橋梁檢測橋梁自動(dòng)檢測與識別的主要方法有基于知識的檢測方法和模板匹配的方法兩類．文獻(xiàn)[13提出了一種基于知識的識別方法，其識別過程分為低、中、高三層，在不同層分別進(jìn)行區(qū)域分割、線條檢測、橋梁結(jié)構(gòu)假設(shè)檢驗(yàn)，來完成橋梁目標(biāo)的識別和定位．文獻(xiàn)[-23提出了一種對橋梁目標(biāo)的寫生式分割識別方法，使用Hough變換提取最突出的長直線，進(jìn)行模式匹配．文獻(xiàn)[3]利用人工智能語言平臺(tái)，采用了模型驅(qū)動(dòng)，實(shí)現(xiàn)模型匹配．文獻(xiàn)E43首先對SAR圖像進(jìn)行小波去噪，再進(jìn)行邊緣檢測和圖像增強(qiáng)，最后進(jìn)行橋梁檢測．以上方法基本都是進(jìn)行直線的檢測，即認(rèn)為橋梁目標(biāo)首要的特征是存在長直線，但在SAR圖像中由于存在固有的斑點(diǎn)噪聲等因素的影響，使得在SAR 圖像中完整地提取邊緣特征有一定的困難，因此將上述方法用于SAR圖像中的橋梁檢測是不太適合的．本文針對SAR圖像中橋梁目標(biāo)的特性，提出一種基于小波支持向量機(jī)分割與先驗(yàn)知識相結(jié)合的橋梁目標(biāo)檢測方法．其主要步驟：a．通過對SAR圖像中橋梁和背景的分析，對河流區(qū)域進(jìn)行特征提??；b．利用支持向量機(jī)（SVM）進(jìn)行訓(xùn)練建模，通過訓(xùn)練后的模型對SAR圖像中的河流進(jìn)行分割；c．在二值圖中采用基于方向累加能量最小準(zhǔn)則進(jìn)行橋梁檢測．實(shí)驗(yàn)結(jié)果顯示，此方法不需要對SAR圖像進(jìn)行復(fù)雜的預(yù)處理，能快速實(shí)現(xiàn)橋梁目標(biāo)的檢測．
1 基于支持向量機(jī)的河流區(qū)域分割
支持向量機(jī)方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在學(xué)習(xí)精度和學(xué)習(xí)能力之間尋求最佳折衷，以期獲得最好的推廣能力 ]．支持向量機(jī)模式分類的基本思想是通過一個(gè)非線性映射，數(shù)據(jù) 映射到高維特征空間F，并在這個(gè)空間進(jìn)行線性分類．基于支持向量機(jī)的最優(yōu)分類函數(shù)是滿足結(jié)構(gòu)風(fēng)險(xiǎn)最小原理對于給定

1．1 河流區(qū)的統(tǒng)計(jì)特性和知識表達(dá)
在SAR圖像中由于存在斑點(diǎn)噪聲的影響，直接進(jìn)行橋梁目標(biāo)檢測是比較困難的，因此必須先對河流區(qū)域進(jìn)行分類 ]．由于在SAR圖像中直方圖呈多模態(tài)，自動(dòng)選取閾值困難，即使利用某些單一知識進(jìn)行門限分類也很難得到滿意的結(jié)果．檢測河流區(qū)的主要目的是為了啟示在圖像中是否存在橋梁，只有圖像中能檢測到河流區(qū)時(shí)才能啟動(dòng)檢測橋梁目標(biāo)的后續(xù)工作，因此必須對河流的知識結(jié)構(gòu)進(jìn)行分析．一般在SAR圖像中河流區(qū)域表現(xiàn)為以下特征：a．SAR圖像中河流區(qū)的灰度值一般比其他物體低，呈現(xiàn)出較暗的區(qū)域；b．水域

量（Yi X1，X2，X3，X4，X5），Y =1或-1，分別表示河流區(qū)或非河流區(qū)，通過支持向量機(jī)學(xué)習(xí)方法構(gòu)建一個(gè)基于SAR圖像的河流分類器．1．2 河流區(qū)域分類模型的建立由于SAR圖像為相干成像，圖像中某一點(diǎn)的灰度值不能完全反映該點(diǎn)的地物信息，因此，在獲取圖像中某點(diǎn)的特征量時(shí)，必須取其一個(gè)鄰域內(nèi)的像素點(diǎn)的灰度值進(jìn)行分析和統(tǒng)計(jì)．在河流區(qū)域模型建立時(shí)，對不同SAR圖像中河流區(qū)域取11×11大小的子圖像H，并按上述的方法分別計(jì)算特征量，生成河流區(qū)域特征樣本集和非河流區(qū)域特征樣本集，然后根據(jù)SVM 理論對樣本進(jìn)行訓(xùn)練，分別得到分類器模型參數(shù)（ai*，Xi*，b*，a，）．由參數(shù)模型按判別函數(shù)式（1）建立河流分類器．得到河流分類器后，就可對SAR圖像進(jìn)行全搜索河流分類，將圖像分割成河流區(qū)和非河流區(qū)的二值圖像，這樣不僅不會(huì)損失橋梁外緣線信息，還可大量刪除背景中由斑點(diǎn)噪聲產(chǎn)生的干擾信息和其他無用信息．圖1（a）為SAR圖像；圖1（b）為對SAR圖像按7×7窗口進(jìn)行特征提取，用SVM 分類器模型進(jìn)行分類所得的河流分割結(jié)果；圖1（c）為對圖1（a）的SAR圖像加入服從伽馬分布的乘性噪聲后的圖像，噪聲方差為0．4；圖1（d）為用SVM 分類器對其進(jìn)行河流分割的結(jié)果．從圖1（b）和（d）可知，用SVM方法能正確地分割河流區(qū)域，并有很強(qiáng)的抗斑點(diǎn)噪聲特性．

