Алгоритмы автоматизированного обнаружения и распознавания наземных объектов по их радиолокационным изображениям в реальном масштабе времени

Кузнецов, Виктор Андреевич

Системный анализ, управление и обработка информации (по отраслям)

автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Алгоритмы автоматизированного обнаружения и распознавания наземных объектов по их радиолокационным изображениям в реальном масштабе времени

кандидата технических наук: Кузнецов, Виктор Андреевич
город: Иркутск
год: 2012
специальность ВАК РФ: 05.13.01

Диссертация по информатике, вычислительной технике и управлению на тему «Алгоритмы автоматизированного обнаружения и распознавания наземных объектов по их радиолокационным изображениям в реальном масштабе времени»

Автореферат диссертации по теме "Алгоритмы автоматизированного обнаружения и распознавания наземных объектов по их радиолокационным изображениям в реальном масштабе времени"

На правах рукописи

Кузнецов Виктор Андреевич

АЛГОРИТМЫ АВТОМАТИЗИРОВАННОГО ОБНАРУЖЕНИЯ И РАСПОЗНАВАНИЯ НАЗЕМНЫХ ОБЪЕКТОВ ПО ИХ РАДИОЛОКАЦИОННЫМ ИЗОБРАЖЕНИЯМ В РЕАЛЬНОМ МАСШТАБЕ ВРЕМЕНИ

Специальность 05.13.01 - Системный анализ, управление и обработка информации

(промышленность)

2 9 НОЯ 2012

Автореферат диссертации на соискание ученой степени кандидата технических наук

Иркутск-2012

005056031

Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Иркутский государственный университет путей сообщения» (ФГБОУ ВПО ИрГУПС).

Научный руководитель: доктор технических наук, профессор

Марюхненко Виктор Сергеевич

Официальные оппоненты: доктор физико-математических наук, профессор

Агарышев Анатолий Иванович;

кандидат технических наук, Орлов Лев Валерьевич

Ведущая организация: Открытое акционерное общество «Научно-исследовательский институт точных приборов» (ОАО НИИ ТП), 127490, г. Москва, ул. Декабристов, 51.

Защита диссертации состоится «/2 » декабря 2012 г. в «№е>0» часов на заседании диссертационного совета Д 218.004.01 при ФГБОУ ВПО «Иркутский государственный университет путей сообщения» (ИрГУПС) по адресу: 664074, г. Иркутск, ул. Чернышевского, д. 15, ауд. А-803.

тел: (8-3952) 63-83-11, (8-3952) 38-76-07 факс: (8-3952) 38-76-72 http://www.irgups.ru

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО «Иркутский государственный университет путей сообщения» (ИрГУПС).

Автореферат разослан « Я » ноября 2012 г.

Отзывы на автореферат в двух экземплярах, заверенные гербовой печатью организации, просим направить в адрес диссертационного совета.

Ученый секретарь диссертационного совета доктор технических наук, / /у , ,/

профессор {^Уу.-пА^/ Тихий Иван Иванович

(V у-

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Обладание информацией является основой развития современного общества. Оперативная и достоверная информация становится решающим фактором успеха при организации промышленного производства, в бизнесе, при подготовке и ведении вооруженной борьбы и в иных сферах человеческой деятельности. Один из путей сбора информации - удаленный мониторинг промышленных объектов, территории государства и акватории. Среди способов мониторинга следует выделить радиолокационное дистанционное зондирование Земли (ДЗЗ). Радиолокационное ДЗЗ позволяет получать радиолокационные изображения (РЛИ) земной поверхности днем и ночью при различных погодных условиях.

Современные радиолокационные средства ДЗЗ включают системы с синтезированной антенной (РСА), размещаемые на борту аэрокосмических носителей. РЛИ, полученные при помощи РСА, отличаются потенциально высокой разрешающей способностью, поэтому являются ключевым элементом современных и перспективных информационных систем. Они широко применяются для: оперативного мониторинга состояния объектов промышленной и транспортной инфраструктуры; управления устранением последствий чрезвычайных ситуаций; контроля важных подвижных транспортных объектов; наблюдения за опасными быстропротекающи-ми природными явлениями: ледовой обстановкой, появлением и развитием цунами, атмосферными вихрями. В подобных задачах основным фактором является получение информации в реальном масштабе времени. Но особенности РЛИ, а именно большая зашумленность гауссовскими и спекл-шумами, геометрические искажения и нестационарность объекта наблюдения, требуют их предварительной обработки и дешифрирования, что связано с большими временными затратами.

Решение противоречия между необходимостью предоставления результатов дешифрирования РЛИ в реальном масштабе времени и большим объемом данных РСА, необходимых для его предварительной обработки, возможно путем автоматизации процессов обнаружения наземных объектов на РЛИ и их распознавания.

Задача автоматизации обработки РЛИ является сложной и многогранной. Её решение предполагает создание сложной, многоуровневой, вероятностной, с обратной связью системы распознавания объектов. Задачи подобного класса возможно решить методами системного анализа на основе теории, разработанной трудами Опт-нера С., Акоффа Р. Л., Месаровича М., Матросова В.М.

Вследствие случайного нестационарного характера сигналов, принимаемых в РСА, основой для построения алгоритмов обработки РЛИ служит статистическая теория радиотехнических устройств, основополагающий вклад в становление и развитие которой внесли Р.Л. Стратонович, В.И. Тихонов, М.С. Ярлыков, Ширман Я.Д. Решение задач обработки РЛИ базируется на теории распознавания образов, в развитие которой внесли вклад Горелик А.Л., Журавлев Ю.И., Сироджа С.Б., Цып-кинЯ.З., СойферВ.А., Вальд А., Вудс Р., ФукунагаК., Дуда Р., Гонсалес Р. Вопросам построения и обработки РЛИ посвящены работы Кондратенкова Г.С., Горяино-ва В.Т., Дудника П.И., Реутова А.П., Толстова Е.Ф., Школьного Л.А. Основы синтеза динамических систем со случайной структурой в применении к распознаванию образов представлены в работах Клекиса Э.А., Бухалева В.А. Практические реализации распознавания объектов на РЛИ предложены в работах Достовалова М.Ю. и Новака Л.М. Заметный вклад в разработку теории и практики обработки РЛИ, полу-

ченного при помощи РСА, внесли Миронов Б.М. и его ученики. Автор приносит глубокую признательность Миронову Б.М. за содержательные консультации, которые позволили успешно решить ряд вопросов диссертационных исследований.

Существующие теоретические разработки методов дешифрирования РЛИ и их практические приложения в условиях нестационарности изображений объектов и условий наблюдения допускают лишь визуальную обработку изображений оператором. Скорость такой обработки не удовлетворяет требованиям функционирования информационных систем реального времени.

Таким образом, необходимость развития эффективных алгоритмов автоматизированной обработки РЛИ в реальном масштабе времени обуславливает актуальность темы исследований.

Объектом исследования является система обработки изображений, полученных авиационными РСА при дистанционном зондировании земной поверхности.

Предметом Исследования являются алгоритмы автоматизированного обнаружения и распознавания наземных объектов на РЛИ в реальном масштабе времени.

Целью диссертационной работы является повышение достоверности и сокращение времени обработки объектов РЛИ, полученных посредством РСА, в реальном масштабе времени путем синтеза алгоритмического обеспечения для автоматизированного обнаружения и распознавания объектов изображения.

Для её достижения решаются частные задачи:

¡.Системный анализ задачи распознавания радиолокационных изображений, полученных с помощью РСА, для создания адекватной модели РЛИ и эффективных алгоритмов его обработки.

2. Разработка математической модели радиолокационного изображения распределенного объекта с учетом спекл-структуры, необходимой для исследования эффективности разработанных алгоритмов.

3. Синтез алгоритмов:

а) классификации топографических объектов на основе модели системы со случайной скачкообразной структурой;

б) автоматизированного обнаружения и распознавания наземных объектов по изображениям, полученным посредством авиационных РСА.

4. Экспериментальная оценка эффективности синтезированных алгоритмов.

5. Выработка практических рекомендаций по применению синтезированных алгоритмов в реальном масштабе времени.

Методы исследований. Задачи диссертационных исследований решались методами: теории математической статистики; теории вероятностей; теории оптимальной обработки случайных процессов; теории алгоритмов; теории статистического моделирования.

Достоверность полученных результатов подтверждается корректным использованием апробированного математического аппарата, обоснованностью допусков и предположений, соответствием теоретических результатов результатам компьютерного моделирования и обработки реальных радиолокационных изображений.

Научную новизну составляют и на защиту выносятся: 1. Результаты системного анализа задачи распознавания РЛИ, полученных с помощью РСА, при котором доказано, что она должна решаться известными математическими методами как частная задача распознавания образов с учетом условий наблюдения и ограничений.

2. Математическая модель радиолокационного изображения распределенного объекта в виде набора гауссовских случайных полей с учетом корреляционных связей между элементами изображения.

3. Алгоритмы классификации топографических объектов со сглаживанием достаточной статистики, обеспечивающие повышение достоверности обнаружения и распознавания объектов на РЛИ путем применения модели системы со случайной скачкообразной структурой.

4. Алгоритмы автоматизированного обнаружения и распознавания радиолокационных изображений распределенных объектов, обеспечивающие повышение оперативности и достоверности радиолокационного мониторинга в целом, путем многоэтапной параллельной обработки классифицированного РЛИ и поля локальных контрастов.

Авторская оценка научной новизны результатов исследований:

1. Проведен системный анализ задачи распознавания РЛИ, полученных посредством РСА, с учетом условий наблюдения при дистанционном зондировании Земли, что позволяет сделать вывод о том, что распознавание объектов на РЛИ - частная задача распознавания образов.

2. Создана математическая модель радиолокационного изображения распределенного объекта, представленная в виде набора гауссовских случайных полей, в которой, в отличие от известных моделей, учтены корреляционные связи между элементами изображения. Это позволяет повысить адекватность модели по отношению к реальным РЛИ.

3. Во вновь разработанные алгоритмы классификации топографических объектов на основе модели системы со случайной скачкообразной структурой, в отличие от известных, введена процедура сглаживания достаточной статистики, что позволяет уменьшить число ложных объектов на этапах обнаружения и распознавания до 76%.

4. Во вновь созданных алгоритмах автоматизированного обнаружения и распознавания наземных объектов по изображениям РСА, основанных на многоэтапной параллельной обработке изображений, применены, в отличие от известных алгоритмов, в качестве признаков распределенных объектов на этапах обнаружения и распознавания соотношения классов топографических объектов, что позволяет повысить достоверность обнаружения и распознавания распределенных объектов до 12,9%, а также сократить время обработки РЛИ до 75% - 98,4%.

Практическая значимость научных результатов состоит в разработке предложений по применению синтезированных алгоритмов, позволяющих выполнять автоматизированную обработку РЛИ, полученных с помощью РСА, в реальном масштабе времени с учетом условий наблюдения.

(г. Иркутск, 2007 г.), Второй Всероссийской научно-технической конференции (г.Москва, 2008 г.), семинарах факультета РЭО ВУНЦ ВВС «ВВА» (г.Москва, г. Воронеж, 2009-2012 г. г.), Конкурсе научно-исследовательских и творческих работ молодежи «Талантливая молодежь Воронежской области» (г. Воронеж, 2011 г.).

