В.Е. Дмитриев1, Д.В. Попов2, В.А. Шахнов3

1–3 МГТУ им. Н.Э. Баумана (Москва, Россия)

1, 2info@iu4.bmstu.ru, 3shakhnov@iu4.ru

Постановка проблемы. Данная статья посвящена цифровой обработке матричного радиолокационного изображения. Информация, получаемая от устройства радиолокационного сканирования, нуждается в преобразовании для возможности визуального восприятия. Необходимо рассмотреть основные алгоритмы цифровой обработки матричных данных, а также преобразованные ими изображения.

Цель. Разработать алгоритм нейросетевой обработки массива данных радиолокационного сканирования, который выделяет контуры и ребра исследуемых объектов.

Результаты. Предложен алгоритм выделения геометрической структуры сканируемой области. Показано, что отличие алгоритма обработки от известных аналогов основано на характере изменения значений обрабатываемого массива и состоит в двойной операции выделения градиента распределения значений. Программная реализация алгоритма выполнена на языке C++ с использованием открытой библиотеки компьютерного зрения. Произведена оценка эффективности алгоритма на основе сравнения с алгоритмами определения ребер на основе линейной фильтрации и нейронных сетей.

Практическая значимость. Результаты работы могут быть использованы для создания программного обеспечения мобильных радиолокационных устройств ближнего действия. Формирование изображения из границ объектов и их ребер обеспечивает пространственное восприятие изображения оператором, а свободные области доступны для визуализации дополнительной информации. Данное решение позволяет комбинировать сканирующие устройства и за счет этого увеличивать информативность результата.

Дмитриев В.Е., Попов Д.В., Шахнов В.А. Алгоритм нейросетевой обработки массива данных радиолокационного сканирования // Нейрокомпьютеры: разработка, применение. 2021. T. 23. № 4. С. 14-24. DOI: https://doi.org/10.18127/j19998554-202104-02

