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.
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].