Публикации по теме диссертации. Основные результаты диссертационной работы содержатся в 15 научных трудах: 3 статьях в изданиях, рекомендуемых ВАК, из них 1 в единоличном авторстве, 3 статьях в научных изданиях, 7 материалах и тезисах докладов, 1 отчете о НИР и 1 отчете по проекту РФФИ 06-08-00596-а.

Структура и объем диссертации. Диссертационная работа состоит из введения, пяти глав, заключения и списка используемой литературы. Работа содержит 171 страницу машинописного текста, 106 рис. и 9 табл. Список используемой литературы включает 136 наименований.

Личный вклад: выносимые на защиту положения получены соискателем.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обсуждается актуальность темы исследования, приведен краткий обзор известных научных результатов, касающихся темы диссертации. Сформулированы цель, задачи, объект и предмет исследования, в аннотированном виде изложены основные результаты диссертационной работы.

В первой главе выполнен системный анализ задачи распознавания изображений, приведена классификация систем распознавания, рассмотрены алгоритмы распознавания, используемые в системах обработки радиолокационной информации.

Распознавания изображений П при множестве возможных решений системы распознавания £={//,..., /*} сводится к определению оптимального алфавита классов А0={А\...^о1,-Л} и оптимального рабочего словаря признаков которые

при наилучшем решающем правиле обеспечивают максимальную эффективность:

та

R = R(A°,x°) = шахтах Л = (1)

Аа х Аа х í=|

где Р„р(&?а - оценка апостериорной вероятности правильного решения задачи распознавания, G(Qf°) - значения эффективности, получаемые системой распознавания от конкретных решений из множества возможных решений L. В качестве основных показателей эффективности используются быстродействие и вероятность правильного распознавания Р„р.

Системы распознавания подразделяются на простые и сложные, одноуровневые и многоуровневые, самообучающиеся, с обучением и без обучения; в зависимости от языка описания признаков объектов - детерминированные, вероятностные, логические, структурные и комбинированные. Показано, что все виды систем распознавания базируются на строго формализованном описании каждого класса объектов на языке признаков и обладают обратной связью. Системный анализ показывает, что задача распознавания РЛИ объектов в РСА - это частный случай решения задачи распознавания изображений объектов при конкретных, характерных для РСА, начальных условиях и особенностях их изображений. На основании проведенного

анализа существующих алгоритмов распознавания объектов отмечается, что задача дешифрирования РЛИ решена лишь частично и является актуальной.

Проведена классификация объектов радиолокационного мониторинга, определены требования к разрешающей способности РСА по их обнаружению и распознаванию. Анализ показал, что наземные радиолокационные объекты на РЛИ являются сложными и распределенными. Эффективное обнаружение и распознавание таких объектов до типа возможно при разрешающей способности РСА от 1 до 0,15 м.

Приведен анализ временных ограничений, а также основных факторов, определяющих их, при дешифрировании РЛИ местности. Установлено, что при мониторинге поверхности Земли следует учитывать как динамичные изменения окружающей среды, так и потенциальную подвижность обнаруживаемых объектов. В связи с этим задержка данных наблюдения должна укладываться во временной интервал 315 минут, при объеме данных для обработки РЛИ десятки-сотни Тбайт в сутки.

Выполнена оценка времени обработки такого объема данных. Для дешифрирования РЛИ площадью 325 тыс. км2 требуется работа 17 операторов в течение 4,5 часов. С другой стороны, если ограничиться количеством объектов на рассматриваемой площади 800-1000, то необходимое время их дешифрирования составит уже порядка 20 минут. Следовательно, разрешение возникшего противоречия с одной стороны между требованиями к полноте, достоверности, точности и к срокам представления данных по результатам радиолокационного мониторинга, - с другой, можно обеспечить только путем автоматизации процесса обработки радиолокационной информации с учетом особенностей и специфики распознавания объектов на РЛИ.

Во второй главе рассматривается специфика РЛИ, полученного посредством использования когерентного излучения. Особенности дифракции электромагнитных волн радиодиапазона на поверхности искусственных объектов сложной формы определяют принципиальные отличия РЛИ от изображений, получаемых системами оптического диапазона. Обычно полагают, что поле отраженной волны является результатом суммирования элементарных полей в точке расположения РСА, создаваемых отраженными сигналами от элементов ¿Б выпуклой поверхности 5:

где Х- длина волны РСА; Е„ - напряженность поля падающей волны; £) - дальность до элемента ¿Б поверхности 5; 0 - угол между направлением «РСА-йК» и нормалью к элементу ¿й1. Для максимальной дальность обнаружения объекта с помощью РСА:

где Рср - средняя мощность передатчика; (7 - коэффициент усиления антенны; о -эффективная поверхность рассеяния (ЭПР):

(2)

(3)

где ст, - площадь, а Ы- количество элементарных отражателей;

<2са ~ отношение сигнал/шум в элементе разрешения; кТ = 4-10~21 ВтI Гц\кш- ин-

тегральный коэффициент шума входного устройства приемника; ап - потери в высокочастотном тракте и среде распространения; У(. - скорость носителя РСА; Ыаз-разрешающая способность РСА по азимуту:

Ыа,=-^-, (5)

2Ус1кнРСЛ&шв

где ¡мрса - время когерентного накопления (синтезирования).

В импульсных РСА отношение (2 с а увеличивается в Ыт раз:

Nкн=^|ЛнРСА, (6)

где /V - частота повторения импульсов.

К основным особенностям РЛИ следует отнести «дробление» изображения ввиду зеркального отражения падающих под малыми углами радиоволн в сторону от РСА и затенения части поверхности объектов, блики из-за очень сильных отражений от плоских поверхностей, спекл-структура РЛИ, обусловленная интерференцией сигналов, рассеянных элементарными отражателями поверхности в каждом элементе разрешения РСА, ложные отметки из-за ошибок дискретизации сигналов РСА, эффект плановости РЛИ, геометрические искажения, наличие радиолокационной тени, влияние поляризации на контраст объектов на РЛИ, значительная зависимость от условий наблюдения - углах визирования а и ракурсах <р (рис.1).

ч "Ж

-Р ц

V Фш *

а=15°; ф=240° а=60°; ф=240° А=60°; а=60°; ф=180°

Рис.1

Рассмотренная специфика изображений, полученных с помощью РСА, затрудняет и, в некоторых случаях, делает невозможным применение традиционных методов автоматизированной обработки РЛИ. Это, в свою очередь, приводит к необходимости применения особого подхода к созданию алгоритмов автоматического дешифрирования объектов на РЛИ.

Проведенный анализ существующих отечественных и зарубежных РСА показывает, что современные системы обработки данных способны обнаруживать и распознавать на РЛИ тысячи наземных объектов с вероятностью 0,85...0,98. При этом вычислительные системы состоят из десятков-сотен процессоров, обеспечивающих производительность обработки радиолокационных сигналов и цифровых данных 2,5х109 операций в секунду. Однако задача устойчивого и эффективного дешифрирования объектов на РЛИ решена лишь частично, в рамках узкой специфики таких систем. При этом основным направлением является создание методов многоэтапной, параллельной обработки РЛИ, в том числе высокоэффективных алгоритмов автоматизированного распознавания с высокой вероятностью дешифрирования рас-

пределенных объектов на радиолокационных изображениях, полученных посредством РСА с высоким разрешением.

В третьей главе рассматривается математическая модель радиолокационного изображения распределенного объекта, основанная на анализе свойств и статистических характеристик реальных РЛИ распределенных объектов до и после сглаживания спекл-шума, а также на основе представления РСА в качестве формирователя изображения как системы со случайной сменой структуры, для описания которой используется уравнение со скачкообразным изменением параметров. Анализ структуры амплитудных портретов (АП) реальных объектов показал, что при неизменном пространственном разрешении РСА и постоянстве геометрических размеров элементов изображения (ЭИ), распределенные объекты разных размеров отображаются на РЖ различным количеством ЭИ. При этом прослеживается зависимость количества ЭИ, занимаемых распределенным объектом (РО), от условий наблюдения. Влияние условий наблюдения на структуру АП показывают примеры изображений самолета А-50 (Ил-76), полученные математическим моделированием при различных условиях наблюдения, разрешением менее 1 м (рис.1). Преобладающая доля ЭПР объекта (на изображении - яркости всех ЭИ) сосредоточена в нескольких доминантных центрах отражения (ДЦО), причем для разных ракурсов эти центры соответствуют различным элементам конструкции. Представленные конфигурации

ярких точек и взаимные расстояния между ними определяются конструкцией самолета и являются устойчивым характерным признаком объекта указанного типа.

В то же время, РО можно рассматривать как совокупность однородных участков (ОУ) АП, со своими средними значениями яркостей, определяемыми ЭПР соответствующих элементов распределенного объекта, количество которых зависит от условий наблюдения. Например, количество ЭИ, принадлежащих объектам авиационной техники, существенно зависит от угла визирования а и ракурса ф (рис. 2).

Разрешение РЛИ 8х=дг= 1 м на группе математических моделей объектов типа Ил-76, Ил-62 и Ту-134, дает возможность представления РО конечной совокупностью ЭИ на АП. При этом ОУ с одинаковыми средними возможно группировать в классы для упрощения сравнения АП распознаваемых объектов между собой.

Анализ ОУ объектов и подстилающей поверхности показал невозможность аппроксимации плотности вероятностей (ПВ) значений яркости ЭИ одним видом распределе-

но

¡250

1200 а

§150 100

аИл-76 •Ил-62 х Ту-154 ......В " 0

-........S"--R-"B--n-°--

П.....В-—В-

—о—

2S;J0O

%250 £

1200 J.150 100

О 15 3 0 45 60 75 90

Угол визирования а, град

а)

□Ял-76 ..• Ил-62___х_Ту-134

о □

□ □

-4

-■в §

--а

§ 1 I ^

1.........|........|........*

* ! $

О 45 90 180 270 360 Ракурс объекта <р, град

б) Рис.2

ния. Установлено, что ОУ объектов с достаточной точностью могут быть описаны распределением Рэлея (кривая 3, рис. 3,а), а ОУ изображения подстилающей поверхности - гамма-распределением.

Полученные корреляционные функции исследуемых ОУ имеют экспоненциальный вид с узким пиком в пределах 1-3 ЭИ (рис. 3,6), что обусловлено наличием спекл-шума на РЛИ и говорит о слабых корреляционных связях между соседними ЭИ, что учтено в предложенной математической модели изображения РО.

Для сглаживания спекл-шума целесообразно использовать фильтр Ли: а) он

обеспечивает высокое качество подавления спекл-шума; б) небольшие затраты на обработку; в) не разрушает структуру АП г) не искажает форму и размеры ОУ. Гистограммы распределения яркостей ЭИ исследуемых ОУ после обработки фильтром Ли с размером окна 3x3 ЭИ приобретают вид, близкий к га-уссовскому (рис. 3,в).

