автореферат диссертации по радиотехнике и связи, 05.12.04, диссертация на тему:Исследование и разработка методов формирования банков данных радиолокационной фоноцелевой обстановки

Введение.

1. Постановка задачи исследований.

1.1. Радиолокационные системы бокового обзора.

1.2. Основные задачи, решаемые современными системами PJI наблюдения. Особенности использования БДФЦО.

1.3. Обзор архивов данных существующих PJI систем.

1.4. Анализ требований к составу и структуре банка данных радиолокационной фоноцелевой обстановки.

1.5. Задачи исследований методов формирования БДФЦО системы PJI наблюдения.

1.6. Выводы.

2. Исследования методов синтезирования PJI изображений для использования в составе БДФЦО.

2.1. Структура обрабатываемого сигнала.

2.2. Общие методы обработки сигнала.

2.3. Особенности обработки, характерные для космических РСА.

2.4. Особенности обработки, характерные для самолетных РСА.

2.4.1. Определение параметров траекторного сигнала по голограмме.

2.4.2. Методы автофокусировки, используемые при синтезе изображений.

2.4.3. Особенности методов автофокусировки, используемых при синтезе изображений РСА КОМПАКТ-ЮО.

2.5. Дополнительные требования к алгоритмам формирования

РЛ изображений РСА КОМПАКТ-ЮО.

2.6. Методика формирования банка данных ФЦО самолетного РСА КОМПАКТ-ЮО.

2.7. Выводы.

3. Экспериментальные исследования характеристик отражений объектов по PJ1 изображениям. Исследования явлений, происходящих на морской поверхности.

3.1. Методика определения характеристик отражения объектов.

3.2. Результаты измерений ЭПР объектов.

3.3. Оценка применимости радиолокационной информации PC А КОМПАКТдля формирования БДФЦО космических РСА.

3.4. Исследование амплитудных и скоростных изображений морской поверхности.

3.4.1. Исследование амплитудных характеристик изображений морской поверхности.

3.4.2. Оценка скорости морских течений по РЛ данным космических РСА.

3.5. Выводы.

4. Исследование алгоритмов распознавания типовых объектов наблюдения по PJI изображениям. Методика формирования базы данных эталонных изображений.

4.1. Изучение структуры и свойств РЛ портретов объектов.*.

4.2. Постановка задачи автоматического распознавания объектов.

4.3. Общее описание алгоритма распознавания объектов.

4.4. Метод формирования базы данных эталонных изображений.

4.5. Модифицированный алгоритм распознавания объектов.

4.6.Результаты применения модифицированного алгоритма распознавания объектов.

4.7. Выводы.

Актуальность проблемы.

Последние десятилетия являются периодом интенсивного развития радиолокационных (PJI) систем, особенно РЛ систем с синтезированной апертурой (РСА), характеризующихся все более высоким уровнем разрешения. Если десять-пятнадцать лет назад РЛ системы с разрешением менее 1 метра были редкостью, то в настоящее время продемонстрирована возможность получения разрешения на уровне нескольких сантиметров [45-46,48].

Показана возможность эффективной работы РСА не только на космических аппаратах и самолетах различных классов, но и на вертолетах [44] и легких высокоманевренных беспилотных летательных аппаратах [57]. Стали широко доступны данные радиолокационного мониторинга (в первую очередь, космического) обширных районов земной поверхности. Быстро развиваются многоканальные РЛ системы - как многочастотные[38] и поляриметрические, так и интерферометры. В последние годы быстро развиваются методы поляриметрической интерферометрии[67,73]. Методы интерферометрии эффективно применяются для исследования не только суши, но и морской поверхности [92,93].

С улучшением пространственного разрешения современных РЛ систем существенно расширяется круг задач, которые можно решать с использованием РЛ изображений. В связи с этим все большую актуальность получают задачи разработки систем выделения полезной (целевой) информации из общего большого объема РЛ данных.

Задачи выделения целевой информации об объектах решаются, как правило, в следующих направлениях: во-первых, производится детальный анализ целевых объектов на РЛ изображениях с целью адекватного представления их свойств, отображаемых РЛ данными. Во-вторых, разрабатываются методы оптимальных численных оценок данных свойств, позволяющих описывать объекты на РЛ изображениях. Наконец, в-третьих, по численным оценкам заданных свойств создаются системы автоматизированного распознавания целевых объектов.

На всех этапах решения задач в том или ином виде используется банк данных радиолокационной фоноцелевой обстановки (БДФЦО).

В простейшем частном виде БДФЦО может представлять собой базу данных, или просто набор РЛ изображений, используемых для обучения оператора. Подобный БДФЦО позволяет решать наиболее простые задачи, например, обучить оператора визуально различать основные типы объектов на РЛ изображениях (суша, вода, лес, горы и т.п.). Однако, на практике, перед современными РЛ системами ставятся значительно более сложные задачи, требующие соответствующей структуры банка данных. Уровень сложности задачи определяет структуру банка данных, набор входящих в него компонент, а также, взаимосвязей между ними.

