基于多源遥感数据融合的机场跑道智能识别方法探究

基于多源遥感数据融合的机场跑道智能识别方法探究一、引言1.1研究背景与意义1.1.1研究背景随着航空事业的迅猛发展，机场作为航空运输的关键节点，其运营管理和安全保障愈发受到重视。遥感技术凭借其大面积同步观测、时效性强、数据综合性高等优势，在机场监测领域得到了广泛应用。通过获取高分辨率的机场遥感图像，能够全面、准确地掌握机场的设施布局、运行状态等信息，为机场的科学管理和决策提供有力支持。机场跑道作为飞机起降的关键设施，其准确识别对于机场的安全高效运营至关重要。在实际应用中，快速、准确地从遥感图像中识别出跑道，有助于机场管理部门实时监控跑道的使用状况，及时发现跑道上的异物、裂缝等安全隐患，从而保障飞机的起降安全。同时，对于军事领域而言，准确识别敌方机场跑道，能够为军事行动提供重要的情报支持。然而，机场遥感图像往往受到多种因素的影响，如复杂的地形地貌、多变的天气条件、不同的光照角度以及图像本身的噪声干扰等，这使得机场跑道的准确识别面临诸多挑战。传统的跑道识别方法在面对这些复杂情况时，存在识别精度低、效率不高、适应性差等问题，难以满足现代机场运营管理和安全保障的实际需求。因此，研究一种高效、准确、鲁棒性强的机场跑道识别方法具有重要的现实意义和迫切性。1.1.2研究意义本研究旨在提出一种基于机场遥感图像的跑道识别方法，该研究具有重要的实际意义和理论意义。实际意义：准确识别机场跑道能够显著提升机场智能化管理水平，使管理人员及时掌握跑道状态，合理安排航班起降，减少航班延误，提高机场运行效率；为飞行安全提供坚实保障，通过及时发现跑道异常，避免飞机起降事故，保护乘客和机组人员生命财产安全；助力机场规划与建设，为新机场选址、跑道布局设计提供科学依据，优化资源配置。理论意义：推动遥感图像识别技术在机场领域的深入应用，拓展其研究范畴，为解决其他复杂场景下的目标识别问题提供新思路；促进计算机视觉、机器学习等多学科交叉融合，通过融合多学科方法和技术，探索新的跑道识别算法，丰富和完善相关理论体系，为相关领域的理论发展贡献力量。1.2国内外研究现状国内外针对机场跑道识别展开了广泛深入的研究，相关成果不断涌现，研究方法也日益多元化，主要涵盖传统方法和深度学习方法两大类别。传统的机场跑道识别方法主要基于图像的特征，如边缘、纹理、形状等，通过一系列图像处理技术来实现跑道的识别。王永刚等利用改进的Hough变换方法对机场图像的边缘检测结果进行计算，以提取跑道的直线特征。李小毛、唐延东等人针对机场跑道成像的线状结构和高灰度值的特征，提出了一种基于多尺度线状目标强化、并抑制其他非现状目标的机场识别算法。这些传统方法在一定程度上能够实现跑道的识别，但它们普遍存在一些缺点。一方面，对复杂背景和噪声的适应性较差，当遥感图像中存在复杂的地形、建筑物或受到天气、光照等因素影响时，容易产生误判和漏判。另一方面，传统方法通常需要手动设计特征和设置参数，这对操作人员的专业知识和经验要求较高，且灵活性和通用性不足，难以应对不同场景和条件下的跑道识别任务。随着深度学习技术的飞速发展，其在机场跑道识别领域也得到了广泛应用。深度学习方法能够自动从大量数据中学习特征，具有强大的特征提取和模式识别能力。例如，有研究采用FasterR-CNN、YOLOv3等经典的目标检测算法对机场影像进行跑道目标检测。其中，YOLOv3算法因其检测速度快、精度较高，适合实时应用而受到较多关注。然而，深度学习方法也并非完美无缺。它对数据的依赖性很强，需要大量的标注数据进行训练，而获取和标注高质量的机场遥感图像数据往往成本高昂、耗时费力。此外，深度学习模型的可解释性较差，模型内部的决策过程难以理解，这在一些对安全性和可靠性要求极高的应用场景中可能会成为限制因素。当前研究虽然取得了一定进展，但仍存在不足与挑战。在复杂环境下，如云雾遮挡、低分辨率图像等情况下，跑道识别的准确率和鲁棒性仍有待进一步提高；不同算法之间的融合和优化还需要深入研究，以充分发挥各种算法的优势，提高识别性能；对于大规模机场遥感图像数据的处理效率，以及如何在资源有限的情况下实现快速准确的跑道识别，也是亟待解决的问题。1.3研究目标与内容本研究旨在通过对机场遥感图像的深入分析，综合运用多种技术手段，提出一种高效准确的机场跑道识别方法，以满足现代机场运营管理和安全保障的需求。具体研究内容如下：机场遥感图像特征分析：深入研究机场遥感图像的特点，包括跑道的几何特征、纹理特征、光谱特征等，以及这些特征在不同环境条件下的变化规律。通过对大量图像数据的统计分析，建立跑道特征知识库，为后续的识别算法设计提供坚实的理论基础。跑道识别算法改进与融合：对现有的跑道识别算法进行深入研究和分析，针对传统算法和深度学习算法的优缺点，进行有针对性的改进。尝试将不同类型的算法进行融合，充分发挥它们各自的优势，提高识别算法的准确性、鲁棒性和适应性。例如，将传统的边缘检测算法与深度学习中的卷积神经网络相结合，利用边缘检测算法快速提取图像的边缘信息，为卷积神经网络提供更具针对性的特征输入，从而提升识别效果。基于多源数据的跑道识别模型构建：除了遥感图像数据外，考虑引入其他相关的多源数据，如地理信息数据、气象数据等，进一步丰富模型的输入信息。通过融合多源数据，构建更加全面、准确的跑道识别模型，提高模型对复杂环境的适应能力。例如，结合地理信息数据中的地形、地貌信息，可以更好地排除与跑道特征相似的自然地物干扰；利用气象数据中的天气状况信息，能够对不同天气条件下的遥感图像进行针对性的预处理和分析，从而提高识别的准确性。模型验证与性能评估：收集大量不同场景、不同条件下的机场遥感图像数据，构建用于模型训练和测试的数据集。采用交叉验证等方法对构建的跑道识别模型进行全面、严格的验证和性能评估，使用准确率、召回率、F1值等多个评价指标来衡量模型的性能。根据评估结果，对模型进行优化和调整，确保模型的性能达到预期目标。1.4研究方法与技术路线本研究综合运用多种研究方法，以确保研究的科学性、有效性和创新性。