автореферат диссертации по радиотехнике и связи, 05.12.14, диссертация на тему:Автоматическое совмещение радиолокационных и эталонных изображений земной поверхности

На правах рукописи

КИРДЯШКИН ВЛАДИМИР ВЛАДИМИРОВИЧ

АВТОМАТИЧЕСКОЕ СОВМЕЩЕНИЕ РАДИОЛОКАЦИОННЫХ И ЭТАЛОННЫХ ИЗОБРАЖЕНИЙ ЗЕМНОЙ ПОВЕРХНОСТИ

Специальность: 05.12.14 - «Радиолокация и радионавигация»

Автореферат диссертации на соискание ученой степени кандидата технических наук

- 1 ДЕК 2011

005005421)

Москва, 2011

005005420

Работа выполнена на кафедре «Радиолокация и радионавигация» Московского авиационного института (национального исследовательского университета)

Научный руководитель: доктор технических наук, профессор

Сосулин Юрий Георгиевич

Официальные оппоненты: докшр технических наук, профессор

Латышев Вячеслав Васильевич

кандидат технических наук, старший научный сотрудник Юрчик Игорь Аркадьевич

Ведущая организация: ОАО «Корпорация «Фазотрон-НИИР»

Защита состоится «20» декабря 2011 года в Щ0 на заседании диссертационного совета Д 212.125.03 при Московском авиационном институте по адресу: 125УУЗ г. Москва, Волоколамское шоссе, д. 4.

С диссертацией можно ознакомиться в библиотеке Московского авиационного института.

Автореферат разослан «У^» ноября 2011г.

Ученый секретарь диссертационного совета к.т.н, доцент

Сычёв М. И.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы.

Современные радиолокационные системы с синтезированием апертуры (РСА) позволяют получить высокодетальные радиолокационные изображения (РЛИ) земной поверхности независимо от погодных условий и времени суток. Содержащаяся на РЛИ информация может быть использована для решения чрезвычайно большого числа задач в различных сферах деятельности человека.

На сегодняшний момент технологии получения РЛИ высокого качества существенно опережают технологии дешифрирования (обработки РЛИ с целью получения необходимой информации) получаемых изображений. Большинство этапов обработки выполняет человек, а только некоторые этапы проводятся автоматически и то под контролем человека-оператора, который задаёт очередность выполнения операций, жёстко контролирует операции и субъективно определяет качество обработки.

В целом состояние проблемы дешифрирования характеризуется следующими фактами. Во-первых, существенный прогресс РСА позволяет получать изображения с высокой разрешающей способностью. Во-вторых, развитие электронно-вычислительной техники способствует проведению сложных и трудоёмких операций дешифрирования изображений. В-третьих, решаемая задача характеризуется значительным уровнем априорной неопределённости, большим разнообразием покровов земной поверхности, трудоёмкими вычислительными операциями и, несмотря на прогресс развития РСА, всё равно недостаточностью разрешающей способности для решения определённых и наиболее важных задач дешифрирования. Перечисленные особенности приводят к разработке эвристических алгоритмов, а также к попыткам решить определённые задачи не на прямую, а применяя обходные пути и используя косвенные данные. Это подтверждается множеством публикаций, число которых вновь возросло в последнее время, так как, несмотря на сложность и существующие проблемы, стала очевидна важность и польза, которую можно получить, автоматизировав и решив пусть даже частные задачи дешифрирования.

Анализ существующих методов совмещения РЛИ показал, что данное направление является мало изученным по сравнению с другими направлениями обработки РЛИ (обнаружение и распознавание объектов, обработка РЛИ с целью уменьшения помех). В большинстве разработанных алгоритмов совмещения предполагаются априорно известными геометрические отличия между совмещаемыми изображениями (угол поворота и масштаб) или же предлагается их устранять, применяя различные методы моментов, что приводит к потере информации о начальном взаимном расположении совмещаемых изображений. Большую часть обработки в существующих алгоритмах (предварительная обработка изображений, отбор точек совмещения, проверка правильности совмещения и т. п.) осуществляет человек-оператор, что ограничивает возможность применения этих алгоритмов.

Разработка алгоритмов автоматического совмещения РЛИ с эталонными изображениями (ЭИ) при наличии между изображениями яркостных и геометрических отличий, определение численных характеристик этих отличий и оценка эффективности разработанных алгоритмов позволит не только решить множество самостоятельных задач (обнаружение и распознавание целей, повышение информативности получаемых данных, определение местоположения целей), но и выделить дополнительную информацию, которая является ключевой для последующей обработки РЛИ. Эталонными именуем такие изображения, координаты объектов на которых известны - зафиксированы в какой-либо системе координат. В качестве ЭИ могут выступать оптические изображения (ОИ), РЛИ, цифровые карты местности (ЦКМ), а также изображения, полученные в инфракрасном диапазоне. В связи с этим задача автоматического совмещения РЛИ с ЭИ является актуальной.

Цель работы.

Разработка и исследование алгоритмов автоматического совмещения радиолокационных изображений с эталонными изображениями земной поверхности; при этом в качестве эталонных используются радиолокационные и оптические изображения, а также цифровые карты местности.

Задачи работы.

1. Разработка и анализ алгоритмов поиска и обнаружения-распознавания двумерных изображений объектов на радиолокационных и оптических изображениях.

2. Оценка возможности распознавания различных классов объектов с учётом разрешающей способности современных РСА.

3. Разработка алгоритмов автоматического совмещения РЛИ с ОИ и ЦКМ при наличии геометрических и яркостных отличий между ними с целью уточнения местоположения летательного аппарата (ЛА) в автономном режиме полёта и получения дополнительной информации о наземных целях.

4. Анализ возможности реализации процедуры совмещения в реальном масштабе времени в зависимости от точности инерциальной навигационной системы.

5. Оценка точности результатов совмещения в зависимости от разрешения РЛИ и параметров поиска изображения объекта.

Методы исследования.

В работе использовались методы математической статистики и теории вероятностей, общие методы статистической радиотехники, методы обработки цифровых изображений, спектральный анализ и теория оптимальной фильтрации сигналов и изображений, математическое моделирование. Научная новизна.

Научная новизна диссертационной работы заключается в следующем.

1. Разработана методика расчёта показателей качества распознавания изображений объектов на РЛИ - вероятности правильного распознавания и вероятности ошибочного распознавания, основанная на обработке экспериментальных данных.

