计算机视觉技术的发展，尤其是模式识别的发展，使得判读航空图像及照片朝着智能化的方向发展成为可能。将各种高新技术引入图像处理、图像识别和图像传输系统，运用计算机智能控制的方法和手段，自动收集和处理侦察情报，提高情报的时效性、准确性，提高侦察系统的自动化能力，研制侦察图像智能化识别软件就显得十分迫切。由于航空图像存在目标小且与周围复杂背景相联系，图像光照不均匀且模糊变形等特点，因此研究航空图像的自动目标识别难度很大。目标识别是一个复杂的集成软件系统，它广泛地涉及到图像处理、模式识别、人工智能，计算机视觉等一系列学科和领域的问题，属于目前国际上广为关注的热点和难点问题。本文在借鉴人类视觉系统和判读经验的基础上，建立了一个以航空图像为基本数据源的智能化计算机软件系统。主要解决长期困扰侦察部队判读速度慢、自动化程度低、判读周期长等问题，同时减少判读过程中人为因素的影响，使判读结果更为准确、可靠、科学。在军事领域中,飞机是重要的军事目标，也是侦察和打击的主要对象之一。因此利用航空航天图像判别地面停放的飞机的类型、状态和数量等的情况就尤为重要。我们选定几何形状清楚、识别特征明显的飞机目标作为主要目标，建立自动目标识别系统对航空图像进行处理，通过提取有效的目标特征，从航空图像上快速、可靠地检测出目标并确定目标位置，完成对军事目标的自动识别和提取，进而对感兴趣的目标进行分析并给出目标的全部资料，并最终建立了航空图像自动目标识别和智能判读系统。本文的研究实现了图像识别过程的各个阶段，包括图像输入、图像预处理、目标分割和定位、特征提取、目标分类识别、数据库查询与管理和情报获取等。其中，目标分割定位、特征提取和目标分类识别是本文研究的重点。第一，采用了小波变换的预滤波技术进行图像的预处理。图像预处理子系统完成基于小波变换多分辨率分析的图像去噪。小波变换<WP=140>为信号和图像的表示提供了一种多分辨率的方法，能够同时给出信号和图像的时域和频域信息。因此，在小波变换域中进行噪声平滑具有空间和频率的双重选择性，能够克服傅立叶方法和其他分析方法的不足。另一方面，噪声小波变换的性态与信号奇异性态相比具有显著的不同。充分利用这些特点，在小波变换域中对图像信号进行有效的去噪。多小波由多个尺度函数和多个小波函数组成，具有更大的自由度，容易按照所需性质进行构造。本文并应用软阈值方法处理多小波变换系数，从而实现信号的去噪。实验证明该方法对于高斯噪声有良好的降噪性能，同时还具有良好的边缘保护能力。第二，采用自适应分割和基于局部极值的模糊差影滤波分割算法对图像进行分割和目标定位。目标检测和图像分割是图像特征提取和识别的基础。很多目标识别的研究工作都是假定图像中的目标已经被检测和定位。而为了设计出自动目标识别系统，快速而高效的检测目标是需要解决的一个关键问题。从航片上可以看出,图像的灰度不均匀，背景较复杂,所要判别的目标较小,而且很不清楚。进行目标分割时，模糊差影滤波和动态自适应簇集分割比较适合于这种灰度分布特点的航空图片。针对图像参数选取的困难，采用了图像目标由粗而精的多级分割方案，根据图像的特性动态地决定分割级别。图像分割是自动识别系统中最重要的环节，其效果将对识别结果产生非常重要的影响。本文根据图像的某些特征或特征集合的相似性准则，对图像像素进行分组聚类，把图像平面划分成一系列“有意义”的区域。它们一般对应图像中特定的、具有独特性质的区域。为了辨识和分析目标，需要将图像中使人感兴趣的某些前景部分分离提取出来。目标检测就是把图像分为各具有特性的区域并提取出感兴趣目标的技术和过程。实验表明这些算法具有很高的检测率和很好的稳健性。本课题针对地面固定目标，提出了自适应簇集分割和模糊差影方法，有效地实现了目标检测和虚警排除，并能够进行图像的自动目标定位以及自动判别目标的数量。为识别目标的种类以及智能化判读奠定了基础。第三，采用最小偏差模糊聚类分类方法对图像中的目标进行分类。提出一种采用最小偏差模糊聚类方法对图像系数进行分类的自适应算法，用于对目标自动识别系统中的图像进行分类。算法利用子图像系数间的相关性，对具有相近频率分布的变换系数矩阵进行最小偏差模糊聚类，使得各频率分量的方差减小； <WP=141>第四，利用仿射不变矩和模糊仿射不变矩进行特征提取和目标识别。在实际应用中，由于受到距离、天气、照相设备以及视觉角度的影响，航空照片和实际景物之间存在差异，航空图像发生了变形（仿射变换），用不变矩提取的目标特征将会不够准确。经典不变矩虽然开创了不变矩识别目标的先河，但其在某些数据上的交叉和不理想的期望值使得其在目标发生变化时使用范围受限。仿射不变矩是针对目标的仿射变换下的不变特性。而在识别航空图像的目标时，也受到了限制。本文针对图像由于发生模糊而使图像的质量退化的情况，通过结合仿射不变矩和模糊不变矩，对目标的不变性特征提取技术进行了研究，运用不变性原理针对机?