具体研究方法如下：文献研究法：全面收集和整理国内外有关机场跑道识别、遥感图像处理、计算机视觉、机器学习等领域的相关文献资料，了解该领域的研究现状、发展趋势和存在的问题，为本研究提供坚实的理论基础和研究思路。通过对文献的深入分析，总结前人的研究成果和经验教训，避免重复研究，明确本研究的创新点和突破方向。实验研究法：设计并开展一系列实验，对提出的跑道识别方法进行验证和优化。通过实验，对比不同算法和模型的性能，分析各种因素对识别结果的影响，从而确定最佳的算法和模型参数。实验过程中，严格控制实验条件，确保实验数据的准确性和可靠性。同时，不断改进实验方案，提高实验效率和研究质量。对比分析法：对不同的跑道识别算法和模型进行对比分析，从识别准确率、召回率、F1值、运行时间等多个方面进行评估，找出各种方法的优缺点和适用场景。通过对比分析，为算法的改进和模型的优化提供依据，选择最适合机场跑道识别的方法和技术路线。本研究的技术路线如图1所示。首先，利用卫星或无人机等遥感平台获取机场遥感图像数据，并收集相关的地理信息数据、气象数据等多源数据。然后，对这些数据进行预处理，包括图像的去噪、增强、几何校正等，以及多源数据的融合和标准化处理，使其更适合后续的分析和处理。接下来，进行机场遥感图像的特征分析，提取跑道的各种特征，并结合多源数据构建跑道识别模型。在模型训练阶段，采用深度学习算法对模型进行训练和优化，不断调整模型参数，提高模型的性能。最后，利用测试数据集对训练好的模型进行验证和性能评估，根据评估结果对模型进行进一步的优化和改进，最终得到高效准确的机场跑道识别方法。图1技术路线图二、机场遥感图像特征分析2.1机场遥感图像数据源与特点2.1.1数据源介绍在机场跑道识别的研究中，常用的遥感图像数据源主要包括卫星遥感、航空遥感和无人机遥感，它们各自具备独特的优势与局限性。卫星遥感：卫星遥感能够提供大面积的覆盖范围，可对全球范围内的机场进行观测。例如，Landsat系列卫星，其覆盖范围广泛，能为研究提供宏观的机场信息。这种大面积观测的优势使得对不同地区机场的统一监测和分析成为可能，有助于进行大规模的机场规划和管理研究。卫星遥感的时间分辨率较高，可实现对同一地区的周期性观测，从而便于监测机场的动态变化，如跑道的扩建、设施的更新等情况。然而，卫星遥感也存在一些局限性。其空间分辨率相对较低，对于一些小型机场或跑道上的细微特征，可能无法清晰呈现，难以满足对跑道细节识别的高精度要求。此外，卫星遥感图像容易受到大气干扰的影响，云层遮挡等天气因素可能导致图像质量下降，影响跑道识别的准确性。航空遥感：航空遥感的优势在于能够获取高分辨率的图像，可清晰地展示机场跑道的细节信息，如跑道表面的纹理、标识线等。像某些专业的航空摄影测量项目，获取的图像能精确呈现跑道的几何特征，为跑道的精准识别和分析提供了有力支持。航空遥感的灵活性较高，可根据研究需求灵活调整飞行路线和高度，针对特定机场或感兴趣区域进行详细观测。不过，航空遥感的成本相对较高，包括飞机租赁、飞行作业、数据处理等方面的费用，这在一定程度上限制了其大规模的应用。而且，航空遥感的覆盖范围相对较小，难以像卫星遥感那样实现大面积的同步观测。无人机遥感：无人机遥感具有极高的灵活性，可在复杂的环境中飞行，甚至能够靠近机场进行近距离观测，获取高分辨率的局部图像，为跑道的局部细节分析提供了丰富的数据。无人机遥感的成本相对较低，操作简便，能够快速响应研究需求，及时获取所需的图像数据。但无人机的续航能力有限，飞行范围受到限制，难以对大面积的机场区域进行全面覆盖。同时，无人机飞行易受天气条件的影响，如强风、降雨等恶劣天气可能导致飞行任务无法正常进行。在实际的机场跑道识别应用中，单一数据源往往难以满足复杂的识别需求。例如，卫星遥感虽然覆盖范围广，但分辨率有限，对于一些小型机场跑道的细节难以准确捕捉；航空遥感分辨率高，但成本高昂且覆盖范围受限；无人机遥感灵活性高、成本低，但续航和飞行范围存在不足。因此，通常需要综合利用多种数据源，充分发挥它们的优势，以提高跑道识别的准确性和可靠性。如先利用卫星遥感获取机场的宏观位置和大致布局信息，再通过航空遥感或无人机遥感对感兴趣的跑道区域进行详细观测，获取更精确的特征信息，从而实现对机场跑道的全面、准确识别。2.1.2图像特点分析机场遥感图像具有独特的特点，这些特点主要体现在空间分辨率、光谱特征、几何特征等方面，深入分析这些特点对于后续的跑道识别方法研究具有重要的基础作用。空间分辨率：空间分辨率是衡量遥感图像对地面物体细节表现能力的重要指标。高分辨率的机场遥感图像能够清晰地展现跑道的轮廓、宽度、长度等几何特征，以及跑道表面的标识线、纹理等细节信息。例如，在分辨率为0.5米的图像上，可以清晰地分辨出跑道上的中心线、边线等标识，这对于准确识别跑道的位置和范围至关重要。而低分辨率图像可能会使跑道的细节模糊，难以准确区分跑道与周围的背景，增加识别的难度。不同的识别任务对空间分辨率有不同的要求。对于简单的跑道位置判断，较低分辨率的图像可能就足够；但对于跑道损伤检测、异物识别等需要高精度的任务，则需要高分辨率的图像来提供详细的信息。光谱特征：机场跑道与周围的地物在光谱特征上存在差异。跑道通常由特定的建筑材料构成，在不同波段的光谱响应具有一定的特征。在可见光波段，跑道的反射率与周围的草地、建筑物等有明显区别，这使得在彩色图像中能够初步区分跑道与背景。在近红外波段，跑道的光谱响应也具有独特性，可利用这种差异进一步提高跑道与背景的对比度，增强识别效果。通过分析不同地物的光谱特征，可以选择合适的波段组合来突出跑道信息，减少背景干扰，提高识别的准确性。例如，采用多光谱图像进行分析时，选择对跑道和背景区分度较大的波段进行组合，能够更好地展现跑道的特征。几何特征：机场跑道具有明显的几何特征。从形状上看，跑道通常呈现为直线或近似直线的形状，且具有一定的长度和宽度。一般民用机场跑道的长度在1000米至5000米不等，宽度在45米至60米左右。