Информационная технология распознавания радиолокационных изображений на основе методов фрактального сжатия тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Минаев, Евгений Юрьевич

• Минаев, Евгений Юрьевич
• кандидат наук
• 2016

Оглавление диссертации кандидат наук Минаев, Евгений Юрьевич

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ ИСХОДНЫХ ДАННЫХ, ОБОСНОВАНИЕ ОСНОВНЫХ ЭТАПОВ ИНФОРМАЦИОННОЙ ТЕХНОЛОГИИ

1.1 Обзор систем радиолокационного зондирования

1.2 Анализ технологий обработки радиолокационных изображений

1.3 Основные этапы технологии формирования и распознавания радиолокационных изображений

1.4 Конкретизация задач исследования

Выводы к главе 1

ГЛАВА 2. МЕТОДЫ И АЛГОРИТМЫ ЛОКАЛИЗАЦИИ И ФРАКТАЛЬНОГО СЖАТИЯ ОБЛАСТЕЙ ИНТЕРЕСА РАДИОЛОКАЦИОННЫХ ИЗОБРАЖЕНИЙ

2.1 Постановка задачи, локализация скользящим окном поиска

2.2 Локализации объектов на основе методов активного контура

2.3 Алгоритмы отбора областей-претендентов

2.4 Алгоритмы формирования фрактальных изображений

Выводы к главе 2

ГЛАВА 3. МЕТОДЫ И АЛГОРИТМЫ РАСПОЗНАВАНИЯ ФРАКТАЛЬНЫХ ОБРАЗОВ РАДИОЛОКАЦИОННЫХ ИЗОБРАЖЕНИЙ

3.1 Постановка задачи распознавания фрактальных изображений с использованием показателя сопряженности

3.2 Формирование обучающих множеств, разделимых по показателю сопряженности

3.3 Алгоритм вычисления показателя сопряженности

3.4 Исследование эффективности алгоритма формирования опорных подпространств

3.5 Исследование качества алгоритмов распознавания в составе информационной технологии

Выводы к Главе 3

ГЛАВА 4. ИНФОРМАЦИОННАЯ ТЕХНОЛОГИЯ ФОРМИРОВАНИЯ РАДИОЛОКАЦИОННЫХ ЦИФРОВЫХ МОДЕЛЕЙ МЕСТНОСТИ

4.1. Постановка задачи моделирования

4.2 Технология формирования трехмерной модели подстилающей поверхности

4.2.1 Разработка метода параметрической автоматизированной генерации карт рельефа

4.2.2 Формирование карты местности

4.2.3 Формирование рельефа на основе карты местностей

4.2.4 Формирование итогового рельефа

4.3 Моделирование трехмерных сцен с техногенными объектами

4.4 Моделирование 2Б-изображений с использованием трехмерной цифровой модели сцены

Выводы к Главе 4

ГЛАВА 5. ПРОГРАММНЫЙ КОМПЛЕКС ФОРМИРОВАНИЯ И РАСПОЗНАВАНИЯ РАДИОЛОКАЦИОННЫХ ИЗОБРАЖЕНИЙ

5.1 Архитектура программного комплекса формирования и распознавания радиолокационных изображений

5.2 Результаты и оценка качества формирования радиолокационных изображений

Выводы к Главе 5

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ A ФОРМАТ ДАННЫХ ПРЕДСТАВЛЕНИЯ

ТРЕХМЕРНОЙ СЦЕНЫ

3

Введение диссертации (часть автореферата) на тему «Информационная технология распознавания радиолокационных изображений на основе методов фрактального сжатия»

ВВЕДЕНИЕ

Актуальность темы исследования и степень её разработанности.

В последние годы наблюдается возрастающий интерес к системам дистанционного зондирования Земли в СВЧ диапазоне. Расширяется область прикладного применения таких систем для контроля и улучшения среды обитания, в частности, для контроля загрязнений окружающей среды, поиска полезных ископаемых и мониторинга состояния техногенных объектов и др. Обработка и интерпретация радиолокационных данных требует особого подхода, отличающегося от обработки изображений видимого и ИК диапазонов. Одной из центральных проблем является разработка эффективных методов и алгоритмов распознавания радиолокационных изображений (РИ).

Теория и практика распознавания радиолокационных данных имеет достаточно большую историю. Большой вклад к развитие методов распознавания РИ внесли отечественные (Сколник М.И., Сосулин Ю.Г., Горелик Л.А., Цивлин И.П., Матвеев А. М., Скрипкин B.A.) и зарубежные (O'Sullivan J.A., Jacobs S.P., Kedia V., Leberl F., Dudani S., Breeding K., McGhee, R.,Verbout S., Novak L.) ученые. В этой области сложилось ряд подходов, различающихся принципами представления исходных данных, и методами формирования признаков и решающих правил.

Традиционный путь построения систем распознавания РИ основан на использовании эталонов, полученных путем предварительного проведения натурных испытаний на полигонах или в безэховых камерах. По результатам испытаний составляется база данных радиолокационных «портретов» объектов, характеризующихся эффективной площадью рассеяния (ЭПР) при разных ракурсах наблюдения. Этот подход позволяет получать информативные наборы исходных данных, но требует больших затрат ресурсов и доступности подлинного объекта исследований. Кроме того, поскольку РИ сильно различаются при изменении ракурса наблюдения, возникает потребность в большом объеме памяти для хранения всех возможных вариантов эталонных изображений.

Подход, позволяющий преодолеть указанные трудности, состоит в том, что в памяти хранятся только трехмерные компьютерные модели объектов, с

использованием которых РИ формируются путем моделирования непосредственно перед этапом распознавания объекта. В данном случае может достигаться высокое качество распознавания даже по сравнению с технологией, основанной на использовании изображений, получаемых на полигонах и в безэховых камерах, т.к. имеется возможность точно задавать ракурс наблюдения по текущим параметрам движения летательного аппарата, получаемым от внешних систем (навигации).

На этапе распознавания ключевой проблемой является формирование системы признаков. По способу формирования признаков, характеризующих РИ объектов, различают статистический и детерминистский подход. Среди работ, посвященных распознаванию двумерных радиолокационных изображений объектов на основе математических методов статистики, можно выделить ряд работ зарубежных (Hirotugu A., Billingsley J.B., Farina A., Gini F., Greco M.V., Verrazzani L.Holt C., Attili J., Schmidt S.) и отечественных (Ширман Я.Д., Горшков C.A., Лещенко С.П., Братченко Г.Д., Орленко В.М., Горбачев А.А., Колданов А.П.) авторов. К классу детерминистских методов относится ряд традиционных подходов к формированию признаков изображений, в частности, с использованием функционалов (Dudani S., Breeding K., McGhee R., Wong R.Y., Hall E.L., Цивлин И.П.) и различных дескрипторов формы (Sajjanhar A., Guojun L., Murphy L.M.).

