Автор неизвестен - Сборник научных трудов 3-го международного радиоэлектронного форума прикладная радиоэлектроника - страница 44

Страницы:
1  2  3  4  5  6  7  8  9  10  11  12  13  14  15  16  17  18  19  20  21  22  23  24  25  26  27  28  29  30  31  32  33  34  35  36  37  38  39  40  41  42  43  44  45  46  47  48  49  50  51  52  53  54  55  56  57  58  59  60  61  62  63  64  65  66  67  68  69  70  71  72  73  74  75  76  77  78  79  80  81  82  83  84  85  86  87  88  89  90  91  92  93  94  95  96  97  98  99  100  101  102  103  104  105  106  107  108  109  110  111  112  113  114  115  116  117 

Imax = 215 при используемом 16-битном представлении данных, а в 125-м канале диапазон измерения значительно шире - от 221 до 2358. При этом дисперсии аддитивной состав­ляющей помех &2хИ (n) отличаются несущественно, они соответственно примерно равны 8 и 7 (n = 1,...,N - номер канала, N - количество каналов). Естественно, что отношения сигнал-шум в этих компонентных изображениях различны.

В связи с этим в нашей работе [3] был предложен метод группирования компонент (каналов), причем число каналов в каждой группе выбиралось равным 4, 8 или 16, то есть равным степени 2 для обеспечения высокого быстродействия трехмерных модификаций кодера AGU. Метод группирования [3] основывается на автоматическом анализе диспер­сии аддитивной составляющей помех д2ш (n) в компонентных изображениях. В одну q-ю группу объединяются компонентные изображения, для которых оценки &1<и(n),n = nfnitnqfin различаются между собой несущественно, например, не более, чем в

два раза, где n?njt, nqfm - соответственно начальный и конечный индекс каналов, принадле­жащих qгруппе. Например, для изображения гиперспектрального Lunar Lake размеры сформированных групп таковы: 4, 4, 4, 8, 8, 4, 8, 8, 8, 16, 8, 16, 8, 8, 8, 16, 16, 8, 16, 16, 8, 4, 4, 8, и 8 каналов (N =224).

а) б) в)

Рис. 1. Исходные изображения в 113-м (а) и 125-м (б) каналах гиперспектрального изображения и сжатое изображение в 113-м канале (в) с шагом квантования

65=14 (РБЖог=35,72 дБ).

Статистические свойства помех важно знать или оценивать, поскольку сжатие изо­бражений, искаженных помехами, имеет свои особенности. В частности, выбирая пара­метры сжатия (Ьрр для кодера Л>ЕО2000 и его модификаций или шаг квантования ОБ для

СРРСН'2008

1-ч.1 - 238кодеров на основе ДКП как стандартный JPEG или AGU), можно обеспечивать такое ка­чество восстановленных (декомпрессированных) изображений, при котором положи­тельный эффект от фильтрации при сжатии с потерями заметно превосходит негативные последствия вносимых искажений [4]. Это имеет место в так называемой окрестности оптимальной рабочей точки (ОРТ), которая достигается для кодеров JPEG или AGU при выполнении условия QS(n) и 4,5aadd(n). Пример изображения в 113-м канале после де­компрессии приведен на рис. 1,в, причем сжатие осуществлялось с QS(113) и 4,5aadd (113) = 14 . Для этого изображения PSNRor = 10 - /„^ )2 /MSEor), где

MSEor - среднеквадратическая ошибка между исходным и восстановленным изображе­ниями. Внесенные в результате сжатия искажения визуально не заметны.

Однако для подходов ПФСП и СППФ правомерен иной алгоритм выбора шага квантования - QS(n) и 1,3аасШ (n). Если же выбирать шаг квантования коэффициентов ДКП

больше, то можно достигнуть большей степени сжатия, но при этом резко снизится каче­ство изображений, подвергнутых предварительной или пост-фильтрации. Отметим, что подходы ПФСП и СППФ способны обеспечить более высокое качество изображений, чем непосредственно СП, поскольку для последнего, хоть и имеет место эффект фильтрации, но ее эффективность достаточно далека от предельной.

