Многоспектральные оптико-электронные системы.
Многоспектральные оптико-электронные системы.
Многоспектральные оптико-электронные системы.
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
ТАРАСОВ Виктор Васильевич, доктор технических наук<br />
ЯКУШЕНКОВ Юрий Григорьевич, доктор технических наук<br />
МНОГОСПЕКТРАЛЬНЫЕ ОПТИКО-ЭЛЕКТРОННЫЕ СИСТЕМЫ<br />
В настоящей статье после рассмотрения некоторых терминологических вопросов делается попытка оценить<br />
целесообразность использования оптических спектральных методов при решении важнейшей задачи, стоящей перед<br />
многими <strong>оптико</strong>-электронными системами, а именно, выделения полезного сигнала на фоне помех.<br />
В последнее время в зарубежных и, что особенно прискорбно, в отечественных научно-технических публикациях и<br />
документах участились случаи использования терминов, смысл которых искажается авторами этих публикаций, а может<br />
быть, просто им не понятен. Иногда это связано с неоправданным и неправомерным заимствованием отдельных слов и<br />
словосочетаний из иностранных языков, например, термин “гиперспектральный” противоречит нормам русского языка<br />
(это что-то вроде “гимермасляного масла”) и физическому смыслу (могут быть термины “гиперзвуковой”, эквивалент<br />
которому “сверхзвуковой”, и “гиперразрешение” и т.д., но что такое “сверхспектральный”, если спектр – это физикоматематическое<br />
понятие, а не количественный показатель?).<br />
Поэтому, чтобы обоснованно пользоваться широко распространившимся термином “интеллектуальный”<br />
(“интеллектуальный робот”, “интеллектуальная система”, “интеллектуальное оружие” и т.д.), стоит вспомнить, что<br />
понятие “интеллект” складывается из многих составляющих, присущих высокоорганизованным субъектам живой<br />
природы – высшим животным и человеку, и поэтому при использовании термина “интеллектуальная <strong>оптико</strong>электронная<br />
система” или “интеллектуальное оружие” следует условится, какие свойства и особенности интеллекта<br />
высших животных и человека используются в этой системе или оружии.<br />
Использование созданного тысячелетней эволюцией интеллекта человека часто сводится к такой обработке<br />
информации об окружающем мире или каких-то свойствах тех или иных объектов, когда осознанно или неосознанно из<br />
всего объема информации выделяются наиболее существенные для решения конкретной задачи свойства (признаки)<br />
явления или объекта.<br />
Интеллект человека часто позволяет производить такую обработку информации наиболее рациональным образом, хотя<br />
и не всегда оптимальным. Технические средства, осуществляющие подобную обработку или работающие в тесном<br />
взаимодействии с человеком-оператором, можно назвать интеллектуальными. К их числу относятся прежде всего<br />
оптические и <strong>оптико</strong>-<strong>электронные</strong> <strong>системы</strong>, хотя бы потому, что 80 – 95% информации об окружающем мире живые<br />
существа и человек в их числе получают через зрительный аппарат [1].<br />
Продолжающееся уже не первое десятилетие быстрое развитие <strong>оптико</strong>-электронных систем (ОЭС) позволяет<br />
непрерывно расширять круг их применений и решать многие сложные задачи, в частности, еще не так давно<br />
недоступные для автоматических систем. Пути развития ОЭС технического зрения во многом совпадают с тем, что<br />
создала природа в виде зрительного аппарата высших животных и человека. Так, считается, что этот зрительный
создала природа в виде зрительного аппарата высших животных и человека. Так, считается, что этот зрительный<br />
аппарат взаимодействует с мозгом двояко: путем передачи образа для сличения его с эталонами известных образов<br />
(аналог – <strong>оптико</strong>-<strong>электронные</strong> корреляторы) или для анализа образа по ряду первичных признаков (аналог – ОЭС со<br />
спектральной оптической, пространственно-частотной и пространственно-временной фильтрацией).<br />
В последнее десятилетие ведутся многочисленные разработки ОЭС, строящихся на бионических (биокибернетических)<br />
принципах. Исследования этих принципов и создание элементной базы для их практической реализации – вот,<br />
пожалуй, основная тенденция развития современного <strong>оптико</strong>-электронного приборостроения. Разрабатываемые<br />
<strong>системы</strong> часто используют несколько параллельных каналов приема и первичной обработки информации,<br />
многоэлементные приемники излучения, сложные алгоритмы обработки сигналов, базирующиеся на<br />
