Интеллектуальная обработка информации систем лазерной локации для синтеза моделей и алгоритмов распознавания 3D-объектов тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Ахметов Ильдар Маратович

  • Ахметов Ильдар Маратович
  • кандидат науккандидат наук
  • 2023, ФГБОУ ВО «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)»
  • Специальность ВАК РФ00.00.00
  • Количество страниц 110
Ахметов Ильдар Маратович. Интеллектуальная обработка информации систем лазерной локации для синтеза моделей и алгоритмов распознавания 3D-объектов: дис. кандидат наук: 00.00.00 - Другие cпециальности. ФГБОУ ВО «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)». 2023. 110 с.

Оглавление диссертации кандидат наук Ахметов Ильдар Маратович

Введение

Глава 1. Аппаратно-программный комплекс имитационного цифрового моделирования отражательных характеристик 3D-объектов в системах оптической локации

1.1. Гониоспектрофотометрические измерения характеристик рассеяния оптического излучения от покрытий 3D-объектов локации

1.2. Моделирование геометрического образа 3D-объекта локации

1.3. Адаптивное численное интегрирование двумерной функции яркости

1.4. Цифровое моделирование полей и подстилающих поверхностей

1.5. Выводы по первой главе

Глава 2. Математическое моделирование отражения оптического излучения

от конструкционных материалов 3D-объектов локации

2.1. Анализ физических закономерностей изменения индикатрис коэффициентов яркости конструкционных материалов 3D-объектов оптической локации

2.2. Структура модифицированной параметрической модели индикатрисы коэффициента яркости для покрытий 3D-объектов

2.3. Интеллектуальный анализ экспериментальных данных индикатрис коэффициентов яркостей покрытий 3D-объектов локации

2.4. Регуляризованная параметрическая модель индикатрисы коэффициента яркости шероховатой поверхности

2.5. Выводы по второй главе

Глава 3. Модели импульсных отражательных характеристик 3D-объектов, функционирующие в режиме реального времени в однопозиционной системе оптической локации

3.1. Импульсные отражательные характеристики 3D-объектов локации в оптическом диапазоне

Стр.

3.2. Дальностный портрет 3D-объектов локации в оптическом диапазоне спектра электромагнитного излучения

3.3. Интеллектуальный кластерный анализ дальностного портрета 3D-объекта в оптической локационной системе

3.4. Модели импульсных отражательных характеристик 3D-объектов, функционирующие в оптической локационной системе в режиме реального времени

3.5. База знаний дальностных портретов 3D-объектов в однопозиционной системе оптической локации

3.6. Выводы по третьей главе

Глава 4. Распознавание 3D-объектов оптической локационной системой методами интеллектуального анализа временного профиля ЭПР

4.1. Экспертная модель исходных признаков 3D-объекта локации

4.2. Статистический анализ и критерии информативности исходных признаков

4.3. Формирование пространства информативных признаков

4.4. Синтез и анализ байесовского классификатора 3D-объектов локации

4.5. Синтез и анализ альтернативных алгоритмов кластеризации и классификации 3D-объектов локации

4.6. Выводы по четвертой главе

Общие выводы и заключение

Список сокращений и условных обозначений

Список использованных источников

Рекомендованный список диссертаций по специальности «Другие cпециальности», 00.00.00 шифр ВАК

Введение диссертации (часть автореферата) на тему «Интеллектуальная обработка информации систем лазерной локации для синтеза моделей и алгоритмов распознавания 3D-объектов»

Введение

Научная задача и актуальность исследования

Современные лазерные локаторы позволяют принимать сигнал, отраженный от объектов как естественного, так и антропогенного происхождения (далее -3D-объекты) со сложной электрофизической структурой и формой. Методология автоматизированного проектирования лазерного локатора требует рационального сочетания дополняющих друг друга методов натурных измерений, физического и математического моделирований сигналов локатора и отражательных характеристик 3D-объектов. В задаче формирования представительной базы данных отражательных характеристик различных 3D-объектов ведущая роль принадлежит аппаратно-программным комплексам имитационного цифрового моделирования импульсных отражательных характеристик. Адекватное воспроизведение в ходе компьютерных вычислений основных физических законов отражения для достаточно коротких зондирующих импульсов позволяет реализовать надежное распознавание 3D-объектов на основе обнаружения закономерностей, скрытых во временном профиле импульсной эффективной площади рассеяния 3D-объекта.

Теории оптимизации и принятия решений, а также методы машинного обучения становятся неотъемлемой средой системного подхода к синтезу блоков интеллектуального анализа данных (далее - ИАД) в оптико-электронных системах. Актуальной, в связи с этим, является потребность в реализации технологий искусственного интеллекта для формирования функционирующих в режиме реального времени моделей входных сигналов локационных систем при решении задач управления и распознавания образов.