跑道的两端通常较为平整，且与周围环境有明显的边界。跑道之间还可能存在平行、交叉等关系，这些几何特征为跑道的识别提供了重要的线索。利用这些几何特征，可以通过一些几何算法，如霍夫变换、直线检测算法等，对跑道进行初步的识别和定位，从而为后续更精确的识别奠定基础。机场遥感图像的空间分辨率、光谱特征和几何特征相互关联，共同影响着跑道的识别效果。在实际的跑道识别过程中，需要充分考虑这些图像特点，综合运用多种图像处理和分析技术，以实现对机场跑道的高效、准确识别。例如，结合高分辨率图像的空间细节和多光谱图像的光谱信息，利用几何特征进行初步定位，再通过更复杂的算法进行精确识别，能够有效提高识别的准确性和可靠性。2.2机场跑道的特征提取2.2.1几何特征提取机场跑道具有显著的几何特征，这些特征对于跑道的识别至关重要。常见的几何特征包括直线性、平行性、长度、宽度等，下面将阐述提取这些特征的常用方法。直线性提取：霍夫变换是提取直线特征的经典方法，广泛应用于机场跑道识别领域。其基本原理是利用图像空间和霍夫参数空间的点线对偶性，将图像空间中的直线检测问题转换到参数空间。在笛卡尔坐标系中，直线方程可表示为y=kx+b（其中k为斜率，b为截距）。对于图像中的每个点(x,y)，都对应着参数空间中的一条直线。通过对图像中的所有点进行转换，在参数空间中进行累加统计，寻找累加器峰值对应的参数，即可确定图像中直线的参数，从而检测出直线。例如，对于一幅机场遥感图像，经过边缘检测后得到边缘点，将这些边缘点进行霍夫变换，就可以检测出跑道的直线特征。在实际应用中，由于跑道可能存在一定的弯曲或噪声干扰，需要对霍夫变换进行适当的改进和优化。可以设置合适的阈值，去除一些虚假的直线检测结果；采用多尺度霍夫变换，提高对不同长度直线的检测能力。平行性提取：在机场中，跑道通常是平行的，利用这一特征可以进一步验证和识别跑道。一种常用的方法是在提取出直线特征后，计算直线之间的夹角和距离关系。对于两条直线L_1:y=k_1x+b_1和L_2:y=k_2x+b_2，如果它们的夹角接近0度或180度，且在一定范围内的距离保持相对稳定，则可认为这两条直线具有平行关系。通过对提取出的直线进行两两比较，筛选出具有平行关系的直线对，从而确定跑道的平行特征。还可以结合跑道的其他几何特征，如长度、宽度等，进一步验证平行直线是否为跑道。例如，平行直线的长度和宽度符合跑道的一般尺寸范围时，更有可能是跑道。长度和宽度提取：提取跑道的长度和宽度需要先准确检测出跑道的边界。可以通过边缘检测算法，如Canny边缘检测算法，获取图像中物体的边缘信息，从而确定跑道的边界。在得到跑道的边界后，通过计算边界点之间的距离来确定跑道的长度和宽度。对于长度的计算，可以沿着跑道的方向，计算两端边界点之间的欧氏距离；对于宽度的计算，则在垂直于跑道方向上，计算两侧边界点之间的距离。在实际计算过程中，需要考虑图像的分辨率和比例尺，将像素距离转换为实际的物理距离。由于跑道的形状可能不是完全规则的，在计算长度和宽度时，可以采用统计分析的方法，如计算多个测量值的平均值，以提高测量的准确性。通过霍夫变换、边缘检测等方法，可以有效地提取机场跑道的直线性、平行性、长度、宽度等几何特征。这些几何特征为机场跑道的识别提供了重要的依据，在实际应用中，需要根据具体情况选择合适的方法，并对算法进行优化，以提高特征提取的准确性和可靠性。同时，结合其他特征提取方法，如纹理特征和光谱特征提取，能够进一步提高机场跑道识别的效果。2.2.2纹理特征提取纹理特征是机场跑道识别的重要依据之一，它能够反映跑道表面的结构和细节信息。下面介绍灰度共生矩阵（GrayLevelCo-occurrenceMatrix，GLCM）和局部二值模式（LocalBinaryPattern，LBP）这两种常见的纹理特征提取方法在跑道识别中的应用。灰度共生矩阵：灰度共生矩阵是一种通过统计图像中具有一定空间位置关系的两个像素点的灰度组合出现的概率来描述纹理特征的方法。其计算过程如下：对于一幅灰度图像，设灰度级为L，在图像中选取一个像素点(x,y)，并考虑其与偏离它的另一个像素点(x+\Deltax,y+\Deltay)（其中\Deltax和\Deltay表示偏移量）。统计这两个像素点灰度值组合(i,j)（i,j=0,1,\cdots,L-1）出现的次数，然后将其归一化为出现的概率P(i,j)，得到灰度共生矩阵G。G(i,j)表示在给定偏移量下，灰度值为i和j的两个像素点同时出现的概率。在机场跑道识别中，利用灰度共生矩阵可以提取多个纹理特征参数，如对比度、相关性、能量和熵等。对比度反映了图像中纹理的清晰程度和灰度变化的剧烈程度，对于跑道来说，其表面相对平滑，纹理较为规则，对比度通常较低；相关性衡量了图像中像素灰度的线性相关性，跑道的纹理具有一定的方向性和规律性，相关性较高；能量表示图像灰度分布的均匀程度，跑道的能量值相对稳定；熵则反映了图像中纹理的复杂程度，跑道的纹理相对简单，熵值较低。通过分析这些纹理特征参数，可以有效地将跑道与周围的背景区分开来。局部二值模式：局部二值模式是一种用于描述图像局部纹理特征的算子。其基本思想是将中心像素的灰度值作为阈值，与邻域内的像素灰度值进行比较，根据比较结果生成一个二进制模式。对于一个3\times3的邻域，中心像素为g_c，邻域像素为g_n（n=0,1,\cdots,7），则局部二值模式值LBP的计算方法为：LBP=\sum_{n=0}^{7}s(g_n-g_c)2^n，其中s(x)为符号函数，当x\geq0时，s(x)=1；当x\lt0时，s(x)=0。通过对图像中每个像素点计算其局部二值模式值，可以得到一幅局部二值模式图像。在机场跑道识别中，局部二值模式能够有效地提取跑道表面的微观纹理特征。由于跑道表面的材质相对均匀，其局部二值模式图像具有一定的特征分布。可以统计局部二值模式图像中不同模式的出现频率，作为纹理特征用于跑道识别。