Основные трудности формирования признаков объектов на РИ связаны с изменчивостью образов при различных условиях зондирования. Вследствие этого предварительное препарирование РИ с целью выделения небольшого числа признаков не всегда приводит к успеху. Поэтому в большинстве технологий распознавания РИ представляют в виде вектора (признаков), компонентами которого являются все отсчеты изображения. При этом возникает другая проблема - огромная размерность признакового пространства. Попытки снизить размерность уменьшением разрешения приводят к потере точности.

Поэтому актуальна задача построения новых технологий распознавания, основанных на использовании преобразованных изображений меньшей размерности, в которых, тем не менее, сохраняется информация об объектах на РИ. Одним из таких направлений являются фрактальные методы, позволяющие извлечь связи локальных полей яркости в различных частях изображения, содержащие информацию о структуре объекта. Однако известные фрактальные методы

формирования признаков все-таки имеют высокую вычислительную сложность и недостаточную помехоустойчивость [87].

Таким образом, актуальна проблема создания новых информационных технологий оперативного распознавания РИ, обеспечивающих высокую помехоустойчивость за счет применения фрактальных преобразований. Для верификации этих технологий необходимы большие объемы тестовых радиолокационных изображений. Создание тестовых баз данных на полигонах связано с большими затратами. Поэтому в рамках этой проблемы целесообразна также разработка методов и алгоритмов моделирования РИ в виде самостоятельного этапа. Поскольку вид радиолокационного изображения одного и того же объекта обладает существенной изменчивостью в зависимости от ракурса наблюдения, актуальным является двухэтапный подход к моделированию, заключающийся в предварительном формировании модели местности и трехмерной компьютерной модели объекта и последующего моделирования собственно РИ, являющегося имитацией сигнала, отраженного от сформированной компьютерной трехмерной модели при заданных разных ракурсах наблюдения.

С учетом сказанного, в настоящей работе ставится задача создания новой информационной технологии распознавания объектов на РИ, в которой эталонные изображения объектов формируются по их трехмерным компьютерным моделям объектов непосредственно перед этапом распознавания, а на этапе распознавания используются фрактальные образы эталонного и текущего изображений объектов. Актуальность этой задачи, кроме прочего, подтверждается большим потоком публикаций по моделированию и распознаванию радиолокационных изображений [92-94][97-98].

Цель и задачи исследований.

Цель исследования - повышение качества и оперативности распознавания объектов на радиолокационных изображениях по данным радиолокационного зондирования Земли.

Для достижения указанной цели в диссертации были поставлены следующие задачи:

1. Разработка и исследование новой технологии предварительной

обработки РИ, включающей алгоритмы локализации областей интереса и фрактального сжатия изображений.

2. Разработка и исследование нового метода и алгоритмов распознавания по фрактальным образам РИ, обеспечивающих высокое качество и оперативность распознавания объектов на радиолокационных изображениях за счет использования нового подхода к определению понятия разделимости классов.

3. Разработка алгоритма, реализующего решающее правило в процессе распознавания объектов на РИ, обладающего более высоким быстродействием на этапе классификации за счет снижения вычислительной сложности.

4. Разработка информационной технологии формирования трехмерных радиолокационных цифровых моделей местности (являющихся исходными для последующего моделирования РИ), обеспечивающей существенное сокращение времени обучения и распознавания.

5. Создание программного комплекса, реализующего информационную технологию формирования радиолокационных цифровых моделей местности (РЦММ), формирования обучающих множеств и распознавания объектов на РИ, проведение экспериментальных исследований и оценка качества разработанных методов и алгоритмов.

Научная новизна работы.

1. Новая информационная технология предварительной обработки РИ, основанная на модификациях алгоритмов локализации областей интереса и фрактального сжатия изображений, обеспечивающая повышение качества распознавания.

2. Новый метод распознавания объектов по фрактальным образам РИ, основанный на предложенном критерии разделимости классов по показателю сопряженности, обеспечивающий повышение качества распознавания.

3. Основанный на ортогональном разложении матрицы класса алгоритм принятия решений о принадлежности фрактального образа РИ классу, обеспечивающий повышение быстродействия за счет снижения вычислительной сложности.

4. Информационная технология автоматизированного формирования

трехмерных РЦММ, обеспечивающая возможность оперативного моделирования различных типов обучающих РИ, предназначенных для использования в технологии распознавания при отсутствии натурных эталонных РИ.

Теоретическая и практическая значимость.

Теоретическая значимость работы состоит в развитии теории и разработке новых метода и алгоритмов распознавания РИ, в частности, предложена технология распознавания, основанная на идее фрактального сжатия, сформулировано и доказано правило принятия решений о принадлежности фрактального изображения классу, основанное на идее разделимости классов по так называемому показателю сопряженности с пространством, образованным векторами класса, а также предложен основанный на ортогональном разложении матрицы класса алгоритм принятия решений. Предложенные методы и алгоритмы имеют общетеоретическое значение и наряду с обработкой РИ могут быть использованы для обработки изображений в различных системах компьютерного зрения, видеонаблюдения, медицинских системах навигации и др.

Практическая значимость состоит в создании информационной технологии и реализующего ее программного комплекса оперативного формирования трехмерных цифровых моделей поверхности Земли с техногенными объектами, моделирования и распознавания объектов на РИ. Результаты диссертационной работы используются в РФЯЦ ВНИИЭФ (г. Саров), в АО «РКЦ «Прогресс» и в научных исследованиях Самарского университета и ИСОИ РАН.

Методология и методы исследования.

В диссертационной работе используются методы математического анализа и линейной алгебры, численные методы, теория цифровой обработки сигналов и изображений, теория распознавания образов, методы фрактального анализа.

Основные положения диссертации, выносимые на защиту:

1. Технология предварительной обработки радиолокационных изображений (РИ), основанная на модификациях алгоритмов локализации областей

интереса и фрактального сжатия изображений, обеспечивающая повышение качества распознавания.

2. Метод распознавания объектов по фрактальным образам РИ, основанный на предложенном критерии разделимости классов по показателю сопряженности, обеспечивающий повышение качества распознавания.

3. Основанный на ортогональном разложении матрицы класса алгоритм принятия решений о принадлежности фрактального образа РИ классу, обеспечивающий повышение оперативности за счет снижения вычислительной сложности.

4. Информационная технология автоматизированного формирования трехмерных радиолокационных цифровых моделей местности (РЦММ), обеспечивающая возможность оперативного моделирования различных типов обучающих РИ, предназначенных для использования в технологии распознавания при отсутствии натурных эталонных РИ.

5. Программный комплекс, реализующий информационную технологию формирования обучающих множеств и распознавания радиолокационных изображений и экспериментальные данные, подтверждающие эффективность технологии.