специализированных логических и вычислительных устройствах. Все большее внимание уделяется адаптивным <strong>оптико</strong>электронным<br />
устройствам, реализующим обратные связи на параметрическом и схемотехническом уровне для<br />
управления чувствительностью, величиной угловых полей, параметрами оптических спектральных, пространственных и<br />
временно-частотных фильтров, а также другими характеристиками ОЭС. Здесь тоже широко используются<br />
биокибернетические принципы, используемые в живой природе.<br />
Анализ отдельных составляющих интеллекта, относящихся к зрительному аппарату высших животных и человека,<br />
неоднократно проводился в литературе. Можно вкратце напомнить некоторые существенные особенности зрительного<br />
аппарата высших животных и человека, важные с точки зрения их воспроизведения в ОЭС технического зрения,<br />
служащих для обнаружения, распознавания и классификации различных объектов.<br />
Наблюдениями психофизиологов установлено, что человек при опознавании образов пользуется, главным образом,<br />
принципом предпочтительности тех или иных признаков. С этой целью он производит сопоставление объектов одного<br />
класса, выделяя их общность и отбирая разделяющие признаки.<br />
Особенностью психофизиологических процессов восприятия зрительной (оптической) информации у высших животных<br />
и человека является декорреляция изображений в пространстве и времени в целях устранения статистических<br />
избыточных связей соседних элементов изображения и последовательных кадров уже в системе первичной обработки<br />
информации. Это позволяет использовать только наиболее информативные признаки распознаваемых образов и<br />
наиболее экономно закодировать информацию для передачи ее в систему вторичной обработки – в мозг.<br />
Зрительные органы большинства низших животных не обладают способностью различать цвет объектов и работают в<br />
сравнительно узком спектральном диапазоне. Исключением являются некоторые виды змей, например американская<br />
гремучая змея, у которой имеется аппарат “теплового зрения” с числом чувствительных элементов около 1000 и<br />
температурным разрешением ) t = 10 -3 °С.<br />
В сетчатке глаза человека имеется три типа колбочек с различными спектральными характеристиками (R, G, B).<br />
Адаптация каждого из этих типов к изменению освещенности происходит независимо друг от друга. На выходе так<br />
называемых биполярных клеток сигналы от колбочек с разными спектральными характеристиками s r , s g и s b<br />
преобразуются в суммарный ахроматический и два цветоразностных сигнала:
преобразуются в суммарный ахроматический и два цветоразностных сигнала:<br />
S = S +S + S ,<br />
Z R G B<br />
S = C S – C S ,<br />
RG G G R R<br />
S = G S + C S – C S ,<br />
RGB R R G G B B<br />
где S , C и C - весовые коэффициенты [2].<br />
R G B<br />
Благодаря линейности преобразования сигналов, определяемых изменением освещенности колбочек и<br />
пропорциональных отношениям приращения эффективной освещенности колбочки к ее среднему значению, т.е.<br />
контрастом, восприятие цветового тона и насыщенности изображения не зависит от яркости наблюдаемого объекта [2].<br />
Зрительный аппарат человека обладает свойством цветовой константности, т.е. способностью правильно узнавать<br />
различные цвета независимо от спектрального состава источника освещения [2].<br />
Другими особенностями зрительного аппарата интеллектуальных существ является адаптивный “обмен”<br />
чувствительности элементов сетчатки глаза на разрешающую способность (при росте освещенности изображения)<br />
благодаря накоплению сигнала, а также использование движений глаз (регулярных и случайных – тремора), что<br />
позволяет сжать информацию до 10 6 раз и передать в мозг только сведения об изменениях признаков изображения [1].<br />
Наиболее часто используется геометрическая интерпретация распознавания, в которой n признаков сигнала<br />
(изображения) образуют в n-мерном пространстве вектор признаков, т.е. точки или кластеры (совокупности случайно<br />
распределенных точек), характеризующие отдельные объекты или их изображения. Отнесение этих точек или<br />
кластеров к тому или иному объекту (классу объектов) осуществляется с помощью дискриминантных (разделяющих)<br />
функций [3, 4].<br />
Каждому классу образов (типу целей) соответствуют свои вектор математического ожидания и ковариационная<br />
матрица, учитывающие случайный характер признаков сигнала. Для образования n-мерного вектора признаков<br />