2. Проведён сравнительный анализ методов поиска и распознавания изображений объектов, основанных на модификациях корреляционного алгоритма, на использовании нейронной сети и методов моментов,

инвариантных к аффинным преобразованиям. Разработан алгоритм распознавания на основе применения преобразования Фурье и согласованной фильтрации, позволяющий существенно сократить время обработки.

3. Исследована возможность создания параллельных и последовательных алгоритмов распознавания изображений объектов на РЛИ.

4. На основе анализа зависимостей вероятности правильного распознавания и вычислительных затрат определены значения параметров грубого поиска распознаваемого объекта на изображении.

5. Разработаны и исследованы алгоритмы совмещения РЛИ с ЭИ, позволяющие выбирать характерные изображения участков земной поверхности, по которым проводится привязка (совмещение), как на формируемом РЛИ, так и на сформированных и обработанных заранее ЭИ.

Практические результаты.

К результатам, имеющим практическую ценность, относятся.

1. Экспериментально получены зависимости вероятности правильного распознавания от угла поворота, масштаба и пространственного сдвига распознаваемых изображений объектов относительно эталонных изображений.

2. Определён состав объектов (участков земной поверхности), которые целесообразно использовать в качестве эталонов для эффективного совмещения. С учётом разрешающей способности РСА определён размер эталонного участка в метрах или в точках (пикселах) на изображении. Минимальный размер эталонного изображения (стороны квадратного строба) может составлять 40-60 пикселей, максимальный -нецелесообразно делать более 200 пикселей.

3. Разработан алгоритм автоматического определения эталонов на РЛИ, позволяющий полностью автоматизировать процесс совмещения РЛИ с ЭИ.

4. Разработан трёхэтапный алгоритм совмещения РЛИ с ОИ при наличии между ними геометрических и яркостных отличий, позволяющий осуществлять совмещение с высокой точностью в квазиреальном масштабе времени (с небольшой задержкой) на персональных электронно-вычислительных средствах. Определены параметры грубого поиска объектов на изображениях: дискретность изменения угла поворота Да=3° (максимально допустимое значение Аа=5°); дискретность изменения масштаба Дт=0.03 (максимально допустимое значение Дш=0.1); дискретность изменения пространственного сдвига ДХ=ДУ=5 точек (максимально допустимое значение ДХ=ДУ=8 точек). Удалось достигнуть максимальной точности совмещения с ошибками, не превышающими: 0,8° по углу; 0.04 (4%) по масштабу; 2 точки по пространственному сдвигу.

5. Разработана процедура проверки правильности совмещения, основанная на сравнении пространственного соответствия между расположением эталонов и положением максимумов коэффициентов корреляции.

6. Экспериментально подтверждено, что при разрешающей способности РСА в 5-10 м и лучше получаемые РЛИ по качеству становятся близкими к ОИ. Это даёт возможность сначала провести автоматическое совмещение РЛИ с ОИ, а затем с учётом того, что на данный момент существуют ОИ практически всего земного шара, и они жёстко синхронизированы с ЦКМ, провести совмещение РЛИ и ЦКМ. Непосредственное совмещение РЛИ С ЦКМ нецелесообразно из-за больших яркостных отличий между изображениями.

Теоретические и практические результаты работы внедрены: в ФГУП «Государственный научно-исследовательский институт авиационных систем», ЗАО Научно-технический Центр Системного Моделирования (НТЦСМ), ЗАО ОКБ «Траверз», а также в учебный процесс на кафедре «Радиолокации и радионавигации» Московского авиационного института (Национального

исследовательского университета) для специальности 210302 «Радиотехника». Положения, выносимые на защиту.

1. Автоматическое обнаружение-распознавание объектов на РЛИ целесообразно осуществлять с использованием алгоритмов, реализующих вычисление коэффициента корреляции и согласованную фильтрацию.

2. Совмещение изображений целесообразно проводить, используя характерные и малоразмерные эталонные участки, что существенно повышает скорость обработки и увеличивает вероятность правильного распознавания (совмещения).

3. Разработанный трёхэтапный алгоритм, основанный на выборе эталонных участков на ОИ до начала полёта, позволяет реализовать совмещение радиолокационного и оптического изображений с высокой точностью.

4. Разработанный алгоритм автоматического выбора эталонов на РЛИ, основанный на выделении контуров радиоконтрастных объектов, позволяет автоматизировать процедуру совмещения.

5. Проверку правильности совмещения необходимо проводить путём сравнения пространственного соответствия между расположением эталонов и положением максимумов дискриминантной функции, а пороговая обработка дискриминантной функции нецелесообразна.

Апробация работы.

Материалы диссертационной работы обсуждались на: научно-практической конференции студентов и молодых учёных МАИ «Инновации в авиации и космонавтике-2010», Москва, МАИ, 26-30.04.2010; 9-ой Международной конференции «Авиация и космонавтика-2010», Москва, МАИ, 16-18.11.2010. Публикации по теме работы.

По результатам исследования опубликовано 4 работы, из них 2 статьи в журналах, рекомендованных ВАК РФ, и тезисы докладов на 2-х научных конференциях.

Объём и структура работы.

Диссертационная работа состоит из введения, пяти глав и заключения,

списка литературы из 101 наименования, включая работы автора. Общий объём диссертации - 202 станицы, 132 рисунка, 8 таблиц.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ Во введении обосновывается актуальность темы, сформулированы цели и задачи работы, приводятся положения, выносимые на защиту.

В первой главе проведён аналитический обзор методов автоматической обработки РЛИ. Перечислены этапы обработки РЛИ, одним из которых является этап сопоставления обработанной информации с данными, полученными по предыдущим полётам и (или) с данными, полученными от других систем. Учитывая возможности современных РСА, все объекты земной поверхности можно подразделить на малоразмерные (точеные), распределённые (протяжённые) и групповые.

С учётом рассмотренных в диссертации обстоятельств и реальных возможностей современной техники при наблюдении земной и водной поверхности наиболее интересным, практически ценным и достижимым является решение следующих задач.

1. Обнаружение и определение координат наземных и надводных одиночных малоразмерных объектов.

2. Грубое распознавание малоразмерных объектов по их размерам и вторичным признакам.

3. Обнаружение, распознавание и определение координат пространственно распределённых (площадных) наземных и надводных целей.

4. Определение факта движения наземных (надводных) объектов и обнаружение изменений в обстановке в результате совместной обработки радиолокационных и других изображений района разведки, полученных в разное время.

5. Классификация земных покровов (водная поверхность, суша, поле, лес и т. п.).