Научная задача формулируется следующим образом:

- формирование базы данных по результатам расчета отражательных характеристик 3D-объектов;

- разработка методик по обнаружению закономерностей, скрытых в импульсных отражательных характеристиках 3D-объектов, и формирование их моделей;

- обоснование процедур для синтеза алгоритмов по распознаванию 3D-объектов в системах лазерной локации.

Степень разработанности темы определяется результатами предшествующих исследований: Мусьяков М.П., Мищенко И.Д. - проблемы ближней лазерной локации; Бурый Е.В., Рождествин В.Н. - импульсная лазерная локация; Карасик В.Е., Орлов В.М. - лазерные системы видения; Легкий В.Н., Топорков В.Д. - распознавание объектов трехмерными лазерными локаторами; Топорец А.С., Торранс К.Е., Спарроу Е.М. - оптика шероховатых поверхностей; Лабунец Л.В., Непогодин И.А. - цифровое моделирование оптических отражательных характеристик объектов.

Вместе с тем, в полном объеме не представлены методики проектирования блоков распознавания 3D-объектов на основе интеллектуального анализа сигналов однопозиционных короткоимпульсных лазерных локаторов ближнего действия.

Актуальность темы исследования обусловлена следующими причинами. В современных системах автоматизированного проектирования оптико-электронных систем методология ИАД по результатам имитационного цифрового моделирования входных сигналов и машинных методов обучения алгоритмов принятия решений занимает главенствующие позиции по отношению к традиционным методам натурных измерений и физического моделирования. Базы данных цифровых моделей отражательных характеристик 3D-объектов оптической локации предоставляют уникальные возможности по обнаружению закономерностей, скрытых во входных сигналах локационных систем, и обоснованию алгоритмов распознавания 3D-объектов.

Цель исследований и основные этапы

Целью диссертации является создание методических и программных средств интеллектуального анализа отражательных характеристик 3D-объектов в системах лазерной локации для решения практически важных задач по выделению информативных признаков, синтезу и анализу алгоритмов распознавания 3D-объектов.

Достижение поставленной цели обеспечивается решением следующих задач, составляющих основные этапы исследования:

1. Разработка неканонических спектральных моделей многомерных случайных полей, воспроизводящих статистические характеристики изображений подстилающей поверхности;

2. Создание фотометрической модели рассеяния оптического излучения покрытием 3D-объекта, обеспечивающей приемлемые вычислительные затраты и точность моделирования сигналов и изображений в оптических локаторах;

3. Разработка параметрических моделей импульсных отражательных характеристик 3D-объектов для цифрового моделирования в режиме реального времени входных сигналов лазерных локационных систем;

4. Интеллектуальный анализ закономерностей, скрытых в отсчетах временных профилей импульсных отражательных характеристик 3D-объектов локации, для обоснования и реализации процедур распознавания 3D-объектов.

Методы исследований, объект и предмет исследований

Методической основой моделей и алгоритмов служат:

1. Методы кратномасштабного анализа изображений фонов и подстилающих поверхностей в базисе дискретного вейвлет преобразования;

2. Теория статистического моделирования, параметрические спектральные модели многомерных случайных полей, методы многомерного спектрального оценивания;

3. Теоретическая фотометрия, гониоспектрофотометрические исследования индикатрис рассеяния оптического излучения шероховатыми поверхностями и их математическое моделирование;

4. Методы теории вероятностей и прикладной математической статистики оценивания многомерных распределений;

5. Интеллектуальный анализ данных для алгоритмического обнаружения закономерностей, скрытых в динамике локационных сигналов;

6. Методы, модели и алгоритмы статистической теории распознавания образов.

Объектом исследования являются отражательные характеристики 3D-объектов, облучаемых однопозиционными короткоимпульсными лазерными локационными системами ближнего действия.

Предметом исследования являются методы, модели и алгоритмы ИАД для обнаружения нетривиальных и практически полезных закономерностей во временном профиле отраженного сигнала и формирования моделей этих закономерностей, т.е. приобретения знаний для эффективного распознавания 3D-объектов.

Научная новизна

Научная новизна диссертации состоит в создании новых методик, статистических моделей и алгоритмов интеллектуального анализа полей и сигналов оптико-электронных короткоимпульсных локационных систем. Научная новизна включает в себя:

1. Разработку моделей и алгоритмов статистического моделирования изображений фонов и подстилающих поверхностей. Обоснование и оптимизацию параметров рандомизированных моделей энергетических спектров анизотропных полей;

2. Синтез регуляризованных лучевых моделей рассеяния оптического излучения шероховатыми поверхностями, обеспечивающих баланс вычислительных затрат и корректность воспроизведения физических закономерностей процесса отражения;

3. Алгоритмический подход к обнаружению закономерностей, скрытых в импульсных отражательных характеристиках 3D-объектов лазерной локации;

4. Разработку методик синтеза и машинных методов обучения алгоритмов распознавания 3D-объектов.

