Комаров Ю.Ю. Проектирование и изготовление аэрокосмических аппаратов

Подождите немного. Документ загружается.

“Молния” по данным измерений. Средняя ошибка результатов моделиро-

вания от измерений относительно ухода инерциальной долготы восходя-

щего узла составила 1%, средняя ошибка по высоте перигея – 41 км, по

наклонению орбиты – 0.141˚, по аргументу перигея – 1.944˚. Результаты

машинного эксперимента подтвердили адекватность модели.

С использованием модели орбитальной группировки спутниковой си-

стемы связи была проведена оценка пространственно-временных характе-

ристик связи, времени сохранения допустимых оскулирующих парамет-

ров, углов между космическими аппаратами разрабатываемой космиче-

ской системы, а также проведен выбор рациональных значений азимутов

наземных стационарных направленных антенн. При приёме на антенны с

шириной диаграммы направленности 70˚ было установлено, что полное

“накрытие” может быть только однократным. При этом допуски на па-

раметры орбитальной структуры, в пределах которых не ухудшаются её

возможности по передаче информации на пункты, достаточно велики (от

13 до 21.8 по инерциальной долготе восходящего узла). Было установ-

лено, что время, в течение которого сохраняются допустимые орбитальные

параметры, также достаточно велико — от 15 месяцев до требуемых 7 лет.

Результаты работы модели орбитальной группировки спутниковой си-

стемы связи внедрены при разработке имитационно-моделирующего ком-

плекса, создаваемого для поддержки космической системы на этапах ее

проектирования и эксплуатации в ФГУП «ЦНИИ «Комета».

Н. А. Максимов, А. В. Овод

Московский авиационный институт (государственный технический университет)

АНАЛИЗ ГИПЕРСПЕКТРАЛЬНЫХ ДАННЫХ

В ДИСТАНЦИОННОМ ЗОНДИРОВАНИИ ЗЕМЛИ

В работе представлены основные этапы работы с гиперспектральными

данными. При построении алгоритма все основные этапы были отработа-

ны на информации, полученной со спутника Hyperion (США). Созданное

программное обеспечение позволило проанализировать результаты и убе-

диться в перспективности развития данной технологии.

С появлением гиперспектрометров наука о дистанционном зондирова-

нии Земли (ДЗЗ) вышла на новый информационный уровень. В настоящее

201

время технические средства ДЗ позволяют получать с космических и авиа-

ционных носителей большие объемы гиперспектральной информации, а

также радиолокационные данные с фотографической и цифровой их ре-

гистрацией. Использование при дистанционном зондировании различных

участков электромагнитного спектра (видимого, инфракрасного - ближ-

него, среднего, теплового; микроволнового) с регистрацией измерений в

нескольких (многих), в том числе достаточно узких интервалах, позволяет

получать обширную информацию об объектах земной поверхности, стро-

ении поверхностных горизонтов и глубинном геологическом строении, о

состоянии и динамике природной среды.

Дистанционные снимки получаются путём измерения света, отражён-

ного от большого количества смежных участков поверхности Земли. До

недавнего времени снимки ограничивались одним или несколькими срав-

нительно широкими диапазонами длин волн из-за ограничений детекторов

и требованиями по хранению передачи и обработке данных. Сегодняшнее

продвижение в этой области позволило создавать снимки со спектральным

разрешением, сравнимым со спектрами лабораторных спектрометров.

Алгоритм работы с гиперспектральными данными можно разбить на

несколько шагов[3]:

преобразование полученных данных в значения спектральной ярко-

сти;

атмосферная коррекция (переход от спектральной яркости к отража-

ющей способности);

применение различных алгоритмов классификации;

сравнение результатов классификации с эталонными картами.

Преобразование полученных данных в значения спектральной яр-

кости. Гиперспектральный датчик конвертирует измеренную спектраль-

ную яркость в каждом канале в электрический сигнал, который масштаби-

руется и квантуется в дискретное целое значение, представляющее собой

зашифрованное значение спектральной яркости. Изменения между детек-

торами в пределах массива данных, как и временные изменения в детек-

торах, могут потребовать масштабирования данных для приведения их в

соизмеримый вид. Обычно масштабирование заключается в умножении

или делении полученных данных на некоторый коэффициент, указанный в

документации к датчику. Таким образом, на данном этапе мы определяем

значение спектральной яркости, измеренное гиперспектральным датчи-

ком.