Степень достоверности и апробация результатов.

Достоверность полученных результатов подтверждается результатами экспериментальных исследований, проведенными посредством программного комплекса, разработанного автором, в том числе, с использованием общеизвестных аннотированных баз данных радиолокационных изображений.

Основные результаты работы докладывались на следующих конференциях:

- 10-th International Conference on Pattern Recognition and Image Analysis: New Information Technologies (PRIA-10-2010). St. Petersburg, December 5-12, 2010.

- Международная конференция ПИТ-2010 / Самарский гос. аэрокосмический у-нт. Самара, 29 сентября-1 октября 2010г.

- Российской конференции с международным участием «Технические и программные средства систем управления, контроля и измерения», Москва, 16-19 апреля 2012г.

- 8th Open German-Russain Workshop "Pattern recognition and image understanding", workshop proceedings, Nizhniy Novgorod, November 21-26, 2011.

- International Workshop on Benchmark Test Schemes for AR/MR Geometric Registration and Tracking Method (TrakMark) Tsukuba , Japan, 2012.

- «Pattern recognition and image analysis: new information technologies, PRIA-11-2013», Samara, 23-28 September, 2013.

- II Международной конференции и молодежной школе «Информационные технологии и нанотехнологии» (ИТНТ-2016), Самара, 17-19 мая 2016г.

Исследования выполнялись в рамках следующих проектов.

1) Разработка конструктора радиолокационных карт (РФЯЦ ВНИИЭФ).

2) Проектная часть госзадания «Разработка компьютерной модели радиолокатора высокого разрешения для формирования детальных радиолокационных портретов объектов наблюдения».

3) Проекты РФФИ: № 12-07-31208 мол_а, № 13-07-12030 офи_м, 13-0713166 офи_м_РЖД, 16-37-00362 мол_а, № 12-07-00581.

По теме диссертации опубликованы 15 работ, в том числе 5 в изданиях, рекомендованных ВАК (все индексируются также в базах SCOPUS). Получено 2 свидетельства о государственной регистрации программ ЭВМ.

ГЛАВА 1. АНАЛИЗ ИСХОДНЫХ ДАННЫХ, ОБОСНОВАНИЕ ОСНОВНЫХ ЭТАПОВ ИНФОРМАЦИОННОЙ ТЕХНОЛОГИИ

1.1 Обзор систем радиолокационного зондирования

В настоящем разделе приведен обзор существующих систем радиолокационного зондирования, рассмотрены основные характеристики таких систем, имеющие значение для обоснования состава и структуры информационной технологии моделирования и распознавания РИ.

В последнее время бурно развиваются технологии дистанционного зондирования Земли (ДЗЗ). На околоземную орбиту выводится большое количество спутников, среди которых имеются экземпляры, ведущие сбор информации с помощью радиолокационного наблюдения земной поверхности. Одним из ярких примеров является действующий немецкий спутник дистанционного зондирования Земли TerraSAR, предназначенный для радарной съёмки поверхности Земли в гражданских интересах [1]. Спутник ведет наблюдение в радиочастотном диапазоне электромагнитных волн с помощью метода синтезированных апертур. Характеристики спутника представлены в таблице 1.1.

Таблица 1.1 - Характеристики элемента ДЗЗ спутника TerraSAR.

средняя частота 9,6 ГГц;

ширина спектра 150 МГц;

поляризации комбинации вертикальных и горизонтальных (ВВ, ГГ, ВГ, ГВ);

аддитивный шум 4,8 дБ;

излучаемая мощность 138 Вт;

фазовая стабильность ± 10°;

коэффициент усиления приемного канала 15-30 дБ;

длительность импульса 25-50 мкс;

максимальная частота повторения 3кГц;

угол сканирования в вертикальной плоскости ±20°;

угол сканирования по азимуту ±0,75°;

рабочая температура -20...+60°С.

Бортовой радиолокационный комплекс может работать в следующих режимах съёмки:

- Полосовой StripMap.

- Телескопический Зр^^И!

- Широкозахватный ScanSAR.

Режимы съемки имеют следующие характеристики, представленные в таблице 1.2 [1].

Таблица 1.2 - Режимы съемки спутника Тегга8ЛЯ и их характеристики

Режим Полосовой Телескопический Обзорный

Разрешение, м (дальность, азимут) 3x3 1x1-1x3,5 16x16

Размер РЛИ, км (дальность, азимут) 30x50 10x5-10x10 100x150

Углы визирования, град. 20-45° 20-55° 20-45°

Поляризации ВВ/ ГГ ВВ/ГГ ВВ/ГГ ВГ/ГВ ВГ/ГВ

Кроме того, известны другие современные спутники, ведущие радиолокационный обзор с помощью метода синтезированных апертур: ЕКУКЛТ [2], С08М0-8куМед [3], ТаиБЕМ-Х [4]. На фоне указанных спутников выделяется система спутников TanDEM-X, ведущих интерферометрические наблюдения. Такой способ наблюдения достигается путем разнесения источника и приемника излучения на различные спутники, реализующие так называемый двухпозиционный режим съёмки.

Помимо X диапазона РЛС широко используются другие диапазоны

радиолокационного наблюдения. Спутниковые системы предоставляют снимки

земной поверхности с разрешением от 1 м и более. Лучшее качество снимков

можно получить с авиационных радиолокаторов с синтезированной апертурой

(АРСА) - порядка десятков сантиметров. В частности, разрешение снимков

12

современных радиолокаторов позволяет рассматривать протяженные области интереса, в то время как на ранних этапах развития радиолокации детектирование объектов производилось лишь по точечным сигналам. В таблице 1.3 приведены основные используемые диапазоны.

Таблица 1.3 - Основные диапазоны радиолокационного зондирования

Диапазон Частоты Длина волны Примечания

ОТ 3—30 МГц 10—100 м Радары береговой охраны, «загоризонтные» РЛС

УОТ 50—330 МГц 0,9—6 м Обнаружение на больших дальностях, исследования Земли

иот 300—1000 МГц 0,3—1 м Обнаружение на больших дальностях (например, артиллерийского обстрела), исследования лесов, поверхности Земли

300—3000 МГц 0,1—1 м Детектирование объектов

С 4—8 ГГц 3,75—7,5 см метеорология, спутниковое вещание, промежуточный диапазон между X и S

X 8—12 ГГц 2,5—3,75 см управление оружием, наведение ракет, морские радары, погода, картографирование среднего разрешения

Ки 12—18 ГГц 1,67—2,5 см картографирование высокого разрешения, спутниковая альтиметрия

Поскольку настоящая диссертация посвящена проблемам распознавания техногенных объектов, мы ограничимся рассмотрением 8ЛЯ-изображений, формируемых в X-диапазоне (9.6 ГГц). Актуальность этой задачи состоит в том, что в отличие от видимого и ИК диапазона, радиолокационное зондирование не зависит от условий освещенности, менее подвержено искажениям при прохождении через слои атмосферы. При этом достигается сопоставимая разрешающая способность, хотя сами изображения имеют специфический вид, существенно отличающийся от оптических.