6. Совмещение РЛИ с ЦКМ или ОИ, содержащими координатную сетку.

7. Обнаружение скрытых объектов путём совмещение и анализа РЛИ, полученных в различных диапазонах длин волн.

Сложность решения перечисленных задач, кроме ряда объективных факторов (например, качества РЛИ), заключается в тесной связи и взаимном переплетении указанных задач. Решение одной задачи, позволяет перейти к решению другой, однако очерёдность решения указанных задач не является очевидной. Но главным является обнаружение и распознавание требуемых классов объектов. Обнаружение и распознавание может являться как самоцелью, так и составной частью для последующего решение других задач. Приводятся особенности и отличия решения задачи обнаружения и распознавания объектов на РЛИ от задачи обнаружения и распознавания воздушных целей, а также классификация методов решения задач обнаружения и распознавания объектов на РЛИ.

В связи с тем, что на земной поверхности наряду с интересующими объектами (целями), как правило, и в большом количестве, расположены отражающие объекты, не являющиеся целями (мешающие отражения), то задачу обнаружения наземных целей необходимо рассматривать и решать как задачу совместного обнаружения и распознавания изображений, иначе говоря, как задачу обнаружения-распознавания.

В главе представлен подробный анализ состояния проблемы обнаружения-распознавания объектов на радиолокационных и оптических изображениях, краткий обзор современных РСА и обзор работ, посвященных совмещению радиолокационных и эталонных изображений земной поверхности.

В заключении делается вывод о том, что в ряде случаев разрешающей способности РЛИ и априорных данных, получаемых от наземных и воздушных источников, а также производительности ЭВМ достаточно, чтобы существенно автоматизировать процесс решения в той или иной тактической задаче. Задачей, которую автоматически можно решить на практике, является задача совмещения изображений. Задача автоматического обнаружения-распознавания характерных участков местности на РЛИ является составной частью при решении задачи автоматического совмещения РЛИ.

Во второй главе подробно рассматривается особенности применения

автоматического совмещения РЛИ с ЭИ для решения задач радиолокации и радионавигации.

Задачи радиолокационного наблюдения земной поверхности, для решения которых необходимо автоматизировать процедуру совмещения, следующие.

Во-первых, совмещение нескольких РЛИ одного и того участка местности полученных в одном диапазоне длин волн через определённый интервал времени. Автоматизация процесса совмещения позволит в автоматическом режиме вести наблюдение земной поверхности и выявлять изменения на местности, возникающие в результате природных катаклизмов, а также выявлять следы хозяйственной деятельности человека. В качестве примера рассмотрим решение задачи обнаружения несанкционированной вырубки леса. На рис. 1.а представлена модель РЛИ участка леса, на рис. 1.6 - модель РЛИ того же самого участка местность, через некоторое время. Сравнивая рис. 1.а и рис. 1.6 можно увидеть, что часть леса исчезла (вырублена). На рис. 1 .в представлены различия между двумя РЛИ: то есть участки местности, на которых лес был вырублен.

Нйе НИН ■К? ■в

л?: -

Рис. 1. Модель РЛИ участка местности (а, б) и результат совместной автоматической обработки (в) Во-вторых, автоматическое совмещение РЛИ участка местности, полученных в различных диапазонах длин волн. Используя результаты совмещения можно обнаружить и распознать по косвенным признакам замаскированные объекты, например, скрытые под поверхностью земли или растительностью.

В-третьих, автоматическое совмещение РЛИ с ОИ и ЦКМ. Автоматизация этой процедуры позволяет "привязать" получаемые РЛИ к земным координатам, совмещая их с ОИ, содержащими координатную сетку или с ЦКМ, что в свою очередь позволяет получить дополнительную информацию и может помочь распознать объекты по косвенным признакам (например, по расположению

обнаруженных объектов относительно ориентиров на местности). А также позволяет решить навигационную задачу, т. е. автономно определить или уточнить местоположение ЛА, с борта которого формируется РЛИ. Из-за ошибок навигационных систем траектория пути ЛА отклоняется от линии заданного пути. Это приводит к тому, что координаты "точки" (Х2,У2), в которую переместился ЛА за определённый промежуток времени неизвестны, либо известны с недопустимо большой погрешностью. В результате этого положение РЛИ относительно ЛА, который его формирует, известно с высокой точностью, но положение РЛИ относительно эталонного ОИ или ЦКМ неизвестно или известно с большой погрешностью. Определив путём совмещения положение РЛИ на ЭИ (Хцрли.^црли), можно определить координаты (Х2,У2) ЛА:

алл =<ХРЛИ ~У> Х1=Хщш~г-^п(аглЛ У2=Уцрл11-г-со<аРшЛ (!)

В формуле 1 обозначено: осла - азимут ЛА; аРЛи - угловое положение РЛИ, относительно опорного направления расположения ЭИ; у - угол между траекторией движения ЛА и осью формирования РЛИ; г - дальность от ЛА до центра формируемого РЛИ.

В главе определены наиболее значимые геометрические (угол поворота, масштаб, пространственный сдвиг) и яркостные отличия между изображениями, которые необходимо учитывать при совмещении. Следовательно, необходимо разработать алгоритмы поиска и распознавания изображений объектов и оценки их геометрических параметров (угол поворота, масштаб).

В третьей главе на основе теории статистических решений проводится разработка структурных схем распознавателей при наличии геометрических отличий между эталонными и распознаваемыми изображениями. В общем случае модель наблюдаемого изображения записывается в виде:

г(т,п) = 5в(т,п/г,) + С(>п,п). (2)

В формуле 2 обозначено: 8е(т,п/уч) - квазидетерминированное эталонное изображение; 0=0,1,...^ - параметр распознавания; \У-1 - число априорно известных классов распознаваемых изображений объектов; у - вектор неизвестных геометрических отличий наблюдаемого изображения объекта от

12

эталонного, я=1,...,(}; ¿¡(т,п) - искажающее воздействие; ш=1,...,М и п=1,...,Ы -координаты на плоскости (позиции); М, N - размер изображения в пикселах. Ситуация 8=0 означает, что может наблюдаться изображение, не относящееся ни к одному из заранее созданных классов. К наиболее характерным геометрическим отличиям относятся: угол поворота одного изображения относительно другого а (у1=а), различия в масштабе ц (у2=ц) и пространственный сдвиг Х,У(у2=Х,У).