与其他纹理特征提取方法相比，局部二值模式具有计算简单、对光照变化不敏感等优点，在复杂环境下的机场跑道识别中具有较好的应用效果。灰度共生矩阵和局部二值模式是两种有效的纹理特征提取方法，它们从不同的角度描述了机场跑道的纹理特征。在实际的跑道识别应用中，可以根据具体情况选择合适的方法，或者将两种方法结合使用，以提高纹理特征提取的准确性和可靠性，从而更好地实现机场跑道的识别。2.2.3光谱特征提取机场跑道在不同波段的光谱响应具有独特的特征，利用这些光谱特征可以有效地将跑道与背景区分开来，为跑道识别提供重要依据。不同波段的光谱响应特征：在可见光波段，机场跑道的颜色通常与周围的地物存在差异。跑道一般呈现为灰色或黑色，其反射率相对较低，而周围的草地、植被等具有较高的反射率，在绿色波段表现出明显的峰值。通过分析可见光波段的图像，可以初步区分跑道与植被等背景。在近红外波段，跑道的光谱响应与周围地物也有显著不同。跑道的建筑材料在近红外波段的反射率较低，而植被在近红外波段具有较高的反射率，这使得跑道与植被在近红外图像中形成鲜明的对比。水体在近红外波段的反射率极低，几乎为黑色，也容易与跑道区分开来。在中红外和热红外波段，跑道的温度特征与周围环境存在差异。在白天，跑道由于吸收太阳辐射较多，温度相对较高，在热红外图像中表现为较亮的区域；而在夜间，跑道散热较快，温度相对较低，表现为较暗的区域。通过分析不同时间的热红外图像，可以进一步确认跑道的位置和范围。利用光谱特征区分跑道与背景：为了更有效地利用光谱特征进行跑道识别，可以采用多光谱图像分析技术。多光谱图像包含了多个波段的信息，通过对不同波段图像的组合和分析，可以增强跑道与背景的对比度，突出跑道的特征。可以计算不同波段之间的比值，如归一化植被指数（NormalizedDifferenceVegetationIndex，NDVI），其计算公式为NDVI=\frac{NIR-RED}{NIR+RED}（其中NIR为近红外波段反射率，RED为红光波段反射率）。对于植被，NDVI值通常较高，而跑道的NDVI值较低，通过计算NDVI图像，可以清晰地将跑道与植被区分开来。还可以利用主成分分析（PrincipalComponentAnalysis，PCA）等方法对多光谱图像进行处理。PCA可以将多个波段的信息进行降维，提取出主要的特征成分，同时去除噪声和冗余信息。在处理后的主成分图像中，跑道的特征更加明显，便于进行识别和分析。通过对不同波段的光谱响应特征进行分析，并采用多光谱图像分析技术，如计算波段比值、主成分分析等，可以有效地利用光谱特征区分机场跑道与背景，提高跑道识别的准确性和可靠性。在实际应用中，需要根据具体的遥感数据和识别需求，选择合适的光谱特征提取方法和分析技术。三、基于传统算法的跑道识别方法3.1边缘检测算法在跑道识别中的应用3.1.1经典边缘检测算子原理边缘检测是图像处理和计算机视觉领域中的一项重要技术，旨在识别图像中物体边界的像素点。在机场跑道识别中，准确检测跑道边缘是后续识别和分析的关键步骤。以下介绍几种经典的边缘检测算子及其原理和特点。Robert算子：由LawrenceRoberts在1963年提出，是最早的边缘检测算子之一。它基于局部差分的思想，通过计算图像中对角线方向相邻像素的灰度值之差来检测边缘。在一个2\times2的邻域内，定义两个方向的差分算子：G_x=\begin{bmatrix}1&0\\0&-1\end{bmatrix}和G_y=\begin{bmatrix}0&1\\-1&0\end{bmatrix}。对于图像中的每个像素点(x,y)，分别与这两个算子进行卷积运算，得到水平方向和垂直方向的梯度分量G_x(x,y)和G_y(x,y)，然后通过公式G(x,y)=\sqrt{G_x(x,y)^2+G_y(x,y)^2}计算梯度幅值，以确定该点是否为边缘点。Robert算子的优点是计算简单、速度快，对具有陡峭边缘且噪声较小的图像有较好的检测效果，能够准确地定位边缘。然而，它对噪声非常敏感，因为它没有考虑邻域像素的相关性，在处理含有噪声的图像时，容易将噪声误判为边缘，导致检测结果中出现大量虚假边缘。Sobel算子：是一种基于一阶导数的边缘检测算子，由IrwinSobel和GaryFeldman在1968年提出。Sobel算子使用两个3\times3的卷积核，分别用于检测水平方向和垂直方向的边缘。水平方向的卷积核G_x=\begin{bmatrix}-1&0&1\\-2&0&2\\-1&0&1\end{bmatrix}，垂直方向的卷积核G_y=\begin{bmatrix}-1&-2&-1\\0&0&0\\1&2&1\end{bmatrix}。通过与图像进行卷积运算，得到水平和垂直方向的梯度分量G_x和G_y，再通过G=\sqrt{G_x^2+G_y^2}（或简化为|G_x|+|G_y|）计算梯度幅值，同时可以通过\theta=\arctan(\frac{G_y}{G_x})计算梯度方向。Sobel算子在计算梯度时考虑了邻域像素的加权平均，对噪声具有一定的平滑作用，能够提供较为精确的边缘方向信息，在灰度渐变和噪声较多的图像中表现出较好的性能。但它检测到的边缘相对较粗，对于一些需要精确边缘定位的应用场景，可能不太适用。Canny算子：由JohnF.Canny于1986年开发，是一种多级边缘检测算法，被广泛认为是效果较好的边缘检测算子之一。Canny算子的实现步骤主要包括以下几个方面：高斯滤波：使用高斯核G(x,y)=\frac{1}{2\pi\sigma^2}e^{-\frac{x^2+y^2}{2\sigma^2}}对图像进行平滑处理，以去除噪声。高斯滤波能够有效地抑制噪声，同时保留图像的主要结构信息。计算梯度：采用Sobel算子等方法计算图像的梯度幅值和方向，得到每个像素点的梯度信息。非极大值抑制：沿着梯度方向，对梯度幅值进行细化，只保留局部梯度最大值的像素点，将其他非极大值点的梯度幅值置为0，从而将边缘细化到单像素宽度。