В целом АП РО представляем в виде набора гауссовских случайных полей в декартовой системе координат. В случае перехода от одного поля к другому величина ЭПР скачкообразно изменяется произвольным образом. Следовательно, РСА в качестве формирователя изображения представляет собой систему со случайной сменой структуры, которая описывается уравнением со скачкообразным изменением:

(г = 1,М, ¿ = 0,1,...), (7)

где - значение яркости к-го (по строке) ЭИ; р^=ехр(-с/('А) - коэффициент корреляции соседних ЭИ по строке для ОУ с г-ой ЭПР; Д - шаг дискретизации; 1 /с1°

„СО

значение

г-ой ЭПР;

чайных величин, распределенных по гауссовскому закону (к^1 0,<т'

интервал корреляции,; непоследовательность слу-с нулевым математическим ожиданием, дисперсией а(°2 и 5 - образной корреляционной функцией.

Математическая модель РЛИ РО (7) предполагает смену классов как процесс смены состояний г дискретной марковской последовательности {9*}. Характерное для РО соотношение ЭИ, принадлежащих выделенным классам в модели системы со случайной скачкообразной структурой (7), целесообразно использовать в качестве признака объекта при решении задач исключения ложных ДЦО и распознавания РО.

В четвертой главе проводится синтез алгоритмов классификации топографических объектов на основе модели системы со случайной скачкообразной структу-

рой и алгоритма обнаружения и распознавания распределенных объектов, основанного на многоэтапной параллельной обработке РЛИ (рис. 4). На этапах обнаружения объектов-кандидатов и исключения ложных объектов используются: параметрический метод классификации топографических объектов со сглаживанием достаточной статистики и метод обнаружения и группировки ДЦО распределенных объектов на основе вычисления поля локальных контрастов и последующей его обработки. На этапе распознавания используется структурно-корреляционный метод, основанный на параллельной обработке результатов обнаружения РО, вычислении локальных и структурных признаков объектов и их сравнении с эталонными значениями.

Большинство топографических объектов на РЛИ определяется средней удельной ЭПР (СУЭПР) в пределах ОУ. Поскольку число СУЭПР конечно, то, сгруппировав ОУ в классы, каждому ЭИ ставится в соответствие свой номер класса. Процесс смены СУЭПР при переходе от одного ЭИ к другому в fc-той строке РЛИ описывается дискретной марковской последовательностью {0*}, состояния которой являются номерами СУЭПР j (j=\,2,...,M). Случайные величины {h, 6к] образуют смешанную марковскую последовательность с известными начальными и переходными плотностями вероятности p(hßo) иp(?Vh A+i|M/t)> заданными через условные плотности вероятностир(Цво), p(h+i\hßkußk) и вероятности тг{вм\вк), Р(в0). Задача состоит в оценивании номера СУЭПР по наблюдениям \)={\>, ЭД ПРИ

¿=0,1,2,... . Оптимальная по критерию максимума апостериорной вероятности оценка номера СУЭПР 8 к:

Qk = argmax Wk (Qk = j) (В)

j sfl

где £=0,1,...; Wk(ßk = j) = P(Qk - апостериорная вероятность реализации 6k=j

случайной величины вк.

Если возможно запоминание всей строки РЛИ = {^оД,,...,?^}, задача состоит в оценке номера СУЭПР 80,0„...,8^ по критерию (8) на основе наблюдений 10 .

Апостериорная вероятность реализации случайной величины в к определяется как сглаженная достаточная статистика, удовлетворяющая рекуррентному уравнению в обратном направлении отсчетов (k=N-hN-2,...o):

иые»= ß)=

1=1

(9)

с начальным условием:

где WN N (8t = ß) = P(ßk = ß| la) - сглаженная апостериорная вероятность принадлежности к-го ЭИ к /3-му классу (ß = 1,2,...,М);

^ Начало ^

1-1—

Ввод начальных данных

М - число классов для топографических объектов,

ДАТ-размерРЛИ,

А,В - размер локальных областей,

А - порог для обнаружения ДЦО,

(1 - размер объекта,

пР,а®,1=\..М - мат.ожидание и СКО классов, п(94+1| 6к) - матрица переходных вероятностей, Е - число эталонов в базе данных, п - точность определения ракурса объекта, а.,^' - % соотношения классов на АП РО.

Вычисление ПЛК

ЬС(!,к)

п4

Обнаружение ДЦО

ЬС{1, к)>к Л1С(/Д) = 0

Классификация топографических

объектов А(1,к) = т{п

п5

Фильтрация больших областей

51 р> -1(2)

Фильтрация ложных ДЦО

Определение конфигурации РО

(группу

Вычисление РЛ-цетров объектов

ХРЛЦ ' УРЛЦ

Вычисление функционала распознавания

ю-

Вычисление функционала распознавания

НеЕ,Ц>)

па-

Распознавание

тах{/г(е,ф)}

Конец Рис.4

щ (0^ = р) = рфк = ) - апостериорная вероятность принадлежности к-то ЭИ к |3-му классу, полученная при обработке изображения в прямом направлении отсчетов; - условная плотность вероятности и переходная

вероятность соответственно. Переходные вероятности вычисляются по формуле:

/ м

я(0*+1|в4 ) = «}?>/24й. (И)

где и® - количество переходов от ЭИ класса г к ЭИ класса у, определяемые на основе анализа топографических карт местности или изображений, полученных с помощью различных средств дистанционного зондирования земной поверхности.

Алгоритм классификации топографических объектов (9) называется однострочным алгоритмом классификации со сглаживанием достаточной статистики ОА2. При обработке изображения по строке и столбцу в соответствии с (9), с усреднением соответствующих апостериорных вероятностей, получаем комбинированный алгоритм - КОА2.

Разработанный алгоритм автоматизированного обнаружения РО подразумевает многоэтапную параллельную обработку РЛИ. На первом этапе автоматически производится расчет поля локальных контрастов (ПЖ) согласно выражению:

ЬС(1,к) =-^^--(12)

—(2 Я(/+и+у)+ 2>(/+и+Л)

/>у-еД ¡,уел

где N1 и Ы2 - количество элементов в локальных областях А и В соответственно; 1(1, к) - значение яркости (/, к)-то ЭИ; размер внутреннего окна А равен размеру ДЦО на РЛИ. Обнаружение ДЦО объектов на ПЖ производится детектором, использующим пороговое решающее правило по критерию Неймана-Пирсона. Параллельно с (12) производится классификация топографических объектов (8) и (9).

На втором этапе производится исключение ложных ДЦО, определение конфигурации ДЦО и вычисление координат РО с учетом априорно известных геометрических размеров объектов. Исключение ложных ДЦО производится путем совместного анализа классифицированного изображения и ГОЖ с учетом процентного соотношения классов. В результате на классифицированном изображении остаются метки ДЦО, по которым определяются конфигурация и координаты РО.

Распознавание обнаруженных РО предлагается производить структурно-корреляционным методом, основанным на установлении соответствия классифицированного АП объекта с маркерами ДЦО А ,л и множества эталонов А0 ={Л°а}.

Функцией определения сходства Ла и {Л°(4} служит геометрическая корреляция:

1 360

п в=|

где п определяет интервал поворота А(р = ^^ х 10, г\,к {(р) - функция разности:

Ч,к(.<Р) = \М-К(<Р), (14)

где фо - ракурс объекта, <р е [0,360°) - угол поворота е-го эталона Л^.

Рабочий словарь признаков определен как х° = {рг,ам,5„,2п}, где р2 - среднее расстояние от центра объекта до отметок ДЦО, а^ = Л°(еМ)/Л°ет") - соотношение ЭИ объекта (эталонов), принадлежащих классам ДЦО и фона, 5„ е 5 — структурный признак, представляющий собой матрицу количества ЭИ Л/к со значением класса ДЦО в пределах масок множества эталонов {Л°( (}, 2„ е 2 - локальный признак - матрица количества отметок ДЦО объекта в пределах масок эталонов {Л°( к}.

При однозначном наложении на Ап маски е-го эталона, соответствующего РО, при повороте на угол ф, соответствующий реальному положению объекта, будет наблюдаться максимум признаков. В условиях частичной видимости или геометрических искажений АП имеем неполное соответствие РО эталону Л°; к, т.е. 5* е 5 ,

2* . В результате сопоставления (13) получаем множество значений (при А<р > 1°) структурного и локального признака для каждого эталона из множества А0 = }, е = 1, Е, образующие двумерное пространство значений:

и^еД*, (15)

где 1\ =2. Определим функционал распознавания Р(е,ф) с учетом множества эталонов Л° ={Л°/^}, е = 1,Е и формализации признаков (15):

Пе,<р) = ——-—55". (16)

Ла (?)<..,) * АР,

где е - номер эталона, е = 1 ,Е, ф - угол поворота эталона Л° относительно А.1к, Ар« =

о («О . Р » -Р,

- разница расстоянии рг.

Матрица (16) имеет размерность п><Е, которая определяется интервалом поворота Д<р и количеством используемых эталонов из базы данных Е. Оптимальная по критерию максимума функционала распознавания оценка класса (типа) РО:

# = тах^(е,р)}. (17)

Значения номера эталона е и угол его поворота ф, при которых функционал распознавания имеет максимум, определяют тип объекта и его ракурс (рис. 5).

Из рис. 5 видно, что нормированный функционал (16), рассчитанный по множеству эталонов Л° = {А°П} и А<р = \°, имеет явный максимум, с координатами (1Ь-62; 60°). Следует заметить некоторую схожесть самолетов Ил-62, Ту-134 и Ту-154, поэтому (рис.5) просматривается увеличение соответствующих значений при ф «60 .

Таким образом, синтезированные алгоритмы автоматизированного обнаружения и распознавания обеспечивают устойчивость к помехам и геометрическим искажениям благодаря простой формализации эталонов; позволяют однозначно определить типа и ракурс РО с помощью критерия (17); имеют конечное число операций, I зависящее от базы данных эталонов и требуемой точности определения ракурса РО, что обуславливает гибкость и динамичность алгоритмов.

В пятой главе выполнено исследование эффективности разработанных алгоритмов классификации топографических объектов, автоматизированного обнаружения и распознавания РО, проведено сравнение их эффективности с существующими алгоритмами при обработке реальных и полученных моделированием РЛИ. Произведена экспериментальная оценка времени обработки реального РЛИ большого объема разработанным алгоритмом и выработаны практические рекомендации по организации процесса дешифрирования изображений РСА.

Исследование эффективности разработанных алгоритмов классификации топографических объектов проводилось путем статистического моделирования на ЭВМ. Критерием эффективности является сохранение формы (конфигурации) объектов. Исследовалась зависимость качества обработки РЛИ от размера и количества объектов. Показателем качества обработки послужила вероятность ошибки классификации Рош, определяемая как отношение числа ЭИ, для которых оценка номера класса определена неправильно, к общему числу ЭИ изображения:

Эта ошибка показывает, насколько часто ошибается алгоритм на этапе классификации топографических объектов. Для вычисления (18) достаточным является количество классов М-2, т.е. класс поверхности РО и класс ДЦО, при этом МПВ (11) определяется как:

Г 0.8"

Рис.5

(18)

Рпо

0.8

0.6

0.4

0.2

-0-

. Детектор-обнаружитель "Комбинир. обнаружение

-не-

п\т=4р...1

-в*

1т |=. \т'мГ10р тщ=]0р...1?0

I_I_!_

¡2--

Рлт

120 100 80 60 40 20 0 20 тт-т<!