202

Атмосферная коррекция (переход от спектральной яркости к отра-

жающей способности). Даже сравнительно чистая атмосфера взаимодей-

ствует с падающей и отражённой солнечной энергией. Для некоторых длин

волн взаимодействие атмосферы понижает количество энергии, достигшей

поверхности, и в дальнейшем уменьшает отражённую энергию, достиг-

шую датчика. Проводимость атмосферы уменьшается за счёт поглощения

энергии некоторыми газами и рассеивания газами молекул и микрочастиц.

Эти эффекты соединены для построения кривой проводимости (рис. 1).

Резко выраженное поглощение в районе 1,4 и 1,9 мкм является причиной

присутствия водяного пара и углекислого газа, следовательно, изменяя слу-

чайную и отражённую энергию почти целиком, в этом диапазоне мы не

получаем никакой полезной информации.

Атмосферный эффект может различаться на различных территориях в

пределах одной сцены, если атмосферные условия в пространстве не по-

стоянны или при наличии возвышений поверхности, что приводит к изме-

нению длины пути излучения через атмосферу.

Рис. 1. Кривая проводимости

Для относительно ясных сцен переход от спектральной яркости к отра-

жающей способности можно выразить следующей формулой:

где – отражающая способность; - спектральная яркость; – рассто-

яние между Землёй и Солнцем в астрономических единицах;

–

поверхностная плотность потока солнечного излучения;

– угол между

Солнцем и зенитом в градусах.

В результате на данном этапе осуществляется переход от спектраль-

ной яркости объектов к их отражающей способности,нанейибудут

основываться все последующие этапы обработки.

Применение различных алгоритмов классификации. Идентифика-

ция объектов и материалов при гиперспектральных измерениях базируется

203

на особенностях этих объектов и материалов поглощать и отражать свет.

Поэтому основной ключевой идеей алгоритмов сводится к сличению изме-

ренных спектральных альбедо с эталонами. Наиболее распространённые

методы: Spectral Angel Mapper (SAM), Spectral Feature Fitting(SFF).

SAM

. Отражённый вектор каждого пикселя можно рассматривать как

n-мерный вектор (

– количество каналов съёмки). Каждый вектор обла-

дает определённой длиной и направлением. Длина вектора представляет

яркость цели, а направление – спектральную характеристику. Различие в

освещении приносит изменение в длину вектора, следовательно, класси-

фикация основана на направлении вектора.

Классификация проводится путём вычисления спектрального угла меж-

ду спектром пикселя и эталонным по формуле

где — спектральный угол; — отражающая способность; — количество

каналов съемки (количество точек в спектре).

При малых значениях спектрального угла, класс пикселя изображения

можно классифицировать как класс эталона ввиду схожести их спектраль-

ных характеристик.

SFF

. Основной идеей такого подхода является рассмотрение специфи-

ческой возможности поглощения. Пользователь определяет диапазон длин

волн, внутри которого существует уникальная характеристика для задан-

ной цели. Спектр пикселя сравнивается с эталонным посредствам двух

измерений: 1) глубина свойства пикселя с глубиной свойства эталона; 2)

форма свойства пикселя с формой свойства эталона (методом наименьших

квадратов).

На основании проведённой работы с гиперспектральными данными

можно сделать следующие выводы:

1. Описанные алгоритмы классификации дают хорошие результаты.

2. При сравнении спектров необходимо пользоваться различными мето-

дами.

3. Предложенную методику рекомендуется применять при обработке

данных, дистанционного зондирования для данных прошедших гео-

метрическую и радиометрическую коррекцию.

Работа выполнена при поддержке РФФИ, проект 05-08-18088.

204

Н. В. Павлова, А. А. Розинов, В. В. Сергейчик

Московский авиационный институт (государственный технический университет)

РАЗРАБОТКА ПРОГРАММНО-АЛГОРИТМИЧЕСКОГО

ОБЕСПЕЧЕНИЯ БЛОКА ЦИФРОВОЙ ФИЛЬТРАЦИИ

ИЗМЕРИТЕЛЬНО-ВЫЧИСЛИТЕЛЬНЫХ КОМПЛЕКСОВ

МЕДИЦИНСКОГО НАЗНАЧЕНИЯ

Цифровая обработка сигналов является одной из самой мощных техно-

логий, которая охватит многие области науки и техники в двадцать первом

веке. Революционные изменения уже начались в области коммуникации,

медицинской визуализации изображений и обработка измерений, радио-

локации и гидролокации, высококачественного воспроизведения музыки,

разведки нефтяных месторождений и многих других. Произошло глубокое

проникновение технологии цифровой обработки сигналов, включающее

разработку собственных алгоритмов, математических выводов и специ-

альных методов.

