Αποτελέσματα αναζήτησης - "радиолокационное изображение"

Πηγή: Journal of the Russian Universities. Radioelectronics; Том 25, № 3 (2022); 22-38 ; Известия высших учебных заведений России. Радиоэлектроника; Том 25, № 3 (2022); 22-38 ; 2658-4794 ; 1993-8985

Θεματικοί όροι: согласованный фильтр Меллина, range cell migration, radar image of a moving target, keystone transform, Lv's distribution, Mellin matched filter, миграции по дальности, радиолокационное изображение движущейся цели, преобразование "замкового камня", LvD-распределение

Περιγραφή αρχείου: application/pdf

Relation: https://re.eltech.ru/jour/article/view/635/618; Cumming I., Bennett J. Digital processing of Seasat SAR data // Proc. IEEE Intern. Conf. on Acoustics, Speech and Signal Proc. 1979. Vol. 4. P. 710-718. doi:10.1109/icassp.1979.1170630; Jin M. Y., Wu Ch. A SAR correlation algorithm which accommodates large range migration // IEEE Transactions on Geoscience and Remote Sensing. 1984. № 6. P. 592-597. doi:10.1109/tgrs.1984.6499176; Chang C. Y., Jin M., Curlander J. C. Squint Mode SAR Processing Algorithms // 12th Canadian Symp. on Remote Sensing Geoscience and Remote Sensing Symp. 1989. Vol. 3. P. 1702-1706. doi:10.1109/igarss.1989.576456; Smith A. M. A new approach to range-Doppler SAR processing // Int. J. of Remote Sensing. 1991. Vol. 12, № 2. P. 235-251. doi:10.1080/01431169108929650; Franceschetti G., Schirinzi G. A SAR processor based on two-dimensional FFT code // IEEE Transactions on Aerospace Electronic Systems. 1990. Vol. 26, № 2. P. 356-366. doi:10.1109/7.53462; Cafforio C., Prati C., Rocca F. SAR data focusing using seismic migration techniques // IEEE Transactions on Aerospace and Electronic Systems. 1991. Vol. 27, № 2. P. 194-207. doi:10.1109/7.78293; Franceschetti G., Lanari R., Marzouk E. S. Aberration free SAR raw data processing via transformed grid predeformation // Proc. of IGARSS '93 - IEEE Intern. Geoscience and Remote Sensing Symp. 1993. Vol. 4. P. 15931595. doi:10.1109/igarss.1993.322306; Stolt R. H. Migration by Fourier transform // Geophysics. 1978. Vol. 43, № 1. P. 23-48. doi:10.1190/1.1440826; Runge H., Bamler R. A Novel High Precision SAR Focussing Algorithm Based on Chirp Scaling // Proc. Article IGARSS '92 Intern. Geoscience and Remote Sensing Symp. 1992. Vol. 1. P. 372-375. doi:10.1109/igarss.1992.576715; Cumming I., Wong F., Raney K. A SAR Processing Algorithm with no Interpolation // Proc. IGARSS '92 Intern. Geoscience and Remote Sensing Symp. 1992. Vol. 1. P. 376-379. doi:10.1109/igarss.1992.576716; Wong F., Cumming I., Raney R. K. Processing simulated RADARSAT SAR data with squint by a high precision algorithm // Proc. of IGARSS '93. IEEE Intern. Geoscience and Remote Sensing Symp. 1993. Vol. 3. P. 1176-1178. doi:10.1109/igarss.1993.322127; Precision SAR processing using chirp scaling / R. K. Raney, H. Runge, R. Bamler, I. G. Cumming, F. H. Wong // IEEE Transactions on Geoscience and Remote Sensing. 1994. Vol. 32, № 4. P. 786-799. doi:10.1109/36.298008; Moreira A., Huang Y. Airbome SAR Processing of Highly Squinted Data Using a Chirp Scaling Approach with Integrated Motion Compensation // IEEE Trans. Geoscience and Remote Sensing. 