1.2 Анализ технологий обработки радиолокационных изображений

Характер информации, получаемой при радиолокационном зондировании существенно отличается от видимого и ИК диапазона. СВЧ радиоволны обладают большой проникающей способностью для некоторых видов подстилающих поверхностей, появляется возможность «заглянуть» под землю, под воду. Большое влияние на радиолокационный отклик оказывает структура зондируемой поверхности. Указанные особенности, с одной стороны, существенно расширяют диапазон практических применений систем и технологий радиолокационного зондирования Земли, с другой стороны, предъявляют специфические требования к технологиям обработки радиолокационных изображений.

В частности, радиолокационное зондирование имеет важное значение для мониторинга состояния сельскохозяйственных культур. В качестве примера, в работе [5] приводится анализ зависимости коэффициента отражения от стадий вегетации растений, на примере рисового поля. По данным радиолокационного зондирования можно также проводить контроль состояния снежного покрова, толщину и характер льда, оценку плотности снега, общие запасы пресной воды в ледниках. Пример анализа состояния и типа льда Северного морского пути по РЛ характеристикам приведен в работе [6]. Данный мониторинг позволяет прогнозировать сроки безопасного судоходства, предупреждать сильные паводки, оценивать запасы пресной воды и т.д.

Другой важный аспект, направленный на улучшение среды обитания человека - мониторинг геологической активности в местах проживания человека, предупреждение землетрясений, вулканической активности, движений земной коры [7]. В работе [8] приведен мониторинг состояния плотины ГЭС по радиолокационным данным.

Следующее важное направление использования радиолокационного дистанционного зондирования Земли - системы навигации [96]. В отличие от указанных выше задач мониторинга Земли, где наибольший интерес преимущественно составляют статистические радиолокационные характеристики той или иной местности, здесь становится важным обнаруживать и распознавать на радиолокационных картах отдельные объекты. Эта задача осложняется тем, что

радиолокационные изображения обычно малоконтрастные и сильно зашумлены

/ и и 1 V/ и '

спекл-шумом (случайной интерференционной картиной, которая образуется при взаимной интерференции когерентных волн, имеющих случайные сдвиги фаз и случайный набор интенсивностей).

Таким образом, основная проблема обработки радиолокационных изображений состоит в решении задач распознавания объектов и характеристик подстилающей поверхности Земли в условиях априорной неопределенности

« тл «

моделей полезных сигналов и помех. В связи с малоконтрастностью и сильной зашумленностью распознавание и интерпретация радиолокационных изображений требует применения нетрадиционных подходов, отличающихся от распознавания объектов на изображениях видимого и ИК диапазона. В частности, перспективным подходом является использование фрактальных методов преобразования данных.

Фрактальные методы позволяют выделить из общего объема радиолокационных данных существенную информацию о структуре. В частности, эти методы позволяют эффективно формировать признаки на разнородных типах данных с учетом большой вариации частотных диапазонов радиолокационного зондирования [86]. Однако известные фрактальные методы формирования признаков имеют высокую вычислительную сложность и недостаточную помехоустойчивость [87].

Наиболее широко для распознавания фрактальных изображений используется подход, описанный в [65, 66], в основе которого используются свойства систем итерированных функций. Существуют различные реализации применения данного похода, в частности, в [65] классификатор построен на алгоритме ближайшего соседа, в [66] используется оценка скорости сходимости процесса формирования фракталов. В [67] фрактальные изображения формируются из признаков полученных вейвлет-преобразованием Габора.

В работе [68] для сравнения фрактальных изображений используется статистический метод на основе оценки плотности ядра. В [69] применяют наборы статистических фрактальных сигнатур, объединяющих в себе параметры фрактальных преобразований и гистограммы ошибок, характеризующие разницу между отдельными итерациями при формировании фрактального изображения. В [70] для классификации фрактальных образов рассчитывались абсолютные

значения коэффициента корреляции Пирсона. В работе [71] для улучшения качества распознавания при построении фрактальных изображений применяется метод на основе дерева квадрантов.

Задача моделирования радиолокационных изображений также имеет большое практическое значение в технологии распознавания. Как было отмечено ранее, получение реальных исходных РИ для обучения алгоритмов распознавания требует проведения большого количества натурных дорогостоящих испытаний на полигонах и в безэховых камерах. Проведение таких испытаний требует физического наличия объекта исследования, что не всегда возможно. Кроме того, поскольку РИ сильно различаются при изменении ракурса наблюдения, возникает потребность в большом объеме памяти для хранения всех возможных вариантов эталонных изображений.

Указанная проблема снимается, если в информационной технологии моделирование радиолокационных изображений эталонов осуществляется непосредственно перед этапом распознавания с использованием цифровых трехмерных моделей объектов. При этом отпадает необходимость хранения огромного числа разноракурсных изображений. В данном случае может достигаться высокое качество распознавания даже по сравнению с технологией, основанной на использовании изображений, получаемых на полигонах и в безэховых камерах, т.к. имеется возможность точно задавать ракурс наблюдения по текущим параметрам движения летательного аппарата, получаемым от внешних систем (навигации).

К сожалению, существующие системы моделирования радиолокационных изображений по трёхмерным моделям [9,10,11] практически не затрагивают проблему синтезирования различных типов подстилающих поверхностей. В то же время радиолокационные характеристики подстилающей поверхности существенно влияют на результат моделирования расположенных на этих поверхностях техногенных объектов.

Традиционный подход к моделированию РИ включает в себя два основных этапа: формирование рассеяния электромагнитного сигнала от объекта и формирование двумерной картины рассеяния. Остановимся подробнее на первом этапе моделирования РИ: формирование рассеяния электромагнитного сигнала от

объекта.

Выделяют два типа моделирования рассеяния электромагнитного поля: точные и приближенные. К точным относятся аналитические методы и методы решения уравнений Максвелла. Самыми точными являются аналитические методы, однако главный их недостаток в том, что с помощью них решаются только небольшое количество задач: рассеяния на шаре, рассеяние на цилиндре, рассеяние на клине.

Для более сложных объектов применяют схемы решения уравнений Максвелла [13], тем не менее минусом данного метода является возрастающая вычислительная сложность при увеличивающейся разности между длинной волны и характерным размером цели. Так же существуют менее точные вычислительные методы (лучевые методы) [14]: методы геометрической оптики (ГО), методы геометрической теории дифракции. Между данными методами по точности так же располагаются другие подходы, называемые токовыми: методы физической оптики, параболического уравнения и краевых токов (физической теории дифракции) [15].