Квазиоптимальное устройство распознавания изображения объекта и оценивания его геометрических параметров представляет собой множество параллельных каналов, в которых необходимо предусмотреть возможные отличия наблюдаемого изображения объекта от эталонного. При неизвестном пространственном положении распознаваемого изображения, учитывая реальные размеры изображений, необходимо формировать более 100000 каналов, в каждом из которых необходимо учесть распараллеливание по другим геометрическим отличиям. На практике реализовать такую параллельность вряд ли возможно. Поэтому более целесообразно использовать одноканальные схемы с последовательным перебором параметров.

Пример такой схемы представлен на рис. 2.

Г(7«> Щ иг«.«) р) №»■!«.•> р

~1Г

т^г

1-0..Д! М...С

"1Г

свм ГО'

Рис. 2. Последовательная схема распознавания изображения объекта и оценивания его угла поворота и масштаба СВМ - схема выбора максимума; Хеа^ - решение о том, что объект принадлежит 1-му классу.

Техническая сложность реализации конкретных схем распознавания (вид дискриминантной функции, показывающей степень сходства распознаваемого изображения и эталона; вид нормировки, наличие или отсутствие декоррелятора) и величина порога Н определяется сложностью функции правдоподобия Р^г/б), которая должна соответствовать конкретным тактическим ситуациям и степени априорной неопределённости.

В таких последовательных схемах необходимо применять устройство памяти, в которое последовательно записываются данные. Запись и хранение

данных реализуется в матричной форме, табл. 1. _Таблица 1. Структура данных, записываемых в память.

9=1 0=2 e=w

\ м\ do ai au \ cto ai au 4 м \ ao ai au

Мо do cii au Mo ao ai au Mo ao ai au

Цо Mo M° Mo Mo Mo Mo Mo Mo

Mi do «I au Ml ao ai au Mi ao ai au

Mi Ml »л Mi Mi Mi Mi Mi Mi Mi

... ,„ ,„ ,,, ,,, ,„ »»

Мо Оо Mo ai Ms >5> au Mo Mo ao Mo ai Mo au Mo Mo ao Mo ai Mo au Mo

В главе предложена методика экспериментального определения оценок статистических показателей качества распознавания, таких как вероятность правильного распознавания и вероятность ошибочного распознавания объектов I-го класса Р! и Qi соответственно, а также средние вероятности Рср и Qcp, независящие от конкретного класса объектов.

В четвёртой главе исследуется возможность применения различных методов распознавания для решения задачи совмещения радиолокационных и эталонных изображений с целью выбора наиболее эффективного из рассматриваемых методов распознавания. Представлено решение задачи последовательного поиска и распознавания изображения S1 размером K*L пикселей на изображении SO размером M*N пикселей при наличии между ними геометрических и яркостных отличий.

Исследуются следующие методы распознавания:

1) на основе вычисления корреляционной функции;

2) с использованием нормированной корреляционной функции

££(S0W-S1W)

п - м__m

К I.

здесь К,, - нормировочный коэффициент;

Аж1 / =1

3) с использованием модуля коэффициента корреляции;

4) на основе вычисления значений корреляционной функции и нормированной

корреляционной функции с использованием быстрого преобразования Фурье. Вычисление нормировочного множителя K!t проводится в частотной области,

что существенно уменьшает вычислительные затраты.

Также рассматривалась возможность применения многослойной нейронной сети (НС), обученной по методу обратного распространения ошибки, и возможность использования геометрических моментов и моментов Лежандра, как средств обеспечения инвариантности к геометрическим отличиям между изображениями.

Эти методы сравниваются по вычислительным затратам и по вероятностям правильного распознавания в зависимости от геометрических отклонений распознаваемого изображения от эталонного. В качестве примера на рис. 2.а приведены зависимости отношения числа математических операций при вычислении коэффициента корреляции (КК) к числу математических операций при согласованной фильтрации (СФ) при различных размерах KxL пикселей распознаваемого изображения объекта и изображения размером MxN пикселей, на котором осуществляется поиск. На рис. 2.6 показаны графики зависимости средней вероятности правильного распознавания (Рср) при увеличении углового рассогласования (Да) между распознаваемым и эталонным изображением объекта для различных методов распознавания.

Рис. 2. Пример сравнения методов по вычислительным затратам (а) и вероятностям правильного распознавания (б) Распознавание на основе согласованной фильтрации обладает весьма высоким быстродействием, что необходимо при распознавании и совмещении в реальном масштабе времени, однако несмотря на нормировку, может приводить к

а)

б)

ошибкам в случае, если яркость эталонного изображения инверсна яркости распознаваемого изображения, что возможно при совмещении РЛИ с ОИ и ЦКМ.

Максимальные значения шага составляют: по углу Да=3°, по масштабу Дц=3%, по пространственному сдвигу ДХ=ДУ=5 точек при использовании вычисления модуля коэффициента корреляции. При использовании согласованной фильтрации: Да=2°, Дц=2%, ДХ=ДУ=4 точки. Представленные значения шагов поиска (дискретов изменения) обеспечивают вероятность правильного распознавания более 90%.

Основываясь на результатах исследований, в качестве дискриминантной функции, применяемой в алгоритмах совмещения радиолокационных и эталонных изображений, целесообразно использовать модуль коэффициента корреляции, а полученные значения вероятности правильного распознавания позволяют разделить алгоритмы совмещения на процедуру грубого и точного поиска.

В пятой главе представлено описание и анализ эффективности разработанных алгоритмов полуавтоматического и автоматического совмещения РЛИ с ОИ и ЦКМ.

Непосредственно применить в алгоритмах совмещения метод распознавания РЛИ на ОИ или ЦКМ, использующий коэффициент корреляции, нельзя, т. к. возникает целый ряд трудностей: большие вычислительные затраты, которые растут пропорционально квадрату увеличения размера сформированного РЛИ; затруднён анализ автоматической проверки правильности совмещения; низкая корреляция больших участков изображений, полученных в различных диапазонах длин волн, в различные моменты времени, при разных параметрах съёмки (зондирования) участков местности. Поэтому экспериментально определены характерные малоразмерные участки земной поверхности, которые возможно распознать с высокой достоверностью; они были названы эталонами. Определены размеры эталонов на основе разрешающей способности РСА и физических размеров объектов, расположенных на земной поверхности. Размер эталона целесообразно выбирать в пределах 50 - 150 пикселей. Если

разрешающая способность РСА составляет 5-10 м и лучше, то существует большая корреляция между изображениями объектов на РЛИ, полученных в сантиметровом диапазоне длин волн, и изображениями объектов на ОИ, что позволяет их совмещать без предварительной обработки, а затем совмещать РЛИ с ЦКМ, используя привязку ОИ и ЦКМ.