2 基于方向累加能量最小的橋梁檢測
2．1 分類后的二值圖像中橋梁的先驗(yàn)知識
在SAR圖像中，由于斑點(diǎn)噪聲等因素的影響，直接提取橋梁特征有一定的困難，但在分類后的二值圖像中橋梁的一些特征是比較明顯的，其主要的先驗(yàn)知識可表述為：a．河流的面積較大，橋梁橫跨在水域上，把水域分成兩部分；b．橋梁最主要的特征是橋面的兩條邊緣構(gòu)成了一對近似平行的直線，并且平行線的長度基本相等；c．橋面的長寬比應(yīng)在一定范圍之內(nèi)．
2．2 橋梁檢測的主要方法
根據(jù)上述二值圖像中橋梁的先驗(yàn)知識，本文提出了方向累加能量最小的準(zhǔn)則對橋梁進(jìn)行檢測，其基本思想為先判斷是否存在橋梁，然后在可能存在橋梁的區(qū)域利用橋面的兩條邊緣近似平行直線和橋面的寬度與長度存在較大差異等知識，來判斷橋梁的方位．一般情況下，橋梁寬度方向的像素點(diǎn)數(shù)應(yīng)少于長度方向的像素點(diǎn)數(shù)，由于在實(shí)際中很難分割出理想的完全平行的橋梁邊緣，因此本文將某方向的所有像素點(diǎn)累加再平均定義為該方向上的平均能量，由此可知在橋梁垂直方向的平均能量最小，橋長度方向的平均能量應(yīng)最大，通過上述準(zhǔn)則可檢測出橋梁的垂直方向．橋梁檢測的主要步驟如下：a．對可能的河流區(qū)域進(jìn)行面積統(tǒng)計(jì)，并由大到小進(jìn)行排序編號，在圖像中，橋梁目標(biāo)是由一些像素點(diǎn)構(gòu)成的，稱這些像素點(diǎn)為橋梁點(diǎn)．沿河流區(qū)域邊緣移動(dòng)，按8個(gè)方向循環(huán)進(jìn)行像素點(diǎn)統(tǒng)計(jì)，當(dāng)移動(dòng)到橋梁處時(shí)某一個(gè)方向會(huì)從一個(gè)河流區(qū)域跨過橋?qū)掃M(jìn)入另一水域，將這一知識作為尋找橋梁點(diǎn)的依據(jù)；b．對準(zhǔn)河流邊緣點(diǎn)，向非河流方向統(tǒng)計(jì)像素點(diǎn)，即向某一方向延伸一定的像素點(diǎn)個(gè)數(shù)，應(yīng)根據(jù)圖像分辨率的不同而定．本統(tǒng)計(jì)的像素點(diǎn)數(shù)為15，即分割出的橋梁寬度應(yīng)小于15個(gè)像素；c．在某邊緣點(diǎn)，當(dāng)某一方向上檢測該方向從一河流區(qū)經(jīng)非河流區(qū)域進(jìn)入到另一河流區(qū)域時(shí)，表示此點(diǎn)可能是橋梁的開始點(diǎn)，并記錄下該點(diǎn)的位置坐標(biāo)，同時(shí)記錄此方向上穿過非河流區(qū)的像素點(diǎn)數(shù)ni，j（i=1，2，?，8，i表示8方向中的某一方向，j=1，2，? ，m表示某方向上跨河流區(qū)的排列序號），然后沿河流邊緣逐點(diǎn)移動(dòng)，記錄跨河流區(qū)域某方向上的非河流區(qū)域像素點(diǎn)數(shù)，當(dāng)?shù)饺魏畏较蚨疾荒軝z測到跨非河流區(qū)進(jìn)入另一河流區(qū)止，該點(diǎn)可能是橋梁的終止點(diǎn)，記錄該點(diǎn)的坐標(biāo)．統(tǒng)計(jì)每個(gè)方向跨非河流

3 實(shí)驗(yàn)結(jié)果與討論
實(shí)驗(yàn)數(shù)據(jù)來源于Sandia實(shí)驗(yàn)室，實(shí)驗(yàn)首先在不同分辨率的多幅包含橋梁和河流的SAR 圖像中提取樣本，樣本為11×11的子圖像，分別計(jì)算特征量并生成一個(gè)特性向量序列，在實(shí)驗(yàn)中河流樣本數(shù)為1 300個(gè)，非河流樣本數(shù)為1 000個(gè)，根據(jù)SVM 理論進(jìn)行訓(xùn)練，得到支持向量機(jī)45個(gè)，核函數(shù)為小波核函數(shù)，核參數(shù)a一0．5．在被檢測的SAR圖像中對每個(gè)像素點(diǎn)取其7×7鄰域進(jìn)行特征提取，并帶人分類器按式（1）進(jìn)行河流區(qū)分割．圖2（a）為原始SAR 圖像，圖2（b）為用SVM分類器對河流區(qū)域分割后的二值圖像，圖2（c）為用方向累加能量最小方法檢測的橋梁位置，圖2（d）為對SVM 方法分割的河流區(qū)域，經(jīng)邊緣提取后進(jìn)行Hough變換得到的圖像．由于在分類的二值圖像中，橋梁的兩條邊緣不可能是理想的平行直線，有時(shí)還是鋸齒狀，通過Hough變換很難檢測到橋梁兩邊的直線信息，因而在河流分類后的圖像中用方向累加能量最小方法優(yōu)于用Hough變換方法檢測橋梁目標(biāo)．