Практическая ценность результатов и их область применения

Практическая значимость результатов диссертации состоит в замене дорогостоящих натурных измерений рассеяния оптического излучения адекватным универсальным и гибким вычислительным экспериментом, а также в решении важных научно-технических задач интеллектуального анализа входных сигналов лазерных локационных систем для распознавания 3D-объектов.

Область практического применения. Методики, представленные совокупностью моделей и алгоритмов, а также программное обеспечение применяют для:

- исследования отражательных характеристик 3D-объектов в видимом и ближнем инфракрасном диапазонах спектра электромагнитных волн;

- обоснования выбора основных параметров и анализа эффективности функционирования однопозиционных систем лазерной локации;

- цифровой обработки функций яркости 3D-объектов;

- формирования пространства информативных признаков и синтеза правил распознавания 3D-объектов в однопозиционных системах лазерной локации.

Новые положения и результаты диссертации

1. Предложены рандомизированные модели энергетических спектров многомерных случайных полей и алгоритмы статистического моделирования анизотропных изображений фонов и подстилающих поверхностей;

2. Предложены регуляризованные фотометрические модели индикатрис рассеяния оптического излучения шероховатыми поверхностями, гарантирующие их численную устойчивость и необходимую точность аппроксимации экспериментальных данных;

3. Предложены параметрические модели, функционирующие в режиме реального времени, для импульсных отражательных характеристик 3D-объектов в оптическом диапазоне;

4. Разработана методика формирования пространства информативных признаков для распознавания 3D-объектов в однопозиционных короткоимпульсных системах лазерной локации ближнего действия;

5. Разработана методика синтеза и оптимизации параметров в алгоритмах кластеризации и классификации 3D-объектов.

Достоверность, апробация и реализация результатов работы

Достоверность полученных результатов подтверждается применением ранее полученных фундаментальных результатов; корректным использованием апробированного математического аппарата; сопоставлением результатов,

полученных различными проверенными на практике методами; анализом факторов, влияющих на изучаемые процессы; наличием достоверных экспериментальных данных, согласованностью полученных непротиворечивых результатов с исследованиями, опубликованными в открытой печати.

Реализация результатов работы. Результаты диссертации использованы организациями ракетно-космической промышленности при выполнении научно-исследовательских работ. Разработанные методики, модели и алгоритмы используются в учебном процессе МГТУ им. Н.Э. Баумана по дисциплинам «Основы теории и техники систем обработки информации в ракетно-космической технике», «Математическое и имитационное моделирование», «Моделирование систем ближней локации». Соответствующие использования результатов диссертации подтверждаются актами.

Апробация работы. Основные результаты диссертации доложены на трех международных конференциях: «Цивилизация знаний: российские реалии» (г. Москва, РосНОУ, 2019 г., 2020 г.), «Информационные технологии и интеллектуальные системы принятия решений (ITIDMS-III-2022)» (г. Москва, РосНОУ, 2022 г.).

Личный вклад и публикации

Результаты, представленные в диссертации, получены лично автором. Цели диссертации и перечень решаемых задач сформированы совместно с научным руководителем. Существующие теоретические подходы и методы, положенные в основу разработанных моделей и алгоритмов, сопровождаются ссылками на оригинальные источники.

По теме диссертации автором опубликовано 8 научных работ (общим объемом 4,8 п.л./3,3 п.л.), из них 2 работы - в изданиях, входящих в перечень ВАК при Минобрнауки России, 3 работы - в изданиях, индексируемых в базе данных Scopus, 3 работы - в трудах конференций).

Структура и краткое содержание работы

Структура диссертации состоит из введения, четырех глав, заключения и списка использованных источников. Работа содержит 110 страниц текста,

50 рисунков и 16 таблиц. Список использованных источников содержит 55 отечественных и зарубежных публикаций, в том числе 4 публикации автора диссертации.

Первая глава содержит описание основных этапов имитационного цифрового моделирования отражательных характеристик 3D-объектов в системах оптической локации. Проанализированы физические закономерности трансформации индикатрис коэффициентов яркости конструкционных материалов при изменении углов падения и наблюдения фацета. Рассмотрены принципы формирования геометрических образов 3D-объектов. Обоснована необходимость применения адаптивных алгоритмов численного интегрирования двумерных функций яркостей 3D-объектов в системах оптической локации.

