學習，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的識別方法，通過建立機場目標識別庫，然后提取相關的特征后，運用知識推理，通過相關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[21]。
2.3 基于模板匹配的機場識別
　葉勤等人采用基于內容的圖像檢索方法，對雷達景象匹配數據庫中的圖像進行興趣目標的查詢檢索與識別。運用迭代閾值和區域生長的方法，進行感興趣目標的分離，為了在檢索過程中確定檢索目標在圖像中的位置，預處理時，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在大幅圖像上的位置[22]。基于內容檢索時根據圖像的內容（紋理、形狀、顏色、語義等特征），在圖像數據庫中找到需要的圖像，目的是從圖像數據庫中提取與查詢內容相關的圖像或圖像序列。檢索的過程為：處理圖像、提取圖像內容、建立索引、將圖像數據庫中的圖像特征與例子匹配，確定相似的輸出結果。
　楊衛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實孔徑雷達圖像匹配問題，提出一種基于目標檢測識別的定位方法，通過線特征濾波預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確度和相似性程序尤為重要，對識別的準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化為模板參數空間里搜索峰值的問題[24]。
2.4 結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，在現代的一些圖像研究方法中，也引入了其他學科的許多概念方法，有的學者依據機場的紋理特征對機場目標進行識別，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，并設計了相應的算法，基于引力場的模型可以直接建立圖像失配代價函數的梯度場，按照最優估計理論，只要在正確匹配位置的收斂域內，就可以沿最速下降路徑找到正確的匹配位置。借助慣性導航系統提供的機場預測位置可以減少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神經網絡作為算法工具，從TM機場影像中提取出相關特征，把相關的機場特征作為BP網絡的輸入，并對BP網絡進行訓練、測試和識別，然后在特征級信息融合技術框架下進行機場識別研究，進而識別出機場目標[27]。王昭蓮等人提出一種基于數學形態學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區域，利用Kirsch算子提取主要輪廓，再用數學形態學操作對目標區域進行相關處理，最后通過提取平行直線對提出跑道候選區域，然后用跑道區域的灰度特征對候選區域進行驗證，進而識別出跑道[28]。
3 機場目標識別的分析總結
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具有直線特征的目標物，所以對設置的置信參數要求較高，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在待識別的圖像中，如果圖像中沒有完整地機場跑道結構，這種方法就無法做出正確的判斷，將會出現漏判的情況。可見基于跑道檢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，而且置信參數的設置對經驗的依賴較大；另一方面要求整個機場跑道的結構出現在待識別圖像中，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用中具有很大的局限性，只能在針對特定的機場目標，如航拍圖像、紅外圖像以及一些質量很好的遙感圖像才能取得較好的效果。
　基于結構特征的機場識別，利用機場的整體結構特征，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，修改判別推理準則，可以實現對不同機場的識別。該方法要求獲取機場各部分的特征，這對圖像質量也有較高的要求，而且同樣要求整個機場結構均出現在待檢測的圖像中，否則不能準確地檢測到機場的各個部件。當出現多個疑似機場目標時，通過置信度進行選擇判斷，這也對置信度的設置提出了較高的要求。整體而言，基于結構特征的機場識別，通過將機場各部分之間的依賴關系應用于機場識別技術中，具有相對較高的的識別準確率，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相關的知識庫，對目標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系數進行判斷識別。該方法的算法實現主要分為兩種，基于圖像像素相關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。在實際應用中，需要根據實際情況選擇合適的機場特征建立模板。總的來說，基于模板匹配的機場識別方法需要建立相關模板庫，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構的千變萬化，使得模板匹配在復雜的情況下應用有一定的困難，但在圖像質量較好的特定機場目標識別上具有一定的價值。
　結合新方法理論的機場識別，將當前的一些新的方法理論應用于機場識別中，比如利用小波變換的多尺度特性去獲取待測圖像更為細致精確的紋理信息；利用神經網絡作為目標分類判別的工具，在特征級信息融合技術框架下進行機場識別研究。像這樣把新的方法理論應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，有些方法的復雜度相對較高，性能并不一定很好，這些都需要根據具體的情況進行選擇和判斷，整體上來說，新的方法理論結合在機場目標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現，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，很多參數需要根據經驗進行設置，應用起來具有一定的局限性，在特定機場目標識別上還是具有一定的價值。基于結構特征的機場識別，其識別準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，對圖像的質量要求較高。基于模板匹配的方法，需要建立模板庫，對機場目標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，在實際應用中具有很大的局限性。最后，結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，對提高機場目標識別的準確率有一定的幫助，但有的方法過于復雜，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、紋理或者結構等特征入手，有的是先檢測直線特征，然后在此基礎上再參考灰度特性等深入分析，需要預先設置相關的閾值等參數；有的檢測感興趣區域，然后通過先驗知識等濾除虛假的候選區；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系。這些方法通常與待測圖像的質量及圖像中機場的表面特性有關，下面就根據待測圖像的分辨率和圖像類型進行相關的討論研究。
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，而且可能出現誤檢測。一般而言，首先需要對圖像進行預處理，在預處理之后分割提取出包含機場目標的感興趣區域，然后在感興趣區域上進行相關后續的處理，從而獲得較快的處理速度，通常在分割提取感興趣區域的時候結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，目標地物與背景的灰度反差大，區分度好，但是噪聲也會相對多一些，這對機場目標的準確識別也存在一定的干擾。