Полуавтоматический трёхэтапный алгоритм заключается в выборе человеком-оператором эталонов на ОИ с последующим автоматическим поиском их на РЛИ. Автоматический алгоритм состоит в автоматическом нахождении радиоконтрастных объектов (эталонов) на РЛИ с последующим их поиском на ОИ или ЦКМ.

Разработана методика проверки правильности совмещения. Представлены результаты оценки точности совмещения и времени, затрачиваемого на реализацию алгоритмов совмещения.

В качестве примера на рис. 3 приведены графики зависимости значений ошибки совмещения по угловому положению от шага перемещения эталона по РЛИ (а) и от шага изменения угла при поиске (б).

П>л; 1.48

усы Шит пмкка П* магштибу Лш«5*о

............................. >......... ....................У.........................

....................:.......................

........................

....................._________

гр* усы 1.02 ......

а и* м« сшт «ог ¿ш-

3

ЛХУ

а)

О,« 1,2 Да

1.6 2 П>яД>'сы

б)

Рис. 3. Зависимости значений ошибки совмещения по угловому положению от шага перемещения эталона по РЛИ (а) и от шага изменения угла при поиске (б) В заключении приведены основные выводы по результатам диссертационной работы.

Итоговым результатом диссертации является разработка и исследование эффективности алгоритмов автоматического совмещения радиолокационных изображений с эталонными изображениями земной поверхности.

17

Основными результатами являются:

1. Проведён сравнительный анализ различных методов распознавания объектов на изображении. Показано, что для решения задачи целесообразно использовать метод на основе вычисления коэффициента корреляции, который при наличии геометрических отличий обеспечивает наибольшую вероятность правильного распознавания.

2. Определён состав объектов на земной поверхности, которые можно достоверно распознавать с вероятностью более 90% при линейной разрешающей способности PJIC 1-10 м. Выбраны целесообразные размеры эталонных участков в пикселах, по которым проводится совмещение. Размер участков составляет от 50 до 150 точек (пикселей).

3. Разработан алгоритм автоматического выбора эталонов на радиолокационном изображении, основанный на обнаружении контуров радиоконтрастных объектов.

4. Реализовано автоматическое совмещение реальных радиолокационных изображений, полученных с помощью радиолокатора с синтезированием апертуры в различных диапазонах длин волн, с оптическими изображениями земной поверхности без предварительной обработки.

5. Совмещение радиолокационных изображений с цифровыми картами местности возможно, однако изображение цифровой карты местности должно быть предварительно обработано: переведено в 8-ми битный формат, повышена контрастность типовых объектов, удалена мешающая информация.

6. Разработан трёхэтапный алгоритм совмещения радиолокационного изображения с оптическим изображением. Разбиение процедуры совмещения на грубый и точный поиск позволяет реализовать процедуру совмещения в реальном масштабе времени и обеспечить высокую точность совмещения (ошибка не более 5 пикселей по пространственному положению).

7. Разработана процедура проверки правильности совмещения, основанная на сравнении пространственного соответствия между расположением эталонов и положением максимумов дискриминантной функции.

Разработано программное обеспечение для совмещения радиолокационных изображений земной поверхности, полученных в разных диапазонах длин волн, а также для совмещения радиолокационных изображений с оптическими изображениями и цифровыми картами местности.

Результаты диссертационной работы внедрены на трёх предприятиях, обсуждались на двух научных конференциях и опубликованы в виде двух статей в изданиях, рекомендуемых ВАК, и тезисов докладов двух научных конференций.

Полученные результаты свидетельствуют о том, что цели работы достигнуты.

СПИСОК ПУБЛИКАЦИЙ ПО ТЕМЕ РАБОТЫ

1. Кирдяшкин В. В., Татарский Б. Г. "Алгоритм выбора эталонов с целью

автоматического совмещения радиолокационного изображения с цифровыми картами местности или оптическими изображениями".

Радиотехника. №12,2009, с. 58-63.

2. Кирдяшкин В. В., Сосулин Ю. Г. "Совмещение радиолокационных изображений участка местности, полученных при различных траекториях движения носителя РСА". Сборник тезисов Научно-практической конференции студентов и молодых учёных МАИ «Инновации в авиации и космонавтике-2010». 26-30 апреля 2010 года, Москва, с. 78-79

3. Кирдяшкин В. В., Сосулин Ю. Г. "Автоматическое совмещение радиолокационных изображений с оптическими изображениями и цифровой картой местности". Успехи современной радиоэлектроники,

№10,2010, с. 59-71.

4. Кирдяшкин В. В., Сосулин Ю. Г. "Анализ методов автоматического обнаружения-распознавания объектов на радиолокационных изображениях". Тезисы докладов 9-ой Международной конференции «Авиация и космонвтика-2010». 16-18 ноября 2010 года, Москва, с. 259260.

Кирдяшкин Владимир Владимирович

Автоматическое совмещение радиолокационных и эталонных изображений

земной поверхности

Автореферат диссертации на соискание ученой степени кандидата технических наук

Подписано в печать 14.11.2011 Заказ №543 Формат 60x90/16. Усл. печ. л. 0.99. Тираж 100 экз. Типография «Реглет» 119526, г. Москва, Страстной бульвар, 6/1 (495) 978-43-34; www.reglet.ru

Список используемых сокращений Введение

1. АНАЛИТИЧЕСКИЙ ОБЗОР МЕТОДОВ И СРЕДСТВ 15 АВТОМАТИЗИРОВАННОЙ ОБРАБОТКИ (ДЕШИФРИРОВАНИЯ) РАДИОЛОКАЦИОННЫХ ИЗОБРАЖЕНИЙ

1.1. Основные направления и методы автоматизации процесса 15 обработки радиолокационных изображений

1.2. Задачи обнаружения и распознавания наземных объектов и 25 классификация методов их решения

1.3. Анализ состояния проблемы обнаружения-распознавания-объектов 32 на радиолокационных и оптических изображениях

1.4. Краткий обзор современных РСА

1.5. Краткий обзор работ, посвященных совмещению 43 радиолокационных и эталонных изображений земной поверхности

1.6. Выводы

2. ОСОБЕННОСТИ ПРИМЕНЕНИЯ ПРОЦЕДУР СОВМЕЩЕНИЯ 50 РАДИОЛОКАЦИОННЫХ И ЭТАЛОННЫХ ИЗОБРАЖЕНИЙ

2.1. Задачи радиолокационного наблюдения земной поверхности, для 50 решения которых необходимо автоматизировать процедуру совмещения изображений

2.2. Основные геометрические отличия, возникающие между 60 совмещаемыми изображениями

2.3. Яркостные отличия между совмещаемыми изображениями

2.4. Выводы

3. ПРИМЕНЕНИЕ ТЕОРИИ СТАТИСТИЧЕСКИХ РЕШЕНИЙ ДЛЯ 71 РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ

3.1. Разработка структур распознавателей при наличии геометрических 71 отличий меэаду эталонными и распознаваемыми изображениями

3.2. Статистические показатели качества распознавания

Актуальность темы.