双阈值检测和边缘连接：设置高阈值T_h和低阈值T_l，梯度幅值大于高阈值T_h的像素点被确定为强边缘点；梯度幅值介于低阈值T_l和高阈值T_h之间的像素点为弱边缘点，只有当弱边缘点与强边缘点连通时，才被保留为边缘点，通过滞后阈值处理来连接边缘，形成连续的边缘轮廓。Canny算子具有低误检率、高定位精度和单一边缘响应的优点，能够在各种复杂场景的图像中准确地检测出边缘，在机场跑道识别等应用中表现出色。然而，Canny算子的计算复杂度较高，需要进行多次运算和处理，对计算资源和时间要求相对较高。这些经典的边缘检测算子在机场跑道识别中都有各自的应用场景和局限性。在实际应用中，需要根据机场遥感图像的特点和具体的识别需求，选择合适的边缘检测算子，或者对算子进行改进和优化，以提高跑道边缘检测的准确性和可靠性。3.1.2算法实现与实验结果分析为了评估不同边缘检测算子在机场跑道识别中的性能，我们进行了算法实现和实验分析。实验环境为Python3.8，使用OpenCV库来实现边缘检测算法。实验选用了多幅不同场景和分辨率的机场遥感图像，这些图像涵盖了晴天、阴天等不同天气条件下的机场，以及包含不同地形和建筑物分布的机场场景，以全面测试算法的适应性。在实验中，分别使用Robert算子、Sobel算子和Canny算子对机场遥感图像进行边缘检测。对于Robert算子，直接按照其原理实现，对图像中的每个像素点进行对角线方向的差分计算，并计算梯度幅值。Sobel算子则利用OpenCV库中的cv2.Sobel函数，设置相应的参数来计算水平和垂直方向的梯度分量，并通过公式计算梯度幅值。Canny算子使用cv2.Canny函数实现，通过调整高斯滤波的标准差、双阈值等参数来优化检测效果。通过对实验结果的分析，可以看出不同算子在检测机场跑道边缘时的效果和存在的问题。Robert算子：从检测结果图像（图2(a)）可以看出，在一些边缘较为陡峭且噪声较小的区域，Robert算子能够准确地检测到跑道边缘，边缘定位相对较精确。在跑道与周围背景对比度明显的部分，能够清晰地勾勒出跑道的轮廓。由于其对噪声敏感，在图像中存在噪声的区域，产生了大量的虚假边缘，使得检测结果中噪声干扰严重，难以准确区分真实的跑道边缘和噪声边缘，这给后续的跑道识别和分析带来了很大困难。Sobel算子：Sobel算子检测后的图像（图2(b)）显示，其对噪声具有一定的平滑作用，在一定程度上抑制了噪声的干扰，使得检测结果中的噪声相对较少。在一些灰度渐变和噪声较多的区域，仍能较好地检测出跑道边缘。Sobel算子检测到的边缘较粗，这可能导致在后续的直线检测等处理中，对跑道的精确位置和宽度判断产生误差。在跑道边缘的一些细节部分，较粗的边缘可能会掩盖部分信息，影响对跑道特征的准确提取。Canny算子：Canny算子的检测结果（图2(c)）在整体上表现较好，能够准确地检测出跑道的边缘，并且边缘较为连续和清晰。在复杂的背景和噪声环境下，Canny算子通过高斯滤波去噪和双阈值检测等步骤，有效地抑制了噪声，同时保留了跑道的边缘信息，检测出的边缘更接近真实的跑道边界。由于Canny算子的计算复杂度较高，在处理大尺寸图像时，计算时间相对较长，这在一些对实时性要求较高的应用场景中可能会成为限制因素。图2不同边缘检测算子的实验结果(a)Robert算子(b)Sobel算子(c)Canny算子不同的边缘检测算子在机场跑道边缘检测中各有优缺点。Robert算子对噪声敏感，适用于噪声较小的图像；Sobel算子对噪声有一定抑制作用，但边缘较粗；Canny算子检测效果较好，但计算复杂度高。在实际的机场跑道识别应用中，需要根据具体情况选择合适的边缘检测算子，或者结合多种算子的优点，以提高跑道边缘检测的准确性和可靠性。还可以进一步对这些算子进行改进和优化，如调整参数、结合其他图像处理技术等，以更好地适应复杂的机场遥感图像场景。3.2霍夫变换在跑道直线检测中的应用3.2.1霍夫变换原理与改进霍夫变换（HoughTransform）是图像处理中的一种特征提取技术，最初由PaulHough于1962年提出，用于检测图像中的直线和曲线，后经RichardDuda和PeterHart推广使用，在图像分析和计算机视觉领域得到了广泛应用。在机场跑道识别中，霍夫变换常用于检测跑道的直线特征。标准霍夫变换检测直线的原理基于图像空间和霍夫参数空间的点线对偶性。在笛卡尔坐标系中，直线方程可以表示为y=kx+b（其中k为斜率，b为截距）。对于图像中的每个边缘点(x,y)，都对应着参数空间中的一条直线。通过对图像中的所有边缘点进行转换，在参数空间中进行累加统计，寻找累加器峰值对应的参数，即可确定图像中直线的参数，从而检测出直线。然而，这种表示方法在处理垂直直线时会遇到问题，因为垂直直线的斜率k为无穷大。为了克服这个问题，通常采用极坐标表示法，直线方程可以表示为\rho=x\cos\theta+y\sin\theta，其中\rho是原点到直线的垂直距离，\theta是直线与x轴正方向的夹角。在极坐标下，图像空间中的一条直线对应参数空间(\rho,\theta)中的一个点，而参数空间中的一条曲线则对应图像空间中通过某一点的所有直线。在实际应用中，标准霍夫变换存在一些局限性。由于需要对图像中的所有边缘点进行计算，在处理含有大量边缘点的图像时，计算量非常大，效率较低。对于复杂背景下的机场遥感图像，可能会存在大量的噪声边缘和其他非跑道相关的直线，这会导致霍夫变换在参数空间中产生大量的虚假峰值，增加了检测跑道直线的难度和误检率。为了提高霍夫变换在机场跑道检测中的性能，出现了一些改进方法，其中概率霍夫变换（ProbabilisticHoughTransform，PHT）是一种常用的改进算法。概率霍夫变换的基本思想是随机选取图像中的边缘点进行霍夫变换计算，而不是对所有边缘点进行处理。通过设置一个概率阈值，当选取的边缘点数量达到一定程度且在参数空间中某一点的累加值超过设定的阈值时，就认为检测到了一条直线。这样可以大大减少计算量，提高检测效率。