В ряде статей [16] - [20] авторы приводят результаты исследований по моделированию радиолокационной системы обзора здания сквозь внешние стены. В здание могут быть помещены различная мебель, а также люди. Моделирование электромагнитного рассеяния осуществляется с помощью методов FDTD [13] и методов ГО (трассировки лучей). Затем авторы обрабатывают результаты моделирования и получают изображения здания с помощью методов моделирования РИ.

Список литературы диссертационного исследования кандидат наук Минаев, Евгений Юрьевич, 2016 год

Список литературы

1. Космические аппараты TerraSAR-X [Электронный ресурс]. - Режим доступа: http://terraview.ru/articles/11/terra-sar-x, дата доступа: июнь 2016.

2. Космические аппараты ENVISAT [Электронный ресурс]. - Режим доступа:http://terraview.ru/articles/9/envisat, дата доступа: июнь 2016.

3. Космические аппараты COSMO-SKY-MED [Электронный ресурс]. - Режим доступа:http://terraview.ru/articles/15/cosmo-sky-med, дата доступа: июнь 2016.

4. Космические аппараты TAN-DEM-X [Электронный ресурс]. - Режим доступа:http://terraview.ru/articles/14/tan-dem-x, дата доступа: июнь 2016.

5. Kun-Shan Chen. Principles of Synthetic Aperture Radar Imaging: A System Simulation Approach. CRC Press, Jan 5, 2016 - Computers - 203 p.

6. Johannessen, M. Icewatch-Ice SAR Monitoring of the Northern Sea Route / Johannessen, Ola M., Stein Sandven, and Vladimir V. Melentyev. // The Sixth International Offshore and Polar Engineering Conference. International Society of Offshore and Polar Engineers. - 1996. -P. 224-233.

7. Colesanti, C. SAR monitoring of progressive and seasonal ground deformation using the permanent scatterers technique // IEEE Transactions on Geoscience and Remote Sensing 41.7 - 2003. -P. 1685-1701.

8. Talich, M. The Application of the Ground-based InSAR technique for the deformation monitoring of concrete hydropower dam Orlik on Vltava river // Proceedings of the 6th International Conference on Engineering Surveying, Prague, Czech Republic. Vol. 3. - 2014. - P. 1-7.

9. Balz, T. Hybrid GPU-based single-and double-bounce SAR simulation / Balz, Timo, Uwe Stilla // IEEE Transactions on Geoscience and Remote Sensing 47.10 - 2019. -P. 3519-3529.

10. Brunner, D. Radar imaging simulation for urban structures // IEEE Geoscience and Remote Sensing Letters 8.1 - 2011. -P. 68-72.

11. Tang, K. A knowledge-based 3-D building reconstruction from single very high resolution SAR images // IEEE International Geoscience and Remote Sensing Symposium, IEEE. - 2012. - P. 3604-3607.

12. Минаев Е.Ю. Детектирование и распознавание объектов в системах автомобильной безопасности на основе фрактального анализа / Минаев Е.Ю., Никоноров А.В. // Компьютерная оптика. - 2012. - Т. 36, № 1. - С. 124-130.

13. Taflove A., Hagness S. C. Computational Electrodynamics. - Boston, MA: Artech House, 2000.

14. Боровиков В. А., Кинбер Б.Е. Геометрическая теория дифракции. - М.: Связь, 1978. - 248 с.

15. Уфимцев П. Я. Метод краевых волн в физической теории дифракции. - М.: Рипол Классик, 1962. - 244 с.

16. Dogaru T., Le C. Numeric simulations for sensing through the wall radar // Army research lab adelphi md sensors and electron devices directorate, 2006, P. 1-8.

17. Dogaru T. et al. Radar signature prediction for sensing-through-the-wall by Xpatch and AFDTD // DoD High Performance Computing Modernization Program Users Group Conference (HPCMP-UGC), 2009. - IEEE, 2009. - P. 339343.

18. Dogaru T., Le C. SAR images of rooms and buildings based on FDTD computer models //Geoscience and Remote Sensing, IEEE Transactions on. - 2009. - V. 47. - №. 5. - P. 1388-1401.

19. Dogaru T., Le C., Nguyen L. Synthetic aperture radar images of a simple room based on computer models // Army research lab adelphi md sensors and electron devices directorate, 2010. - №. ARL-TR-5193.

20. Le C. Synthetic aperture radar imaging of a two-story building / Le C., Dogaru T. // SPIE Defense, Security, and Sensing. - International Society for Optics and Photonics, 2012, P. 83610J-83610J.

21. Cutrona L. J. A high-resolution radar combat-surveillance system / Cutrona L. J., Leith E.N., Palermo C.J. and Hall G.O. // Military Electronics, IRE Transactions on. - 1961. - V. 1051. - №. 2. - P. 127-131.

22. Heimiller R. C. Theory and evaluation of gain patterns of synthetic arrays // Military Electronics, IRE Transactions on. - 1962. - V. 1051. - №. 2. - P. 122129.

23. Sherwin C. W. Some early developments in synthetic aperture radar systems / Sherwin C. W., Ruina J. P., Rawcliffe R. D. // IRE Transactions on Military Electronics. - 1962. - V. 6. - №. 25, P. 111-115.

24. McCord H. L. The equivalence among three approaches to deriving synthetic array patterns and analyzing processing techniques // Military Electronics, IRE Transactions on. - 1962. - V. 1051. - №. 2. - P. 116-119.

25. Patel V. M. Compressed synthetic aperture radar / Easley, G. R., Healy Jr, D. M. and Chellappa, R. //Selected Topics in Signal Processing, IEEE Journal of. - 2010.

- V. 4. - №. 2. - P. 244-254.

26. Donoho D. L. Compressed sensing // IEEE Transactions on information theory. -2006. - V. 52. - №. 4. - P. 1289-1306.

27. Yoshida T. Time domain simulation of ocean SAR image with wave and wind / Yoshida T., Rheem C. K. // OCEANS, 2012-Yeosu. - IEEE, 2012. - P. 1-7.

28. Fan B. Polar format algorithm based on fast Gaussian grid non-uniform fast Fourier transform for spotlight synthetic aperture radar imaging / Fan B. , Wang, J., Qin, Y., Wang, H., Xiao, H. // IET Radar, Sonar & Navigation. - 2014. - V. 8.

- №. 5. - P. 513-524.

29. Zhou F. Stepped frequency synthetic preprocessing algorithm for inverse synthetic aperture radar imaging in fast moving target echo model / Zhou F., Sun, G. C., Xia, X. G., Xing, M. D., Bao, Z. // IET Radar, Sonar & Navigation. - 2014. Vol. 8, Iss. 8, P. 864-874.