Сравнительный анализ подходов к сжатию многоканальных изображений. Рассмотрим следующие варианты сжатия: а) покомпонентное (без спектральной декорре-ляции); б) с адаптивным формированием групп. Для второго варианта возникает вопрос -каким образом выбирать шаг квантования, ведь оценки d2add (n),n = nqnjtnqfm даже в каж­дой q-й группе неодинаковы. Для минимизации вносимых потерь было предложено [3] выбирать шаг квантования QS(q) пропорциональным min^^(n),n = nqnjtnqf!n), то есть

индивидуально для каждой группы. При этом коэффициент пропорциональности равен 4,5 для подхода СП и 1,3 для обоих других подходов (ПФСП и СППФ). Для предвари­тельной или пост-фильтрации использовалась модификация ДКП-фильтра [5] для случая аддитивных помех.

Анализ проводился для стандартных тестовых изображений, используемых для ве­рификации методов и алгоритмов обработки гиперспектральных изображений AVIRIS: Cuprite, Jasper Ridge, Moffett Field, Lunar Lake. Результаты приведены в таблице.

Значения КС для различных подходов и вариантов сжатия и фильтрации

Подход

Поканальное                            Тестовое изображение

или с групп.        Cuprite        Jasper Ridge    Moffett Field    Lunar Lake

СП

Поканальное          8,17               4,83               4,56 8,77

 

С группир.          20,68              9,94               8,95 24,39

ПФСП

Поканальное          5,00               3,38               3,22 5,38

 

С группир.           9,10               5,91               4,84 9,53

СППФ

Поканальное          4,38               3,18               3,06 4,55

 

С группир.           7,54               4,85               4,61 7,34

Прежде всего, отметим, что КС для различных многоканальных изображений ока­зываются разными, причем для более сложных по контексту изображений Moffett Field и Jasper Ridge КС меньше, чем для содержащих больше однородных участков изображений Cuprite и Lunar Lake. Все подходы к сжатию, использующие адаптивное группирование каналов и, соответственно, учитывающие межканальную корреляцию, обеспечивают в 1,5... 3 раза большие значения КС, чем соответствующие методы поканального сжатия.

Применение подхода СП (без фильтрации) приводит к наибольшим значениям КС, но при этом качество восстановленных изображений наиболее низкое. Однако этот под­

СРРСН'2008

1-ч.1 - 239ход наиболее прост и экономичен, поскольку ДКП-фильтрация на борту требует опреде­ленных ресурсов и занимает на порядок больше времени, чем само сжатие, так как фильтрация выполняется с перекрытием в блоках. Применение фильтрации до сжатия позволяет достичь немного больших значений КС, чем при использовании подхода СППФ. Однако при этом приходится тратить время на выполнение фильтрации на борту. Кроме того, в принципе, в наземном пункте приема и обработки данных ДЗ фильтрация может быть осуществлена более качественно, например, благодаря более тщательному анализу типа и статистических характеристик помех, которые, кроме аддитивной, содер­жат и сигнально-зависимую составляющую.

Приведенные в таблице значения КС получены в предположении, что при выборе шага квантования использовались приведенные выше рекомендации (алгоритмы опреде­ления QS(n) при поканальном сжатии и QS(q) при адаптивном группировании каналов. КС может быть увеличен, если вместо рекомендованных коэффициентов пропорцио­нальности 4,5 и 1,3 использовать большие значения, например, от 5 до 6 для СП и от 1,5 до 2 для подходов ПФСП и СППФ.

Выводы. Рассмотрены три возможных подхода к сжатию и фильтрации данных мно­гоканального ДЗ и проиллюстрирована их эффективность для 224-канальных изображе­ний, формируемых гиперспектральной системой AVIRIS. При этом получены КС, кото­рые в несколько раз больше, чем при использовании современных и весьма сложных ме­тодов сжатия без потерь. Решение о практическом применении того или иного подхода должно приниматься на основе приоритета требований к качеству сжатых и обработан­ных данных ДЗ и ограничений, накладываемых на характеристики канала передачи и вы­числительные ресурсы устройств обработки изображений на борту. В основе как фильт­рации, так и сжатия лежит ДКП. Для его реализации имеются и быстрые алгоритмы, и спецпроцессоры.

Литература

1. "Hyperspectral Data Exploitation: Theory and Applications", Edited by Chein-I Chang, Wiley-Interscience, 2007.

2. A. Kaarna, Compression of Spectral Images, Chapter 14 in "Vision Systems: Segmen­tation and Pattern Recognition", Ed. By G. Ohinata and A. Dutta, I-Tech, Vienna, Austria, June

2007, pp. 269-298.