Цифровая фильтрация является одной из основных операций в циф-

ровой обработке сигналов. Однако под цифровой фильтрацией не стоит

понимать только задачу разделения сигналов. Те же самые алгоритмы поз-

воляют, например, решить задачи корреляции или реализовать специфиче-

ские математические операции над сигналами.

Результатом проведенного исследования стала разработка универсаль-

ного, развиваемого инструментального средства для реализации цифровой

фильтрации сигналов, обработанных с помощью ЭВМ и используемых в

измерительно-вычислительных комплексах медицинского назначения.

Данное программное обеспечение имеет дружественный к пользова-

телю (неспециалисту в области вычислительной техники) внешний ин-

терфейс [1], также обладает гибкостью, а именно допускает дальнейшее

расширение и модификации.

В составе инструментального средства можно выделить следующие

компоненты:

библиотека цифровой фильтрации, куда входят:

– упрощенные внешние интерфейсы фильтров;

– система проектирования фильтров;

– система реализации фильтрации;

тест библиотеки фильтрации, куда входят:

205

– система входных сигналов;

– система отображения сигналов;

– система линковки с библиотекой;

– система управления.

Структурная схема разработанного инструментального средства изоб-

ражена на рис. 1.

Существует два основных типа цифровых фильтров [2]: фильтры с

конечной импульсной характеристикой (КИХ) и фильтры с бесконечной

импульсной характеристикой (БИХ). В данной работе рассматриваются

только КИХ-фильтры, так как они гораздо проще в реализации. Имеет-

ся несколько широко распространенных способов проектирования КИХ-

фильтров:

Рис. 1. Структурная схема разрабатываемого инструментального средства

оконный метод (Windowed-Sinc);

разложение в ряд Фурье с взвешиванием (Windowing);

синтез произвольной частотной характеристики и использование об-

ратного быстрого преобразования Фурье (метод частотной дискрети-

зации).

После проведенного исследования для реализации был выбран метод

частотной дискретизации, так как он позволяет построить фильтр c про-

извольной частотной характеристикой. Идея метода состоит в том, чтобы

получить требуемое ядро свертки как обратное преобразование Фурье от

требуемой частотной характеристики.

206

Свертка задается уравнением

где — входной сигнал; — ядро свертки; — выходной сигнал.

Обычно все сигналы, обрабатываемые на компьютере, имеют конечную

продолжительность (т.е. отличны от нуля лишь на конечном отрезке). То-

гда прямое вычисление свертки требует

умножений, где – длина

исходного сигнала, а

– длина ядра свертки. Часто длина ядра свертки до-

стигает нескольких тысяч точек, и число умножений становится огромным.

Однако существует алгоритм, позволяющий вычислить свертку значитель-

но быстрее. Для выполнения свертки двух сигналов можно перевести их

в частотную область, умножить их спектры и перевести их обратно во

временную область. При значительных длинах ядра свертки такой подход

позволяет в сотни раз сократить время вычисления свертки.

Часто в рассматриваемой задаче возникает потребность вычислить

свертку очень длинного сигнала, не помещающегося в памяти компьютера,

с относительно коротким ядром свертки. В этих случаях применяется так

называемая секционная свертка. Этот метод основан на фундаментальных

принципах цифровой обработки сигналов [1]:

сигнал разбивается на части;

каждая часть подвергается обработке;

из обработанных частей формируется результирующий сигнал.

Программно-алгоритмическое обеспечение библиотеки цифровой филь-

трации включает в себя три основные части:

пакет представления сигналов;

пакет проектирования фильтров;

пакет реализации процедуры фильтрации.