В настоящее время существуют доступные архивы данных информации зарубежных космических РЛ систем - ERS, RADARSAT, ENVISAT, а также, российского РСА АЛМАЗ-1. Эти банки данных в том или ином виде включают в себя архивы цифровых радиоголограмм (ЦРГ), архивы радиолокационных изображений (РЛИ) в определенных форматах представления, в сопровождении навигационной информации о движения носителя и картографической информации. Ограничением имеющихся данных является недостаточная разрешающая способность используемых РСА, в современных условиях существенно ограничивающая круг решаемых задач.

Удачным примером тематического БДФЦО может служить атлас РЛ изображений морской поверхности, полученных КА «АЛМАЗ-1» [2]. В данной работе рассмотрен широкий круг явлений, наблюдаемых на космических РЛ изображениях морской поверхности. Существенным элементом данного сборника является большой объем дополнительной специальной информации, помещенный в комментариях к каждому изображению. Этот набор данных также иллюстрирует характерную взаимосвязь требований, предъявляемых решаемой задачей (мониторинг явлений на морской поверхности) и достаточного в данном случае уровня разрешения РЛ системы (около 15 метров).

Для разработки систем выделения целевой информации, как правило, формируются в электронном виде специализированные архивы данных с высоким разрешением. Примером реализации подобного архива может являться проект MSTAR (Moving and Stationary Targets Acquisition and Recognition), проводимый в США с середины 90-х годов [75].

Очень ценный опыт отработки структуры БДФЦО, методов работы с ним, а также, возникающих при этом проблем был накоплен при эксплуатации предыдущего поколения систем космического РЛ наблюдения, в частности, АЛМАЗ-1 [5].

В настоящее время в различных странах, включая Россию, идет разработка космических систем РЛ наблюдения (СРЛН, КСРЛН) нового поколения, обладающих пространственным разрешением 1.2 метра [87,94,102]. Их основной чертой является возможность двойного применения, т.е. использования для решения как гражданских, так и военных задач.

Эффективность решения задач, поставленных перед самолетной или космической СРЛН, во многом определяется уровнем предварительной проработки (подготовки) используемого БДФЦО. Поэтому, проблема исследования методов формирования банка данных ФЦО системы РЛ наблюдения, конкретизирующих взаимодействие составляющих его блоков, является весьма актуальной.

Одной из задач, решаемых системами РЛ наблюдения, является изучение явлений, происходящих на морской поверхности [23]. В частности, автором был проведен ряд исследований морских течений по данным космических РСА. Исследование методов мониторинга течений также является актуальной задачей для космической СРЛН.

Актуальность исследования методов формирования БДФЦО на современном этапе определяется, в первую очередь, существенным расширением круга решаемых PJI системой задач, возникающих при переходе на уровень разрешения порядка 1. .2 метра.

При данном уровне разрешения одним из эффективных путей использования системы РЛ наблюдения является непосредственное наблюдение за конкретными подвижными объектами относительно небольшого размера.

Специфичный характер отражающих свойств радиолокационных портретов (РП) объектов, а также, существенная зависимость изображений объектов от ракурса визирования диктует необходимость формирования принципиально нового для KCPJ1H вида набора данных - банка эталонных (опорных) изображений объектов, используемых при визуальном или автоматическом дешифрировании.

Эталонными изображениями объекта в дальнейшем будет называться набор фрагментов PJI изображений, содержащих данный объект в наиболее типичных условиях и ракурсах (для визуального дешифрирования).

При «ручном» анализе РЛИ оператор визуально сравнивает объекты на изображении с эталонными изображениями объектов из БДФЦО, представленными в различных . ракурсах и состояниях.

При автоматическом распознавании объектов в качестве эталонов используются наборы некоторых характеристик, измеренных по эталонным РЛ изображениям объектов. Степень совпадения характеристик анализируемого объекта с каким-то из эталонов определяет возможность правильного автоматического распознавания объекта. Естественно, в этом случае чрезвычайно актуальными становятся вопросы изучения свойств РЛ изображений объектов, выделение набора устойчивых характеристик, разработка методов их измерения, а также, способов представления данных характеристик в БДФЦО.

Оптимальной стратегией создания подобного банка данных является его предварительная подготовка (до непосредственного запуска космической системы) по данным съемки самолетным аналогом космической РСА. Это делает актуальной задачу исследования радиолокационных портретов объектов по РЛ данным самолетного РСА для последующего использования в БДФЦО космической системы.

Для эффективного использования системой РЛ наблюдения, банк данных должен содержать полный набор наблюдаемых объектов при всех значениях ориентации. Однако, следует учитывать, что РП многих объектов, расположенных на территории других государств не могут быть получены авиационной РЛ системой. Кроме того, полный набор РП данных объектов не может быть получен и средствами КСРЛН, поскольку съемка производится в ограниченном диапазоне ракурсов. Это однозначно диктует необходимость применения моделирования для формирования эталонных РП объектов, наблюдаемых КСРЛН.