а)

-9. . _ .Детектор-обнаружитель X Комбинир. обнаружение

-г-©1

0.8

0.6

0.4

0.2

Для описания результатов исследований введены коэффициенты К,2 и К22, определяемые МПВ (11):

(20)

22 71п

Значение Кц увеличивается при росте числа объектов на РЛИ и уменьшении их размеров. Линейные размеры ОУ изменялись от 3x3 ЭИ до 49x49 ЭИ. Коэффициент К22 характеризует соотношение площадей объектов и фона на изображении. С целью детального исследования свойств алгоритмов классификации, ошибка (18) рассчитывалась как по всему РЛИ, так и по площади выделяемых ОУ. Рассматривались зависимости Рош от К,2 при фиксированных значениях К22, от К22 при фиксированных значениях К12, и от параметра Дт, равного разности значений яркости классов ОУ и фона. Результаты исследований показали, что качество обработки РЛИ в большей степени определяется размерами и числом ОУ на изображении, чем соотношением площадей объектов и фона. При этом размер выделяемых на РЛИ объектов не может быть менее 3x3 ЭИ. Сравнение эффективности разработанных алгоритмов ОА2 и КОА2 с существующими ОА1 и КОА1 показали, что более эффективен алгоритм классификации со сглаживанием достаточной статистики КОА2. Точность выделения границ ОУ составляет 1-2 ЭИ, вероятность пропуска ОУ с размерами 3x3 ЭИ и более составляет величину менее 0,01.

При оценке эффективности разработанного алгоритма автоматизированного обнаружения РО использовалось полученное методом статистического моделирования тестовое РЛИ размером 380x380 ЭИ с нанесенными 32 объектами типа «самолет» и 32 ложными объектами. В результате исследования получены зависимости вероятностей правильного обнаружения и ложной тревоги от разности средних класса ДЦО и ближайшего к нему класса при М=3 (рис. 6). Для сравнения представлены вероятностные характеристики существующего детектора-обнаружителя.

Следует отметить, что при разности средних т(3>-т(2>=0 задача исключения ложных объектов теряет смысл, так как интересующие и ложные объекты не отличаются друг от друга.

Сравнительный анализ полученных результатов показывает, что применение классификации топографических объектов на этапе обнаружения РО позволяет сни-

г-Г

9 I

11 I и I

Л 1

? !

¡т'Чзо

-Чн

т-о- г-Г

* >

: II 117 Я :

1 /' ><** 1

К-170

120 100 80 60 40 20 0 20

б) Рис. 6

эЕгь уровень ложных тревог без снижения вероятности правильного обнаружения.

Исследование эффективности распознавания проводилось на основе обработки АП объектов авиационной техники, в зависимости от условий наблюдения. Для шести углов визирования а моделированием РЛИ шести объектов было получено 360 ракурсных АП каждого объекта. Таким образом, производилось распознавание 3640 АП объектов типа «самолет» (табл.1).

Таблица 1 - Результаты распознавания РО

Тип РО Ил-62 А-50 Ил-76 Ту-134 Итого

Ил-62 2030 22 22 86 2160

А-50 22 1468 670 0 2160

Ил-76 22 670 1468 0 2160

Ту-134 86 0 0 2074 2160

р + пр 0,94 0,68 0,68 0,96 8640

Результаты распознавания показывают, что вероятность правильного распознавания (0,68.. .0,96) разных типов РО зависит от их конфигурации. Объекты А-50 и Ил-76, за исключением антенны, внешне идентичны. Если учесть этот факт, то вероятность Рщ, объекта «Ил-76» составит 0,99.

-Ш-ПО--Распознавание объектов на реальных

„ й ; г РЛИ (пять типов объектов авиационной

Количество ложных объектов на 1 км к к ,г

техники), полученном РСА в Х-диапазоне

с разрешением менее 1 м, размером 1600x1400 ЭИ, позволило определить, что ' вероятность правильного распознавания до класса составляет 1,0, до подкласса - не менее 0,84, до типа - не менее 0,68. Результаты обработки реальных изображений свидетельствуют о возможности эффективного дешифрирования РЛИ с рас-^ 0] 0 05 1 00 - познаванием их до класса, определением

Количество ложных объектов на 1 км2 подкласса и типа объектов.

дч Оценка эффективности дешифриро-

рис ^ вания синтезированным алгоритмом авто-

матизированного обнаружения и распознавания объектов и существующих алгоритмов проводилась на основе обработки реальных и полученных моделированием РЛИ. В качестве показателей эффективности использовались вероятности правильного обнаружения Рпо и распознавания Р„р. На рис. 7,а приведены зависимости Рпо от числа ложных объектов на 1 км . Кривая 1 построена для существующего детектора-обнаружителя, в котором при вычислении

ПЛК (12) размер внутренней области А соответствует размеру объектов, а исключение ложных объектов производится по набору амплитудных и геометрических признаков; кривая 2 - для существующего алгоритма, в котором область А определяется размером объектов, а область В - только периметром шириной 1 ЭИ; кривая 3 - для разработанного алгоритма обнаружения с исключением ложных ДЦО и определением конфигурации РО, в котором размер области А соответствует размеру ДЦО, а область В равна 60x60 ЭИ.

При пороге Л,0=1, детектором обнаруживается (кривая 1) порядка 125 шт/км2 ложных объектов. Использование в (12) только периметра В (кривая 2) приводит к повышению уровня ложных тревог до 185 шт/км2. Применение же разработанного обнаружителя ДЦО объектов, с последующей их группировкой в РО, позволяет снизить число ложных объектов до 30 шт/км2. Применение классификации топографических объектов при обнаружении РО снижает вероятность ложной тревоги до 76%.

Исследования эффективности работы (рис.7,б) существующего (кривая 2) и разработанного (кривая 1) алгоритмов обнаружения и распознавания объектов на реальных РЛИ показывают, что снижение числа неправильно распознанных объектов объясняется использованием в качестве признака типа РО соотношения классов, характеризующего конфигурацию объектов и статистические свойства их АП. Количество ложных объектов составляет менее 1 шт/км2, а вероятностные характеристики разработанного алгоритма превосходят характеристики существующих систем распознавания не менее чем на 12,9%.

Хорошая структурированность, параллельность и многоэтапность разработанного алгоритма автоматизированного обнаружения и распознавания РО позволила произвести дешифрирование РЛИ вычислительной системой в составе 1, 8 и 16 процессоров (CPU), объединенных в единую вычислительную сеть. Зависимость времени дешифрирования РЛИ размером 8018x7068 ЭИ и разрешением 1,5 м, полученного РСА Компакт-100, от количества используемых процессоров, числа классов М и числа эталонов Е, представлена на рис. 8.

Результаты эксперимента показали, что временные затраты на обработку РЛИ несущественно повышаются при увеличении . числа классов топографических объектов М и значительно возрастают при увеличении числа эталонов Е. Так, для решения вышеуказанной задачи на ЭВМ с 1 процессором, увеличение числа классов топографических объектов М на единицу ведет к увеличению времени обработки в среднем в 1,1-1,2 раза, а при увеличении числа эталонов в 2 раза время обработки возрастает в 1,2-1,7 раза. Однако на распознавание одного объекта, с увеличением числа эталонов, требуется в соответствующее число раз большее время. В табл.2 приведены временные затраты на решение той же задачи с помощью параллельной ЭВМ RM600 (8 и 16 процессоров MIPS R10000 с частотой каждого 275 МГц и общей оперативной памятью 24 Гб) в зависимости от количест-

- 10 16

Количество эталонов, Рис. 8

ва эталонов.

Следует отметить, что при превышении числа эталонов общего числа физических процессоров в системе, время распознавания начинает возрастать, что связано с накладными расходами операционной системы на отображение логических процессов на физические процессоры. Увеличение числа классов топографических объектов М не приводит к увеличению временных затрат при исследуемом числе классов, меньшем, чем число физических процессоров в системе.

Таблица 2 - Время дешифрирования (в минутах)

Кол-во процессоров Количество эталонов

1 4 8 10 16 100

8 СРи 17,8 17,9 18,2 21,0 24,9 195,5

16СРи 12,9 12,9 13,6 13,2 13,3 141,8

Оценка вычислительных затрат алгоритма автоматизированного обнаружения и распознавания (рис. 4) производилась при тех же условиях, что и эксперимент. Суммарное число условных операций с плавающей запятой составило 841 х109, с учетом распараллеливания процессов - 421х109, с использованием распараллеливания и рекурсии - 168,3*109. Расчетное время дешифрирования РЛИ составило 10,2 мин., что не соответствует экспериментальной оценке на время А1=3 мин. Разница А1 определяется дополнительными затратами на технические операции и обмен данными. Величину Агтсх.оп =29,4% следует учитывать при расчете времени обработки по предложенной методике.

Анализ результатов оценки времени обработки реальных РЛИ позволил сформулировать основные требования к организации процесса дешифрирования. Обработку радиолокационных снимков достаточно большого размера целесообразно производить на многопроцессорных параллельных вычислительных системах, при этом оператору следует конкретизировать район мониторинга, уточнять число классов объектов и количество эталонов в зависимости от поставленных задач. Окончательное решение о типе (классе) объекта необходимо возложить на оператора с возможностью проведения самостоятельного инструментального анализа АП распределенного объекта.

ЗАКЛЮЧЕНИЕ

Таким образом, в результате диссертационных исследований решена важная научно-техническая задача синтеза алгоритмов обработки радиолокационных изображений в радиолокационных системах с синтезированием антенны, которые в реальном масштабе времени обеспечивают функционирование систем оперативного мониторинга состояния объектов промышленной и транспортной инфраструктуры независимо от времени суток и погодных условий.

1. Впервые выполнен системный анализ задачи распознавания радиолокационных изображений, полученных с помощью РСА, где впервые рассматриваются радиолокационные изображения с учетом условий наблюдения при дистанционном зондировании земли.

2. Разработана математическая модель радиолокационного изображения (с учетом его спекл-структуры) распределенного объекта в виде набора гауссовских случайных полей в системе со случайной сменой структуры, в которой впервые учиты-

ваются корреляционные связи между элементами изображения.

4. Результаты компьютерного моделирования показывают повышение эффективности разработанных алгоритмов на 12,9% по сравнению с существующими, уровень ложной тревоги может быть снижен на 76%. Вероятности правильного распознавания объектов на изображениях, полученных моделированием, составляют: до класса - 1,0, до подкласса - не менее 0,97, до типа - не менее 0,68; на реальных радиолокационных изображениях - 1,0, не менее 0,84 и не менее 0,68 соответственно. При этом ошибка определения координат центров обнаруженных распределенных объектов составляет не более 15% от линейных размеров объектов.

6. Проведена экспериментальная оценка времени обработки радиолокационных изображений специализированной вычислительной системой, состоящей из 16 процессоров. Полученное время обработки радиолокационного изображения укладывается в требования по времени получения информации. Дальнейшее сокращение времени дешифрирования возможно за счет конкретизации интересующего фрагмента изображения, выбора предполагаемых классов объектов в районе мониторинга. Окончательное решение о типе объекта принимает сам оператор с возможностью инструментального анализа изображения каждого распределенного объекта.