3. N. Ponomarenko, V. Lukin, M. Zriakhov, A. Kaarna, J. Astola, "An automatic ap­proach to lossy compression of AVIRIS images", Proceedings of IGARSS, Barcelona, Spain,

pp.472-475, 2007.

4. V. Lukin, N. Ponomarenko, A. Kurekin, K. Lever, O. Pogrebnyak, L. Sanchez-Fernandez, "Approaches to classification of multichannel images", Proceedings of CIAPR, Springer LNCS Vol. 4225, Cancun, Mexico, pp. 794-803, Nov. 2006.

5. R. Oktem, K. Egiazarian, V. Lukin, N. Ponomarenko, O. Tsymbal, "Locally Adaptive DCT Filtering for Signal-Dependent Noise Removal", EURASIP Journal on Advances in Signal Processing, Article ID 42472 (open access paper), 10 p., 2007.

СРРСН'2008

I-чЛ - 240

СОВМЕСТНАЯ ОБРАБОТКА КООРДИНАТНОЙ ИНФОРМАЦИИ В МНОГОДИАПАЗОННОЙ РАДИОЛОКАЦИОННОЙ СИСТЕМЕ

Богомолов Н.П. Сибирский федеральный университет 660074, г. Красноярск, ул. Киренского 26, каф. «Радиотехнические системы», тел. (83912) 992056,912251, 497752 Email: bnp_1949.49@,mail.ru, Email: rts@kgtu.runnet.ru, факс: (83912)912251 Algorithms of coordinate estimation and aim trajectory parameters in multiband radar system were studied on the base of Kalmanov filtration algorithms and state vector estimates complexation algorithms. Algorithms were counted by means of receiving places in the infor­mation processing station. When different variants of radar system using and information processing methods take place comparative analysis of measurement quality index was per­formed.

В настоящее время одним из перспективных направлений совершенствованием тактико-технических характеристик радиолокационных средств ПВО является построе­ние многопозиционных, в частности, многодиапазонных радиолокационных систем (МДРЛС) - качественно новых систем в максимальной степени использующих сущест­вующие радиолокационные средства при минимальном дополнительном переоборудова­нии [1].

В докладе предложены эффективные способы уменьшения времени системы обра­ботки информации в МДРЛС с момента времени обнаружения цели и до момента време­ни выдачи целеуказания с точностными характеристиками о её координатах, позволяю­щим проводить беспоисковое обнаружение цели СНР зенитно-ракетных комплексов

С-300В.

Состав и тактико-технические характеристики радиолокационного оборудо­вания МДРЛС. Одним из вариантов создания МДРЛС может быть объединение в ее составе радиолокационных средств, находящихся в распоряжении зенитной ракетной бригады С-300В, т.к. в ее составе имеются РЛС метрового диапозона «Небо - СВ» и сан­тиметровая РЛС кругового обзора «Обзор - 3» [2]. Для обеспечения полной многодиапо-зонности системы в её состав предлагается включить дециметровую РЛС «Противник -ГЕ» (универсальная мобильная четырехкоординатная станция пятого поколения)[3]. Воз­можно использование дополнительной информации от РЛС программного обзора «Им­бирь» и многоканальной СНР 9С32, входящей в состав зенитной ракетной батареи, при их работе в режиме обнаружения и секторном обзоре пространства[2,3].

Среднеквадратические ошибки измерений РЛС МДРЛС ПВО сведены в табл. 1 [2, 3].

Таблица 1

Среднеквадратические ошибки измерений РЛС МДРЛС ПВО

Характери­стики

1Л13 «Небо - СВ»

59Н6-Е «Противник - ГЕ»

9С15М «Обзор - 3»

9С19М2

«Имбирь»

9С32 СНР

Погрешности измерения

Дальности, м.

600

50

250

70

5-25

Азимута, мин

60

10

30

15

0,2-2,0 д.у.

Угла места, мин

-

8

35

12

0,2-2,0 д.у.

Высоты, м

-

350

-

-

 

СРРСН'2008

1-ч.1 - 241

В работе рассматривается случай регулярного измерения. Известно, что при регу­лярном измерении ошибки измерений количественно характеризуется размерами эллип­соида ошибок измерений [4]. Размеры эллипсоида ошибок измерений, его ориентация зависят от потенциальных среднеквадратических ошибок измерений вектора наблюде­ний и геометрии МДРЛС. Задача по обеспечению беспоискового обнаружения цели СНР будем считать выполненной, если величины главных полуосей эллипсоида ошибок из­мерений МДРЛС будут равны или меньше соответствующих величин станции наведения ракет.