Получил дальнейшее развитие спектральный метод параметрического описания многомерных случайных полей для статистического моделирования фонов и подстилающих поверхностей [20]. Рассмотрено семейство моделей энергетических спектров анизотропных случайных полей в виде конечной смеси стандартных эллипсоидально-симметричных спектров в метрике Махаланобиса. Предложена методика оптимизации параметров этой модели с помощью SWM-алгоритма. Представлены результаты анализа кластерной структуры спектральных плотностей мощности (далее - СПМ) экспериментально измеренных изображений фонов и подстилающих поверхностей, а также соответствующие им параметры полигауссовской модели СПМ.

Вторая глава посвящена математической модели индикатрисы рассеяния для оптического излучения от шероховатой поверхности. Обоснована необходимость модификации трехпараметрической модели [15] пространственной индикатрисы коэффициента яркости фацета новой шестипараметрической моделью [21]. Эта модель позволила адекватно описать основные физические закономерности, обнаруженные в эксперименте, а также зависимости диффузной и направленной составляющих индикатрисы от условий облучения и наблюдения фацета.

Двукратное увеличение количества параметров для закономерности, скрытой в данных, потребовало реализации принципа регуляризации модели индикатрисы для устранения эффекта ее переобучения. В частности, предложен агрегированный критерий среднего риска в виде рационального компромисса между ошибками описания экспериментальных данных и сложностью модели, обеспечивающий ее численную устойчивость. Представлена методика поиска оптимальных робастных параметров модели пространственной индикатрисы коэффициента яркости фацета.

В третьей главе исследованы результаты имитационного цифрового моделирования дальностных портретов 3D-объектов оптической локации [16, 18]. Интеллектуальный кластерный анализ такого рода портретов с помощью алгоритма DBSCAN позволил предложить физически обоснованные модели временных профилей переходной характеристики (далее - ПХ) и импульсной эффективной площади рассеяния (далее - ЭПР) 3D-объектов [22]. Представлена методика идентификации параметров модифицированным ЕМ-алгоритмом для полигауссовских моделей ПХ и импульсной ЭПР, функционирующих в режиме реального времени.

Четвертая глава посвящена решению достаточно сложной и неформализованной задачи формирования пространства исходных признаков на основе морфологического анализа временного профиля импульсной ЭПР для 3D-объектов оптической локации. Проанализированы признаки, характеризующие размер, энергетические свойства, форму 3D-объектов [23] и оптимальные по критерию «цена-качество». Исследованы статистические характеристики, кластерная структура и критерии информативности выбранных признаков.

Методом главных компонент реализовано отображение пространства исходных признаков на пространство малой размерности информативных признаков. На основе полигауссовской модели плотности распределения вероятностей (далее - ПРВ) обучающей выборки двух главных признаков синтезирован байесовский классификатор 3D-объектов локации и получены его параметры по критерию правдоподобия Фишера с помощью ЕМ-алгоритма.

В качестве альтернативы предложенному байесовскому классификатору 3D-объектов локации представлен анализ показателя «качество кластеризации обучающей выборки главных признаков» с помощью алгоритма DBSCAN. Последующий синтез дискриминантных границ для многоклассовых классификаторов 3D-объектов с помощью модели логистической регрессии, а также полиномиальной машины опорных векторов позволил минимизировать средний риск потенциально возможных ошибок кластеризации данных.

В заключении сведены основные научные и практические результаты диссертации.

Глава 1. Аппаратно-программный комплекс имитационного цифрового моделирования отражательных характеристик 3D-объектов в системах

оптической локации

1.1. Гониоспектрофотометрические измерения характеристик рассеяния оптического излучения от покрытий 3D-объектов локации

Экспериментальные и теоретические исследования рассеяния оптического излучения от разного рода 3D-объектов широко применяют в технологических процессах изготовления и оценке качества световодов, при проектировании систем машинного зрения [50], в области синтеза фотореалистических изображений компьютерной графики [41, 47], в колориметрии дисперсионных сред, при разработке методов медицинской диагностики заболеваний пациентов. Без преувеличения можно утверждать, что математическое моделирование отражательных характеристик покрытий и конструкционных материалов в указанных выше предметных областях является ядром создания аппаратно-программных комплексов имитационного цифрового моделирования входных сигналов в разнообразных оптических системах локации [15] и синтеза изображений 3D-объектов.

Основой экспериментального исследования светорассеивающих сред и отражения оптического излучения шероховатыми поверхностями являются фотометрические методы. Рядом отечественных и зарубежных ученых разработаны и успешно эксплуатируются комплексы установок для проведения гониоспектрофотометрических измерений. К коллективу исследователей этой важной проблемы теоретической фотометрии следует отнести Гуревича [6], Топорца [24, 31], Непогодина [27], Торранса, Спарроу и Биркебака [53]. Данные, полученные на таких информационно-измерительных комплексах, позволяют обосновать адекватную с физической точки зрения структуру математической модели индикатрисы силы света и коэффициента яркости образца конструкционного материала.