1. Сойфер В.А. Компьютерная обработка изображений Часть 1. Математические модели // Соросовский образовательный журнал. № 2. 1996. С. 118–124.
2. Дмитриев В.Е., Попов Д.В. Анализ носимых средств для инфракрасной термографии // Технологии инженерных и информационных систем. 2018. № 2. C. 66–77.
3. Гриднев В.Н., Сергеева М.Д., Чебова А.И. Линейные модели распознавания тепловизионных изображений неисправностей электронных ячеек // Контроль. Диагностика. 2014. № 8. С. 57–66.
4. Гриднев В.Н., Власов А.И., Панфилова С.П., Червинский А.С. Бесконтактный тепловой контроль электронно-вычислительных средств // Технология и конструирование в электронной аппаратуре. 2007. № 6 (72). С. 42–49.
5. Гриднев В.Н., Власов А.И., Панфилова С.П., Червинский А.С. Бесконтактный тепловой контроль изделий электронной техники // Производство электроники. 2007. № 3. С. 25–30.
6. Вирясова А.Ю., Власов А.И., Гладких А.А. Нейросетевые методы дефектоскопии интегральных структур // Нейрокомпьютеры: разработка, применение. 2019. № 2. С. 54–67.
7. Буянов А.И., Власов А.И., Загоскин А.В. Применение нейросетевых методов при дефектоскопии печатных плат // Нейрокомпьютеры: разработка, применение. 2002. № 3. С. 42–70.
8. Гриднев В.Н., Власов А.И., Константинов П., Юдин А.В. Нейросетевые методы дефектоскопии печатных плат // Электронные компоненты. 2004. № 8. С. 148–155.
9. Аверьянихин А.Е., Власов А.И., Евдокимова Е.В. Иерархическая пирамидальная субдискретизация в глубоких сверточных сетях для распознавания визуальных образов // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 1. С. 17–31.
10. Дулевич В.Е. Теоретические основы радиолокации. М.: Сов. радио, 1964. 732 с.
11. Балдина Е.А. Затопление территорий по снимкам TanDEM-X и Landsat-5/TM. Паводок на реке Амур летом-осенью 2013 г. – [Электронный ресурс] – URL: http://geogr.msu.ru/cafedra/karta/materials/radiolocation/files/2razd/2.5.practice_amur.html (дата обращения: 15.04.2019).
12. Коновалов А.А. Основы траекторной обработки радиолокационной информации в 2 ч. СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2013. Ч. 1. 164 с.
13. Информационные технологии в радиотехнических системах / Под ред. И.Б.Федорова. М.: Изд-во МГТУ им. Н.Э. Баумана. 2011. 848 с.
14. Овцынова В.В. Сравнительный анализ алгоритмов поиска границ // Научное сообщество студентов XXI столетия. Технические науки: сб. ст. по мат. XXXII междунар. студ. науч.-практ. конф. № 5(31). URL: http://sibac.info/archive/technic/5(31).pdf (дата обращения: 14.04.2019).
15. Труды Всерос. конф. «Обработка пространственных данных в задачах мониторинга природных и антропогенных процессов». Новосибирск, 2017. 323 с.
16. Новоторцев Л.В., Волобой А.Г. Алгоритм нахождения отрезков в задаче анализа аэрофотоснимков // Приволжский научный журнал. 2014. № 4. С. 170–172.
17. Ежова К.В. Моделирование и обработка изображений: Учеб. пособие. СПб.: НИУ ИТМО, 2011. 93 с.
18. Tsai С. Effects of 2-D Preprocessing on Feature Extraction Accentuating Features by Decimation, Contrast Enhancement, Filtering. Department of Electrical Engineering, Stanford University. 2008.
19. Живрин Я.Э., Алкзир Н.Б. Методы определения объектов на изображении // Молодой ученый. 2018. № 7. С. 8–19.
20. Бондаренко А.Ю., Адамов В.Г. Анализ методов определения контуров изображения // Международный научно-исследовательский журнал. 2015. №8 (39) Ч. 2. С. 13–16.
21. Питенко А.А. Использование нейросетевых технологий при решении аналитических задач в ГИС // Сб. науч. трудов «Методы нейроинформатики». Красноярск: КГТУ. 1998. С. 152–163.
22. Маркова С.В., Жигалов К.Ю. Применение нейронной сети для создания системы распознавания изображений // Фундаментальные исследования. 2017. № 8–1. С. 60–64.
23. Власов А.И., Папулин С.Ю. Анализ данных с использованием гистограммной модели комбинации признаков // Нейрокомпьютеры: разработка, применение. 2019. Т. 21. № 5. С. 18–27.
24. Смирнов А.В., Иванов Е.С. Использование механизма сверточных нейронных сетей для поиска объектов на аэрофотоснимках // Программные системы: теория и приложения. 2017. Т. 8. Вып. 4. С. 85–99.
25. Рысьмятова А.А. Использование сверточных нейронных сетей для задачи классификации текстов. М.: Изд-во МГУ им. М.В. Ломоносова. 2016.
26. Прохоров В.Г. Использование сверточных сетей для распознавания рукописных символов // Проблемы программирования. 2008. № 2–3. С. 669–674.
27. Xie S., Tu Z. Holistically-Nested Edge Detection. 2015. – [Электронный ресурс] – URL: https://arxiv.org/abs/1504.06375. (дата обращения: 20.04.2019).
28. Питенко А.А. Использование нейросетевых технологий при решении аналитических задач в ГИС // Сб. науч. трудов «Методы нейроинформатики». Красноярск: Изд-во КГТУ, 1998. С. 152–163.
29. Маркова С.В., Жигалов К.Ю. Применение нейронной сети для создания системы распознавания изображений // Фундаментальные исследования. 2017. № 8–1. С. 60–64.
30. Глушко А.А., Бусов В.Д., Передерин К.Д. Методы алгоритмического проектирования искусственного интеллекта // Технологии инженерных и информационных систем. 2019. № 2. С. 72–88.
31. Шахнов В.А., Власов А.И., Поляков Ю.А., Кузнецов А.С. Нейрокомпьютеры: архитектура и схемотехника. Сер. Приложение к журналу «Информационные технологии». № 9. М.: Машиностроение. 2000.
32. Балухто А.Н., Булаев В.И., Бурый Е.В. и др. Нейрокомпьютеры в системах обработки изображений. Сер. Библиотека журнала «Нейрокомпьютеры: разработка, применение». Т. 7. М.: Радиотехника. 2003.
33. Балухто А.Н., Галушкин А.И., Ковальчук Д.В., Назаров Л.Е., Томашевич Н.С. Нейрокомпьютеры в прикладных задачах обработки изображений. Сер. Библиотека журнала «Нейрокомпьютеры: разработка, применение». Т. 8. М.: Радиотехника. 2003.
34. Артемьев Б.В., Попов Д.В., Дмитриев В.Е. Анализ особенностей обнаружения объектов, расположенных на одной оси относительно наблюдателя, методом радиолокации в миллиметровом диапазоне // Контроль. Диагностика. 2019. № 6. С. 42–47.