требуется теоретически минимальное число обучающих образов (эталонов), равное n + 1. (Иногда на практике при<br />
надежном распознавании особенно сложных образов требуемое число обучающих образов может достигать 10n и даже<br />
100n[3]).<br />
Вследствие случайной природы признаков, характеризующих самые различные объекты (классы объектов), и сигналов,<br />
приходящих на вход <strong>системы</strong> распознавания (ОЭС), для многих прикладных задач, особенно в области военной<br />
техники, требуется статистический подход к решению задач обнаружения, распознавания, классификации. Методы<br />
статистического распознавания образов, использующие функции распределения вероятностей признаков и классов<br />
образов, достаточно хорошо изучены и теоретически представляются наиболее перспективными для ОЭС<br />
интеллектуального типа различного назначения [1, 3, 4, 5 и др.].<br />
Форма представления класса распознаваемых объектов может определять вид алгоритма обработки информации,<br />
получаемой на выходе <strong>системы</strong> первичной обработки информации ОЭС. Так, если класс объектов представлен
получаемой на выходе <strong>системы</strong> первичной обработки информации ОЭС. Так, если класс объектов представлен<br />
детерминированным спектральным признаком или признаком, полученным в результате усреднения большого числа<br />
спектров (статистика 1-го порядка), то алгоритмы обработки информации могут быть достаточно простыми, например,<br />
определение спектральных отношений (отношений сигналов, приходящихся на отдельные спектральные рабочие<br />
диапазоны) может вестись путем квантования по уровню или путем использования линейных дискриминантных<br />
функций.<br />
В последние десятилетия стали использоваться алгоритмы, основанные на сравнении известных распределений<br />
множеств признаков в n-мерном пространстве с распределением, соответствующим изменениям признаков в реальной<br />
системе (статистика 2-го порядка). Дискриминантные функции при этом являются кривыми 2-го порядка.<br />
Обработка признаков в системах распознавания наиболее часто ведется тремя способами: отбором наиболее<br />
информативных признаков (отбором подмножеств), образованием отношений отдельных признаков (отношений<br />
отдельных компонент вектора признаков) и образованием линейных комбинаций отдельных признаков. Все эти<br />
способы достаточно просты для практической реализации. В теории распознавания иногда используется термин<br />
“существенная размерность”, обозначающий минимальное число измерений (выделяемых признаков), необходимое для<br />
точного представления множеств данных о распознаваемом объекте.<br />
Из-за часто возникающей на практике необходимости обрабатывать в реальном масштабе времени очень большие<br />
объемы “оптической” информации использование наиболее освоенных цифровых ЭВМ последовательного действия<br />
оказывается не всегда достаточно эффективным. Это, например, действительно при реализации методов выделения<br />
(обнаружении, распознавание) сложных изображений, наблюдаемых на неоднородных (“пестрых”) фонах. Уже сегодня<br />
известны адаптивные ОЭС с блоками выработки инвариантных информативных признаков на базе нейронных сетей [6].<br />
Для решения задач обнаружения оптических сигналов и образов, например изображения достаточно сложного по<br />
форме, спектру и другими признакам объекта, находящегося на сложном “пестром” фоне, в современных ОЭС почти<br />
повсеместно используется такое описание образов (совокупность обрабатываемых сигналов), которое содержит лишь<br />
ограниченное число отличительных признаков. Выбор признаков, наиболее существенно отличающих данный класс<br />
образов (объектов, изображений, сигналов), является важнейшей задачей при разработке ОЭС, работающих в составе<br />
интеллектуального оружия. Поэтому при разработке новых и совершенствовании существующих ОЭС очень важно<br />
отобрать минимальное число таких признаков, обеспечивающих заданные показатели качества работы ОЭС, но не<br />
усложняющих их конструкцию и тем самым не снижающих надежность работы систем и удорожающих их производство<br />
и эксплуатацию.<br />
На рис. 1 представлена структурная схема <strong>системы</strong> автоматического распознавания оптических образов (сигналов).<br />
Под приемником оптических сигналов подразумевается совокупность оптической <strong>системы</strong> и фотоприемного устройства,<br />
т. е. система первичной обработки информации [4].