Вопросы моделирования РЛ изображений объектов в данной работе не рассматриваются. Однако, для всех задач моделирования очень важным является этап сравнения результатов, полученных на моделях, с данными реальных экспериментов. Этот этап также целесообразно проводить с использованием изображений, полученных самолетным РСА до запуска в эксплуатацию космической системы.

При этом, необходимо учитывать особенность современной ситуации — значительное сокращение объемов финансирования космических и научно-исследовательских программ. Это диктует необходимость поиска путей сокращения затрат, в частности, на проведение этапов самолетных экспериментов, что может быть достигнуто использованием существующих РЛ систем.

В качестве аналога перспективных российских СРЛН в настоящее время может использоваться мобильный РСА КОМПАКТ-100 [19,27], разработки НИИТП, обладающий разрешением 1,5 метра. Его применение позволяет с относительно небольшими затратами проводить этапы накопления баз данных РЛ изображений, необходимых для последующего использования в БДФЦО космической системы PJ1 наблюдения.

Основным преимуществом PC А КОМПАКТ-100 является возможность работы практически на любом самолете или вертолете, поскольку его антенна имеет небольшие размеры и РЛ съемка производится через иллюминатор без доработки воздушного судна.

В то же время, использование антенны РСА, жестко закрепленной на иллюминаторе, требует применения эффективных методов компенсации траекторных нестабильностей движения носителя при обработке РЛ данных.

Таким образом, при формировании БДФЦО актуальной является задача разработки методики использования данных (как непосредственно РП объектов наблюдения, так и для проверки результатов моделирования), полученных авиационными РЛ системами-аналогами. При этом, необходимо решать комплекс проблем, связанных с учетом динамики движения авиационного носителя.

Для адекватного сопоставления РЛ данных (либо разных каналов, либо изображений, полученных в разное время) необходимо иметь возможность приведения к единой шкале значений амплитуды (яркости) различных РЛ изображений, полученных в различных условиях. Следовательно, еще одной актуальной задачей при формировании БДФЦО является требование обеспечения возможности проведения взаимной калибровки данных. В частности, одним из ее видов является абсолютная калибровка РЛИ, позволяющая проводить измерения значений ЭПР как искусственных объектов, так и фоновых поверхностей.

Предмет и цели исследования

Общей задачей исследований является повышение эффективности перспективных систем РЛ наблюдения самолетного и космического базирования путем использования БДФЦО при проектировании (моделирование с применением самолетных аналогов РСА для КС), комплексной отработки на стендах моделирования, а также, при эксплуатации с применением методов автоматического анализа PJI изображений.

Предметом исследования в данной работе являются методы, при помощи которых формируется БДФЦО, а также, анализ основных проблем, возникающих при применении данных методов.

Целью проводимых в рамках данной работы исследований являлась разработка методик и рекомендаций по формированию и использованию БДФЦО в составе системы РЛ наблюдения.

Исследования проводились по следующим направлениям:

• Разработка методов и алгоритмов синтеза РЛ изображений для самолетного РСА с коррекцией траекторных искажений в условиях наличия значительных динамических возмущений движения носителя.

• Экспериментальные исследования характеристик отражений различных объектов по РЛ изображениям с разрешением 1,5 м.

• Исследование особенностей РЛ изображений морской поверхности. Оценка скорости морских течений, выявление поверхностных проявлений внутренних волн по данным космических РСА

• Исследование основных характеристик РЛ портретов типичных объектов мониторинга. Исследование возможности применения методов автоматического распознавания типов объектов

• Экспериментальная проверка эффективности методов распознавания объектов по их портретам на РЛ изображениях с данным уровнем разрешения.

Научная новизна В процессе проведения исследований получены следующие результаты:

1. Разработана методика формирования БДФЦО из голограмм и РЛ изображений с разрешением порядка 1 м, полученных самолетным носителем с высоким уровнем динамических возмущений траектории движения. Особенностью данной методики является возможность получения PJI изображений полностью в автоматическом режиме без использования какой-либо дополнительной навигационной информации.

2. Проведены измерения амплитудных характеристик (ЭПР) для набора объектов и их составных частей при различных условиях визирования.

3. Разработан метод повышения точности измерения параметров доплеровского спектра и проведены измерения радиальной скорости морских течений по данным космического РСА.

4. Предложен метод автоматического распознавания типов объектов авиатехники на основе совместного анализа их амплитудных и геометрических характеристик. Отличием данного метода от существующих аналогов является существенное сокращение количества используемых эталонных изображений.

Практическая значимость

1. Разработан программный комплекс формирования банка данных радиолокационной фоно-целевой обстановки, позволяющий в автоматическом режиме получать PJI изображения с разрешением 11,5 метра. В состав данного комплекса входят средства просмотра архива ЦРГ, синтезирования PJI изображений, визуализации РЛ изображений. Разработан метод использования алгоритма автофокусировки PGA при обработке ЦРГ, полученных в режиме полосовой съемки. Для исключения искажений амплитудной информации реализован способ хранения амплитуды РЛ изображений в формате «число с плавающей запятой» на пиксель.