30. Xie H. Fast factorised backprojection algorithm in elliptical polar coordinate for one-stationary bistatic very high frequency/ultrahigh frequency ultra-wideband synthetic aperture radar with arbitrary motion / An, D., Huang, X., Li, X., Zhou, Z. // IET Radar, Sonar & Navigation. - 2014. Vol. 8, Iss. 8, P. 946-956.

31. Parberry I. Tobler's First Law of Geography, Self Similarity, and Perlin Noise: A Large Scale Analysis of Gradient Distribution in Southern Utah with Application to Procedural Terrain Generation // Technical Report LARC. - 2014. - V. 4. - P. 1-9.

32. Gothall R.. A modification of the random Midpoint Displacement method for generating rock fracture similar surfaces // ICF11, Italy. - 2013.

33. Archer T. Procedurally Generating Terrain // Sioux CitY, Iowa: Morningside College. - 2014. - 14 p.

34. Shasha L. The study of radar ground clutter simulation based on DEM // Information and Automation (ICIA), 2013 IEEE International Conference on. -IEEE, 2013. - P. 258-262.

35. Shi Y. Research of Real-Time Terrain Rendering Detail Enhancement Algorithm / Shi Y., Wang Y. // Computational Intelligence and Design (ISCID), 2014 Seventh International Symposium on. - IEEE, 2014. - V. 1. - P. 59-62.

36. Willemse J. M. Generation and rendering of fractal terrains on approximated spherical surfaces / Willemse J. M., Hawick K. A. // Proc. 17th International Conference on Computer Graphics and Virtual Reality (CGVR'13). p. CGV4061. No. CSTN-183, WorldComp, Las Vegas, USA April 2013. - 2013. - P. 43.

37. Fournier, А. Computer rendering of stochastic models [text] / Alain Fournier, Don Fussell, and Loren Carpenter // Commun. ACM. - ACM, 1982. - V.25, N.6 -P.371-384.

38. Grumet, M. Terrain Modeling. [Электронный ресурс]. - Режим доступа: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.138.5394&rep=rep1&ty pe=pdf, дата доступа: октябрь 2015.

39. Razafindrazaka, F.H. Delaunay Triangulation Algorithm and Application to Terrain Generation [text] / Faniry Harijaona Razafindrazaka // postgraduate diploma. - African Institute for Mathematical Sciences May, 2009. - 32 p.

40. Sala, N. Applications of Mathematics in The Real World: Territory And Landscape [text] / Nicoletta Sala, Silvia Metzeltin and Massimo Sala // In Proceedings of The International Conference The Humanistic Renaissance in Mathematics Education. - University of Italian Switzerland, 2002. - P. 326-333.

41. Musgrave, F. K. Methods for Realistic Landscape Imaging [text] / F. Kenton Musgrave // PhD thesis. - Yale University, New Haven, CT, USA, 1993. - 293p.

42. Olsen, J. Realtime Procedural Terrain Generation [text] / Jacob Olsen // Technical Report. - University of Southern Denmark, 2004. - 20p.

43. Минаев, Е.Ю. Моделирование радиолокационных изображений с использованием программно-моделирующего конструктора радиолокационных карт / Минаев, Е.Ю., Фурсов В.А., Жердев Д.А. //

Материалы международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (Конференция ИТНТ-2016), Самара, 17 - 19 мая 2016 года, C. 530-537.

44. Tang K. A geometrical-based simulator for target recognition in high-resolution SAR images / Tang K., Sun X., Sun H., Wang H. // Proc. IEEE Geoscience and Remote Sensing Letters. 2012. Vol. 9. i. 5. P. 958-962.

45. Tang K. A knowledge-based 3-D building reconstruction from single very high resolution SAR images / Tang K., Chen K.Wang L., Xiong W., Jiang M., Wang W. // Proc. IEEE Geoscience and Remote Sensing Symposium (IGARSS). 2012. P. 3604 - 3607.

46. Auer, S. Ray-tracing simulation techniques for understanding high-resolution SAR images / Auer, S., Hinz, S., Bamler, R. // Geoscience and Remote Sensing, IEEE Transactions on. V. 48(3). - 2010. - P. 1445-1456.

47. Brunner, D. Radar imaging simulation for urban structures / Brunner, D., Lemoine, G., Greidanus, G., Bruzzone, L. // IEEE Geoscience and Remote Sensing Letters. V.8(1). - 2011. - P. 68-72.

48. Tang, K. Radar image simulation of complex targets / Zhang, Y.; Chen, H.; Xiong, W.; Wang H. // IEEE CIE International Conference 2, 2011. P. 1319-1322

49. Bolter, R. SAR speckle simulation / Bolter, R., Gelautz, M., Leberl, F. // International archives of photogrammetry and remote sensing. V. 31. - 1996. - P. 20-25.

50. Cao, Z. Fast target detection method for high-resolution SAR images based on variance weighted information entropy / Cao, Zongjie, Yuchen Ge, and Jilan Feng. // EURASIP Journal on Advances in Signal Processing 2014.1 - 2014. - P. 1.

51. Бибиков С. А. Цветовая коррекция бликов на цифровых изображениях / Е. Ю. Минаев, А. В. Никоноров, В. А. Фурсов // Компьютерная оптика. - 2012. - Т. 34. - №. 3, С. 382-390.

52. Fursov V. Color images correction - using identification technique / V. Fursov, A. Nikonorov, S. Bibikov, P. Yakimov, E. Minaev // 10th International Conference on Pattern Recognition and Image Analysis: New Information Technologies (PRIA-10-2010). St. Petersburg, December 5-12, 2010.

53. Минаев, Е.Ю. Детектирование бликов в системах видеонаблюдения с выделением последовательности опорных кадров / Е. Ю. Минаев, А.В. Никоноров, В.А. Фурсов // Труды Международной конференции ПИТ-2010, Самара, 29 сентября - 1 октября 2010г. С. 733-737.

54. Chan T.F. Active contours without edges. / Chan T.F., Vese L.A. // Image Processing, IEEE Transactions on Volume 10, Issue 2, Feb 2001, P. 266-277.

55. Nikonorov A. Effective Algorithms of Flare Detection with Analysis of the Shape in Real Time Video Surveillance Systems / Nikonorov A., Minaev E., Yakimov P. // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications, 2011. V.21, №2. P. 407-410.

56. Minaev E. Efficient Algorithms of Flares Detection with Shape Analysis for Real Time CCTV Systems / Minaev E., A. Nikonorov, P. Yakimov // 10th International Conference on Pattern Recognition and Image Analysis: New Information Technologies (PRIA-10-2010). St. Petersburg, December 5-12, 2010.