概率霍夫变换还可以通过设置直线长度和间距的阈值，对检测到的直线进行筛选，去除一些较短或不满足跑道几何特征的直线，从而提高检测的准确性。例如，在机场跑道检测中，可以根据跑道的一般长度和宽度范围，设置直线长度阈值为1000像素（根据图像分辨率进行调整），直线间距阈值为50像素，只有满足这些条件的直线才被认为是可能的跑道直线。还有一些其他的改进方法，如多尺度霍夫变换（Multi-ScaleHoughTransform），它在不同尺度下对图像进行霍夫变换，然后融合多尺度的检测结果，以提高对不同长度和方向跑道的检测能力；局部空间霍夫变换（LocalSpaceHoughTransform），它将图像划分为多个局部区域，在每个局部区域内进行霍夫变换，减少了全局计算量，同时可以更好地适应图像中不同区域的特征变化。这些改进的霍夫变换方法针对标准霍夫变换的缺点进行了优化，在机场跑道检测中能够更高效、准确地检测出跑道直线，为后续的跑道识别和分析提供了更可靠的基础。在实际应用中，需要根据机场遥感图像的特点和具体需求，选择合适的霍夫变换改进方法，并对相关参数进行合理调整，以达到最佳的检测效果。3.2.2实验验证与性能评估为了验证改进后的霍夫变换在机场跑道直线检测中的性能，我们进行了一系列实验，并采用准确率、召回率等指标对其进行性能评估。实验使用Python3.8和OpenCV库实现改进的霍夫变换算法，实验数据集包括多种不同场景和分辨率的机场遥感图像，这些图像涵盖了不同天气条件、地形地貌以及机场规模和布局的情况，以全面测试算法在不同环境下的适应性。在实验中，首先对机场遥感图像进行边缘检测，采用Canny算子获取图像的边缘信息，因为Canny算子在抑制噪声和准确检测边缘方面表现较好，能够为霍夫变换提供高质量的边缘数据。然后，分别使用标准霍夫变换和改进的概率霍夫变换对边缘图像进行直线检测。对于概率霍夫变换，设置直线长度阈值为1000像素，直线间距阈值为50像素，概率阈值为0.8，这些参数是通过多次实验调试得到的，在当前实验数据集下能够取得较好的检测效果。实验结果通过与人工标注的真实跑道直线进行对比来评估算法的性能。准确率（Precision）的计算公式为：Precision=\frac{TP}{TP+FP}，其中TP表示正确检测到的跑道直线数量，FP表示错误检测为跑道直线的数量。召回率（Recall）的计算公式为：Recall=\frac{TP}{TP+FN}，其中FN表示实际存在但未被检测到的跑道直线数量。F1值（F1-score）是综合考虑准确率和召回率的指标，其计算公式为：F1=\frac{2\timesPrecision\timesRecall}{Precision+Recall}。实验结果如表1所示，从表中可以看出，标准霍夫变换在检测机场跑道直线时，准确率为0.72，召回率为0.68，F1值为0.70。这是因为标准霍夫变换对所有边缘点进行计算，容易受到噪声和非跑道直线的干扰，导致检测出较多的虚假直线，从而降低了准确率；同时，由于计算量较大，可能会遗漏一些真实的跑道直线，使得召回率也不高。而改进后的概率霍夫变换在准确率、召回率和F1值上都有明显的提升，准确率达到了0.85，召回率为0.82，F1值为0.83。概率霍夫变换通过随机选取边缘点进行计算，大大减少了计算量，同时通过设置直线长度、间距和概率阈值，有效地去除了大量的虚假直线，提高了检测的准确性，使得召回率也有所提高。算法准确率召回率F1值标准霍夫变换0.720.680.70概率霍夫变换0.850.820.83表1不同霍夫变换算法性能对比改进后的概率霍夫变换在机场跑道直线检测中表现出了更好的性能，能够更准确、高效地检测出跑道直线。在实际的机场跑道识别应用中，概率霍夫变换可以作为一种有效的直线检测方法，为后续的跑道识别和分析提供可靠的基础。还可以进一步对算法进行优化和改进，如根据不同的图像场景自适应调整参数，结合其他图像处理技术提高检测的鲁棒性等，以更好地满足复杂多变的实际需求。3.3基于模板匹配的跑道识别方法3.3.1模板构建与匹配策略基于模板匹配的跑道识别方法是利用已知的跑道模板与机场遥感图像进行匹配，通过寻找图像中与模板最相似的区域来识别跑道。这种方法的关键在于模板的构建和匹配策略的选择。模板构建需要充分考虑跑道的几何和纹理特征。从几何特征方面来看，跑道通常呈现为长而直的矩形形状，具有一定的长度和宽度范围。一般民用机场跑道的长度在1000米至5000米不等，宽度在45米至60米左右。在构建模板时，可以根据这些常见的尺寸范围，生成不同长度和宽度的矩形模板。为了适应不同角度的跑道，还需要对模板进行旋转，生成一系列不同角度的模板，如每隔15度旋转一次，以覆盖跑道可能出现的各种方向。在纹理特征方面，跑道表面具有独特的纹理，如混凝土跑道的纹理相对均匀，且可能存在一些标识线。可以通过对大量跑道图像的分析，提取其纹理特征，如使用灰度共生矩阵（GLCM）计算跑道纹理的对比度、相关性、能量和熵等特征参数，然后根据这些特征参数生成纹理模板。将几何模板和纹理模板相结合，形成综合的跑道模板。例如，先创建一个具有标准尺寸和方向的矩形几何模板，然后在该模板上叠加根据跑道纹理特征生成的纹理信息，使模板更准确地反映跑道的实际特征。匹配策略方面，常用的匹配算法有归一化互相关（NormalizedCross-Correlation，NCC）算法。其基本原理是计算模板与图像中各个子区域的互相关系数，互相关系数越大，表示模板与该子区域的相似度越高。对于一幅大小为M\timesN的图像I(x,y)和大小为m\timesn的模板T(x,y)，在图像中以步长为1进行滑动匹配，对于每个位置(s,t)，计算归一化互相关系数R(s,t)：R(s,t)=\frac{\sum_{x=0}^{m-1}\sum_{y=0}^{n-1}(I(s+x,t+y)-\overline{I}_{s,t})(T(x,y)-\overline{T})}{\sqrt{\sum_{x=\##四、基于深度学ä¹