2. Разработана практическая методика абсолютной калибровки РЛ данных по амплитудным характеристикам набора уголковых отражателей. Измерены значения ЭПР ряда искусственных объектов и фоновых поверхностей. Разработана методика сопоставления друг с другом амплитудных характеристик РЛ изображений, полученных при различных условиях наблюдений.

3. Продемонстрирована возможность получения двумерных полей радиальной скорости морских течений по данным космического РСА ERS1-2. Рассмотрены основные источники погрешностей измерения скорости течений. Предложен метод их компенсации. Полученные результаты хорошо согласуются с данными, приведенными в справочной литературе. Результаты исследований позволяют ставить перед перспективными космическими СРЛН конкретные задачи мониторинга морских течений, включая анализ изменений их положения и скорости во времени.

4. Разработан программный комплекс автоматического определения типов объектов авиатехники на основе использования сформированного банка РЛ данных. Определение типов объектов проводилось путем сравнения радиолокационных портретов объектов и эталонной информации, заложенной в БДФЦО. Определение типов объектов проводилось на основе совместного анализа амплитудных и геометрических характеристик РП объектов.

Достоверность и обоснованность

Достоверность полученных результатов обусловлена применением математически обоснованных методов решения. Достоверность амплитудных и геометрических характеристик РЛ изображений, входящих в состав БДФЦО подтверждается применением методик, сертифицированных для использования в составе сегмента обработки данных РСА КОМПАКТ-100 [27]. Достоверность результатов измерений ЭПР набора калибровочных уголковых отражателей подтверждается сравнением с результатами проведенных стендовых измерений.

На защиту выносятся

• Методика формирования БДФЦО из РЛ изображений с разрешением порядка 1,5м., полученных в условиях использования самолетного носителя с высоким уровнем динамических возмущений траектории движения

• Методика измерения амплитудных характеристик и результаты измерений ЭПР набора объектов и их составных частей при различных условиях визирования.

• Метод автоматического распознавания типов объектов авиатехники на основе совместного анализа их амплитудных и геометрических характеристик.

• Результаты экспериментальных работ по автоматическому распознаванию типов объектов авиатехники на РЛ изображениях с разрешением 1,5 метра с использованием предложенного метода распознавания.

Апробация работы

Основные результаты работы были доложены и обсуждены на XXI и XXII симпозиумах по радиолокационному зондированию природных сред (15-17.04.2003 и 2022.04.2004, Санкт-Петербург), международной научной конференции к 95-летию академика В.А.Котельникова (29-30.10.2003, Москва), 2-й всероссийской конференции «Дистанционное зондирование земных покровов и атмосферы аэрокосмическими средствами» (16-18.06.2004, Санкт-Петербург).

Публикации

По материалам диссертации опубликовано 9 работ, одна статья принята в печать, написан один технический отчет.

Структура и объем работы.

Работа состоит из введения, первой главы, излагающей постановку задачи, трех глав, содержащих описание проводимых исследований, заключения, списка литературы, включающего 104 наименования. Работа изложена на 128 листах, содержит 56 рисунков, 7 таблиц.

4.7. Выводы.

В данном разделе проводилось исследование алгоритмов распознавания ряда типовых объектов наблюдения по PJI изображениям. Был сформулирован оптимальный алгоритм распознавания объекта, основанный на использовании функции правдоподобия и предложена его модификация, позволяющая уменьшить число эталонных изображений и снизить требования к точности определения их характеристик.

Была разработана методика формирования базы данных эталонных изображений. На ее основе была создана тестовая база данных эталонных изображений, использованная для экспериментальной проверки эффективности применения модифицированного алгоритма распознавания объектов.

Задача автоматического распознавания решалась для 4 типов объектов авиатехники, расположенных на открытых бетонных стоянках.

Как показало исследование алгоритмов распознавания, для устойчивой идентификации сложных объектов необходимо предусматривать применение нескольких эталонов, соответствующих различной ориентации объекта. Тем не менее, количество подобных эталонов оказывается существенно меньшим, чем при использовании оптимального алгоритма распознавания.

Результаты применения модифицированного алгоритма распознавания типов объектов авиатехники показали возможность устойчивой их идентификации путем совместного анализа амплитудных и геометрических характеристик РЛ портретов объектов на изображениях.

Хотя полученные результаты относятся к ограниченной номенклатуре типов техники и ракурсов наблюдения, можно ожидать, что предложенные алгоритмы и критерии распознавания могут стать основой для создания банков эталонов и систем распознавания широкого класса объектов. Поэтому, необходимо продолжение летных исследований с целью набора статистики по РЛ изображениям различных объектов техники с формированием по ним обобщенных эталонов для различных ракурсов наблюдения.

Заключение

Проведенный анализ задач, решаемых самолетными и космическими РСА, методов обработки тематической информации, подтвердил необходимость создания банков РЛ фоноцелевой обстановки, использование которых может значительно повысить эффективность систем РЛ наблюдения, поднять оперативность и достоверность результатов наблюдения, реализовать автоматические методы распознавания объектов.