К гониоспектрофотометрическим комплексам установок предъявляют ряд требований. Во-первых, установки для измерений должны обладать высоким угловым разрешением, так как применяемое в них лазерное излучение имеет малую угловую расходимость, а покрытия материалов для некоторых 3D-объектов имеют узкую индикатрису рассеяния. Во-вторых, установки должны позволять проведение исследований по индикатрисам рассеяния, как для поляризованного, так и для монохроматического света в заданном спектральном диапазоне. Данным требованиям удовлетворяет гониоспектрофотометрическая установка, разработанная на кафедре автономных информационных и управляющих систем МГТУ им. Н.Э. Баумана [15].

Схема экспериментальной установки и ее общий вид представлены на Рисунках 1.1-1.2.

6

5

4

2

3

1

<8>

Рисунок 1.1. Схема экспериментальной установки.

Рисунок 1.2. Гониоспектрофотометрическая установка.

Источником излучения является галогенная лампа накаливания (позиция 1). Конденсор (позиция 2) концентрирует излучение в раскрыве щелевой диафрагмы (позиция 3), максимальный раскрыв которой составляет 3 мм. Объектив коллиматора имеет фокусное расстояние в 400 мм (позиция 4), таким образом, расходимость зондирующего луча составляет не более 13'. Коллиматор дополнен насадкой на объектив с вращающейся оправкой для поляроида (позиция 5).

Предметный стол (позиция 6) используется для измерения поворота кронштейнов с излучающей и приемной системами, отсчет углов осуществляется по лимбу с ценой деления 10', при этом, благодаря нониусной системе, точность установки углов увеличивается до 2''.

Приемная система гониоспектрофотометрической установки состоит из следующих компонент: позиция 7 - поляроид-анализатор, позиция 8 -интерференционный светофильтр для монохроматизации света, позиция 9 -объектив приемной системы, позиция 10 - щелевая диафрагма, раскрыв которой

составляет 1 мм (апертурный угол приемной системы составляет 4'20"), позиция 11 - фотоумножитель, выступающий в роли детектора. Установка сопряжена с компьютером с помощью аналого-цифрового преобразователя.

В установке применялись светофильтры, рассчитанные для видимого и ближнего инфракрасного (далее - ИК) диапазонов спектра электромагнитного излучения [15, 26].

Измерения индикатрис рассеяния излучения, проведенные на гониоспектрофотометрической установке для лакокрасочных покрытий (далее - ЛКП) и длин волн 0,44, 0,62, 0,91, 1,04 мкм [15], демонстрируют характерные зависимости от углов падения и наблюдения. На Рисунках 1.3-1.5 построены зависимости относительных индикатрис для длин волн 0,62, 0,91 и 1,04 мкм от угла падения. з.о

2.5

2.0

_ 1.5 го ф н

— 1.0 0.5 0.0 -0.5

-100 -80 -60 -40 -20 0 20 40 60 80 100

Teta, deg

Рисунок 1.3. Индикатрисы с диффузным характером отражения ЛКП на длине волны 0,62 мкм: у = 20° - 1; у = 40° - 2; у = 60° - 3.

3

/ \ / \ 2 А 1

у м Ir t-~rSt— i -1, t't-i с- :i. х л. -а Е- .+. .1; X ¡t, HÍ Ш -И

-100 -80 -60 -40 -20 0 20 40 60 80 100

Teta, deg

Рисунок 1.4. Индикатрисы с направленным характером отражения ЛКП на длине волны 0,91 мкм: у = 20° - 1; у = 40° - 2; у = 60° - 3.

1 д

\ 3

2 1

У* SÜ*

1

100 -80 -60 -40 -20 0 20 40 60 80 100

Teta, deg

Рисунок 1.5. Индикатрисы с комбинированным характером отражения ЛКП на длине волны 1,04 мкм: у = 20° - 1; у = 40° - 2; у = 60° - 3.

Диффузная компонента индикатрисы слабо зависит от угла падения. Направленная компонента демонстрирует значительное возрастание при увеличении угла падения. Кроме того, в случае больших углов падения появляется сдвиг в сторону больших углов наблюдения для максимумов компонент индикатрисы: относительно нормали к образцу покрытия для диффузной составляющей и относительно направления зеркального отражения для направленной составляющей. Величины смещения для максимумов компонент определяются их угловой расходимостью.

Поляризационные свойства диффузной и направленной составляющих индикатрисы качественно отличаются. Первая всегда деполяризована по сравнению со степенью поляризации зондирующего излучения. Напротив, направленная компонента сильно поляризована. Наибольшая степень поляризации направленной составляющей наблюдается для углов падения около 60° для большинства ЛКП. Кроме того, излучение, рассеянное в направлении обратного излучения, деполяризовано.