的跑道识别方法\##\#4.1深度学ä¹

在图像识别中的优势深度学ä¹

作为机器学ä¹

领域的重要分支，近年来在图像识别领域取得了巨大的成功，并展现出诸多ä¼

统方法难以比拟的优势。这些优势使得深度学ä¹

在机场跑道识别任务中具有广阔的应用前景。深度学ä¹

模型具有强大的自动特征提取能力。ä¼

统的图像识别方法通常需要人工设计和提取特征，这不仅依赖于专业知识和经验，而且过程繁琐复杂。例如，在机场跑道识别中，ä¼

统方法需要手动提取跑道的å‡

何特征（如直线性、平行性等）、纹理特征（如灰度共生矩阵、局部二值模式等）以及光谱特征（如不同波段的反射率差异）。然而，人工设计的特征往往难以全面准确地描述跑道的特性，且对复杂背景和噪声的适应性较差。而深度学ä¹

通过构建多层神经网络，能够自动从大量的图像数据中学ä¹

到有效的特征表示。以卷积神经网络（CNN）为例，其卷积层中的卷积æ

¸å¯ä»¥åœ¨è®­ç»ƒè¿‡ç¨‹ä¸­è‡ªåŠ¨å­¦ä¹

到图像中的各种特征，从底层的边缘、纹理等简单特征，到高层的形状、结构等复杂特征。这些自动学ä¹

到的特征更具代表性和鲁棒性，能够更好地适应不同场景下机场跑道图像的变化，从而提高识别的准确性。深度学ä¹

模型具有卓越的学ä¹

能力和对复杂模式的建模能力。机场跑道的遥感图像往往受到多种å›

ç´

的影响，如天气条件（晴天、阴天、雨天、雾天等）、光照角度和强度、地形地貌以及周围建筑物的干扰等，导致图像呈现出复杂的模式和特征。深度学ä¹

模型能够通过大规模的数据训练，学ä¹

到这些复杂模式之间的内在联系和规律。在面对不同天气条件下的机场跑道图像时，深度学ä¹

模型可以从大量的训练数据中学ä¹

到不同天气对跑道图像特征的影响，并据此准确地识别跑道。相比之下，ä¼

统方法在处理这些复杂情况时往往显得力不从心，容易出现误判和漏判。深度学ä¹

模型还具有良好的泛化能力。在经过大量多æ

·åŒ–的数据训练后，深度学ä¹

模型能够对未在训练集中出现的新数据进行准确的识别和分类。在机场跑道识别中，即使遇到新的机场或者不同拍摄条件下的跑道图像，训练良好的深度学ä¹

模型也能够凭借其泛化能力准确地判断出跑道的位置和范围。这使得深度学ä¹

模型在实际应用中具有更高的可é

性和适应性，能够满足不同场景下对机场跑道识别的需求。深度学ä¹

在图像识别中的自动特征提取、强大的学ä¹

能力和良好的泛化能力等优势，使其在机场跑道识别中展现出巨大的潜力。通过充分发挥这些优势，可以有效地提高机场跑道识别的准确性、鲁棒性和效率，为机场的安全运营和管理提供有力的支持。\##\#4.2卷积神经网络（CNN）在跑道识别中的应用\##\##4.2.1CNN基本原理与结构卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种专门为处理具有网æ

¼ç»“构数据（如图像、音频）而设计的深度学ä¹

模型，在图像识别领域取得了卓越的成果，其在机场跑道识别中也发挥着重要作用。CNN的基本结构主要包括卷积层、æ±

化层和全连接层。卷积层是CNN的æ

¸å¿ƒç»„成部分，其主要功能是通过卷积操作自动提取图像的特征。卷积操作利用卷积æ

¸ï¼ˆä¹Ÿç§°ä¸ºæ»¤æ³¢å™¨ï¼‰åœ¨å›¾åƒä¸Šæ»‘动，对图像的局部区域进行åŠ

权求和，从而得到特征图。假设输入图像为$I$，大小为$H\timesW\timesC$（$H$为高度，$W$为宽度，$C$为通道数，如RGB图像$C=3$），卷积æ

¸$K$大小为$h\timesw\timesC$，步长为$s$，填充为$p$。则卷积操作的计算过程如下：对于输出特征图$F$中的每个元ç´

$F_{ij}$，其计算公式为$F_{ij}=\sum_{m=0}^{h-1}\sum_{n=0}^{w-1}I_{(i\timess+m,j\timess+n)}K_{mn}+b$，其中$b$为偏置项。通过卷积操作，卷积æ

¸å¯ä»¥å­¦ä¹

到图像中的各种特征，如边缘、纹理等。不同的卷积æ

¸å¯ä»¥æ•æ‰ä¸åŒç±»åž‹çš„特征，通过多个卷积æ

¸çš„组合，可以提取出丰富的图像特征。例如，一个小尺寸的卷积æ

¸ï¼ˆå¦‚$3\times3$）可以捕捉到图像中的细节边缘信息，而较大尺寸的卷积æ

¸ï¼ˆå¦‚$5\times5$或$7\times7$）则更适合捕捉图像中的整体形状和结构特征。æ±

化层通常紧跟在卷积层之后，其作用是对特征图进行下采æ

·ï¼Œé™ä½Žç‰¹å¾å›¾çš„尺寸，从而减少计算量，同时保留重要的特征信息。常见的æ±

化方法有最大æ±

化（MaxPooling）和平均æ±

化（AveragePooling）。最大æ±

化是在一个固定大小的æ±

化窗口内选取最大值作为输出，如一个$2\times2$的最大æ±

化窗口，在每次滑动时，取窗口内4个元ç´

中的最大值作为输出。平均æ±

化则是计算æ±

化窗口内元ç´

的平均值作为输出。以最大æ±

化为例，设输入特征图为$F$，æ±

化窗口大小为$2\times2$，步长为2，则输出特征图$P$的计算公式为$P_{ij}=\max\{F_{(2i,2j)},F_{(2i,2j+1)},F_{(2i+1,2j)},F_{(2i+1,2j+1)}\}$。æ±