Использование сформированных банков РЛ данных играет существенную роль при разработке перспективных РСА, моделировании методов и алгоритмов обработки сигналов, отработки и испытаниях новых РЛ систем.

Создаваемые банки данных ФЦО должны включать в себя архивы ЦРГ, амплитудных и фазовых (комплексных) РЛИ, навигационных параметров движения ЛА, параметров геометрии визирования, режимов работы аппаратуры при съемке, а также, параметров (уставок), используемых при обработке данных.

Структура банков данных ФЦО должна обеспечивать возможность повторного использования РЛ данных, а также, предусматривать возможность развития «архитектуры» банка в связи с появлением новых методов обработки.

Для уточнения требований к структуре БДФЦО актуально проведение исследований методов формирования банков РЛ данных. Приведем основные результаты проведенных исследований.

1. Разработана методика формирования банка данных РЛ фоноцелевой обстановки на примере самолетного РСА «Компакт». Методика включает методы синтезирования РЛ изображений, которые дают возможность получать изображения с разрешением 11,5 метра при использовании самолетного носителя с жестко закрепленной антенной и высоким уровнем динамики.

2. Проведены экспериментальные измерения характеристик отражения ряда объектов. По PJT изображениям с разрешением 1,5 метра были определены значения ЭПР различных типов самолетов (включая измерения ЭПР отдельных элементов конструкции) при изменении ракурса наблюдения.

3. Проведены исследования особенностей РЛ изображений морской поверхности. Получены двумерные поля радиальной скорости морских течений по данным космического РСА. Предложен метод компенсации погрешностей, вызванных движением КА по орбите и наличием амплитудных флуктуаций на изображении. Полученные результаты хорошо согласуются с данными, приведенными в справочной литературе, что позволяет ставить перед перспективными космическими СРЛН конкретные задачи мониторинга морских течений, включая анализ изменений их положения и скорости во времени. Обнаружена возможность наблюдения скорости внутренних волн, что позволяет надеяться успешно наблюдать проявления гидрофизических характеристик различных объектов небольших размеров.

4. Был проведен анализ структуры и свойств РЛ портретов объектов, что позволило поставить задачу их автоматического распознавания. При решении данной задачи был сформулирован, на основе функции правдоподобия, оптимальный алгоритм распознавания объекта и предложена его модификация, позволяющая уменьшить число эталонных изображений и снизить требования к точности определения их характеристик.

Был разработан метод формирования базы данных эталонных изображений, на основе которого была создана тестовая база эталонов, использованная для проверки эффективности модифицированного алгоритма (метода) распознавания объектов.

5. Результаты применения предложенного метода распознавания типов объектов авиатехники показали возможность устойчивой их идентификации путем совместного анализа амплитудных и геометрических характеристик PJ1 портретов объектов на изображениях. При проверке эффективности модифицированного алгоритма вероятность правильного распознавания объектов составила от 60% до 91%.

В дальнейшем, можно ожидать, что предложенный метод и критерии распознавания могут стать основой для создания банков эталонов и систем распознавания широкого класса объектов.

1. Антипов В. Н., Горяинов В. Т., Кулин А.Н. и др. Радиолокационные станции с цифровым синтезированием апертуры антенны. М., Радио и Связь 1988, 304с.

2. Атлас аннотированных радиолокационных изображений морской поверхности, полученных космическим аппаратом «АЛМАЗА». М., ГЕОС, 1999г., -119 с.

3. Ахманов С.А., Дьяков Ю.Е., Чиркин А. С. Введение в статистическую радиофизику и оптику. М., Наука, 1981, 640 с.

4. Бабокин М.И., Карпов О.А., Толстое Е.Ф. Адаптивная обработка сигналов при синтезировании апертуры антенны в многофункциональных РЛС. Радиотехника, 2000, №7, стр. 39-46.

5. Гарбук С.В. Гершензон В.Е. Космические системы дистанционного зондирования Земли. М. Сканэкс, 1997.296 с.

6. Достовалов М.Ю., Неронский Л.Б., Переслегин С.В. Исследование поля скорости океанских течений по фазометрическим данным, полученным РСА КА «ERS». Океанология, 2003г., том 43, №3, стр 473-480.

7. Елизаветин КВ., Ксенофонтов Е.А. Результаты экспериментального исследования возможности прецизионного измерения рельефа Земли интерференционным методом по данным космического РСА. Исследования Земли из Космоса, 1996, №1, стр. 75-90.

8. Заблоцкий В. Р. Применение космических радиолокационных изображений РСА КА «Алмаз-1» для исследования сельскохозяйственных культур. Исследования Земли из Космоса, 1996, №2, стр. 106-110.

9. Клочко В.К., Курилкин В.В., Шейнина КВ. Сравнительный анализ алгоритмов распознавания объектов бортовыми РЛС. «Радиотехника», 2003г., №12.

10. Кондратенков Г.С., Колтышев Е.Е., Фролов А.Ю., Янковский В. Т. Фазовый портрет объектов в РЛС с синтезированной апертурой. Радиотехника, 2000, №7, стр. 19-25.