1994. Vol. 32, № 5. P. 1029-1040. doi:10.1109/36.312891; Moreira A., Mittermayer J., Scheiber R. Extended chirp scaling algorithm for air- and spaceborne SAR data processing in stripmap and scanSAR imaging modes // IEEE Transactions on Geoscience and Remote Sensing. 1996. Vol. 34, № 5. P. 1123-1136. doi:10.1109/36.536528; Mittermayer J., Moreira A., Loffeld O. Spotlight SAR data processing using the frequency scaling algorithm // IEEE Transactions on Geoscience and Remote Sensing. 1999. Vol. 37, № 5. P. 2198-2214. doi:10.1109/36.789617; Zhu D., Shen M., Zhu Z. Some Aspects of Improving the Frequency Scaling Algorithm for Dechirped SAR Data Processing // IEEE Transactions on Geoscience and Remote Sensing. 2008. Vol. 46, № 6. P. 1579-1588. doi:10.1109/tgrs.2008.916468; Perry R. P., DiPietro R. C., Fante R. L. SAR imaging of moving targets // IEEE Transactions on Aerospace Electronic Systems. 1999. Vol. 35, № 1. P. 188-200. doi:10.1109/7.745691; Perry R. P., DiPietro R. C., Fante R. L. Coherent Integration with Range Migration Using Keystone Formatting // IEEE Radar Conf. 2007. Waltham, USA, 17-20 Apr. 2007. IEEE, 2007. P. 863-868. doi:10.1109/radar.2007.374333; Zhu D., Li Y., Zhu Z. A Keystone Transform without Interpolation for SAR Ground Moving Target Imaging // IEEE Geoscience and Remote Sensing Lett. 2007. Vol. 4, № 1. P. 18-22. doi:10.1109/lgrs.2006.882147; Monakov A. A. A Simple Algorithm for Compensation of the Range Cell Migration in a Stripmap SAR // J. of the Russian Universities. Radioelectronics. 2021. Vol. 24, № 2. P. 27-37. doi:10.32603/19938985-2021-24-2-27-37; Approach for single channel SAR ground moving target imaging and motion parameter estimation / F. Zhou, R. Wu, M. Xing, Z. Bao // IET Radar, Sonar & Navigation. 2007. Vol. 1, № 1. P. 59-66. doi:10.1049/iet-rsn:20060040; Kirkland D. Imaging moving targets using the second-order keystone transform // IET Radar, Sonar & Navigation. 2011. Vol. 5, № 8. P. 902-910. doi:10.1049/iet-rsn.2010.0304; Kirkland D. An alternative range migration correction algorithm for focusing moving targets // Progress in Electromagnetics Research. 2012. Vol. 131. P. 227-241. doi:10.2528/PIER12060711; Djurovi'c I., Thayaparan T., Stankovi'c L. SAR Imaging of Moving Targets using Polynomial FT // IET Signal Processing. 2008. Vol.2,№3.P. 1436-1447. doi:10.1049/iet-spr:20070114; Монаков А. А. Оценка параметров сигнала с полиномиальным законом фазовой модуляции // Изв. вузов России. Радиоэлектроника. 2020. Т. 23, № 5. С. 24-36. doi:10.32603/1993-8985-2020-23-5-24-36; Li G., Xia X.-G., Peng Y.-N. Doppler keystone transform for SAR imaging of moving targets // Proc. of the 2008 Congress on Image and Signal Processing. 2008. Vol. 4. P. 716-719. doi:10.1109/CISP.2008.600; Cohen L. Time-frequency distributions - a review // Proc. of the IEEE. 1989. Vol. 77, № 7. P. 941981. doi:10.1109/5.30749; Hlawatsch F., Boudreaux-Bartels G. F. Linear and quadratic time-frequency signal representations // IEEE Signal Processing Magazine. 1992. Vol. 9, № 2. P. 21-67. doi:10.1109/79.127284; Claasen T. A. C. M., Mecklenbrauker W. F G. The Wigner distribution - a tool for time-frequency signal analysis. Pt. I: continuous-time signals // Philips J. Res. 1980. Vol. 35, № 3. P. 217-250.; Boashash B. Note on the use of the Wigner distribution for time-frequency signal analysis // IEEE Transactions on Acoustics, Speech and Signal Processing. 