桥梁检测桥梁自动检测与识别的主要方法有基于知识的检测方法和模板匹配的方法两类．文献[13提出了一种基于知识的识别方法，其识别过程分为低、中、高三层，在不同层分别进行区域分割、线条检测、桥梁结构假设检验，来完成桥梁目标的识别和定位．文献[-23提出了一种对桥梁目标的写生式分割识别方法，使用Hough变换提取最突出的长直线，进行模式匹配．文献[3]利用人工智能语言平台，采用了模型驱动，实现模型匹配．文献E43首先对SAR图像进行小波去噪，再进行边缘检测和图像增强，最后进行桥梁检测．以上方法基本都是进行直线的检测，即认为桥梁目标首要的特征是存在长直线，但在SAR图像中由于存在固有的斑点噪声等因素的影响，使得在SAR 图像中完整地提取边缘特征有一定的困难，因此将上述方法用于SAR图像中的桥梁检测是不太适合的．本文针对SAR图像中桥梁目标的特性，提出一种基于小波支持向量机分割与先验知识相结合的桥梁目标检测方法．其主要步骤：a．通过对SAR图像中桥梁和背景的分析，对河流区域进行特征提取；b．利用支持向量机（SVM）进行训练建模，通过训练后的模型对SAR图像中的河流进行分割；c．在二值图中采用基于方向累加能量最小准则进行桥梁检测．实验结果显示，此方法不需要对SAR图像进行复杂的预处理，能快速实现桥梁目标的检测．
1 基于支持向量机的河流区域分割
支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在学习精度和学习能力之间寻求最佳折衷，以期获得最好的推广能力 ]．支持向量机模式分类的基本思想是通过一个非线性映射，数据 映射到高维特征空间F，并在这个空间进行线性分类．基于支持向量机的最优分类函数是满足结构风险最小原理对于给定

1．1 河流区的统计特性和知识表达
在SAR图像中由于存在斑点噪声的影响，直接进行桥梁目标检测是比较困难的，因此必须先对河流区域进行分类 ]．由于在SAR图像中直方图呈多模态，自动选取阈值困难，即使利用某些单一知识进行门限分类也很难得到满意的结果．检测河流区的主要目的是为了启示在图像中是否存在桥梁，只有图像中能检测到河流区时才能启动检测桥梁目标的后续工作，因此必须对河流的知识结构进行分析．一般在SAR图像中河流区域表现为以下特征：a．SAR图像中河流区的灰度值一般比其他物体低，呈现出较暗的区域；b．水域

量（Yi X1，X2，X3，X4，X5），Y =1或-1，分别表示河流区或非河流区，通过支持向量机学习方法构建一个基于SAR图像的河流分类器．1．2 河流区域分类模型的建立由于SAR图像为相干成像，图像中某一点的灰度值不能完全反映该点的地物信息，因此，在获取图像中某点的特征量时，必须取其一个邻域内的像素点的灰度值进行分析和统计．在河流区域模型建立时，对不同SAR图像中河流区域取11×11大小的子图像H，并按上述的方法分别计算特征量，生成河流区域特征样本集和非河流区域特征样本集，然后根据SVM 理论对样本进行训练，分别得到分类器模型参数（ai*，Xi*，b*，a，）．由参数模型按判别函数式（1）建立河流分类器．得到河流分类器后，就可对SAR图像进行全搜索河流分类，将图像分割成河流区和非河流区的二值图像，这样不仅不会损失桥梁外缘线信息，还可大量删除背景中由斑点噪声产生的干扰信息和其他无用信息．图1（a）为SAR图像；图1（b）为对SAR图像按7×7窗口进行特征提取，用SVM 分类器模型进行分类所得的河流分割结果；图1（c）为对图1（a）的SAR图像加入服从伽马分布的乘性噪声后的图像，噪声方差为0．4；图1（d）为用SVM 分类器对其进行河流分割的结果．从图1（b）和（d）可知，用SVM方法能正确地分割河流区域，并有很强的抗斑点噪声特性．

2 基于方向累加能量最小的桥梁检测
2．1 分类后的二值图像中桥梁的先验知识
在SAR图像中，由于斑点噪声等因素的影响，直接提取桥梁特征有一定的困难，但在分类后的二值图像中桥梁的一些特征是比较明显的，其主要的先验知识可表述为：a．河流的面积较大，桥梁横跨在水域上，把水域分成两部分；b．桥梁最主要的特征是桥面的两条边缘构成了一对近似平行的直线，并且平行线的长度基本相等；c．桥面的长宽比应在一定范围之内．
2．2 桥梁检测的主要方法
根据上述二值图像中桥梁的先验知识，本文提出了方向累加能量最小的准则对桥梁进行检测，其基本思想为先判断是否存在桥梁，然后在可能存在桥梁的区域利用桥面的两条边缘近似平行直线和桥面的宽度与长度存在较大差异等知识，来判断桥梁的方位．一般情况下，桥梁宽度方向的像素点数应少于长度方向的像素点数，由于在实际中很难分割出理想的完全平行的桥梁边缘，因此本文将某方向的所有像素点累加再平均定义为该方向上的平均能量，由此可知在桥梁垂直方向的平均能量最小，桥长度方向的平均能量应最大，通过上述准则可检测出桥梁的垂直方向．桥梁检测的主要步骤如下：a．对可能的河流区域进行面积统计，并由大到小进行排序编号，在图像中，桥梁目标是由一些像素点构成的，称这些像素点为桥梁点．沿河流区域边缘移动，按8个方向循环进行像素点统计，当移动到桥梁处时某一个方向会从一个河流区域跨过桥宽进入另一水域，将这一知识作为寻找桥梁点的依据；b．对准河流边缘点，向非河流方向统计像素点，即向某一方向延伸一定的像素点个数，应根据图像分辨率的不同而定．本统计的像素点数为15，即分割出的桥梁宽度应小于15个像素；c．在某边缘点，当某一方向上检测该方向从一河流区经非河流区域进入到另一河流区域时，表示此点可能是桥梁的开始点，并记录下该点的位置坐标，同时记录此方向上穿过非河流区的像素点数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区的排列序号），然后沿河流边缘逐点移动，记录跨河流区域某方向上的非河流区域像素点数，当到任何方向都不能检测到跨非河流区进入另一河流区止，该点可能是桥梁的终止点，记录该点的坐标．统计每个方向跨非河流

3 实验结果与讨论
实验数据来源于Sandia实验室，实验首先在不同分辨率的多幅包含桥梁和河流的SAR 图像中提取样本，样本为11×11的子图像，分别计算特征量并生成一个特性向量序列，在实验中河流样本数为1 300个，非河流样本数为1 000个，根据SVM 理论进行训练，得到支持向量机45个，核函数为小波核函数，核参数a一0．5．在被检测的SAR图像中对每个像素点取其7×7邻域进行特征提取，并带人分类器按式（1）进行河流区分割．图2（a）为原始SAR 图像，图2（b）为用SVM分类器对河流区域分割后的二值图像，图2（c）为用方向累加能量最小方法检测的桥梁位置，图2（d）为对SVM 方法分割的河流区域，经边缘提取后进行Hough变换得到的图像．由于在分类的二值图像中，桥梁的两条边缘不可能是理想的平行直线，有时还是锯齿状，通过Hough变换很难检测到桥梁两边的直线信息，因而在河流分类后的图像中用方向累加能量最小方法优于用Hough变换方法检测桥梁目标．