11. Кондратенков Г.С., Потехин В.А., Реутов А.П. Радиолокационные станции обзора земли. М. Радио и связь, 1983.

12. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. М, Наука, 1978, 831 с.

13. Левин Б.Р. Теоретические основы статистической радиотехники. М. Сов. Радио, 1974-1976, кн. 1-3.

14. Морской физико-географический атлас. Том II. Издание Генерального Штаба ВМФ СССР, 1953 г.

15. Неронский Л.Б., Достовалов М.Ю., Переслегин С.В. Улучшенные алгоритмы оценки доплеровскй частоты сигналов РСА. Труды 2-й Всеросс. конф. «Дистанционное зондирование земных покровов и атмосферы аэрокосмическими средствами», СПБ, 2004, т. 2, стр. 82-91.

16. ПАТЕНТ РФ №2168186 Мусинянц Т.Г. и др. Авиационная радиолокационная система обзора Земли, от 27.05.2001.

17. Переслегин С.В., Королев A.M., Маров М.Н. и др.Радиолокационные измерения мезомасштабных полей течений океана по данным РСА КА АЛМАЗ-1. Исследование Земли из космоса, N5,1994.

18. Прэтт У. Цифровая обработка изображений. М., Мир, 1982,Т. 1,2. -790 с.

19. Рабинер Л., Гоулд Б. Теория и применение цифровой обработки сигналов. М., Мир, 1978 г., 848с.

20. Радиолокационные станции воздушной разведки /Ред. Кондратенков Г.С. М., Воениздат, 1983.

21. Сертификат об утверждении типа средств измерений военного назначения. RU.E.35.018.B. №15315 (номер в госреестре 25208-03).

22. Сколник М.И. Справочник по радиолокации. В четырех томах. М., Советское радио, 1976.

23. Стайнберг Б. Д. Формирование радиолокационного изображения самолета в диапазоне СВЧ. ТИИЭР, т.76, №12, 1988.

24. Сысенко Д.В. Сравнительный анализ методов синтеза в прожекторном режиме. Труды 2-й Всеросс. конф. «Дистанционное зондирование земных покровов и атмосферы аэрокосмическими средствами», СПБ, 2004, т. 3, стр 151-155.

25. Турук В.Э., Неронский Л.Б., Порохов И.О. Выбор технических характеристик РСА универсального назначения для малого космического аппарата. Вопросы радиоэлектроники, сер. Общетехническая, вып. 1, М., 2002, с.43-52.

26. Феоктистов Ю.А. Системный подход в радиотехнике. Радиотехника, 1996, №1, стр. 5-8.

27. Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов. М. Радио и Связь, 1986г., -262с.

28. Фриден 2>.Р. Вычислительные методы в теории вероятностей и статистике. //В кн.: Компьютеры в оптических исследованиях. М.Мир, 1983, стр. 110-275.

29. Фукунага К Введение в статистическую теорию распознавания образов. М. Наука, 1979г., -367 с.

30. Хореев А.А. Теоретические основы оценки возможностей технических средств разведки. Монография. М.: МО РФ, 2000, -255 с.

31. Быстрые алгоритмы в цифровой обработке изображений. /Под ред. Т.С.Хуанга. М., Радио и связь, 1984,221 с.

32. Черноок В.И., Дзенкевич А.В., Плющев В.А. и др. Результаты многочастотной радиолокационной съемки прибрежных зон Баренцева и Белого моря. Исследование Земли из космоса 1998, №4, стр. 86-91.

33. Alpers W., Rufenach С. On the Detectability of Ocean Surface Waves by Real and Synthetic Aperture Radars. J. Geophys. Res. Vol. 86, pp. 6481-6498, 1981.

34. Bamler R. Doppler Frequency Estimation and the Cramer-Rao Bound. IEEE Trans. On Geoscience and Remote Sensing, May 1991, pp. 385-390.

35. Barclay M. W., Williams N.K. Higr Resolution SAR/ISAR Images From a Helicopter Platform. Proc RADAR-97, October.1997, pp 109-113.

36. Brenner A.R., EnderJ.H. First Experimental Results Achieved With The New Very Wideband SAR System Pamir. Proc. EUSAR-2002, pp. 81-86.

37. Brenner A.R., EnderJ.H. Airborne SAR Imaging with Subdecimeter Resolution. Proc. EUSAR 2004, Vol.1, pp.267-270.

38. Cafforio C., Prati C., Rocca E. SAR Data Focusing Using Seismic Migration Techniques. IEEE Trans. On On Aerospace and Electronic Systems, Vol.27, No 2, Mar. 1991, pp. 194-205.

39. Cantalloube H., Dubois-Fernandez P. An Airborne X-Band SAR Imaging with 10cm Resolution Technical Challenge and Preliminary Results. Proc. EUSAR 2004, Vol.1, pp.271-274.

40. Carrara W.G., Goodman R. S., Majewski R.M. Spotlight Synthrtic Aperture Radar. Artech House, Boston 1995.

41. Cetin M., Karl W. Feature-Enhanced Synthetic Aperture Radar Image Formation Based on Nonquadratic Regularization. IEEE Trans. On Image Processing, Vol.10, No 4, Apr.2001, pp.623-631.