　在低分辨率圖像中，圖像的細節并不豐富，在提取圖像的細節特征時，比如提取圖像的邊緣特征時，不能獲得足夠準確有效的信息。例如在跑道的灰度范圍內灰度值過渡比較平緩，目標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；而提取感興趣區域，進而對感興趣區域進行分辨識別，其對圖像細節要求相對較低，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。可以通過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，導致機場成為復雜背景下的弱目標，特別在遠距離前視觀察條件下，得到的紅外圖像細節比較多，目標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和大氣輻射的影響會使紅外圖像產生很多噪點，紅外圖像目標和背景的溫度差異明顯，在圖像中目標和背景通常占據不同的灰度范圍，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，一般需要經過預處理，以去除噪聲、對圖像進行增強。而通過提取感興趣區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，經典的邊緣檢測方法難以適應，要完整地提取機場結構特征比較困難。而采用基于灰度的模板匹配也存在一定的局限性，尤其是對成像質量較差、信噪比較低的實孔徑雷達，容易產生誤匹配，所以一般還是要進行圖像的預處理，濾除噪聲干擾，或將原始圖像進行變換，將其轉換到其他的圖像參數空間進行處理，或者在提取相關圖像特征之后，利用圖像的特征進行匹配進而識別判斷出機場目標[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單色圖像。該波段圖像真實、細節相對豐富、直觀易判讀，有利于對機場的整體結構認識，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。可見光傳感器能較好地獲取目標外形尺寸，但不具備全天候和發現遮蔽目標的能力，且可見光圖像易受光照強度變化、成像角度、目標陰影、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 機場識別的關鍵技術和難點
　機場識別是一個復雜的系統，其中比較關鍵的技術和難點主要有以下幾個方面：
　（1）原始圖像的質量
　原始圖像的質量對機場是否能正確識別有著很大的關系，對后續處理有重要的影響。對圖像進行預處理能在使原始圖像的相關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量不好的缺點。
　（2）準確獲取機場相關特征
機場相關特征是進行機場識別判斷的基礎，準確地提取機場的特征作為后續階段處理的依據，如何根據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鍵。
　（3）準確進行分類的判斷
在獲取圖像的相關特征之后，采用何種判斷識別的方法，對準確識別機場目標，提高判斷的準確率、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 對機場目標識別的思考與展望
　在機場識別中，一般的研究流程為先設計算法再進行實驗，但由于現實中機場的數量眾多，而且結構復雜多樣，很難找到一種通用統一的算法，能對各種各樣的機場進行判斷識別。而且在設計識別算法時，測試數據非常有限，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，然后再根據該機場的具體相關情況進行機場識別的系統設計，這樣在設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計，也應該按照機場的相關情況，進行分類。對每一類機場有針對性地設計相關的識別算法，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合，多學科知識結合，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、神經網絡、圖像融合等進行機場目標識別。
　盡管我國機場識別研究已經取得了不少的研究成果，但總體而言，離實際應用還有一定的距離，在提取方法的自動化程度、準確性、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的飛速發展，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實際應用，體現出巨大的實用價值。
參考文獻
[1] 張冬青，張純學，文蘇麗.自動目標識別技術在導彈上的應用研究[J].戰術導彈技術，2010（5）：1-6.
[2] 葉斌，彭嘉雄.基于結構特征的軍用機場識別與理解[J].華中科技大學學報，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].中國圖象圖形學報，2010，15（7）：1112-1120.
[5] 周延延，吳曉燕.基于神經網絡的目標識別模型驗證方法研究[J].計算機工程與應用，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機場類目標提取[J].同濟大學學報（自然科學版），2009，37（1）：115-120.
[8] 馬莉，范影樂.紋理圖像分析[M].北京：科學出版社，2009.
[9] 孫棟.基于紋理分析的目標圖像識別技術研究[D].南京：南京理工大學，2005.
[10] 孫即祥.現代模式識別[M].長沙：國防科技大學出版社，2002.
[11] 陳鷹.遙感影像的數字攝影測量[M].上海：同濟大學出版社，2003.
[12] 馬時平，畢篤彥，陳嵐嵐.基于圖像匹配技術的飛機識別[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].基礎科學，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，唐延東，肖穎杰.多尺度線狀目標的機場跑道識別[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].武漢大學學報（理學版），2004，50（3）：393-396.
[17] 羅軍.紅外圖像中機場跑道的自動目標識別[D].長沙：國防科學技術大學，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] 張天序，曹楊，劉進，等.基于不變矩的紅外圖像機場目標識別[J].華中科技大學學報：自然科學版，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.機場目標檢索在雷達景象匹配數據庫中的應用[J].同濟大學學報（自然科學版），2007，35（4）：547-550.
[23] 楊衛東，作崢嶸，張天序.基于檢測識別的實孔徑雷達景象匹配定位方法[J].華中科技大學學報（自然科學版），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機場類目標提取[J].同濟大學學報（自然科學版），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.人工神經網絡信息融合及其在機場識別中的應用研究[J].武漢大學學報（信息科學版），2005，30（8）：682-684.
[28] 王昭蓮，吳樂華.基于數學形態學的機場跑道快速識別方法[J].計算機技術與發展，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識別技術研究[J].測試科學，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[J].光子學報，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的方法[J].信號處理，2010，26（9）：1408-1413.
[33] 楊靖宇.戰場數據融合技術[M].北京：兵器工業出版社，1993.