Одним из требований, предъявленных к разрабатываемому программно-

алгоритмическому обеспечению измерительно-вычислительных комплек-

сов медицинского назначения, является реализация упрощенных внешних

интерфейсов фильтров. В соответствии с данным требованием была раз-

работана структура библиотеки (рис. 2), позволяющая скрыть все внутрен-

ние аспекты реализации используемых алгоритмов. Класс CBasicFilterIface

публикует метод, общий для любого фильтра в библиотеке - выполнение

207

фильтрации. Каждый фильтр библиотеки наследуется от него и публикует

свои собственные методы инициализации с параметрами уникальными для

каждого фильтра. Реализация опубликованной функциональности спрята-

на во внутренних пакетах библиотеки, недоступных конечному пользова-

телю. Пакет представления сигнала стоит несколько особняком, так как он

публикует интерфейс сигнала, доступный конечному пользователю. Класс

CLibFIlter служит для внутреннего представления любого фильтра в биб-

лиотеке.

В пакете представления сигнала объявляется интерфейс сигнала, с ко-

торым работает библиотека, а также реализована функциональность для

его обработки, сохранения, загрузки и других подобных операций.

Пакет проектирования фильтров предназначен для построения филь-

тра с конечной импульсной характеристикой с помощью метода синтеза

произвольной частотной характеристики.

Пакет фильтрации реализует процедуру фильтрации. Пакет представлен

одним классом CCalcFiltration. Этот класс объявляет только одну публич-

ную функцию PerformSignalFiltration(), инкапсулируя все аспекты реализа-

ции алгоритма фильтрации и позволяя полностью или частично изменить

используемый алгоритм без переписывания клиентского кода.

При разработке программного обеспечения, как и в любом управляемом

процессе, особое значение придается обеспечению качества конечного то-

вара. Для выявления дефектов программного обеспечения применяется

тестирование, ставящее своей целью проверку соответствия программно-

го обеспечения спецификации. Тест фильтров состоит из трех основных

частей:

пакет входных сигналов;

пакет отображения сигналов;

пакет линковки с библиотекой.

Пакет входных сигналов предназначен для настройки и генерации раз-

личных типов входных сигналов, в том числе: синусоидального, меандра,

сигнала из файла.

Использование библиотеки фильтрации не подразумевает какого-либо

пользовательского интерфейса для настройки параметров фильтра; все воз-

можные действия осуществляются программно. Однако во время тестиро-

вания необходимо иметь возможность управлять параметрами фильтра из

пользовательского интерфейса. Пакет соединения с библиотекой служит

для реализации доступа к фильтрам, а также реализует пользовательский

интерфейс для настройки параметров. Для каждого фильтра, находящего-

208

Рис. 2. Структурная схема библиотеки фильтрации

209

ся в библиотеке, необходимо создать класс “обертку”. Такой объект будет

иметь ряд методов и свойств, характерных для любого фильтра, и ряд

специфических - относящихся только к конкретному фильтру.

Пакет отображения сигналов служит для визуального изображения

сигнала в тесте фильтров. Пакет позволяет отображать сигнал во времен-

ной и частотной областях, а также реализует возможность отображения

участка сигнала с увеличением.

Разработанное программно-алгоритмическое обеспечение протестиро-

вано на реальных исходных данных.

Фильтр скользящего среднего повсеместно применяется для задач

устранения случайного шума из сигнала. Например, в программно-

алгоритмическом обеспечении Dopex для доплеровского измерительно-

вычислительного комплекса “Ангиодин” фильтр скользящего среднего

применяется для сглаживания огибающей спектрограммы.

Последовательно применяя низкочастотный и высокочастотный филь-

тры, можно реализовать полосовой или режекторный фильтры. Такая ком-

бинация используется в блоке детекции эмболии аппаратно-программного

комплекса Monitex, позволяя повысить соотношение сигнал/шум, а также

выделить различные типы эмболов (воздушная, материальная) в зависимо-

сти от их частотной характеристики. Кроме того, низкочастотный фильтр

используется для устранения шумов из звуковых сигналов.

Фильтр Гильберта успешно применяется в аппаратно-программном ком-

плексе Monitex на базе доплеровского измерительно-вычислительного ком-

плекса “Ангиодин” для ультразвукового обследования пациентов, при

преобразовании приборного звука в слышимый. Результатом применения

фильтра является разделение звука на левый и правый динамик звуковой

системы.

Библиографический список

1. Научно-техническое руководство по цифровой обработке сигналов

(http://www.autex.spb.ru)

2. Лукин А. Введение в цифровую обработку сигналов (математические основы). Ла-

боратория компьютерной графики и мультимедиа. – М.: МГУ, 2002.

210