СПИСОК ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ

В изданиях, рекомендованных ВАК

1. Кузнецов В.А. Выделение малоразмерных объектов алгоритмами сегментации на основе модели системы со случайной скачкообразной структурой / Кузнецов В.А., Малов А.Н., Миронов Б.М. // Компьютерная оптика. - 2008. - Т.32. - №1. - С. 89-92.

2. Кузнецов В.А. Автоматическое обнаружение распределенных объектов на когерентно-локационных изображениях с учетом априорных данных / Кузнецов В.А., Малов А.Н., Миронов Б.М. // Компьютерная оптика. - 2008. - Т.32. - №4. -С. 417-422.

3. Кузнецов В.А. Структура и свойства наземных объектов на изображениях РСА в задачах распознавания / Кузнецов В.А. // Телекоммуникации. - 2012. - №10. -С. 31-38.

В других журналах и изданиях

4. Кузнецов В.А. Дешифрирование радиолокационных изображений на основе модели системы со случайной скачкообразной структурой и дискретным временем / Кузнецов В.А., [и др.] // Физика наукоемких технологий: учеб. пособие для адъюнктов и курсантов воен. науч. общ. Сб. науч. ст. Вып.2. - Иркутск, 2008. - С. 72-92.

5. Кузнецов В.А. Обработка радиолокационных изображений подстилающей поверхности / Кузнецов В.А., Лежанкин Б.В., Миронов Б.М. // Физика наукоемких технологий: учеб. пособие для адъюнктов и курсантов воен. науч. общ. Сб. науч. ст. - Иркутск, 2006. - С. 144-159.

6. Кузнецов В.А. Комбинированное обнаружение объектов на изображениях когерентных локаторов / Кузнецов В.А., Миронов Б.М.// Материалы Междунар. на-

уч.-практ. конф. Электронные средства и системы управления. Опыт инновационного развития: сб. докладов. Ч. 2. - Томск, 2007. - С. 56-59.

7. Кузнецов В.А. Выделение площадных и протяженных объектов ка радиолокационном изображении путем его сегментации / Кузнецов В.А., Миронов Б.М.// Материалы XV Всерос. науч.-технич. конф.: сб. науч. трудов. - Иркутск, 2007. - С. 225-228.

8. Кузнецов В.А. Возможности выделения малоразмерных объектов алгоритмами сегментации / Кузнецов В.А. // Материалы V Самарского конкурса-конференции научных работ студентов и молодых исследователей по оптике и лазерной физике: сб. конкурсных докладов. - Самара, 2007. - С. 22-28.

9. Кузнецов В.А. Комбинированный алгоритм автоматического обнаружения объектов на когерентно-локационных изображениях / Кузнецов В.А., Миронов Б.М. // Материалы XXVI школы по когерентной оптике и голографии. Голография: фундаментальные исследования, инновационные проекты и нанотехнологии: сб. докладов. - Иркутск, 2008.-С. 311-316.

10. Кузнецов В.А. Автоматическое обнаружение и распознавание объектов на радиолокационных изображениях / Кузнецов В.А., Миронов Б.М. // Материалы VI Самарского конкурса-конференции научных работ студентов и молодых исследователей по оптике и лазерной физике: сб. конкурсных докладов. - Самара, 2008. - С. 79-86.

11. Кузнецов В.А. Автоматическое обнаружение пространственно-протяженных объектов на радиолокационных изображениях / Кузнецов В А., Миронов Б.М. // Материалы Второй Всерос. науч.-технич. конф. Комплексы с беспилотными летательными аппаратами России. Современное состояние и перспективы развития: тезисы докладов. - Москва, 2008. - С. 62.

12. Кузнецов В.А. Автоматическое распознавание объектов на изображениях когерентного локатора / Кузнецов В.А., Миронов Б.М. // Материалы научной сессии МИФИ-2009. Нанофизика и нанотехнологии. Фундаментальные проблемы науки. Исследование материи в экстремальных состояниях. Т.2.: аннотации докладов. -Москва, 2009.-С. 199.

13. Кузнецов В.А. Возможности выделения малоразмерных объектов алгоритмами сегментации радиолокационных изображений в задачах навигации / Кузнецов В.А. // Материалы науч.-исслед. и творческих работ молодежи «Талантливая молодежь Воронежской области». - Воронеж, 2011. - С. 135-137.

Отчеты о научно-исследовательских работах

14. Дешифрирование радиолокационных изображений на основе модели системы со случайной скачкообразной структурой и дискретным временем: отчет по проекту РФФИ №06-08-00596-а (итоговый) / Рук. Лежанкин Б.В.; отв. исполн. Миронов Б.М.; исполн. Галиев С.Ф., Кузнецов В.А., Малисов Н.П., Малов А.Н. - М.: РФФИ, 2007.-31 е.; ил.

15. Дешифрирование радиолокационных изображений на основе модели системы со случайной скачкообразной структурой и дискретным временем: отчет о НИР (заключит.), шифр темы «Дешифрирование-2007» / М-во обороны РФ; Иркут. высш. воен. авиац. инженерн. ин-т; рук. Лежанкин Б.В.; отв. исполн. Миронов Б.М.; исполн. Галиев С.Ф., Кузнецов В.А., Малисов Н.П., Малов А.Н. - Иркутск, 2007. - 165 е.; ил. -Библиогр.: с. 165.

Подписано в печать 06.11.12 г. Формат 60 х 90 1/16. Бумага офсетная. Печать трафаретная. Усл. печ. л. 1,22 Тираж 120 экз. Заказ № 1195

Отпечатано: Федеральное государственное унитарное геологическое предприятие «Урангеологоразведка». Юридический адрес: 115148, г. Москва, ул. Б. Ордынка, дом 49, стр.3. ИНН 7706042118 Справки и информация: БФ «Сосновгеология» «Глазковская типография». Адрес: 664039, г. Иркутск, ул. Гоголя, 53; тел.: 38-78-40, тел./факс: 598-498

Оглавление автор диссертации — кандидата технических наук Кузнецов, Виктор Андреевич

Перечень условных обозначений и сокращений.

Введение.

1 Системный анализ проблемы распознавания изображений.

1.1 Системный анализ проблемы распознавания изображений.

1.2 Оценка и анализ объема данных, получаемых посредством современных РСА, и временных затрат, требуемых на их обработку.

Выводы по первой главе.

2 Особенности радиолокационных изображений, полученных с помощью РСА и обоснование требований к системе обработки данных.

2.1 Специфика распознавания изображений РСА, обусловленная их особенностями.

2.2 Обоснование требований к системе обработки данных.

Выводы по второй главе.

3 Разработка математической модели радиолокационного изображения распределенного объекта.

3.1 Анализ свойств и статистических характеристик радиолокационных изображений распределенных объектов.

3.2 Математическая модель радиолокационного изображения распределенного объекта.

Выводы по третьей главе.

4 Синтез алгоритма обнаружения и распознавания распределенных объектов по их радиолокационным изображениям.

4.1 Синтез алгоритмов классификации топографических объектов по их радиолокационным изображениям.

4.2 Синтез алгоритма обнаружения распределенных объектов по их радиолокационным изображениям.

4.3 Синтез алгоритмов обнаружения и распознавания распределенных объектов по их радиолокационным изображениям.

Выводы по четвертой главе.

5 Оценка эффективности разработанных алгоритмов обнаружения и распознавания распределенных объектов.

5.1 Исследование эффективности разработанного алгоритма обнаружения и распознавания распределенных объектов.

5.2 Сравнительная оценка эффективности разработанных и существующих алгоритмов обнаружения и распознавания наземных объектов.

5.3 Оценка вычислительных затрат, требуемых для реализации разработанных алгоритмов.

Выводы по пятой главе.

Введение 2012 год, диссертация по информатике, вычислительной технике и управлению, Кузнецов, Виктор Андреевич

Актуальность исследований. Обладание информацией является основой развития современного общества. Оперативная и достоверная информация становится решающим фактором успеха при организации промышленного производства, в бизнесе, при подготовке и ведении вооруженной борьбы и в иных сферах человеческой деятельности. Один из путей сбора информации - удаленный мониторинг промышленных объектов, территории государства и акватории. Среди способов мониторинга следует выделить радиолокационное дистанционное зондирование Земли (ДЗЗ). Радиолокационное ДЗЗ позволяет получать радиолокационные изображения (РЛИ) земной поверхности днем и ночью при различных погодных условиях.

Современные радиолокационные средства ДЗЗ включают системы с синтезированной антенной (РСА), размещаемые на борту аэрокосмических носителей и беспилотных летательных аппаратов. Среди множества реализованных и перспективных проектов следует выделить: зарубежные РСА космического базирования «ERS-2» и «Envisat» (Европа), «Radarsat-2» (Канада), «ALOS» и «IGS» (Япония), «TerraSAR-X» (Германия), «CosmoSkyMed» (Италия), «RSS/JB» (Китай), российские РСА «Кондор», «Ресурс-ДКР», «Смотр», «Север», «Монитор», «Аркон»; воздушные РСА «Hisar» (США), «Е-SAR» (Германия), «EL/M-2060P SAR» (Израиль), «Имарк» и «Компакт» (Россия); РСА на беспилотных носителях «AN/ZPQ-1 TESAR» и «AN/APY-8 Lynx SAR/GMTI» (США), «EL/M-2055 SAR/MTI» (Израиль).

РЛИ, полученные при помощи РСА, отличаются потенциально высокой разрешающей способностью, поэтому являются ключевым элементом современных и перспективных информационных систем. Согласно утвержденным в 2006 году «Федеральной космической программы на 2006-2015 годы» и «Концепции ДЗЗ на период до 2025 года», основными пользователями данных ДЗЗ обозначены МЧС РФ, «Роскосмос», Минсельхоз РФ, Минтранс РФ, Росгидромет, Минприроды РФ, Российская академия наук, а также коммерческие потребители. Вместе с тем, в настоящее время исполняется ряд федеральных целевых программ, предусматривающих использование радиолокационных данных ДЗЗ в качестве актуальных пространственных данных - «Экология и природные ресурсы России», «Предупреждение и ликвидация последствий чрезвычайных ситуаций». В рамках этих программ РСА широко применяются для:

- оперативного мониторинга состояния объектов промышленной и транспортной инфраструктуры;

- управления устранением последствий чрезвычайных ситуаций;

- контроля важных подвижных транспортных объектов;

- наблюдения за опасными быстропротекающими природными явлениями: ледовой обстановкой, появлением и развитием цунами, атмосферными вихрями.

В подобных задачах основным фактором является получение информации в реальном масштабе времени. Но особенности РЛИ, а именно большая зашумленность гауссовскими и спекл-шумами, геометрические искажения и нестационарность объекта наблюдения, требуют их предварительной обработки и дешифрирования, что связано с большими временными затратами.

Задача автоматизации обработки РЛИ является сложной и многогранной. Её решение предполагает создание сложной, многоуровневой, вероятностной, с обратной связью системы распознавания объектов. Задачи подобного класса возможно решить методами системного анализа на основе теории, представленной трудами Оптнера С., Акоффа Р.Л., Месаровича М., Мат-росоваВ.М.