Современные радиолокационные системы с синтезированием апертуры (РСА) позволяют получить высокодетальные радиолокационные изображения (РЛИ) земной поверхности независимо от погодных условий и времени суток. Содержащаяся на РЛИ информация может быть использована для решения чрезвычайно большого числа задач в различных, сферах деятельности человека.

На сегодняшний момент технологии получения РЛИ высокого качества существенно опережают технологии дешифрирования (обработки РЛИ с целью получения' необходимой информации) получаемых изображений. Большинство этапов обработки выполняет человек, а только некоторые этапы проводятся автоматически и то под контролем человека-оператора, который задает очередность выполнения операций, жёстко контролирует операции и субъективно определяет качество обработки.

В целом состояние проблемы дешифрирования характеризуется следующими фактами. Во-первых, существенный прогресс РСА позволяет получать изображения с высокой разрешающей способностью. Во-вторых, развитие электронно-вычислительной техники способствует проведению сложных и трудоёмких операций дешифрирования изображений. В-третьих, решаемая задача характеризуется значительным уровнем априорной неопределённости, большим разнообразием покровов земной поверхности, трудоёмкими вычислительными операциями и, несмотря на прогресс развития РСА, всё равно недостаточностью разрешающей способности для решения определённых* и наиболее важных задач дешифрирования. Перечисленные особенности приводят к разработке эвристических алгоритмов, а также к попыткам решить определённые задачи не на прямую, а применяя обходные пути и используя косвенные данные. Это подтверждается множеством публикаций, число которых вновь возросло в последнее время, так как, несмотря на сложность и существующие проблемы, стала очевидна важность и польза, которую можно получить, автоматизировав и решив пусть даже частные задачи дешифрирования.

Анализ существующих методов совмещения РЛИ показал, что данное направление является мало изученным по сравнению с другими направлениями обработки РЛИ (обнаружение и распознавание объектов-, обработка РЛИ с целью уменьшения - помех). В большинстве разработанных алгоритмов совмещения предполагаются априорно известными геометрические отличия между совмещаемыми изображениями! (угол поворота и масштаб) или же предлагается их устранять, применяя различные методы моментов, что приводит к потере информации о начальном взаимном расположении совмещаемых изображений. Большую часть обработки в существующих алгоритмах (предварительная обработка изображений, отбор точек совмещения; проверка правильности совмещения и т. п.) осуществляет человек-оператор, что ограничивает возможность применения этих алгоритмов. 1

Разработка алгоритмов автоматического совмещения РЛИ с эталонными изображениями (ЭИ) при наличии между изображениям» яркостных и, геометрических отличий, определение численных-характеристик этих отличий и оценка эффективности разработанных алгоритмов; позволит не только решить множество самостоятельных задач (обнаружение и распознавание целей, повышение информативности получаемых данных, определение местоположения целей), но и выделить дополнительную информацию; которая является ключевой для последующей обработки РЛИ. Эталонными именуем такие изображения, координаты объектов на которых известны - зафиксированы в какой-либо- системе координат. В качестве ЭИ могут выступать оптические изображения (ОИ), РЛИ, цифровые карты местности (ЦКМ), а также изображения, полученные в инфракрасном диапазоне. В связи с этим задача автоматического совмещения РЛИ с ЭИ является актуальной.

Цель работы.

Разработка и исследование алгоритмов автоматического совмещения радиолокационных изображений с эталонными изображениями земной поверхности; при этом в качестве эталонных используются радиолокационные и оптические изображения, а также цифровые карты местности.

Задачи работы.

1. Разработка и анализ алгоритмов поиска и обнаружения-распознавания двумерных изображений объектов, на радиолокационных и оптических изображениях.

2. Оценка возможности распознавания различных классов объектов с учётом разрешающей способности современных РСА.

3. Разработка алгоритмов автоматического совмещения РЛИ с ОИ и ЦКМ при наличии геометрических и яркостных отличий между ними с целью уточнения местоположения летательного аппарата (ЛА) в автономном режиме полёта и получения дополнительной информации о наземных целях.

4. Анализ возможности реализации процедуры совмещения в реальном масштабе времени в зависимости от точности инерциальной навигационной системы.

5. Оценка точности результатов совмещения в зависимости от разрешения РЛИ и параметров поиска изображения объекта.

Методы исследования.

В работе использовались методы математической статистики и теории вероятностей, общие методы статистической радиотехники, методы обработки цифровых изображений, спектральный анализ и теория оптимальной фильтрации сигналов и изображений, математическое моделирование.

Научная новизна.

Научная новизна диссертационной работы заключается в следующем.

1. Разработана методика расчёта показателей качества распознавания изображений объектов на РЛИ - вероятности правильного распознавания и вероятности ошибочного распознавания, основанная на обработке экспериментальных данных.

2. Проведён сравнительный анализ методов поиска и распознавания изображений- объектов;, основанных на модификациях корреляционного алгоритма, на использовании нейронной сети и методов моментов, инвариантных к аффинным преобразованиям. Разработан алгоритм распознавания» на основе применения преобразования Фурье, позволяющий существенно сократить время обработки.

3. Исследована возможность создания параллельных и последовательных алгоритмов распознавания изображений объектов на РЛИ.

4. На основе анализа зависимостей вероятности правильного распознавания и вычислительных затрат определены значения параметров грубого поиска распознаваемого объекта на изображении.

5. Разработаны и исследованы алгоритмы совмещения РЛИ с ЭИ, позволяющие выбирать характерные изображения участков земной поверхности, по которым проводится привязка (совмещение), как на формируемом РЛИ, так и на сформированных и обработанных заранее ЭИ.

Практические результаты.

К результатам, имеющим практическую ценность, относятся.