57. Aubert G. A. variational method in image recovery / Aubert G., Vese L. // SIAM J. Numer. Anal., vol. 34, no. 5. - 1997. - P. 1948-1979.

58. Минаев, Е.Ю. Высокоточная реконструкция пространственного положения пассивного цветового маркера по видеопоследовательности / Е. Ю. Минаев, А. В. Никоноров // Компьютерная оптика. - 2012. - Т. 36. - №. 4. С. 611-617.

59. Minaev E. High precise detection of the spatial position of a passive color marker in dental navigation systems / E. Minaev, A. Nikonorov // 11 th International Conference on Pattern Recognition and Image Analysis: New Information Technologies (PRIA-11-2013), 23.09- 28.09.2013, Samara. 2013. P. 442-444.

60. Minaev E. Fractal Recognition of Compact Artifacts on Color Images / E. Minaev, A. Nikonorov // Pattern Recognition and Image Analysis. 2013. V. 23, № 4, P. 455-458.

61. Minaev E. Fractal Methods For Recognition Of Compact Artifacts In Color Images / E. Minaev, A. Nikonorov // 8th Open German-Russain Workshop "Pattern recognition and image understanding", workshop proceedings, November 21-26, 2011.

62. Minaev E. Accurate detection of passive marker for pose reconstruction in dental navigation systems/ Minaev E., A. Nikonorov / International Workshop on

Benchmark Test Schemes for AR/MR Geometric Registration and Tracking Method (TrakMark). 2012. Tsukuba, Japan.

63. Минаев, Е.Ю. Детектирование и распознавание объектов на основе фрактального анализа в видеосистемах обеспечения безопасности на транспорте / Е. Ю. Минаев, А.В. Никоноров, В.А. Фурсов // Труды 3-ей Российской конференции с международным участием «Технические и программные средства систем управления, контроля и измерения». Москва, 16-19 апреля 2012г. - C. 2010-2016.

64. Мурашов Д.М. Метод автоматизированной сегментации изображений цитологических препаратов на основе модели активного контура // Труды МФТИ. 2009. Т. 1, № 1. С. 80-89.

65. Liu, Y. Face recognition method based on FLPP. / Liu, Y., Sun, J. G.//In Electronic Commerce and Security (ISECS), Third International Symposium on, IEEE. - 2010. - P. 298-301.

66. Lasfar A. Content based retrieval in fractal coded image data-base / A. Lasfar, S. Mouline, D. Aboutajdine, H. Cherifi // Proceedings of the 15th International Conference on Pattern Recognition, vol. 1. - 2000. - P. 1031-1034.

67. Yang, Y. Face recognition based on gabor feature extraction and fractal coding / Yang, Y., Sun, J. // In Electronic Commerce and Security (ISECS), 2010 Third International Symposium on, IEEE. - 2010. - P. 302-306.

68. Xiaoqing, H. A new method for image retrieval based on analyzing fractal coding characters / Xiaoqing, H., Qin, Z., Wenbo, L. // Journal of Visual Communication and Image Representation. 24(1). - 2013. - P. 42-47.

69. Pi M. Fractal indexing with the joint statistical properties and its application in texture image retrieval / M. Pi, H. Li // Image Processing, IET 2 (4). - 2008. - P. 218-230.

70. Wang, J. Fractal image encoding with flexible classification sets / Wang, J., Lan, X., Liu, Y., Zheng, N. // Chinese science bulletin, 59(14). - 2014. - P. 1597-1606.

71. Li, H. An image retrieval method based on fractal image coding / Li, H., Lu, J., Yu, J. // In Systems and Informatics (ICSAI), 2012 International Conference on, IEEE. - 2012. - P. 1866-1869.

72. Жердев Д.А. Распознавание объектов по диаграммам рассеяния электромагнитного излучения на основе метода опорных подпространств / Д.А. Жердев, Н.Л. Казанский, В.А. Фурсов // Компьютерная оптика. - 2014.

- Т. 38, № 3 - С. 503-510.

73. Фурсов В.А. Распознавание объектов на радиолокационных изображениях c использованием показателей сопряжённости и опорных подпространств / Фурсов В.А., Жердев Д.А., Казанский Н.Л. // Компьютерная оптика. - 2015.

- Т. 39. - № 2. - С. 255-264.

74. Лисицын С.О. Распознавание дорожных знаков с помощью метода опорных векторов и гистограмм ориентированных градиентов / Лисицын С.О., Байда О.А. // Компьютерная оптика. - 2012. - Т. 36. - № 2. - С. 289-295.

75. Minaev E.Y. Support subspaces method for fractal images recognition / Minaev E.Y, Fursov V.A. // Proceedings of the International conference Information Technology and Nanotechnology, Samara, Russia, May 17-19, 2016, P.379-385.

76. Минаев, Е.Ю. Построение опорных подпространств в задачах распознавания фрактальных изображений / Минаев, Е.Ю., Фурсов В.А. // Материалы международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (Конференция ИТНТ-2016), Самара, 17 - 19 мая 2016 года, C. 530-537.

77. Сколник М. Основы радиолокации / М. Сколник - М.: 1976., с. 295 - 306.

78. Мельник Ю.А. Радиолокационные методы исследования Земли / Под ред. Ю.А. Мельника, М.: Советское радио 1980. с. 123, 129, 131, 135, 138, 139, 143, 144, 146, 148, 155, 156, 164-166.

79. Singh R. Performance of the extended maximum average correlation height (EMACH) filter and the polynomial distance classifier correlation filter (PDCCF) for multi-class SAR detection and classification / R. Singh, K. V. Kumar // Algorithms for Synthetic Aperture Radar Imagery IX, vol. 4727. - 2002. - Р. 265276.

80. Zhao Q. Support vector machines for SAR automatic target recognition / Q. Zhao, J. C. Principe // IEEE Transactions on Aerospace and Electronic Systems, vol. 37.

- 2001. - P. 643-654.

81. O'Sullivan J. A. SAR ATR performance using a conditionally Gaussian model / J. A. O'Sullivan, M. D. DeVore, V. Kedia, and M. I. Miller, // IEEE Transactions on Aerospace and Electronic Systems, vol. 37. - 2001. - P. 91-108.

82. Sun Y. J. Adaptive boosting for SAR automatic target recognition / Y. J. Sun, Z. P. Liu, S. Todorovic, J. Li // IEEE Transactions on Aerospace and Electronic Systems, vol. 43. - 2007. - P. 112-125.

83. Srinivas U. SAR Automatic Target Recognition Using Discriminative Graphical Models / U. Srinivas, V. Monga, R. G. Raj // IEEE Transactions on Aerospace and Electronic Systems, vol. 50. - 2014. - P. 591-606.