Рис. 1. Структурная схема <strong>системы</strong><br />
автоматического распознавания оптических образов<br />
Наиболее часто используемыми группами признаков являются:<br />
- геометрические, выделение и обработка которых зависит прежде всего от пространственного разрешения ОЭС; к<br />
этим признакам относятся размеры и форма изображения; гистограммы распределений углов, хорд, длин сторон;<br />
геометрические моменты; пространственно-частотные спектры Фурье и Меллина; функции Уолша и др;<br />
- спектральные, выделение и обработка которых зависит от спектральной разрешающей способности ОЭС; к ним<br />
относятся поглощательная, излучательная и отражательная способности; цвет и др.;<br />
- энергетические, характеризующиеся обычно отношением сигнал/шум;<br />
- динамические, использующие информацию об изменении координат объекта, о скорости его перемещения и др.<br />
В каждом конкретном случае обнаружения, распознавания и классификации тех или иных объектов целесообразно<br />
использовать ограниченные совокупности устойчивых признаков, чтобы не усложнять конструкцию ОЭС.<br />
В литературе чаще всего рассматривается трехмерный массив информации, т.е. в большинстве разработок и попыток<br />
создать “интеллектуальные” ОЭС используется совокупность геометрооптических и динамических признаков объектов<br />
(пространственная и пространственно-временная фильтрация сигналов на фоне помех). В качестве первичных<br />
признаков используются параметры двумерного изображения – координаты в плоскости изображений, размеры<br />
изображения, форма изображения, геометрические моменты, и т.д., и один временной признак, например, скорость<br />
движения изображения, длительность сигнала и т.д. Пространственное разрешение ОЭС определяется параметрами и<br />
характеристиками оптической <strong>системы</strong>, от которых зависит качество создаваемого ею изображения, а также
характеристиками оптической <strong>системы</strong>, от которых зависит качество создаваемого ею изображения, а также<br />
параметрами приемника излучения (например, от шага многоэлементного приемника) и выбранным алгоритмом<br />
образования и обработки сигнала, снимаемого с приемника.<br />
Спектральные оптические признаки объектов и сигналов используются в большинстве случаев ограниченно – путем<br />
использования простой режекторной (полосовой, однополосной) или двухцветовой (двухполосной) спектральной<br />
оптической фильтрации. Очень мало известно о применении балансной спектральной фильтрации [4]. В то же время<br />
увеличение числа спектральных каналов (рабочих спектральных диапазонов) в составе ОЭС хотя бы до двух или трех,<br />
как это имеет место в зрительном аппарате человека (см. выше), может заметно повысить “интеллектуальность” этих<br />
систем и комплексов, в которые они входят, т.е. улучшить их показатели качества. Например, как сообщается в [7],<br />
одновременное использование двух спектральных диапазонов (3 ... 5 и 8... 13 мкм) в ОЭС, предназначенной для<br />
обнаружения и распознавания на пестром фоне целей типа “танк”, существенно увеличивает вероятность правильного<br />
обнаружения целей (на 5 ... 7%), по сравнению с той же вероятностью, обеспечиваемой при использовании только<br />
пространственных признаков в сочетании с обработкой сигналов в нейронной сети.<br />
Изменение признаков объекта и фона, на котором наблюдается объект, изменение условий приема сигналов от<br />
объектов, возникновение дополнительных помех, наконец, изменение параметров и характеристик самой <strong>системы</strong><br />
распознавания (ОЭС) – вот те факторы, которые прежде других делают целесообразным выбор и формирование таких<br />
первичных и вторичных признаков сигнала, которые, будут наиболее устойчивы (инвариантны) к указанным<br />
изменениям. К сожалению, в большинстве литературных источников, посвященных распознаванию оптических образов,<br />
рассматривается, в основном, устойчивость пространственных и пространственно-временных признаков объектов и<br />
оптических сигналов, но не спектральных оптических характеристик излучения объектов и соответствующих им<br />
сигналов. В то же время отмечалось, что такой “геометрический подход” оказался продуктивным только в простейших<br />
задачах, например, при распознавании стандартных шрифтов и образов, а при распознавании натурных сцен он явно<br />