1. Экспериментально получены зависимости вероятности правильного распознавания от угла поворота, масштаба и пространственного сдвига распознаваемых изображений объектов относительно эталонных изображений.

2. Определён состав объектов (участков земной поверхности), которые целесообразно использовать в качестве эталонов для эффективного совмещения. С учётом разрешающей способности РСА определён размер эталонного участка в метрах или в точках (пикселах) на изображении. Минимальный размер эталонного изображения (стороны квадратного строба) может составлять 40-60 пикселей, максимальный - нецелесообразно делать более. 200 пикселей.

3. Разработан алгоритм автоматического определения эталонов на РЛИ, позволяющий полностью автоматизировать процесс совмещения РЛИ с ЭИ.

4. Разработан трёхэтапный алгоритм совмещения РЛИ с ОИ при наличии между ними геометрических и яркостных отличий, позволяющий осуществлять совмещение с высокой точностью в квазиреальном масштабе времени (с небольшой задержкой) на персональных электронно-вычислительных средствах. Определены параметры грубого поиска объектов на изображениях: дискретность изменения угла поворота Аа=3° (максимально допустимое, значение дискретность изменения, масштаба Апг=0.03 (максимально допустимое значение Дш=0.1); дискретность изменения пространственного сдвига АХ=АУ=5 точек (максимально допустимое значение ДХ=ДУ=8 точек): Удалось достигнуть максимальной точности совмещения с ошибками, не превышающими:

0,8° по углу; 0.04 (4%) по масштабу; 2 точки по пространственному сдвигу.

5. Разработана процедура проверки правильности совмещения, основанная на сравнении пространственного соответствия между расположением эталонов и положением максимумов коэффициентов корреляции.

6. Экспериментально подтверждено, что при разрешающей способности РСА в 5-10 м и лучше получаемые РЛИ по качеству становятся близкими к ОИ. Это даёт возможность сначала провести автоматическое совмещение РЛИ с ОИ, а затем с учётом того; что на данный момент существуют ОИ практически всего земного шара, и они жёстко синхронизированы с ЦКМ, провести совмещение РЛИ и ЦКМ. Непосредственное совмещение РЛИ? С ЦКМ нецелесообразно из-за больших яркостных отличий? между изображениями.

Теоретические и практические результаты работы внедрены: в ФГУП «Государственный научно-исследовательский институт авиационных систем», ЗАО Научно-технический Центр Системного Моделирования (НТЦСМ), ЗАО ОКБ «Траверз», а также в учебный процесс на кафедре 401 «Радиолокация; и радионавигация» Московского авиационного института (Национального исследовательского университета) для специальности 210302 «Радиотехника».

Положения, выносимые на защиту.

1. Автоматическое обнаружение-распознавание объектов на РЛИ целесообразно осуществлять с использованием алгоритмов, реализующих вычисление коэффициента корреляции и согласованную фильтрацию

2. Совмещение изображений целесообразно проводить, используя характерные и малоразмерные эталонные участки, что существенно повышает скорость обработки и увеличивает вероятность правильного распознавания (совмещения).

3. Разработанный трёхэтапный алгоритм, основанный на выборе эталонных участков на ОИ до начала полёта, позволяет реализовать совмещение радиолокационного и оптического изображений с высокой точностью.

4. Разработанный алгоритм автоматического выбора эталонов на РЛИ, основанный на выделении контуров радиоконтрастных объектов, позволяет автоматизировать процедуру совмещения:

5. Проверку правильности- совмещения необходимо проводить путём сравнения пространственного* соответствия, между расположением эталонов и положением максимумов дискриминантной функции, а пороговая обработка дискриминантной функции нецелесообразна:

Апробация работы.

Материалы диссертационной работы обсуждались на: научно-практической конференции студентов и молодых учёных МАИ «Инновации в авиации и космонавтике-2010», Москва, МАИ, 26-30:04.2010; 9-ой Международной конференции «Авиация и космонавтика - 2010», Москва, МАИ, 16-18.11.2010.

Публикации по теме работы.

По результатам исследования опубликовано 4 работы, из них 2 статьи в журналах, рекомендованных ВАК РФ, и тезисы докладов на 2-х научных конференциях.

Объём и структура работы.

Диссертационная работа состоит из введения, пяти глав и заключения, списка литературы из 101 наименования, включая работы автора.

5.5. Выводы

1. Необходимо на одном из совмещаемых изображений сначала выделить эталон или. эталоны, размеры которых могут быть в несколько раз меньше всего изображения, и искать его положение на другом * изображении. Эталоном должен быть участок земной поверхности, содержащий характерный сюжет. Выбор эталонов позволяет существенно ускорить процесс совмещения и повысить надёжность за счёт увеличения коэффициента корреляции.

2. Выбор в качестве эталонов участков земной поверхности, содержащих реки, острова, береговые линии (эталоны первого типа), позволяет совмещать РЛИ с ЦКМ и ОИ. Кроме того, земная поверхность и в других случаях* может содержать участки, которые целесообразно использовать в качестве эталонов (второго и третьего типа). Определены размеры эталонов, на основе разрешающей способности РСА и физических размеров объектов, расположенных на земной поверхности. Размер эталона целесообразно выбирать в пределах 50 -150 пикселей. Если разрешающая способность РСА составляет 5-10 м и лучше, то существует большая корреляция между изображениями объектов на РЛИ, полученных в сантиметровом диапазоне длин волн, и изображениями объектов на ОИ, что позволяет проводить успешное совмещение по эталонам первого, второго и третьего типа.

3. Разбиение процедуры на. грубую и точную, позволяет существенно ускорить процесс совмещения и добиться высокой точности совмещения. Грубый поиск осуществляется при следующих значениях

59.Bandiera F., Ricci G. "Non-trained Oil Slicks CFAR Detection based upon (possibly Polarimetrie) SAR Data". Radar 2004 - International Conference on Radar Systems (France).

60.Leducq P., Ferro-Famil L., Pottier E. "Matching-pursuit based analysis of fluctuating scatters in Polarimetrie SAR images". Radar 2004 - International Conference on Radar Systems (France).

61 .http://www.dataplus.ru/.

62.Достовалов M. Ю. и др. "Система автоматизированного распознавания объектов- на основе исследования радиолокационных портретов по изображениям РСА "КОМПАКТ-ЮО". Исследование Земли из космоса, 2005, №1.

63.Цивилин И. П. "Автоматическое распознавание радиолокационных изображений в бортовой PJIC". Радиотехника («Радиолокационные комплексы», №2), 2002.