Вследствие случайного нестационарного характера сигналов, принимаемых в РСА, основой для построения алгоритмов обработки РЛИ служит статистическая теория радиотехнических устройств, основополагающий вклад в становление и развитие которой внесли P.JI. Стратонович, В.И. Тихонов, М.С. Ярлыков, Ширман Я.Д. Решение задач обработки РЛИ базируется на теории распознавания образов, в развитие которой внесли вклад Горелик A.JL, Журавлев Ю.И., Сироджа С.Б., Цыпкин Я.З., Сойфер В.А., Вальд А., Вудс Р., Фукунага К., Дуда Р., Гонсалес Р. Вопросам построения и обработки РЛИ посвящены работы Кондратенкова Г.С., Горяинова В.Т., Дудника П.И., Реутова А.П., Толстова Е.Ф., Школьного Л.А. Основы синтеза динамических систем со случайной структурой в применении к распознаванию образов представлены в работах Клекиса Э.А., БухалеваВ.А. Практические реализации распознавания объектов на РЛИ предложены в работах До-стовалова М.Ю. и Новака Л.М.

Заметный вклад в развитие теории и практики обработки РЛИ, полученного при помощи РСА, внесли Миронов Б.М. и его ученики. Автор приносит глубокую признательность Миронову Б.М. за содержательные консультации, которые позволили успешно решить ряд вопросов диссертационных исследований.

Предметом исследования являются алгоритмы автоматизированного обнаружения и распознавания наземных объектов на РЛИ в реальном масштабе времени.

Для её достижения решаются частные задачи:

1. Системный анализ задачи распознавания радиолокационных изображений, полученных с помощью РСА, для создания адекватной модели РЛИ и эффективных алгоритмов его обработки.

3. Синтез алгоритмов: а) классификации топографических объектов на основе модели системы со случайной скачкообразной структурой; б) автоматизированного обнаружения и распознавания наземных объектов по изображениям, полученным посредством авиационных РСА.

4. Экспериментальная оценка эффективности синтезированных алгоритмов.

Методы исследований. Задачи диссертационных исследований решались методами:

- теории математической статистики для проверки гипотез о распределении яркостей ЭИ однородных участков распределенных объектов;

- теории вероятностей для разработки математической модели радиолокационного изображения распределенного объекта;

- теории оптимальной обработки случайных процессов для синтеза алгоритмов классификации топографических объектов на РЛИ;

- теории алгоритмов для синтеза алгоритмов автоматизированного обнаружения и распознавания распределенных объектов на РЛИ;

- теории статистического моделирования для исследования эффективности разработанных алгоритмов.

Научную новизну составляют и на защиту выносятся:

1. Результаты системного анализа задачи распознавания РЛИ, полученных с помощью РСА, при котором доказано, что она должна решаться известными математическими методами как частная задача распознавания образов с учетом условий наблюдения и ограничений.

РЛИ и поля локальных контрастов.

Авторская оценка научной новизны результатов исследований:

Апробация работы. Результаты работы докладывались на Международной научно-практической конференции (г. Томск, 2007 г.), V и VI Самарском конкурсе-конференции научных работ студентов и молодых исследователей по оптике и лазерной физике (г. Самара, 2007, 2008 г.г.), совместном семинаре Самарского аэрокосмического университета и Института систем обработки изображений РАН (г. Самара, 2007 г.), XV Всероссийской научно-технической конференции, (г. Иркутск, 2007 г.), XXVI Школе по когерентной оптике и голографии (г. Иркутск, 2007 г.), Второй Всероссийской научно-технической конференции (г. Москва, 2008 г.), семинарах факультета РЭО ВУНЦ ВВС «ВВА» (г. Москва, г. Воронеж, 2009-2012 г. г.), Конкурсе научно-исследовательских и творческих работ молодежи «Талантливая молодежь Воронежской области» (г. Воронеж, 2011 г.).

Публикации по тел1е диссертации. Основные результаты диссертационной работы содержатся в 15 научных трудах: 3 статьях в изданиях, рекомендуемых ВАК, из них 1 в единоличном авторстве, 3 статьях в научных изданиях, 7 материалах и тезисах докладов, 1 отчете о НИР и 1 отчете по проекту РФФИ 06-08-00596-а.

Структура и объем диссертации. Диссертационная работа состоит из введения, пяти глав, заключения и списка используемой литературы. Работа содержит 171 страницу машинописного текста, 106 рисунков и 9 таблиц. Список используемой литературы включает 136 наименований.

Заключение диссертация на тему "Алгоритмы автоматизированного обнаружения и распознавания наземных объектов по их радиолокационным изображениям в реальном масштабе времени"

Выводы по пятой главе

1. Исследование эффективности разработанных алгоритмов классификации топографических объектов проводилось путем статистического моделирования на ЭВМ. Для оценки качества полученного после обработки РЛИ использовались некоторые показатели, обусловленные требованиями дешифрируемости радиолокационных изображений. Результаты проведенных исследований показали, что наиболее эффективен алгоритм классификации со сглаживанием достаточной статистики КОА2. При этом точность выделения границ ОУ составляет 1-2 ЭИ, вероятность пропуска ОУ с размерами 3x3 и более ЭИ составляет величину менее 0,1.

2. Анализ эффективности разработанных алгоритмов классификации в зависимости от обработки РЛИ (по строке, строке и столбцу, с использованием сглаженной достаточной статистики по строке, строке и столбцу) показывает, что в среднем эффективность выделения малоразмерных объектов алгоритмом КОА2 по сравнению с алгоритмом ОА2 на 22% выше, по сравнению с КОА1 - на 46% выше, с ОА1 - выше на 63%. Эффективность классификации подстилающей поверхности алгоритмом КОА2 по сравнению с алгоритмом ОА2 выше на 11%, с КОА1 - выше на 39%, с ОА1 - выше на 75%.

3. На эффективность работы разработанных алгоритмов влияют следующие параметры: (я, Кц, К]2, Ат). При этом эффективность классификации изображений в большей степени определяется размерами и числом ОУ на изображении, чем соотношением площади ОУ и фона. Изменение значений в матрице переходных вероятностей, а, следовательно, и коэффициентов Кц и К12, также приводит к изменению значений вероятности Рь . Так, чем меньше значение вероятности перехода от ЭИ к ЭИ одного класса, тем больше значение Рош.

4. Значительного снижения вероятности ложного обнаружения распределенных объектов можно добиться путем комбинированной обработки ПЛК и классифицированного изображения с учетом априорных данных. При этом уменьшение количества ложных объектов достигает 76%, а вероятность правильного обнаружения не снижается.

5. Применение комбинированной обработки изображения при дешифрировании РЛИ позволяет достичь высоких показателей в распознавании распределенных объектов. При этом вероятность правильного распознавания класса объекта составляет 1,0, подкласса - 0,95, типа объекта - 0,68.

6. Сравнение разработанного алгоритма обнаружения и распознавания с существующими показывает, что применение классификации топографических объектов на основе модели со случайной скачкообразной структурой с учетом априорных данных, позволяет снизить вероятность ошибки распознавания объекта на 12,94%.

7. Применение многопроцессорной обработки РЛИ и распараллеливание вычислений позволило сократить время дешифрирования изображений больших размеров в 4.64 раза. Экспериментальная оценка и результаты теоретического расчета времени обработки позволили разработать рекомендации по организации дешифрирования, позволяющие сократить время обработки за счет выделения интересующего фрагмента и уточнения района мониторинга.

ЗАКЛЮЧЕНИЕ

В результате диссертационных исследований проблем обработки радиолокационных изображений в радиолокационных системах с синтезированием апертуры антенны:

Впервые выполнен системный анализ задачи распознавания радиолокационных изображений, полученных с помощью РСА, где впервые рассматриваются радиолокационные изображения с учетом условий наблюдения при дистанционном зондировании Земли. В результате анализа показано, что распознавание объектов на радиолокационных изображениях - частная задача распознавания изображений. Специфика изображений и большой объем данных приводит к необходимости применения особого подхода к дешифрированию радиолокационных изображений - созданию автоматизированных многоэтапных (иерархических), параллельных (многопроцессорных) систем обработки радиолокационных изображений.

2. Разработана математическая модель радиолокационного изображения распределенного объекта в виде набора гауссовских случайных полей в системе со случайной сменой структуры, в которой впервые учитываются корреляционные связи между элементами изображения. Это позволяет учесть спекл-структуру радиолокационного изображения.

3. Разработаны многоэтапные параллельные алгоритмы классификации радиолокационных изображений топографических объектов, автоматизированного обнаружения и распознавания наземных объектов, что позволяет существенно повысить эффективность и скорость выделения распределенных объектов. Алгоритмы классификации радиолокационных изображений топографических объектов основаны на модели системы со случайной скачкообразной структурой, в них впервые применяется сглаживание достаточной статистики. Это позволяет существенно повысить эффективность классификации подстилающей поверхности и выделения распределенных объектов. В многоэтапных параллельных алгоритмах автоматизированного обнаружения и распознавания наземных распределенных объектов впервые используется модель системы со случайной скачкообразной структурой.

5. Проведена экспериментальная оценка времени обработки радиолокационных изображений специализированной вычислительной системой, состоящей из 16 процессоров. Полученное время обработки радиолокационного изображения укладывается в требования по времени получения информации. Дальнейшее сокращение времени дешифрирования возможно за счет конкретизации интересующего фрагмента изображения, выбора предполагаемых классов объектов в районе мониторинга. Окончательное решение о типе объекта принимает сам оператор с возможностью инструментального анализа изображения каждого распределенного объекта.

Библиография Кузнецов, Виктор Андреевич, диссертация по теме Системный анализ, управление и обработка информации (по отраслям)

1. Школьный, Л.А. Радиолокационные системы воздушной разведки, дешифрирование радиолокационных изображений: учебник для курсантов ВВИА им. проф. НЕ. Жуковского / Л.А. Школьный и др.; под ред. Л.А. Школьного М.: ВВИА им. проф. НЕ. Жуковского, 2008. - 531 с.

2. Горелик А.Л. Методы распознавания: Учеб. Пос. / А.Л. Горелик, В.А. Скрипкин. М.: Высш.шк., 1984. - 208 с.

3. Матвеев, Ю.Н. Основы теории систем и системного анализа: учеб. пос. / IO.I-I. Матвеев. Ч. 1. 1-е изд. Тверь: ТГТУ, 2007. 100 с.

4. Романов В.Н Системный анализ для инженеров. СПб: СЗГЗТУ - 2006 - 186 с.

5. Антонов A.B. Системный анализ. Учеб. для вузов / A.B. Антонов. -М.: Высш.шк., 2004 454 с.

6. Тихонов, В.И. Статистический анализ и синтез радиотехнических устройств и систем: учеб. пособие для вузов / В.И. Тихонов, В.Н. Харисов. М.: Радио и связь, 1991. - 368 с.

7. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов (статистические проблемы обучения) М.: Наука, 1974.

8. Патрик Э Основы теории распознавания образов : Пер. с англ. / Под ред. Б.Р. Левина. М.: Сов. радио, 1980 / Пер. изд.: США, 1972.

9. Гонсалес Р. Принципы распознавания образов / Р. Гонсалес, Р.Вудс. -М.: Техносфера, 2005. 1072 с.

10. Duda R.O., Hart P.E. Classification and scene analysis N.Y.: Wiley, 1973.

11. Винцюк, Т.К. Поэлементное распознавание слов устной речи / Т.К. Винцюк // Кибернетика. 1964. - № 12. - С. 40-44.

