景象匹配制导是在航天技术、卫星应用技术、传感器技术、计算机技术、图像处理及模式识别的基础上发展起来的一门新技术,它在飞机辅助导航、远程武器或精确制导武器系统如巡航导弹的末制导、图像目标的搜索与跟踪等军事领域具有重要的应用价值。景象匹配系统的性能往往受云层遮挡及景象局部重复度的影响。实时图与基准图的不相似或者基准图的局部相似都会降低景象匹配算法的可靠性。为了提高景象匹配系统的可靠性,本文提出一种基于知识发现(Knowledge Discovery in Database,KDD)的景象匹配算法。论文以KDD景象匹配算法为研究重点,在参考和分析大量KDD理论方法的基础上,提出适用于景象匹配问题的KDD算法及模型,完成具备人机交互模式的KDD景象匹配系统。论文研究内容及成果主要包括以下几个方面:1、KDD景象匹配系统方案研究。景象匹配系统是个计算机视觉系统,设计KDD景象匹配系统也就是将计算机视觉系统KDD化。本文分析了KDD智能算法的共性及发展规律。提出了KDD景象匹配系统的结构框架,归纳了为实现KDD景象匹配系统所需解决的问题。2、基于聚类运算的边缘检测算法研究。图像中的边缘信息丰富且稳定,适合描述图像的形态。本文用边缘来描述图像特征点的形态。基于滚雪球的聚类模型,提出一种能够动态检验边缘分布的动态模板算法。此算法能够自适应地设置模板的权值,可提高边缘提取的效率与质量,为下一步的围线追踪打下了基础。3、复合型图像特征信息研究。Harris角点对于图像的刚性变换保持位置稳定,本文用Harris角点来描述图像特征点的位置。并将其与形态信息绑定起来,形成描述图像的完备集合。在Harris角点以及边缘围线追踪算法的基础上,提出了表述围线形态的ID编码方法。提出了角点位置信息与围线形态信息的绑定方法,形成了复合型图像特征描述子,用特征描述子集合来表述图像。4、SNN(Share neast neighbor)核匹配算法研究。景象匹配面临的最大问题是如何衡量不等维数据的相似度。很多传统算法面对数据对不齐问题时容易陷入局部极小。本文认为SNN算法可以解决数据对不齐问题。但SNN算法是无标签的模式识别问题而景象匹配是有标签的模式识别问题,因此本文提出了基于电荷吸引模型的SNN方法核。通过把图像特征描述子映射到核空间,把景象匹配问题转化成聚类问题。通过仿真实验讨论了SNN核方法的运行效率、匹配精度以及鲁棒性。5、KDD景象匹配系统平台构建与仿真。整合一个完整的KDD景象匹配系统,设计了人机交互接口,人机交互接口在基准图的制作过程中整合了人类识别移动物体的特长与机器的运算特长,令基准图特征点的选取更加稳定可靠。在仿真试验中,对于多种实时图被遮挡的情况,本文的KDD景象匹配算法都获得成功匹配。KDD景象匹配算法能利用SNN阈值避免基准图的局部重复度的干扰,利用自身良好的维度伸缩性对图像的局部遮挡具有较强的鲁棒性,具有较好的精度与实时性。