64:Толкалин JI. Н., Зайцев Н. А. "Распознавание неподвижных объектов по амплитудной специфике радиолокационных сигналов". Серия «Радиотехника и радиооптика» T. VII. - Тула: Изд- Изв. ТулГУ, 2005.

65.Саниев К. Б. "Распознавание сигналов изображений". Радиотехника, 2007, №4.

66.Галыба С. А. "Использование методов спектральной обработки в задаче обнаружения слабоконтрастных аномалий. на радиолокационных портретах морской поверхности". Радиоэлектронные системы, сер. ОТ, вып. 1(9), 2005.

67.Зайцев Н. А., Толкалин JI. Н. "О распознавании неподвижных объектов по спектральным признакам". Серия «Радиотехника и радиооптика» Т. VI. - Тула: Изд - Изв. ТулГУ, 2004.

68.Сосулин Ю. Г., Русскин А. Б. "Фрактальное обнаружение протяженных малоконтрастных объектов на изображениях". Радиотехника, №12, 2009.

69. Русскин А. Б. "Сравнительный анализ методов измерения фрактальной размерности двумерных сигналов". Информационно-измерительные и управляющие системы, №9, 2009.

70. Русскин А. Б. "Обнаружение протяжённых объектов на радиолокационных изображениях с использованием- оценок фрактальной размерности". Автореферат диссертации на соискание ученой степени кандидата технических наук, - Москва, 2010.

71. Артемьев А. И. "Режим синтезирования апертуры антенны для задач радиовидения". Фазотрон. 1-2 (10), 2007.

72.Томашевич Н: С., Томашевич Д. С., Галушкин А. И. "Методы-реализации инвариантности к аффинным преобразованиям при распознавании двумерных изображений". Приложение к журналу "Информационные технологии", 2001, №1.

73.Матвеев А. М. "Метод формирования признаков, обеспечивающих инвариантное к ракурсу распознавание двумерных радиолокационных изображений объектов". Радиотехника и электроника, 2004. - Т. 49, № 9.

74.Матвеев А. М. "Всеракурсное распознавание радиолокационных изображений наземных (надводных) объектов с сегментацией пространства признаков на зоны квазиинвариантности". Автореферат диссертации на соискание ученой степени кандидата технических наук, - Москва, 2006.

75.М.К. Ни. "Visual Pattern Recognition By Moment Invariants". IEEE Transactions On Information Theory, Vol. IT-8, Feb. 1962.

76.Hew P.C. "Moments with respect to orthogonal functions on the unit dusk having invariance in form". Diary, Department of mathematics, The University of Western Australia, 1996.

77.Hew P.C. "Reconstruction from Zernike and orthogonal Fourier-Mellon moments". Diary, Department of mathematics, The University of Western Australia, February 1997.

78. http ://www.niikulon.ru.

79. http://www.gosniias.ru.

80. http ://www.phazotron. com.

81. http://www.vega.su.

82.Аксёнов О. Ю. "Совмещение изображений". Цифровая обработка сигналов, 2005, №3.

83.Кондратенков Г. С., Быков В. Н., Викентьев А. Ю. "Методика автоматического совмещения радиолокационных изображений с цифровыми картами и оптическими снимками местности". Радиотехника, 2007, №8. "Радиолокационные системы и системы радиоуправления", №15.

84.Достовалов Mi Ю., Лифанов А. С., Мусинянц Т. Г. "Обнаружение объектов по изменениям на. радиолокационных изображениях РСА ". Исследование Земли из космоса; 2007, №4.

85.R. G. White. "Change detection in SAR imagery". International Journal of Remote Sensing. Volume 12, Issue 2, Feb. 1991.

86.Никольский Д. Б. "Уровни обработки радиолокационных данных". Геоматика, 2008, № 1.

87.Копылов В.Н., Полищук Ю.М., Хамедов В.А. "Методические вопросы использования космических снимков для оперативной оценки последствий лесных пожаров". Геоинформатика, 2006, № 1.

88.P. Samczynski, М. Malanowski, P. Kulpa. "Fusion of SAR' and optical images as a method for improving target recognition on the Earth surface". 18th International Conference on Microwave, Radar and Wireless Communications MDCON-2010, June 14-16, 11th International Radar Symposium, IRS-2010, June 16-18.

89.Бочкарев A.M. "Корреляционно-экстремальные системы навигации". Зарубежная радиоэлектроника, 1981, №9.

90.Костров Б. В., Конкин Ю. В. "Метод совмещения радиолокационных изображений месшости". Вестник РГРТУ. Вып. 22. Рязань, 2007.

91. Конкин Ю. В. "Разработка системы определения координат летательного аппарата на основе совмещения радиолокационной и картографической информации". Автореферат диссертации на соискание ученой степени кандидата технических наук, - Рязань, 2007.

92.Киреев С. Н., Исаев А. Ю. и др. "Способ навигации летательного аппарата по радиолокационным изображениям земной поверхности с использование цифровых моделей местности". Патент на изобретение №2364887. Описание изобретения к патенту. Заявка 2007135603/09, 25.09.2007.

93.Нуссбаумер Г. Быстрое преобразование Фурье и алгоритмы вычисления свёрток. Пер. с англ. Касимова Ю. Ф. и Пчелинцева И. П.

- М.: Радио и связь, 1985.

94.Хуанг Т. С. Быстрые алгоритмы в цифровой обработке изображений. Пер. с англ. Ярославского Л. П. - М.: Радио и связь, 1984.

95.Саймон Хайкин. Нейронные сети: полный курс, 2-е издание. Пер. с англ. - М.: Издательский дом «Вильяме», 2006.

96.Скурихин А.Н. Нейронные сети: определения, концепции, применение.

- М.: Мин Атом Энерго Пром СССР, 1991.

97.Уоссерман Ф. Нейрокомпьютерная техника. Теория и практика. Пер. с англ. Зуева Ю. А., Точёнова В. А.; под ред. Галушкина А. И. - М.: Мир, 1992.

98.Кирдяшкин В. В., Сосулин Ю. Г. "Анализ методов автоматического обнаружения-распознавания объектов на радиолокационных изображениях". Тезисы докладов 9-ой Международной конференции «Авиация и космонвтика-2010». 16-18 ноября 2010 года, Москва.

99.Кирдяшкин В. В., Сосулин Ю. Г. "Автоматическое совмещение радиолокационных изображений с оптическими изображениями и цифровой картой местности". Успехи современной радиоэлектроники, №10,2010.