42. Cetin M., Karl W., Castanon D. Feature-Enhancement and ATR Performance Using Nonquadratic Optimization-Based SAR Imaging. IEEE Trans. On On Aerospace and Electronic Systems, Vol.39, No 4,0ct.2003, pp.1375-1395.

43. Chan H.L., Yeo T.S. Noniterative Quality Phase-Gradient Autofocus (QPGA) Algorithm for Spotlight SAR Imagery. IEEE Trans. On Geoscience and remote sensing Vol.36, No. 5 Sept 1998.

44. Chan H.L., Yeo T.S. Comments on Noniterative Quality Phase-Gradient Autofocus (QPGA) Algorithm for Spotlight SAR Imagery. IEEE Trans. On Geoscience and remote sensing Vol.40, No. 11 Nov. 2002.

45. Cumming /.G. Model Based Doppler Estimation for Frame Based SAR Processing. Trans. On Geoscience and Remote Sensing, Nov. 2001.,pp.561-567.

46. Del Frate F, Ferrazzoli P., Guerriero L. Wheat cycle monitoring using radar data and a neural networks. Proc. IGARSS-2002, June 2002, Vol.1, pp. 481-483.

47. Dostovalov M. Y., Dyakov I. V., Fyodorova A. V., Shcetinin M. V. The Forming and Joint Processing of Radar, Optics and Infrared High-Resolution Images. Proc ERIM-1996, San-Francisco, Vol.3, pp.191-199.

48. Edrich M. A High Resolution Millimeter Wave FMCW Airborne SAR with Minimum SWP Characteristics. Proc. EUSAR-2004, Vol.1, pp. 287-290.

49. Eichel P.H., Ghiglia D.C., Jakowats С. V. Speckle processing method for synthetic aperture radar phase correction. Optic Letters Vol.14, No 1, Jan. 1989.

50. Eichel P.H., Jakowats C.V. Phase gradient algorithm as an optimal estimator of the phase derivative. Optic Letters, Vol. 14 No 20, Oct. 1989.

51. Federation of American Scientists; Washington, DC, http://www.fas.org.

52. Hummel R. Model Based ATR Using Synthetic Aperture Radar. Proc. Radar 2000, Vol.1, pp 856-862.

53. Irving W. W., Novak L.M., WillskyA.S. AMultiresolution Approach to Discrimination in SAR Imagery. IEEE Trans. On On Aerospace and Electronic Systems, Vol.33, No 4, Oct. 1997, pp.1157-1169.

54. Klemm R. Current Trends in SAR Technology (Conference report: EUSAR-96), Systems,1997, №3.

55. Kreithen D.E., Halversen S.D. A Discrimination Algorithms and the Effect of Resolution. Proc. IEEE National Radar Conference, 1993, Vol.1, pp. 128-133.

56. Lappo S.S., Armand N.A., Volkov A.M. et al. On the Concept of Development of Russian Space Oceanography in 1996-2015 // Earth Observation and Remote Sensing. 1997. v. 15, N 2, p.265-280

57. Lee J.S. Digital Image Enhancement and Noise Filtering. IEEE trans. PAMI, 1980, Vol.2, pp. 165-168.

58. Liseno A., Papathanassiou K., Hajnsek I. Scheiber R. Vegetation bias removal andr underlying topography estimation using Polarimetric SAR Interferometry. Proc. EUSAR-2004, Vol.1, pp. 263-266.

59. Lyzenga D.R., Shuchmann R.A, Walker J.L., C.L. Rufanach. Measurement of Ocean Surface Currents by Syntetic Aperture Radar // Proceedings IGARSS'82. v.l, p.71-76

60. Madsen S.N. Estimating the Doppler Centroid of SAR Data. IEEE Trans. On Aerospace and Electronic Systems Vol. 25, No.2 Mar. 1989.

61. Mayer Т., Moreira A. An Algorithm for Airborne Motion Error Correction Using the Phase Information in SAR Raw Data. Proc. EUSAR-1996, Vol.1, pp. 139-142.

62. Mette T. Hajnsek I. The Potential of Forest Height-Biomass Allometry for Pol-InSAR.Proc EUSAR 2004, Vol.1, pp.241-244.

63. Moussiniants T.G. Multipurpose Flying Laboratory Based on IL-76MD Aircraft. Proc. ERIM-1996, San-Francisco, Vol. 2, pp.46-53.

64. Moving and Stationary Target Acquisition Recognition (MSTAR), Program Review, Denver, CO, Nov. 1996.

65. Neronskiy LB., Verba VS., Lihansky S.G., D.V.Pushkov, I.V.Elizavetin. Phenomenological Approach to SAR Signal Processing Simulation. Proc. EUSAR2004 Conference, 24-28 May, 2004, Ulm, Germany, vol. 2 pp. 1005-1008.