не состоятелен [1].<br />
Можно отметить, что некоторые геометрооптические признаки объектов и их изображений, подлежащих<br />
распознаванию, имеют бимодальные и даже многомодальные функции распределения вероятностей, имеющие не один,<br />
а два или более максимума. В то же время спектральные отражательные и излучательные способности большинства<br />
объектов естественного или искусственного происхождения (целей, помех, фонов) описываются одномодальной<br />
функцией распределения вероятностей, чаще всего – Гауссовской (нормальной). Это заметно упрощает процесс<br />
обучения классификатора <strong>системы</strong> распознавания по этим признакам, т.е. спектральные оптические признаки могут<br />
оказаться предпочтительнее геометрооптических.<br />
В качестве примера сравнительно устойчивых признаков оптических сигналов, т.е. обладающих малым разбросом<br />
внутри их кластера, можно указать спектр солнечного излучения, обуславливающего свойства отраженного от этих<br />
объектов сигнала; спектры излучения многих объектов естественного и искусственного происхождения близких к<br />
черным телам (функции Планка); отражательные и излучательные способности многих материалов и покрытий,<br />
используемых при создании искусственных источников излучения (объектов).<br />
Хорошо известно, что одним из достаточно устойчивых и информативных признаков многих объектов является цвет.
Хорошо известно, что одним из достаточно устойчивых и информативных признаков многих объектов является цвет.<br />
Спектральное разрешение ОЭС зависит от количества рабочих спектральных диапазонов или “спектральных окон”<br />
<strong>системы</strong>, в которых собираются данные о просматриваемом поле (“сцене”). Очень важным является вопрос о<br />
количестве таких окон, необходимом для надежного распознавания. Из теории распознавания образов известно, что<br />
при возрастании числа спектральных окон, т.е. при увеличении так называемой “сложности измерений”, точность<br />
распознавания возрастает лишь до определенного момента, а затем, при дальнейшем увеличении этого числа, она<br />
падает [3]. Это объясняется тем, что при увеличении числа спектральных диапазонов необходима оценка множества<br />
статистик все более высокой размерности по ограниченному фиксированному числу спектральных выборок. При этом<br />
заметно усложняется система обработки данных в реальной системе, например, неоправданно увеличивается машинное<br />
время, необходимое для проведения сложных вычислений. Таким образом существует оптимальное число спектральных<br />
признаков. Например, при дистанционном зондировании природных ресурсов было установлено, что максимум<br />
вероятности распознавания по спектральным признакам достигается при трех признаках распознавания, а вероятность<br />
распознавания при использовании большего их числа, например, 12-ти признаков, существенно меньше [3].<br />
Одним из направлений дальнейшего развития многоспектральных ОЭС распознавания (“интеллектуальных”<br />
многоспектральных ОЭС) является использование числа спектральных каналов, близкого к существенной размерности<br />
функций, описывающих спектральные излучательную и отражательную способность обнаружения и распознаваемых<br />
объектов. Так например, в [3] утверждается, что существенная размерность многоспектральных данных в диапазоне<br />
0,4 ... 15,0 мкм, определяемая для явлений отражения и излучения энергии от поверхности Земли, близка к шести.<br />
При использовании спектральных признаков, присущих большинству распознаваемых на практике объектов, важно<br />
использовать высокую степень корреляции этих признаков, проистекающих из физической природы оптического<br />
излучения и детерминированности законов, описывающих эту природу, например, закона Планка. Этому соответствует<br />
большая вытянутость кластера n признаков в n-мерном пространстве, что можно использовать для получения вектора<br />
признаков в пространстве более низкой размерности без значительной потери информации. Это также приводит к<br />
выводу о возможности уменьшить число используемых спектральных признаков (спектральных окон, спектральных<br />
отношений) до трех – четырех, а иногда и до двух. Например, известно, что размерность вектора спектральных<br />
признаков, использовавшихся при работе многоспектральных сканирующих систем Ландсат-1 и Ландсат-2, составляла<br />