12. Ковалевский, В.А. Распознавание путем имитации процесса порождающего изображения / В.А. Ковалевский // Распознавание образов и конструирование читающих автоматов. Киев: Наукова думка. - 1969. -Вып. 2. - С. 3-24.

13. Айзерман М.А. Метод потенциальных функций в теории обучения машин / М.А. Айзерман, Э.М. Браверман, Л.И. Розоноэр. М.: Наука, 1970. -238 с.

14. Казаков И.Е. Оптимизация динамических систем случайной структуры / И.Е. Казаков, В.М. Артемьев. М.: Наука, 1980. - 238 с.

15. Француз А.Г. Линейные и полилинейные решающие правила и их применение в некоторых задачах медицинской диагностики и химической технологии / А.Г. Француз // Практическое применение распознавания образов. М.: АН СССР. - 1972. - С. 753-761.

16. Француз А.Г. О влиянии корреляции между признаками на информативность для распознавания образов / А.Г. Француз // Изв. АН СССР. Сер. Техн. Кибернетика. 1964. - № 4. - С. 68-77.

17. Сойфер В.А. Методы компьютерной обработки изображений / Под ред. В.А. Сойфера. М.: Физматлит, 2003. - 784 с.

18. Загоруйко Н.Г. Методы распознавания и их применение / Н.Г. Загоруйко. М.: Сов.радио, 1972. - 324 с.

19. Тихонов В.И. Статистическая радиотехника / В.И. Тихонов. М.: Сов. радио, 1966.-346 с.

20. Ширман Я. Д. Теория и техника обработки радиолокационной информации на фоне помех / Я.Д. Ширман, В.Н. Манжос. М.: Радио и связь, 1981.-364 с.

21. Жуковский Е.Л. О последовательной байесовской регуляризации алгебраических систем уравнений / Е.Л. Жуковский, В.А. Морозов // Журналвычислительной математики и математической физики. 1972. - Т. 12. -№ 2. - С. 464-465.

22. Chan Y.T. Detection of stochastic signals in the frequency domain / Y.T. Chan, Q. Yuan, H.C. So // IEEE Trans. Aerospace and electronic systems, 2001, vol. 37, no. 3, P. 978-988.

23. Akaike H. Statistical predictor identification / H. Akaike // Ann. Inst. Statist. Math., 1970, vol. 22, P. 203-217.

24. Randies K.P. Introduction to the theory of nonparametric statistics / K.P. Randies, D.A. Wolfe. -N.Y.: Wiley, 1979. 132 p.

25. Pearson E.S. The goodness of fit tests based on Wn and Un / E.S. Pearson, M.A. Stephens // Biometrika, 1962, vol. 49, no. 3, P. 397-402.

26. Шовенгердт P.A. Дистанционное зондирование. Модели и методы обработки изображений / P.A. Шовенгердт. М.: Техносфера, 2010. - 560 с.

27. Landau I.D. Unbiased recursive identification using model reference adaptive techniques / I.D. Landau // IEEE Trans. Autom. Control, 1976, vol. 21, no. 2, P. 194-202.

28. Фу K.C. Структурные методы в распознавании образов / К.С. Фу. М.: Мир, 1977.-319 с.

29. Журавлев Ю.И. Распознавание образов и распознавание изображений / Ю.И. Журавлев, И.Б. Гуревич // Распознавание, классификация, прогноз. -М.: Наука, 1989.-Вып. 2.

30. Novak L.M. Performance of high resolution, Polarimetrie SAR automatic target recognition system / L.M. Novak, G.J. Owirka, C.M. Netishen // Lincoln Laboratory Journal, 1993, vol. 6, no. 1, P. 11-24.

31. Moore J.B. Recursive prediction error methods for adaptive estimation / J.B. Moore, H. Wiess // IEEE Trans. Syst. Man. and Cybern., 1979, vol. 9, no. 2, P. 197-205.

32. Баклицкий B.K. Корреляционно-эктремальные методы навигации и наведения / В.К. Баклицкий. Тверь: Книжный клуб, 2009. - 360 с.

33. Потапов А.А. Новейшие методы обработки изображений / Под ред. А.А. Потапова. М.: Физматлит, 2008. - 496 с.

34. Казанович Я.Б. Распознавание изображений с помощью нейронных сетей / Я.Б. Казанович. М.: НЦБИ АН СССР, 1991. - 31 с.

35. Афифи А.А. Статистический анализ: подход с использованием ЭВМ / А.А. Афифи, С.П. Ажен. -М.: Мир, 1982.-488 с.

36. Репин В.Г. Статистический синтез при априорной неопределенности и адаптация информационных систем / В.Г. Репин, Г.П. Тартаковский. -М.: Сов. радио, 1977. 214 с.Макс.правдоподобия

37. О методах распознавания графических образов / И.М. Гостев // Изв. АН. Теория и системы управления. 2004.- № 1. - С. 138-144.

38. Presnyakov I.N. High-resolution pattern control in a correlated jammers and signal fields environment / I.N. Presnyakov, O.V. Sytnik // Proc. Int. Conf. ICATT-95. Kharkov (UA), 1995. - P. 37-38.

39. Усиков А.Я. Анализ корреляции между высотой и шероховатостью поверхности Венеры по радиолокационным данным КА «Пионер-Венера-1» / А.Я. Усиков, Ю.В. Корниенко, В.Н. Дудинов // ДАН СССР. 1982. -Т. 264.-№3.-С. 591-595.

40. Liao X. Identification of ground targets from sequential high-range-resolution radar signature / X. Liao, P. Runkle, L. Carin // IEEE Trans. Aerospace and electronic systems, 2002, vol. 38, no. 4, P. 1230-1242.

41. Обиралов А.И. Дешифрирование снимков для целей сельского хозяйства / А.И. Обиралов. -М.: Недра, 1982. 122 с.

42. Fienup J.R. Detecting moving targets in SAR imagery by focusing / J.R. Fienup // IEEE Trans. Aerospace and electronic systems, 2001, vol. 37, no. 3, P. 794-809.

43. Jiang N. Super resolution feature extraction of moving targets / N. Jiang, R. Wu, J. Li // IEEE Trans. Aerospace and electronic systems, 2001, vol. 37, no. 3, P. 781-793.

44. Velichko A.F. Accuracy of the tracking performance measurement in the case of moving targets electronic simulator using / A.F. Velichko, D.A. Velichko // Proc. of international symposium URSI. Kharkov (Ukraine), 1994. - P. 765768.

45. Достовалов М.Ю. Изучение радиолокационных портретов по изображениям РСА КОМПАКТ-100. Использование их в системах автоматизированного распознавания объектов. Отчет о НИР, регистрационный номер НИИТП №11-219, 2004 г.

46. Sato М. Polarimetric analysis of Pi-SAR airborne polarimetric SAR system / M. Sato, K. Murakami // Proc. of EUSAR-2002. Cologne, Germany, 2002.

47. Guillaso S. Building characterization using polarimetric interferometric SAR Data / S. Guillaso, L. Ferro-Famil, A. Reigber // Proc. of EUSAR-2004. -Uim, Germany, 2004.

48. Волосюк B.K. Алгоритмы комбинированной обработки стохастических сигналов в многоканальных скаттерометрических системах с синтезированием апертуры / В.К. Волосюк // Изв. вузов. Радиоэлектроника. 2003. -Т. 46.-№2.- С. 61-70.

49. Kornienko U.V. On informativety of the interferometric method for imaging through turbulent atmosphere / U.V. Kornienko // Physics of the moon and planets. Conf. devoited to centenary of academician N.P. Barabashov. -Kharkov (Ukraine), 1994. P. 61-62.

50. Сиренко Ю.К. Фундаментальные и прикладные задачи теории рассеяния электромагнитных волн / Ю.К. Сиренко и др.; под ред. Ю.К. Сиренко. -Харьков: Крок, 2000.

51. Оценка эффективности мероприятий по повышению помехозащиты БРЛК «Спинар» // Научно-технический отчёт. М.: НПО им. Лавочкина, 2003.

52. Волосюк В.К. Алгоритмы комбинированной обработки стохастических сигналов в многоканальных скаттерометрических системах с синтезированием апертуры / В.К. Волосюк // Изв. вузов. Радиоэлектроника. 2003. -Т. 46.-№2. -С. 61-70.

53. Афинов В.Н. Беспилотная воздушная разведка / В.Н. Афинов // Зарубежное военное обозрение. 1997. - №5. - С. 33-37.

54. Афинов В.Н. Тактическая и оперативная беспилотная разведывательная авиация ВС США / В.Н. Афинов // Зарубежное военное обозрение. -1997.-№6.-С. 39-48.

55. Афинов В.Н. Стратегические разведывательные БЛА и направления развития беспилотной авиации в США / В.Н. Афинов // Зарубежное военное обозрение. 1997. - № 7. - С. 35-43.

56. Богомолов Л.А. Дешифрирование аэроснимков / Л.А. Богомолов. М.: Недра, 1976.- 145 с.

57. Радиолокационные станции воздушной разведки / Под ред. Г.С. Кондра-тенкова. -М.: Воениздат, 1983. 152 с.

58. Лабутина И.А. Дешифрирование аэрокосмических снимков / И.А. Лабу-тина. М.: Аспект пресс, 2004. - 184 с.

59. Полушкин Ю.В. Человеческий фактор при использовании одного класса боевых беспилотных летательных аппаратов / Ю.В. Полушкин, О.С. Титков // Полет. 2007. - № 9. - С. 45-50.

60. Афинов В.Н. Американские самолеты Е-8С «Джистарс» и S-3E «Грей Вульф» / В.Н. Афинов // Зарубежное военное обозрение. 1997. - № 2. -С.38-43.

61. Кулемин Г.П. Рассеяние миллиметровых радиоволн поверхностью земли под малыми углами / Г.П. Кулемин, В.Б. Разсказовский. Киев: Наукова думка, 1987.- 116 с.

62. Разсказовский В.Б. Дифракция на полуплоскости с неровным краем в задаче распространения радиоволн под поверхностью при малых углах скольжения / В.Б. Разсказовский // Изв. вузов. Радиофизика. 1997. -Т. 40. - № 8. - С. 965-979.

63. Ufimtsev P.Ya. Elementary edge waves and the physical theory of diffraction / P.Ya. Ufimtsev//Electromagnetics, 1991, vol. 11, no. 1-2, P. 125-160.

64. Ulaby F.T. Microwave backscatter dependence on surface, roughness, soil moisture and soil texture: part 1. Bare soil / F.T. Ulaby // IEEE Trans. Geosci. Electron, 1983, vol. GE-16, no. 4, P. 286-295.

65. Авиационные радиолокационные комплексы и системы / П.И. Дудник, Г.С. Кондратенков, Б.Г. Татарский и др.. Под ред. П.И. Дудника. М.: ВВИА, 2006.- 1112 с.

66. Штагер Е.А. Рассеяние радиоволн на телах сложной формы / Е.А. Штагер. М.: Радио и связь, 1986. - 256 с.