1988. Vol. 36, № 9. P. 1518-1521. doi:10.1109/29.90380; Barbarossa S., Farina A. Detection and imaging of moving objects with synthetic aperture radar. Pt. 2: Joint time-frequency analysis by Wigner-Ville distribution // IEE Proc. F Radar Signal Process. 1992. Vol. 139, № 1. P. 89-97. doi:10.1049/ip-f-2.1992.0011; Wood J. C., Barry D. T. Radon transformation of time-frequency distributions for analysis of multicomponent signals // IEEE Transactions on Signal Processing. 1994. Vol. 42, № 11. P. 3166-3177. doi:10.1109/78.330375; Barbarossa S. Analysis of multicomponent LFM signals by a combined Wigner-Hough transform // IEEE Transactions on Signal Processing. 1995. Vol. 43, № 6. P. 1511-1515. doi: 0.1109/78.388866; Sejdic E., Djurovic I., Jiang J. Time-frequency feature representation using energy concentration: An overview of recent advances // Digital Signal Processing. 2009. Vol. 19, № 1. P. 153-183. doi:10.1016/j.dsp.2007.12.004; Almeida L. B. The fractional Fourier transform and time-frequency representations // IEEE Transactions on Signal Processing. 1994. Vol. 42, № 11. P. 3084-3091. doi:10.1109/78.330368; Sejdic' E., Djurovic' I., Stankovic' L. Fractional Fourier transform as a signal processing tool: An overview of recent developments // Signal Processing. 2011. Vol. 91, № 6. P. 1351-1369. doi:10.1016/j.sigpro.2010.10.008; Keystone transformation of the Wigner-Ville distribution for analysis of multicomponent LFM signals / X. L. Lv, M. D. Xing, S. H. Zhang, Z. Bao // Signal Processing. 2009. Vol. 59. P. 791-806. doi:10.1016/j.sigpro.2008.10.029; ISAR imaging of maneuvering targets based on the range centroid Doppler technique / X. L. Lv, M. D. Xing, C. R. Wan, S. H. Zhang // IEEE Trans. on Image Process. 2010. Vol. 19, № 1. P. 141-153. doi:10.1109/TIP.2009.2032892; Lv's distribution: principle, implementation, properties, and performance / X. L. Lv, G. A. Bi, C. R. Wan, M. D. Xing // IEEE Trans. on Signal Process. 2011. Vol. 59, № 8. P. 3576-3591. doi:10.1109/TSP.2011.2155651; Luo S., Lv X., Bi G. Lv's distribution for timefrequency analysis // Proc. of 2011 Int. Conf. on Circuits, Systems, Control, Signals. 2011. P. 110-115.; Performance analysis on Lv distribution and its applications /Sh. Luo, G. Bi, X. Lv, F. Hu // Digital Signal Process. 2013. Vol. 23, № 3. P. 797-807. doi:10.1016/j.dsp.2012.11.011; Монаков А. А. Применение масштабно-инвариантных преобразований при решении некоторых задач цифровой обработки сигналов // Успехи современной радиоэлектроники. 2007. Т. 65, № 11. С. 65-72.; Монаков А. А. Согласованный фильтр Меллина // Успехи современной радиоэлектроники. 2013. Т. 67, № 2. С. 56-62.; Monakov A. The Mellin matched filter // IEEE J. of Selected Topics in Signal Processing. 2015. Vol. 9, № 8. P. 1451-1459. doi:10.1109/JSTSP.2015.2465309; De Sena A., Rocchesso D. A fast Mellin transform with applications in DAF // Proceedings of the 7th Int. Conf. on Digital Audio Effects (DAFx '04). 2004. P. 65-69.; De Sena A., Rocchesso D. A fast Mellin and scale transform // EURASIP J. on Advances in Signal Processing. 2007. P. 1-9. doi:10.1155/2007/89170; https://re.eltech.ru/jour/article/view/635