84. Dong G. Kuang Sparse representation of monogenic signal: With application to target recognition in SAR images / G. Dong, N. Wang, G. Kuang // IEEE Signal Processing Letter, vol. 21, no. 8. - 2014. - P. 952-956.

85. Zhang X. Z. Sar Target Classification Using Bayesian Compressive Sensing with Scattering Centers Features / X. Z. Zhang, J. H. Qin, G. J. Li // Progress in Electromagnetics Research-Pier, vol. 136. - 2013. - P. 385-407.

86. Shahriari, H. Selection of less biased threshold angles for SAM classification using the real value-area fractal technique / Shahriari, H., Ranjbar, H., Honarmand, M., Carranza, E. J. M. // Resource Geology, 64(4). - 2014. - P. 301-315.

87. Venkatasekhar, D. Fast search strategies using optimization for fractal image compression / Venkatasekhar, D., Aruna, P., Parthiban, B. // Int. J. Comput. IT, 2(3). - 2013. - P. 437-441.

88. Neil G. Shape Recognition Using a Novel Fractal Technique / Neil G., Curtis K. M., Craven M. P. // Proc. of the IEEE Int'l Conf. on Electronics, Circuits and Systems, 2.- 1996. - P. 724-727.

89. Tan T. Face recognition using the weighted fractal neighbor distance / T. Tan, H. Yan. // Systems, Man, and Cybernetics, Part C: Applications and Reviews, IEEE Transactions on, vol. 35. - 2005. - P. 576 - 582.

90. Tan T. Face recognition by fractal transformations / T. Tan, H. Yan // In Pro c. IEEE ICASSP. - 1999. - P. 3537-3540.

91. De Carvalho, O. A. Spectral correlation mapper (SCM): an improvement on the spectral angle mapper (SAM) / Osmar Abilio de Carvalho Jr., Paulo Roberto

Meneses // Summaries of the 9th JPL Airborne Earth Science Workshop, JPL Publication 00-18. - Pasadena, CA: JPL Publication, 2000. - Vol. 9. - P. 9.

92. Дмитриев А.В. Новый тип поляризационной сигнатуры для радиолокационных изображений земных покровов с фрактальными свойствами / А.В. Дмитриев, Т.Н. Чимитдоржиев, П.Н. Дагуров // Автометрия - 2016. - №3. - С.35-42.

93. Филимонов А.Б Динамическое распознавание воздушных целей по радиолокационным дальностным портретам / Филимонов А.Б., Фам Фыонг Кыонг // Информационные Технологии - 2016. -Т. 22. - №6.- С.423-430.

94. Бычков Д.М. Радиолокационная идентификация пустынных областей -источников насыщения пылью атмосферы /Бычков Д.М., Иванов В.К., Матвеев А.Я., Цымбал В.Н., Яцевич С.Е. // Физические Основы Приборостроения - 2015. - Т. 4 - №4(17) - С.56-69.

95. Инсаров В. В. Интегрированная база данных для решения исследовательских задач тестирования алгоритмов систем технического зрения беспилотных летательных аппаратов / Инсаров В. В., Тихонова С. В., Ефанов Д. Е., Пестов К. А., Халабуда А. А. // Вестник компьютерных и информационных технологий - 2016. - №6(144). - С.27-34.

96. Свиридов В. П. Мультисенсорная система измерения угловой ориентации космического аппарата относительно подстилающей поверхности / Свиридов В. П., Сбродов В. В., Лазарев Н. Ю., Лазарев Ю. Н. // Вестник компьютерных и информационных технологий - 2016. - №6(144).- С.18-26.

97. Кухаренко Б.Г. Использование методов выделения ярких областей при сегментировании телеметрических изображений для идентификации групп объектов / Кухаренко Б.Г., Солнцева-Чалей М.О. // Информационные Технологии - — 2016. - Т. 22. - №7.— С.504-509.

98. Назмутдинова А. И. Исследование зависимости результатов классификации многозональных изображений лесной растительности от параметров вейвлет-преобразования / Назмутдинова А. И., Милич В.Н. // Автометрия — — 2016. - №3. — С.20-27.

99. Кроновер Р.М. Фракталы и хаос в динамических системах. М.: Постмаркет. 2000. 350 с.

ПРИЛОЖЕНИЕ A. ФОРМАТ ДАННЫХ ПРЕДСТАВЛЕНИЯ ТРЕХМЕРНОЙ СЦЕНЫ

Фрагмент файла с выходными данными: <mesh> <submeshes>

<submesh material="tree.png">

<faces count="334">

<face v1 = "0" v2="1" v3="2"/>

<face v1 = "211" v2="173" v3="228"/> </faces>

<geometry vertexcount="229"> <vertexbuffer>

<vertex>

<position x="49.6933" y="5.43665" z="-0.784625" /> </vertex>

</vertexbuffer>

</geometry>

</submesh>

</submeshes>

<nodes>

<node name="tree#1" id="176580096"> <position x="13.7081" y="8.14336" z="-33.9854" /> <rotation qw="1" qx= "0" qy="0" qz="0" />

<entity name="tree#1" meshFile="tree.05.mesh" astShadows="false"> </node>

</nodes> </mesh>

Теги <mesh> </mesh> определяют начало и конец данных.

Теги <submeshes> </submeshes> определяют начало и конец секции содержащей данные о фацетных объектах сцены.

Теги <nodes> </nodes> определяют начало и конец секции содержащей данные о точечных объектах сцены.

Теги <submesh material="materialname"></submesh> описывают фацетный объект из материала с названием "materialname".

Теги <faces count="334"></faces> задают начало и конец блока перечисления

фацетов и их вершин. Параметр count задает общее количество фацетов.

Тег <face v1="0" v2="1" v3="2" /> задает номера вершин одного фацета.

Теги <geometry vertexcount="229"> <vertexbuffer> </vertexbuffer> </geometry>

Задают начало и конец блока перечисления вершин фацетов и их координат в

метрических единицах. Параметр vertexcount задает общее количество вершин.

Теги <vertex><position x="49.6933" y="5.43665" z="-0.784625"/> </vertex> задают

координаты вершины, номер вершины совпадает с порядковым номером данной

конструкции в блоке между тегами <vertexbuffer> </vertexbuffer>.

Теги <node name="tree#1" id="176580096"></node> - блок описывающий точечный

объект.

Тег <position x="13.7081" y="8.14336" z-'-33.9854" /> - описывает координаты точечного объекта в метрических единицах.

Тег <rotation qw="1" qx="0" qy="0" qz="0" /> - описывает ориентацию точечного объекта в метрических единицах. Представленный формат позволяет:

- Представлять координаты фацетов и точечных объектов сцены в метрическом виде.

- хранить информацию о пространственном положении и параметрах ориентации точечных объектов.

- Хранить информацию о фацетах и их вершинах для фацетных объектов.

- Хранить информацию о материалах объектов.