67. Айзикович Б.В. Методы анализа и расчёта радиолокационных характеристик поглотителей электромагнитных волн, кромок и изломов поверхностей сложной геометрической формы / Б.В. Айзикович и др. // Зарубежная радиоэлектроника. 1994. - № 4-5.

68. Колчигин H.H. Декомпозиционный способ экспериментального определения эффективной площади рассеяния объектов сложной формы / H.H. Колчигин, И.И. Васильченко И.И. // Радиофизика и электроника. Вестник Харьковского университета. 1998. - № 405. - С. 87-90.

69. Белокуров A.A. Методы сглаживания спекл-шума на радиолокационных изображениях земной поверхности / A.A. Белокуров // Зарубежная радиоэлектроника. 1990. - № 6. - С. 26-35.

70. Школьный JI.A. Математическая модель и статистические характеристики спекл-структур радиолокационных изображений, получаемых радиолокаторами с синтезированной апертурой / JI.A. Школьный, С.Л. Глазков // Радиотехника. 1990. - № 2. - С. 3-8.

71. Shapiro S.D. Use of the hough transform for image data compression / S.D. Shapiro // Pattern Recognition, 1980, vol. 12, no. 5, P. 333-337.

72. Штейншлегер В.Б. Способы обработки сигналов радиолокационных станций с синтезированной апертурой при решении народнохозяйственных задач / В.Б. Штейншлегер, П.С. Лифанов // Радиотехника и электроника. 1982. - Т. 27. - № 2. - С. 193-213.

73. Корниенко Ю.В. Устойчивость интерферометрического метода формирования изображений к фазовым искажениям волнового фронта / Ю.В. Корниенко // ДАН Укр. 2000. - № 5. - С. 78-82.

74. Абрамов B.C. Согласование скорости передачи данных радиолокационной станции с синтезированной апертурой с пропускной способностью радиоканала / B.C. Абрамов, И.А. Курочкин, В.В. Мансуров // Радиотехника. 1998. - № 5. - С. 101-105.

75. Sytnik O.V. An algorithm for adaptive correction of radar image / O.V. Syt-nik // Telecommunications and radio engineering, 2002, vol. 58, no. 7-8, P. 127-138.

76. Космический комплекс радиолокационного наблюдения двойного назначения. Эскизный проект. Часть 3. Радиолокационный комплекс. Книга 13. Оценка эффективности помехозащиты бортового радиолокационного комплекса КК РЛН ДН, 2000.

77. Небабин В.Г. Методы и техника радиолокационного распознавания: современное состояние, тенденции развития, перспективы / В.Г. Небабин, В.К. Гришин // Зарубежная радиоэлектроника. 1992. - № 10. - С. 5-20.

78. Moving and Stationary target acquisition recognition (MSTAR). Program review. - Denver, CO, 1996.

79. Афинов B.H. Воздушная разведка в США. Общие направления и перспективы развития / В.Н. Афинов // Зарубежное военное обозрение. -1997.-№1.-С. 35-38.

80. Достовалов М.Ю. Исследование методов автоматического обнаружения объектов на РЛ-изображениях / М.Ю. Достовалов, А.С. Лифанов, Т.Г. Мусинянц // Исследование Земли из космоса. 2005. - № 6. - С. 14-27.

81. Novak L.M. Effects of polarization and resolution on SAR ATR / L.M. Novak, S.D. Halversen, G.J. Owirka // IEEE Trans. Aerospace and electronic systems, 1997, vol. 33, no. 1, P. 102-115.

82. Внотченко C.JI. Результаты измерений ЭПР искусственных и естественных объектов по радиолокационным изображениям РСА Компакт-100 / С.Л. Внотченко, М.Ю. Достовалов, А.Б. Зайцев // Исследование Земли из космоса. 2003. - № 6. - С. 49-57.

83. Достовалов М.Ю. Обнаружение объектов по изменениям на радиолокационных изображениях РСА / М.Ю. Достовалов, A.C. Лифанов, Т.Г. Мусинянц // Исследование Земли из космоса. 2007. - № 4. - С. 1526.

84. Канащенков А.И. Облик перспективных бортовых радиолокационных систем. Возможности и ограничения / А.И. Канащенков, В.И. Меркулов, О.Ф. Самарин. М.: ИПРЖР, 2002. - 176 с.

85. Анфиногенов А.Ю. К вопросу о математическом моделировании радиолокационных портретов распределенных объектов / А.Ю. Анфиногенов, Л.А. Школьный // Радиотехника. 1996. - № 10.

86. Анфиногенов А.Ю. К вопросу моделирования радиолокационного портрета движущегося объекта / А.Ю. Анфиногенов, А.Н. Тонких // Труды X Международного симпозиума «Метод дискретных особенностей в задачах математической физики МДОЗМФ-2003», 2003. С. 19-25.

87. Антипов В.И. Радиолокационные станции с цифровым синтезированием апертуры антенны / В.И. Антипов, В.Т. Горяинов, А.Н. Кулин. М.: Радио и связь, 1988. - 178 с.

88. Гончаренко A.A. Дистанционное зондирование неоднородных сред / A.A. Гончаренко, В.Ф. Кравченко, В.И. Пономарев. -М.: Машиностроение, 1991.-294 с.

89. Curlander J.C. Synthetic aperture radar: systems and signal processing / J.C. Curlander, R.N. McDonough. -N.Y.: John Wiley and Sons, 1991. 650 p.

90. Кузнецов B.A. Структура и свойства наземных объектов на изображениях РСА в задачах распознавания / Кузнецов В.А. // Телекоммуникации. 2012. -№10.-С. 31-38.

91. Frost V.S. A model for radar images and its application to adaptive digital filtering of multiplicative noise / V.S. Frost, J.A. Stiles, K.S. Shanmugan // IEEE Trans. On Pattern Analysis and Machine Intelligence, vol. PAMI-4, 1982, №2, P. 157-165.

92. Елизаветин И.В. Оценка влияния некогерентного накопления при обработке данных с космического аппарата «АЛМАЗ-1» / И.В. Елизаветин // Исследование Земли из космоса. 1993. - № 1. - С. 32-35.

93. Lee J.S. Speckle Suppression and Analysis for Synthetic Aperture Radar Images / J.S. Lee // SPIE, International Conference on Speckle, vol. 556. 1985.

94. Вентцель E.C. Теория вероятностей / E.C. Вентцель. M.: Наука,1969. -386 с.

95. Ахметьянов В.Р. Сглаживание спекла на радиолокационных изображениях / В.Р. Ахметьянов, А.Я. Пасмуров, А.П. Пономаренко // Зарубежная радиоэлектроника. 1985. - № 5.

96. Родионова Н.В. Способы подавления спекл-шума в радиолокационном изображении / Н.В. Родионова, В.П. Синило // Автометрия. 1993. - №5. -С. 96-102.

97. Сытник О.В. Рекуррентный алгоритм подавления спекл-шума на РСА-изображениях / О.В. Сытник, В.А. Дубовицкий // Изв.вузов. Радиоэлектроника. 2001. - Т. 44. - № 3. - С. 47-54.

98. Elachi С. Imaging and sounding of ice fields with airborne coherent radars / C. Elachi //Adv. Space Res., 1987, vol. 7, № 11, P. 249-258.

99. Salomonson V.V. Extraction of Information and Speckle Noise Reduction in SARImages / V.V. Salomonson, H. Ottl // Ibid., P. 335-336.

100. Keydel W. The speckle redusing on SAR images / W. Keydel // IGARSS'86: Remote Sens. Today's Solut. Tomorrows Inf. Needs Proc. Symp. vol.2. -Zurich, Paris, 1986. P. 1207-1212.

101. Porcello L.J. Speckle reduction in synthetic-aperture radars / L.J. Porcello et all.//J. Opt.Soc.Am., 1976, vol. 66, no. 11, P. 1350-1361.

102. Артемьев В.М. Теория динамических систем со случайными изменениями структуры / В.М. Артемьев. Минск: Высшая школа, 1979. - 342 с.

103. Васильев К.К. Методы фильтрации многомерных случайных полей / К.К. Васильев, В.Р. Крашенинников. Саратов: Сарат. ун-т, 1990. - 56 с.

104. Стратонович P.JI. Условные Марковские процессы и их применение к теории оптимального управления / P.JI. Стратонович. М.: МГУ, 1965. -319с.

105. Ярлыков М.С. Марковкая теория оценивания случайных процессов / М.С. Ярлыков, М.А. Миронов. -М.: Радио и связь, 1993.

106. Вероятностные модели и обработка случайных сигналов и полей: Сб. науч. трудов / Под ред. В.А. Омельченко. -Киев: УМК, 1991.-418 с.

107. Малов А.Н. Выделение малоразмерных объектов алгоритмами сегментации на основе модели системы со случайной скачкообразной структурой / А.Н. Малов, Б.М. Миронов, В.А. Кузнецов // Компьютерная оптика. 2008. - Т. 32. - № 1. - С. 89-92.

108. Миронов Б.М. Выделение площадных и протяженных объектов на радиолокационном изображении путем его сегментации / Б.М. Миронов, В.А. Кузнецов // Материалы XV Всероссийской научно-технической конференции: сб. науч. трудов. Иркутск, 2007. - С. 225-228.

109. Миронов Б.М. Автоматическое обнаружение распределенных объектов на когерентно-локационных изображениях с учетом априорных данных / Б.М. Миронов, А.Н. Малов, В.А. Кузнецов // Компьютерная Оптика.2008. Т. 32. - № 4. - С. 417-422.

110. Бучнев A.A. Параллельная обработка аэрокосмических изображений на высокопроизводительной гетерогенной вычислительной сети / A.A. Бучнев, П.А. Ким, В.П. Пяткин // Автометрия. 1997. - № 3. - С. 60-75.

111. Зеленский A.A. Двухэтапная обработка многоканальных радиолокационных изображений с использованием векторного сигма-фильтра / A.A. Зеленский, В.В. Лукин, A.A. Курекин // Успехи современной радиоэлектроники. 2003.- № 11.- С. 55-62.

112. Бакут П.А. Сегментация изображений: методы пороговой обработки / П.А. Бакут, Г.С. Колмогоров, И.Э. Ворновицкий // Зарубежная радиоэлектроника. 1987. - № 10. - С. 6-24.

113. Скрыпник О.Н. Формирование классификационной карты подстилающей поверхности по изображениям от когерентного локатора / Скрыпник О.Н. и др. // Компьютерная оптика. 2006. - Вып. 29. - С. 151-159.

114. Бушуев, C.B. Теоретические основы создания информационно-технических систем /C.B. Бушуев, A.C. Осадчий, В.М. Фролов. СПб.: ВАС, 1998.-280 с.

115. Мачулин В.В. Эффективность систем обработки информации / В.В. Ма-чулин, А.П. Пятибратов. М.: Сов. радио, 1972. - 98 с.

116. Петухов Г.Б. Основы теории эффективности целенаправленных процессов / Г.Б. Петухов. М.: МО СССР, 1989. - 144 с.

117. Цыпкин Я.З. Основы информационной теории идентификации / ЯЗ. Цыпкин. М. Наука, 1984. - 132 с.

118. Корнеев В.Д. Параллельное программирование в MPI / В.Д. Корнеев. -Новосибирск: СО РАН, 2000. -213с.

Похожие работы

Информатика, вычислительная техника и управление
05.13.00