Закономерности, обнаруженные в экспериментальных данных, позволяют трактовать диффузную компоненту индикатрисы как внутреннюю, которая формируется в приповерхностном слое покрытия из-за многократного отражения от микрограней шероховатой поверхности. Поведение направленной компоненты индикатрисы в значительной мере обусловлено однократными отражениями от микрограней шероховатой поверхности, что позволяет трактовать эту составляющую как внешнюю.

На Рисунке 1.6 представлены экспериментальная и теоретическая (рассчитанная по формулам Френеля) относительные зависимости силы излучения от угла падения в направлении в зеркального отражения на длине волны 0,62 мкм.

Скорость возрастания экспериментальных данных при углах падения свыше 50° значительно превосходит теоретические оценки.

24

21

18

й 15

12

1

I 2 у

-1 ---*---- т

10

20

30

40 Реи с)ед

50

60

70

80

Рисунок 1.6. Зависимость силы излучения от угла падения в направлении зеркального отражения: экспериментальная - 1; теоретическая - 2.

Иными словами, трехпараметрическая модель индикатрисы коэффициента яркости, представленная в [15], не обеспечивает необходимой точности аппроксимации экспериментальных данных. Адекватное описание закономерностей, обнаруженных в поведении индикатрис коэффициентов яркости фацета, для некоторых типов покрытий и конструкционных материалов 3D-объектов оптической локации требует модификации указанной выше модели.

1.2. Моделирование геометрического образа 3D-объекта локации

Важным этапом имитационного цифрового моделирования отражательных характеристик является адекватное описание геометрической конфигурации 3D-объектов локации. Известно большое количество систем геометрического моделирования, реализующих системные подходы к воспроизведению геометрического образа 3D-объекта со сложной пространственной конфигурацией. Примерами таких подходов, применяемых при синтезе фотореалистичных

изображений SD-объектов, являются конструктивное геометрическое моделирование (далее - КГМ) и граничное представление (далее - ГП) [7].

Применение КГМ позволяет описать геометрический образ SD-объекта c помощью теоретико-множественных операций. КГМ состоит из множества графических примитивов, которые являются базовыми пространственными элементами (далее - БПЭ), и конструктора SD-модели, который является бинарным деревом и описывает иерархию графических примитивов.

Применение ГП позволяет описать элементы SD-объекта (границы двумерных фигур, являющихся частями поверхности SD-объекта, ребра и вершины) и связать их отношениями через матрицу инцидентности.

При формировании матрицы инцидентности между элементами поверхности SD-объекта осуществляется переход от КГМ к ГП. Подобный переход в системе геометрического моделирования, разработанной в МГТУ им. Н.Э. Баумана [15], реализован следующим образом. В ходе программирования на объектно-ориентированном языке высокого уровня (C / C++ или FORTRAN 90) исходные модули, описывающие КГМ SD-объекта, компонуются и компилируются в исполняемый модуль. В результате исполнения модуля формируется текстовый файл ObjectName.tgm, содержащий описание ГП SD-объекта.

Для реализации подхода КГМ для конкретных SD-объектов локации используется процедурный метод, который заключается в следующем. С помощью библиотеки 3DModel описывается пространственная конфигурация геометрического образа 3D-объекта посредством программирования БПЭ на языке высокого уровня. При этом библиотека 3DModel включает в себя макроопределения, структуры записей, подпрограммы и функции для выбора типов БПЭ и их параметров. В системе геометрического моделирования [15] поверхность 3D-объекта заменяется совокупностью состыкованных друг с другом плоскостей первого типа (ограниченных полигоном), плоскостей второго типа (ограниченных полигоном или квадратичными кривыми) и поверхностей второго порядка (цилиндров, конусов и эллипсоидов). В частности, состав геометрических образов трех 3D-объектов C1, C2 и C3 содержит Таблица 1.

Похожие диссертационные работы по специальности «Другие cпециальности», 00.00.00 шифр ВАК

Список литературы диссертационного исследования кандидат наук Ахметов Ильдар Маратович, 2023 год

Список использованных источников

1. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Исследование зависимостей: Справ. изд. / Под ред. С.А. Айвазяна. М.: Финансы и статистика, 1985. 487 с.

2. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности: Справ. изд. / Под ред. С.А. Айвазяна. М.: Финансы и статистика, 1989. 607 с.

3. Андронов А., Шевров Р. Американские космические системы видовой разведки // Зарубежное военное обозрение. М.: Красная звезда, 1995. № 2. С.39-43.

4. Беляков А.М., Палагин Е.П., Ханцеверов Ф.Р. Советская Военная энциклопедия / Институт военной истории Министерства обороны СССР. М.: Воениздат, 1976. Т. 4: Многоцелевые космические аппараты. С. 386-387.