4 (четыре спектральных рабочих диапазона), однако, наибольшая контрастность деталей изображения земной<br />
поверхности, полученного с помощью этих систем, достигалась при использовании только двух окон [3].<br />
Отбор подмножества спектральных признаков ведется с помощью выделения такого рабочего диапазона работы ОЭС, в<br />
котором максимально энергетическое отношение сигнал/помеха. Хорошо известно образование отношения сигналов,<br />
приходящихся на два узких спектральных диапазона, – двухцветовая спектральная оптическая фильтрация. Описанная<br />
выше модель восприятия цветности зрительным аппаратом человека, является, по сути дела, реализацией способа<br />
образования линейных комбинаций трех монохроматических излучений (“чистых” цветов). Известный способ балансной<br />
спектральной фильтрации [4] может рассматриваться как образование линейной комбинации (комбинаций) сигналов,<br />
образующихся в двух или более сравнительно широких спектральных диапазонах.<br />
Менее известны <strong>системы</strong>, в которых числитель и знаменатель спектрального отношения представляют собой суммы или
Менее известны <strong>системы</strong>, в которых числитель и знаменатель спектрального отношения представляют собой суммы или<br />
разности сигналов, получаемых в двух спектральных диапазонах, что позволяет “вычитать” или “уменьшать” сигнал,<br />
образуемый нежелательным излучением фона или помехи. Такой метод может быть отнесен как к способу отношений,<br />
так и способу линейных комбинаций. Его реализация в ОЭС военного назначения представляет большой практический<br />
интерес.<br />
Учитывая возможные изменения оптического спектра (эффективной спектральной излучательной способности объекта<br />
или спектральной плотности освещенности изображения), связанные, например, с изменением режима работы<br />
энергетических установок на объекте, или с изменением условий прохождения оптического сигнала на трассе “объект –<br />
ОЭС”, или с изменением условий облучения объекта естественными посторонними источниками и т.д., целесообразно<br />
иметь гибкие эталоны спектральных признаков – спектральных отношений. В этом случае модель эталона становится<br />
инвариантной по отношению к случайным или детерминированным вариациям признаков сигнала в определенных<br />
пределах или диапазонах изменения указанных факторов. Возможности современной цифровой голографии позволяют<br />
использовать большие наборы таких необобщенных эталонов.<br />
Интерес может представить статистика распределения (гистограммы) первичных признаков типа протяженностей или<br />
площадей участков одного цвета.<br />
Энергетическое разрешение, определяемое как число разрешаемых уровней ярости объекта или освещенности<br />
изображения, выбирается в соответствии с требуемым отношением сигнал/шум. Хорошо известно, что вероятность<br />
обнаружения и распознавания увеличивается с ростом этого отношения. При этом следует учитывать взаимосвязь<br />
пространственного, спектрального и энергетического разрешения, имеющую место в реальных ОЭС. Например, если<br />
высокое пространственное разрешение достигается путем уменьшения размеров элемента изображения, то из-за этого<br />
на данный элемент будет приходиться меньшее количество энергии, которое необходимо для разделения ее по<br />
спектральным рабочим диапазонам и получению требуемого отношения сигнал/шум в каждом из этих диапазонов.<br />
Основными препятствиями на пути создания “интеллектуальных” многоспектральных ОЭС являются известные<br />
трудности создания сравнительно недорогих высокочувствительных широкодиапазонных (работающих в широком<br />
спектральном диапазоне) фотоприемных устройств (ФПУ) с высоким пространственным, спектральным и временным<br />
разрешением. Сюда же следует отнести трудности по созданию экономичных, долговечных, малогабаритных систем<br />
охлаждения ФПУ и ряд других проблем технико-экономического характера. Предпринимаемые попытки создать такие<br />
ОЭС в виде Фурье-спектрометров или многоканальных видеоспектрометров не всегда успешны, так как не<br />
обеспечивается, например, требование работать в реальном масштабе времени, да и ряд других требований.<br />
Очень важной остается проблема калибровки и обучения “интеллектуальных” ОЭС (самообучения) в изменяющихся<br />
условиях их эксплуатации и особенно при нестабильности параметров (признаков) наблюдаемых объектов и<br />
