Алгоритмы автоматизированного обнаружения и распознавания наземных объектов по их радиолокационным изображениям в реальном масштабе времени тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Кузнецов, Виктор Андреевич

• Кузнецов, Виктор Андреевич
• кандидат технических наук
• 2012

Оглавление диссертации кандидат 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 диссертации (часть автореферата) на тему «Алгоритмы автоматизированного обнаружения и распознавания наземных объектов по их радиолокационным изображениям в реальном масштабе времени»

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.

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, 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.

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:

1. 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 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.

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.

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 диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Кузнецов, Виктор Андреевич

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.

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.

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.

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.

Список литературы диссертационного исследования кандидат технических наук Кузнецов, Виктор Андреевич, 2012 год

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.