5. Гливенко В.И. Интеграл Стильтьеса. М., Л.: ОНТИ НКТП СССР, 1936.

216 с.

6. Гуревич М.М., Середенко М.М. Спектрофотометрическая установка для измерения характеристик рассеивающих материалов в области 0,5-15 мкм // Оптико-механическая промышленность, 1975. № 2. С. 31-37.

7. Демин А.Ю., Кудинов А.В. Компьютерная графика. Учеб. пособие / Томск: Том. политехн. ун-т., 2005. 160 с.

8. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. Новосибирск: ИМ СО РАН, 1999. 270 с.

9. Куличков С.Н., Чуличков А.И., Демин Д.С. Морфологический анализ инфразвуковых сигналов в акустике. М.: Новый Акрополь, 2010. 132 с.

10. Лабунец Л.В. Рандомизация многомерных распределений в метрике Махаланобиса // Радиотехника и электроника, 2000. Т. 45. № 10. С.1214-1225.

11. Лабунец Л.В. Интерполяционное приближение вероятности затенений луча шероховатой поверхностью // Радиотехника и электроника, 2001. Т. 46. № 4. С.464-470.

12. Лабунец Л.В. Математическое и физическое моделирование переходных характеристик SD-объектов в однопозиционной системе оптической локации // Радиотехника и электроника, 2002. Т. 47. № 3. С. 308-321.

13. Лабунец Л.В. Цифровая обработка переходных характеристик SD-объектов в однопозиционной системе оптической локации // Радиотехника и электроника, 2002. Т. 47. № 4. С. 452-460.

14. Лабунец Л.В. Рандомизированные спектральные модели многомерных случайных полей / Учеб. пособие. М.: МГТУ им. Н.Э. Баумана, 2005. 68 с.

15. Лабунец Л.В. Цифровые модели изображений целей и реализаций сигналов в оптических локационных системах / Учеб. пособие. М.: МГТУ им. Н.Э. Баумана, 2007. 216 с.

16. Лабунец Л.В., Анищенко Н.Н. Структурный анализ переходных характеристик 3D-объектов в однопозиционной системе оптической локации // Радиотехника и электроника, 2011. Т. 56. № 2. С. 163-177.

17. Лабунец Л.В., Лабунец Н.Л., Чижов М.Ю. Рекуррентные статистики нестационарных временных рядов // Радиотехника и электроника, 2011. Т. 56. № 12. С.1468-1489.

18. Лабунец Л.В., Лукин Д.С., Червяков А.А. Реконструкция отражательных характеристик 3D-объектов в однопозиционной системе оптической локации // Радиотехника и электроника, 2012. Т. 57. № 12. С.1289-1300.

19. Лабунец Л.В. Цифровое моделирование оптических отражательных характеристик целей в режиме реального времени / Учеб. пособие. М.: МГТУ им. Н.Э. Баумана, 2013. 211 с.

20. Лабунец Л.В., Ахметов И.М. Спектральный анализ спутниковых радиолокационных изображений Земли // Динамика сложных систем - XXI век, 2018. Т. 12. № 1. C. 4-12.

21. Лабунец Л.В., Борзов А.Б., Ахметов И.М. Регуляризованная параметрическая модель индикатрисы коэффициента яркости шероховатой поверхности // Оптический журнал, 2019. Т. 86. № 10. С. 20-29.

22. Лабунец Л.В., Борзов А.Б., Ахметов И.М. Модели реального времени импульсных отражательных характеристик 3D-объектов в однопозиционной системе лазерной локации // Оптический журнал, 2020. Т. 87. № 9. С. 12-23.

23. Лабунец Л.В., Борзов А.Б., Ахметов И.М. Распознавание 3D-объектов в однопозиционной системе лазерной локации методами интеллектуального анализа импульсных отражательных характеристик // Оптический журнал, 2022. Т. 89. № 4. С. 40-51.

24. Мазуренко М.М., Скрелин А.Л., Топорец А.С. Регистрирующая гониоспектрофотометрическая установка с высоким угловым разрешением для видимой и ультрафиолетовой области спектра // Оптико-механическая промышленность, 1977. № 6. С. 26-33.

25. Миснар А. Теплопроводность твердых тел, жидкостей, газов и их композиций: пер. с фр. М.: Мир, 1968. 464 с.

26. Медведев Е.М., Данилин И.М., Мельников С.Р. Лазерная локация земли и леса: Учебное пособие. М.: Геолидар, Геоскосмос, Красноярск: Институт леса им. В.Н. Сукачева СО РАН, 2007. 230 с.

27. Непогодин И.А., Мальчонок К.И., Тиранов Д.Т. Гониофотометр для исследования двунаправленных отражательных характеристик материалов // Оптико-механическая промышленность, 1984. № 3. С. 19-24.