66. Neronsky L.B., Dostovalov M. Y., Pereslegin S. V. The Extended Algorithms for Doppler Centroid Estimation. Proc. EUSAR-2004, pp. 709-712.

67. Novak L.M. ATR Using.Enhanced Resolution SAR Data IEEE Trans. Aerospace and Electronic Systems, No 1, Jan. 1999.

68. Novak L.M. Halversen S.D. Effects of Polarization and Resolution on the Performance of SAR ATR System. Lincoln Laboratory Journal, Vol 6,1995, pp.49-67.

69. Novak L.M. Halversen S.D:, et.al., Effects of Polarization and Resolution on SAR ATR. IEEE Transactions on Aerospace and Electronic Systems, Vol 33, n. 1,1997.

70. NovakL.M. Radar Target Identification Using Spatial Matched Filters. Pattern Recognition, Vol.27,1994. pp. 607-617.

71. Novak L. M. Radar Target Identification Using Eugen Image Approach. Proc. IEEE National Radar Conference, Atlanta, GA, 1996, Vol.1, pp. 129-131.

72. Novak L.M. Proc. Asilomar Radar Conference, Pacific Grove, CA, 1998, pp. 79-84.84 .Novak L.M. State of Art of SAR Automatic Target Detection/Recognition. Proc. EUSAR 2000, pp 683-686.

73. Oliver C., Quegan S. Understanding Synthetic Aperture Radar Images. Artech House, Boston 1997.

74. Osipov I. G., Andrianov V., Lipatov A., Neronskiy L., Turuk V., Double-Frequency Polarimetric Space-Based Multipurpose SAR of L- and P-Wavebands ("KORUND") Proceedings of EUSAR2002 Conference. Cologne, Germany, June 2002, pp. 447-449.

75. Osipov I.O., Neronsky L.B., Turuk V.E. et all .Synthetic Aperture Radar for Earth and Sea Surface Observation. Proc. EUSAR-2004, Vol.1, pp. 59-62.

76. Overman КС., Leahy K.A., et. all The Future Of Surface Surveillance Revolutionizing The View Of The BatterField Proc. Radar 2000, pp 1-6.

77. Quegan S. Le Toan T. Yu J. Multitemporal ERS SAR analysis applied to forest mapping. IEEE Trans. On Geoscience and Remote Sensing Vol. 38, N 2 Mar. 2000.

78. Raney R.K., Runge H., Bamler R. et all Precision SAR Processing Using Chirp Scaling. IEEE Trans. On Geoscience and Remote Sensing. Vol.32, No. 4, July. 1994, pp. 786-799.

79. Satellite Radar in Agriculture: Experience with ERS-1, ESA SP-1185, 1995.

80. Schuler D.L., Lee J.S. Polarimetric SAR Studies of Ocean Surface Features jointly using Orientation Angles and Parameters of the <H/A/of> Decomposition. Proc. EUSAR-2004, Vol.1, pp.63-66.

81. Shulz-Stellenfletch J. Sea Surface Imaging with an Across Track Interferometric SAR. IEEE Trans. On Geoscience and Remote Sensing Vol. 39, N 9 2001.

82. Spaceborne Synthetic Aperture Radar: Current Status and Future Directions. NASA Technical Memorandum 4679, NASA, April 1995.

83. Taylor T. Design of Line-SourceAntennas for Narrow Beam Width and Low Sidelobes. IRE Trans. On Antennas &Propagation, Vol. AP-3, Jan. 1955.

84. Thompson D.G., Bates J.S., Arnold D.G., etc. Extending the Phase Gradient Autofocus Algorithm for Low-Altitude Stripmap Mode SAR. Proc. IGARSS-1999, Vol.1 Pp. 564566.

85. US Patent No 4,924,229, Eichel et al. Phase correction system for automatic focusing of synthetic aperture radar. May 1990.

86. US Patent No 5,179,383 Raney et al. Synthitic aperture radar processor to handle large squint with high phase and geometric accuracy. Jan. 1993.

87. US Patent No 5,237,329 Bamler et al. Method of correcting range migration in image generation in synthetic aperture radar. Aug. 1993.

88. US Patent No 5,627,543, Moreira. A. Method of image generation by means of two-dimensional data processing in connection with a radar with synthetic aperture. May 1997.

89. Wahl D.E., Eichel P.H., Ghiglia D.C., Jakowats С. V. Phase Gradient Autofocus -A Robust Tool for High Resolution SAR Phase Correction. IEEE Trans. On Aerospace and Electronic Systems Vol.30, No. 3, July 1994.

90. Werninghaus R., Balzer W., et all The TerraSAR-X Mission. Proc. EUSAR-2004, Vol.1, pp. 19-22

91. Weydahl D.J., Sagstuen J., Dick O. Analysis of X-SAR SRTM Elevation Data to Estimate Surface Cover Heights over Land Areas. Proc. IGARSS-2003, France, Vol.1, pp.112-114.

92. Wong F., Cumming I.G. A Combined SAR Doppler Centroid Estimation Scheme Base Upon Signal Phase. Trans. IGARSS'2000,2000.