создаваемых этими объектами сигналов. При создании автоматических ОЭС распознавания целесообразно<br />
предусматривать участие человека не только на этапе сбора информации о различных признаках объектов и сигналов,<br />
но и в процессе обучения классификатора, что может заметно упростить этот процесс.<br />
Эффективность использования многоспектральных ОЭС во многом зависит от знания параметров и характеристик
Эффективность использования многоспектральных ОЭС во многом зависит от знания параметров и характеристик<br />
объектов, по которым они работают (сигнатур целей, помех, фонов). Не случайно данных о сигнатурах объектов<br />
военной техники в открытой литературе очень мало. В 1993 г. в разведывательном управлении Министерства обороны<br />
США был образован специальный отдел, занимающийся разведкой и созданием базы данных о cигнатурах<br />
разведываемых целей (Measurements and Signatures Intelligence – MASINT). Определение оптических сигнатур целей<br />
является одной из важнейших задач этого отдела, причем особое внимание, судя по публикации [8], уделяется сбору<br />
информации о спектральных оптических сигнатурах (признаках) целей. На вооружении Армии США имеются<br />
предназначенные для этого <strong>системы</strong> SYERS (Senior Year Electrooptical Reconnaissance System), работающая на борту<br />
самолета U-2 в семи спектральных диапазонах, и Cobra Brass, являющаяся многоспектральным датчиком изображений<br />
для инфракрасной <strong>системы</strong> космического базирования.<br />
Большое внимание в США уделяется разработке многоспектральных ОЭС с очень большим числом спектральных окон.<br />
Например, компания TRW разработала систему с 384 спектральными рабочими диапазонами. Такие <strong>системы</strong><br />
испытывались на борту беспилотных разведывательных летательных аппаратов, предназначенных для обнаружения<br />
танков, пусковых ракетных установок и других замаскированных и находящихся на “пестром” фоне военных объектов.<br />
Использование рабочих спектральных диапазонов в ультрафиолетовой области спектра позволит идентифицировать<br />
тип ракет противника по спектральному составу излучения компонент ракетного топлива.<br />
Отмеченное выше особенно характерно для военных и других полевых систем и комплексов. Тем не менее попытки<br />
приблизить ОЭС ближайшего будущего к уровню действительно интеллектуальных систем не прекращаются, а ряд<br />
полученных к настоящему времени результатов является достаточно оптимистичным.<br />
Сочетание <strong>оптико</strong>-электронных систем с радиоэлектронными, химическими, акустическими и др. средствами при<br />
наличии новых вычислительных средств с очень большой скоростью обработки многомерной информации, получаемой<br />
от этих систем, позволяет в реальном масштабе времени достаточно надежно решать задачи обнаружения,<br />
распознавания, классификации и идентификации самых различных объектов, т.е. решать эти задачи в интересах<br />
тактических звеньев сухопутной армии, авиации, флота.<br />
Литература.<br />
1. Левшин В.Л. Биокибернетические <strong>оптико</strong>-<strong>электронные</strong> устройства автоматического распознавания изображений. –<br />
М.: Машиностроение, 1987.<br />
2. Красильников Н.Н., Шелепин Ю.Е., Красильникова О.И. Математическая модель цветовой константности зрительной<br />
<strong>системы</strong> человека. – Оптический журнал, 2002, т. 69, № 5, с. 38 – 44.<br />
3. Дистанционное зондирование: количественный подход/Ш.М.Дейвис, Д.А.Ландгребе, Т.Л.Филипс и др. Под ред.<br />
Ф.Свейна и Ш.Дейвиса. Пер. с англ. – М.: Недра, 1983.<br />
4. Якушенков Ю.Г. Теория и расчет <strong>оптико</strong>-электронных приборов. Изд. 4-ое, перераб. и доп. – М.: Логос, 1999.<br />
5. Мирошников М.М. Теоретические основы <strong>оптико</strong>-электронных приборов. Изд. 2-ое, перераб. и доп. – Л.:<br />
Машиностроение, 1983.<br />
6. McAulay A., Kadar I. Neural networks for adaptive shape tracking.- SPIE Proc., vol.1408 (1991), p.p.l19 – 134.
6. McAulay A., Kadar I. Neural networks for adaptive shape tracking.- SPIE Proc., vol.1408 (1991), p.p.l19 – 134.<br />
7. MIX and match for better vision/ L.A.Chan, A.Colberg, S.Der et al. – SPIE's OE Magazine, April 2002, p.p. 18 – 20.<br />
8. Journal of Electronic Defense. – 1998, № 8, p.p. 43 – 48.