28. Полянский В.К., Рвачев В.П. Рассеяние света при отражении от статистически распределенных микроплощадок: Дифракционное рассмотрение // Оптика и спектроскопия, 1967. Т. 22. Вып. 2. С. 279-287.

29. Пришивалко А.П. Отражение света от поглощающих сред. Минск: АН БССР, 1963. 432 с.

30. Сергеев Г.А., Янутш Д.А. Статистические методы исследования природных объектов. Л: Гидрометеоиздат, 1973. 300 с.

31. Топорец А.С. Оптика шероховатой поверхности. Л.: Машиностроение, 1988. 191 с.

32. Фукса И.М., Баса Ф.Г. Рассеяние волн на статистически неровных поверхностях. М.: Наука, 1972. 424 с.

33. Хайкин С. Нейронные сети: полный курс. 2-е изд. М.: ИД «Вильямс», 2006. 1104 с.

34. Химмельблау Д. Прикладное нелинейное программирование: пер. с англ. М.: Мир, 1975. 534 с.

35. Чуличков А.И., Цыбульская Н.Д., Куличков С.Н. Исследование возможности классификации инфразвуковых сигналов методами проверки статистических гипотез // Вестник Московского университета. Серия 3. Физика. Астрономия, 2012. № 2. С. 20-22.

36. Шалыгин А.С., Палагин Ю.И. Прикладные методы статистического моделирования. Л.: Машиностроение, 1986. 320 с.

37. Шурыгин А.М. Прикладная стохастика: робастность, оценивание, прогноз. М.: Финансы и статистика, 2000. 224 с.

38. Янутш Д.А. Дешифрирование аэрокосмических снимков. М.: Недра, 1991. 240 с.

39. Baudin M. Nelder-Mead user's manual. Consortium Scilab-Digiteo, 2010.

117 p.

40. Buja A., Cook D., Asimov D., Hurley C. Theory and computational methods for dynamic projections in high-dimensional data visualizations / A monograph on rendering techniques, mathematics, and algorithms for tours and related methods, 1996. 67 p.

41. Cook R.L., Torrance K.E. A reflectance model for computer graphics // Computer Graphics and Interactive Techniques (SIGGRAPH 1981 Proceedings), 1981. Vol. 15. No. 3. P. 301-316.

42. De Groot M.H. Optimal Statistical Decisions. New York: McGraw-Hill Company, 1970. 391 p.

43. Fritsch F.N., Carlson R.E. Monotone piecewise cubic interpolation // SIAM Journal on Numerical Analysis, 1980. Vol. 17. P. 238-246.

44. Fukunaga K. Introduction to Statistical Pattern Recognition. New York: Academic Press, 1972. 368 p.

45. Geist J.M. Computer Generation of Correlated Gaussian Random Variables // Proceedings of the IEEE, 1979. Vol. 67. No 5. P. 188-189.

46. Batista G.E.A.P.A., Keogh E.J., Tataw O.M., de Souza V.M.A. CID: an efficient complexity-invariant distance for time series // Data Mining and Knowledge Discovery, 2014. Vol. 28. No 3. P. 634-669.

47. He X.D., Torrance K.E., Sillon F.X., Greenberg D.P. A comprehensive physical model for light reflection // Computer Graphics and Interactive Techniques (SIGGRAPH 1991 Proceedings), 1991. Vol. 25. No. 4. P. 175-186.

48. Ester M., Kriegel H.P., Sander J., Xu X. A density-based algorithm for discovering clusters in large spatial databases with noise // Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96), 1996. P. 226-231.

49. McLain D.H. Drawing contours from arbitrary data points // The Computer Journal, 1974. Vol. 17. No 4. P. 318-324.

50. Nayar S.K., Oren M. Generalizationof the lambertian model and implication for machine vision // International Journal on Computer Vision, 1995. Vol. 14. No. 3. P. 227-251.

51. Platt J.C. Fast Training of Support Vector Machines using Sequential Minimal Optimization / Scholkopf B., Burges C.J.C., Smola A.J. Advances in Kernel Methods. Support Vector Learning. Cambridge, MIT Press, 1999. P. 185-208.

52. Scott D.W. Multivariate density estimation: Theory, practice and visualization. New York: John Wiley & Sons, Inc., 1992. 317 p.

53. Torrance K.E., Sparrow E.M., Birkebak R.C. Polarization, directional distribution and off-specular peak phenomena in light reflected from roughened surfaces // JOSA, 1966. Vol. 56. No. 7. P. 916-925.

54. Torrance K.E., Sparrow E.M. Theory for off-specular reflection from roughened surfaces // JOSA, 1967. Vol. 57. No 9. P. 1105-1114.

55. Tou J.T., Gonzalez R.C. Pattern Recognition Principle. London: Addison-Wesley P.C., 1974. 411 p.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.