化操作可以有效地减少特征图的维度，降低模型的计算复杂度，同时通过保留最大值或平均值，能够突出重要的特征，增强模型对图像平移、旋转等变换的鲁棒性。全连接层位于CNN的末端，它将前面卷积层和æ±

化层提取到的特征进行综合，并通过权重和偏置进行线性变换，然后通过激活函数进行非线性变换，最终得到分类结果。全连接层中的每个神经元都与上一层的所有神经元相连，其作用是将学ä¹

到的分布式特征表示æ˜

射到æ

·æœ¬æ

‡è®°ç©ºé—´ï¼Œå®žçŽ°å¯¹è¾“入图像的分类或其他任务。假设上一层输出的特征向量为$x$，全连接层的权重矩阵为$W$，偏置向量为$b$，则全连接层的输出$y$为$y=f(Wx+b)$，其中$f$为激活函数，常用的激活函数有ReLU（RectifiedLinearUnit）、Sigmoid、Tanh等。在机场跑道识别中，全连接层的输出可以表示图像中存在跑道的概率或者跑道的具体类别（如民用跑道、军用跑道等）。CNN通过卷积层、æ±

化层和全连接层的协同工作，能够自动学ä¹

到图像的特征，并实现对机场跑道的准确识别。其独特的结构和工作原理使其在处理图像数据时具有高效性、准确性和鲁棒性，为机场跑道识别提供了强大的技术支持。\##\##4.2.2基于CNN的跑道识别模型构建为了实现对机场跑道的准确识别，我们构建了一种适用于机场跑道识别的卷积神经网络（CNN）模型。在模型架构设计和参数设置方面，充分考虑了机场遥感图像的特点和跑道识别的需求。模型架构设计上，采用了一种层次化的结构，由多个卷积层、æ±

化层和全连接层组成。首先是输入层，输入为经过预处理后的机场遥感图像，图像大小调整为$224\times224\times3$（高度、宽度、通道数），这æ

·çš„尺寸既能保留足够的图像细节信息，又能在计算资源和模型复杂度之间取得较好的平衡。接着是一系列的卷积层，用于提取图像的特征。前å‡

个卷积层使用较小的卷积æ

¸ï¼ˆå¦‚$3\times3$），以捕捉图像中的细节特征，每个卷积层后面紧跟一个ReLU激活函数，以引入非线性，增强模型的表达能力。随着网络层次的åŠ

深，逐渐增åŠ

卷积æ

¸çš„数量，以学ä¹

到更丰富、更抽象的特征。例如，第一个卷积层使用32个$3\times3$的卷积æ

¸ï¼Œç¬¬äºŒä¸ªå·ç§¯å±‚使用64个$3\times3$的卷积æ

¸ã€‚在卷积层之间，插入æ±

化层，采用最大æ±

化操作，æ±

化窗口大小为$2\times2$，步长为2，以降低特征图的尺寸，减少计算量。经过多个卷积层和æ±

化层的处理后，得到的特征图被展平成一维向量，然后输入到全连接层。全连接层的作用是对提取到的特征进行综合和分类。设计了两个全连接层，第一个全连接层包含512个神经元，进一步提取和融合特征，第二个全连接层æ

¹æ®è·‘道识别的任务需求，输出类别数量对应的神经元。在二分类问题（判断图像中是否存在跑道）中，输出层有2个神经元，分别表示跑道和非跑道的概率；在多分类问题（如区分不同类型的跑道或跑道的状态）中，输出层的神经元数量æ

¹æ®å…·ä½“的类别数进行设置。在全连接层之间，使用Dropout技术，随机丢弃一定比例（如0.5）的神经元，以防止过拟合，提高模型的泛化能力。在参数设置方面，模型的训练采用Adam优化器，这是一种自适应学ä¹

率的优化算法，能够在训练过程中自动调整学ä¹

率，åŠ

快模型的收敛速度。学ä¹

率初始设置为0.001，在训练过程中æ

¹æ®éªŒè¯é›†çš„损失情况进行动态调整。损失函数采用交叉熵损失函数，对于多分类问题，其计算公式为$L=-\frac{1}{N}\sum_{i=1}^{N}\sum_{j=1}^{C}y_{ij}\log(\hat{y}_{ij})$，其中$N$是æ

·æœ¬æ•°é‡ï¼Œ$C$是类别数，$y_{ij}$表示第$i$个æ

·æœ¬å±žäºŽç¬¬$j$类的真实æ

‡ç­¾ï¼ˆ0或1），$\hat{y}_{ij}$表示模型预测第$i$个æ

·æœ¬å±žäºŽç¬¬$j$类的概率。在训练过程中，通过反向ä¼

播算法计算损失函数对模型参数的梯度，并利用Adam优化器更新参数，以最小化损失函数。训练过程中，设置批量大小（batchsize）为32，即每次从训练数据集中取出32个æ

·æœ¬è¿›è¡Œè®­ç»ƒï¼Œè¿™æ

·æ—¢èƒ½å……分利用GPU的并行计算能力，又能保证训练的稳定性。训练的轮数（epoch）设置为50，通过在训练集上进行多轮训练，使模型充分学ä¹

到机场跑道的特征。通过合理的模型架构设计和参数设置，构建的基于CNN的跑道识别模型能够有效地学ä¹

机场遥感图像的特征，实现对机场跑道的准确识别。在后续的实验中，将对该模型的性能进行验证和分析。\##\##4.2.3实验结果与分析为了评估基于CNN的跑道识别模型的性能，我们进行了一系列实验，并对实验结果进行了详细的分析。实验使用了一个包含大量机场遥感图像的数据集，该数据集分为训练集、验证集和测试集，比例分别为70%、15%和15%。训练集用于训练模型，验证集用于调整模型的超参数，以防止过拟合，测试集用于评估模型的最终性能。在实验过程中，首先将训练集输入到构建的CNN模型中进行训练，使用Adam优化器，学ä¹

率初始化为0.001，批量大小为32，训练轮数为50。在训练过程中，记录模型在训练集和验证集上的损失值和准确率，以观察模型的训练情况。训练过程的损失值和准确率变化曲线如图3所示。从图中可以看出，在训练初期，模型的损失值较高，准确率较低，随着训练轮数的增åŠ

，模型在训练集和验证集上的损失值逐渐下降，准确率逐渐上升。在训练到大约第30轮时，模型在验证集上的损失值开始趋于稳定，准确率也基本不再提升，表明模型已经基本收敛。此时，模型在训练集上的准确率达到了98%，在验证集上的准确率