Е.В. Егорова1, М.Х. Аксяитов2, А.Н. Рыбаков3

1 Московский технологический университет – МИРЭА (Москва, Россия)
2 НПЦ АО «Концерн «Гранит-Электрон» (Санкт-Петербург, Россия)
3 ФГУП ВНИИА им. Н.Л. Духова (Москва, Россия)
 

Постановка проблемы. Результаты отечественных теоретических и экспериментальных исследований характеризуют основные направления в области обнаружения и распознавания различных радиолокационных объектов. При этом основным инструментом исследований большинства работ являются обнаружение и разработка перспективных математических моделей объектов и моделирование вторичных излучений для их распознавания, что позволяет в ряде случаев получать дополнительную информацию об этих объектах. Применение вероятностной процедуры распознавания и идентификации пространственного объекта по одиночным или пространственным снимкам требует определения взаимосвязанных основных этапов распознавания с учетом специфичности и научно-технической сложности поставленной задачи. Следует отметить, что во многих случаях работу алгоритмов идентификации можно апробировать посредством их моделирования на ЭВМ без использования для этих целей натурной информации.

Цель. Проанализировать существующие методы и алгоритмы цифровой обработки (распознавания и идентификации) проекций пространственных и точечных объектов с точки зрения вероятностной процедуры распознавания и идентификации пространственных объектов; рассмотреть поэтапно схему автомата идентификации объектов с применением анизотропной фильтрации, обеспечивающую эффективную фильтрацию изображений объектов, искаженных аддитивным нормальным шумом.

Результаты. Проанализированы решения для многих задач формирования, регистрации, передачи, обработки и распознавания объектов: эффективное кодирование, восстановление искаженной информации, моделирование систем передачи информации, автоматическое чтение текста и т.п. Представлена схема распознавания пространственных объектов с определением основных этапов при идентификации или распознавании пространственных объектов по одиночным или пространственным снимкам. Определены особенности цифровой обработки точечных объектов и обработки проекций пространственных объектов. Предложена и рассмотрена схема автомата идентификации объектов с применением анизотропной фильтрации, обеспечивающая эффективную фильтрацию изображений объектов, искаженных аддитивным нормальным шумом.

Практическая значимость. Использование предложенной структурной схемы распознавания пространственных объектов с определением основных этапов при идентификации или распознавании пространственных объектов по одиночным или пространственным снимкам позволяет уменьшить длительность и трудоемкость теоретических исследований, проведение которых является необходимой и обязательной частью традиционного подхода обработки радиолокационной информации. Представленные материалы будут полезны разработчикам и исследователям современных радиолокационных систем различного назначения, предназначенных для эффективной обработки информации от пространственно-распределенных объектов.

Егорова Е.В., Аксяитов М.Х., Рыбаков А.Н. Вероятностная процедура распознавания и идентификация пространственных объектов // Успехи современной радиоэлектроники. 2023. T. 77. № 3. С. 53–63. DOI: https://doi.org/10.18127/j20700784-202303-05

1. Ивахненко А.Г. Самообучающиеся системы распознавания и автоматического управления. Киев. 1969. С. 392.
2. Рыбаков А.Н., Егорова Е.В., Ветрова В.В. Обучение, самообучение в задачах технического зрения и распознавания // Наукоемкие технологии. 2015. Т. 16. № 10. С. 14–18.
3. Анисимов Б.В., Курганов В.Д., Злобин В.К. Распознавание и цифровая обработка изображений. М. 1983. С. 295.
4. Барабаш Ю.Л., Барский Б.В. и др. Автоматическое распознавание образов. КВВАИУ. Киев. 1963. С. 168.
5. Аксяитов М.Х., Мартынов Н.В., Егорова Е.В., Рыбаков А.Н. Аналитические модели непрерывных изображений // Нелинейный мир. 2017. Т.15. № 3. С. 65–68.
6. Норенков И.П., Кузьмик П.К. Информационная поддержка наукоемких изделий. CALS-технологии. М. 2002. 319 с.
7. Цуников А.Ю. Обработка изображений в инфракрасном диапазоне спектра: монография. Ярославль: Ремдер. 2011. 60 с.
8. Meer P., Mintz D., Rozenfield A., Kim D.Y. Robust regression methods for computer vision: a review. Int. J. Comput.Vision. 1991. V. 6(1). P. 59–70.37.