Вторичная обработка РЛИ с фильтрацией оценок вектора состояния в двухпо-зиционной РЛС. Эффективным способом повышения точности оценивания координат цели и параметров траектории движения цели является фильтрация Калмана и приме­нение искусственных нейронных сетей (ИНС) [5].

Анализ функционирования предложенных способов децентрализованной системы обработки координатной информации, основывается на рекуррентных алгоритмах фильтрации оценок координат и параметров движения цели в приёмной позиции.

В первом варианте обработки результаты калмановской фильтрации оценок век­тора состояния каждого 1111 передаются в ЦОИ, в котором осуществляется их объедине­ние. Обозначим данный вариант обработки ФО-алгоритм. Второй вариант отличается от первого тем, что прогнозированная оценка вектора состояния в 11 формируется с при­менением искусственных нейронных сетей (ИНС) ФО ФНС - алгоритм.

Алгоритм комплексирования некоррелированных оценок векторов состояния, рас­считанных в 1111 алгоритмами фильтрации Калмана а к (/ =1,2 - номер 1111, к - номер такта измерения)определяется соотношениями

а= С1ка1к + С2ка2к ) (1)

С=(С1к + (2) где а - результирующая оценка вектора состояния на выходе ЦОИ; С- - результи­рующая корреляционная матрица ошибок измерений на выходе ЦОИ, С к - корреляци­онная матрица точности оценки вектора состояния на выходе 11 .

Во втором варианте расчет прогнозированной оценки вектора состояния осуществ­ляется на основе использования технологии ИНС. Алгоритм фильтрации в данном слу­чае обозначим ФНС-алгоритм. В ФНС-алгоритме происходит замена прогнозированного значения ФК ак7к-1 на прогнозированное значение, сформированное нейронной сетью. Здесь и далее индекс опущен, так как дальнейшие преобразования идентичны для обоих приемных позиций.

Разработанный дискретный фильтр отличается от ФК только алгоритмом одноша-гового предсказания а^к_1 = ак_1 + Даэк, где Даэк - оценка вектора коррекции для расче­та прогнозированной (экстраполированной) оценки вектора состояния.

Матричный коэффициент усиления Кк и матрица дисперсий ошибок оценивания

вектора состояния Ск1 для ФНС-алгоритма, как и для ФК, не могут быть вычислены за­ранее. Вычисление должно происходить в реальном масштабе времени, т. к. эти величи­ны зависят от текущей оценки вектора состояния ак .

Формирование начальных данных для работы нейронной сети и вычисление про­гнозированной оценки вектора состояния осуществляется следующим образом. Оценка

вектора наблюдаемых параметров Ак , поступающая на каждом такте измерения, и оценка вектора состояния ак-1 позволяют сформировать вектор невязки между текущей оцен­кой вектора наблюдения Хк к), пересчитанной в декартову систему координат, и оцен­кой вектора состояния на предыдущем -1)-м шаге фильтрации Да =

СРРСН'2008

1-ч.1 - 242

При использовании обученной сети в ФНС-алгоритме вычисление Да^ возможно

с использованием оценок координат вектора состояния вместо оценок вектора наблюде­ний. Вектор состояния поступает на вход нейронной сети с тремя предыдущими векто­рами Дак =[Да4к;Дазк;Да2к;Даи] .

Страницы:
1  2  3  4  5  6  7  8  9  10  11  12  13  14  15  16  17  18  19  20  21  22  23  24  25  26  27  28  29  30  31  32  33  34  35  36  37  38  39  40  41  42  43  44  45  46  47  48  49  50  51  52  53  54  55  56  57  58  59  60  61  62  63  64  65  66  67  68  69  70  71  72  73  74  75  76  77  78  79  80  81  82  83  84  85  86  87  88  89  90  91  92  93  94  95  96  97  98  99  100  101  102  103  104  105  106  107  108  109  110  111  112  113  114  115  116  117 


Похожие статьи

Автор неизвестен - 13 самых важных уроков библии

Автор неизвестен - Беседы на книгу бытие

Автор неизвестен - Беседы на шестоднев

Автор неизвестен - Богословие

Автор неизвестен - Божественность христа