Διαθεσιμότητα: https://re.eltech.ru/jour/article/view/635
https://doi.org/10.32603/1993-8985-2022-25-3-22-38

View record from BASE

11

Academic Journal

Impact of the Radar Image Resolution of Military Objects on the Accuracy of their Classification by a Deep Convolutional Neural Network ; Влияние разрешающей способности радиолокационных изображений военной техники на точность их классификации глубокой сверточной нейронной сетью

Συγγραφείς: I. F. Kupryashkin, И. Ф. Купряшкин

Πηγή: Journal of the Russian Universities. Radioelectronics; Том 25, № 1 (2022); 36-46 ; Известия высших учебных заведений России. Радиоэлектроника; Том 25, № 1 (2022); 36-46 ; 2658-4794 ; 1993-8985

Θεματικοί όροι: точность классификации, radar image, classification accuracy, радиолокационное изображение

Περιγραφή αρχείου: application/pdf

Relation: https://re.eltech.ru/jour/article/view/604/600; Deep Learning Meets SAR / X. Zhu, S. Montazeri, M. Ali, Yu. Hua, Yu. Wang, L. Mou, Yi. Shi, F. Xu, R. Bamler. URL: https://arxiv.org/pdf/2006.10027.pdf (дата обра-щения 20.12.2021); Application of Deep-Learning Algorithms to MSTAR Data / H H. Wang, S. Chen, F. Xu, Y.-Q. Jin // IEEE Intern. Geoscience and Remote Sensing Symp. (IGARSS), Milan, Italy, 26–31 July 2015. IEEE, 2015. P. 3743–3745. doi:10.1109/IGARSS.2015.7326637; Target Classification Using the Deep Convolutional Networks for SAR Images / S. Chen, H. Wang, F. Xu, Y.-Q. Jin // IEEE Transaction Geoscience and Remote Sensing. 2016. Vol. 54, no. 8. P. 4806–4817. doi:10.1109/TGRS.2016.2551720; Deep Learning for SAR Image Classification / H. Anas, H. Majdoulayne, A. Chaimae, S. M. Nabil // Intel-ligent Systems and Applications. Springer, Cham., 2020. P. 890–898. doi:10.1007/978-3-030-29516-5_67; Chen S., Wang H. SAR Target Recognition Based on Deep Learning // Intern. Conf. on Data Science and Advanced Analytics (DSAA). Shanghai, China, 30 Oct. – 1 Nov. 2014. IEEE, 2014. P. 541–547. doi:10.1109/DSAA.2014.7058124; Coman C., Thaens R. A Deep Learning SAR Target Classification Experiment on MSTAR Dataset // 19th In-tern. Radar Symp. (IRS), Bonn, Germany, 20–22 June 2018. IEEE, 2018. P. 1–6. doi:10.23919/IRS.2018.8448048; Furukawa H. Deep Learning for End-to-End Auto-matic Target Recognition from Synthetic Aperture Radar Imagery. URL: https://arxiv.org/pdf/1801.08558.pdf (дата обращения 20.12.2021); Profeta A., Rodriguez A., Clouse H. S. Convolution-al Neural Networks for Synthetic Aperture Radar Classifi-cation // Proc. SPIE 9843, Algorithms for Synthetic Aper-ture Radar Imagery XXIII. 2016. 98430M. doi:10.1117/12.2225934; Wang Z., Xu X. Efficient deep convolutional neural networks using CReLU for ATR with limited SAR images // The J. of Engineering. 2019. Vol. 2019, no. 21. P. 7615–7618. doi:10.1049/joe.2019.0567; Wilmanski M., Kreucher C., Lauer J. Modern Ap-proaches in Deep Learning for SAR ATR // Proc. SPIE 9843. Algorithms for Synthetic Aperture Radar Imagery XXIII. 2016. 98430N. doi:10.1117/12.2220290; A Novel Convolutional Neural Network Architec-ture for SAR Target Recognition / Yi. Xie, W. Dai, Z. Hu, Yi. Liu, C. Li, X. Pu // J. of Sensors. 2019. Art. 1246548. doi:10.1155/2019/1246548; Xinyan F., Weigang Z. Research on SAR Image Target Recognition Based on Convolutional Neural Net-work // J. of Physics: Conf. Series. 2019. Ser. 1213. 042019. doi:10.1088/1742-6596/1213/4/042019; A Deep Learning Fusion Recognition Method Based On SAR Image Data / J. Zhai, G. Dong, F. Chen, X. Xie, C. Qi, L. Li // Procedia Computer Science. 2019. Vol. 147. P. 533–541. doi:10.1016/j.procs.2019.01.229; A New Algorithm of SAR Image Target Recogni-tion based on Improved Deep Convolutional Neural Network / F. Gao, T. Huang, J. Sun, J. Wang, A. Hussain, E. Yang // Cognitive Computation. 2019. Vol. 11. P. 809–824. doi:10.1007/s12559-018-9563-z; Malmgren-Hansen D., Engholm R., Østergaard Pedersen M. Training Convolutional Neural Net-works for Translational Invariance on SAR ATR // Proc. of EUSAR 2016: 11th European Conf. on Synthetic Aperture Radar, Hamburg, Germany, 6–9 Jun 2016. IEEE , 2016. P. 459–462.; Бородинов А. А., Мясников В. В. Сравнение алгоритмов классификации радарных изображений при различных методах предобработки на примере базы MSTAR // Сб. тр. IV Междунар. конф. и молодеж-ной школы "Информационные технологии и нано-технологии" (ИТНТ-2018). Самара, Новая техника, 2018. С. 586–594.; Kechagias-Stamatis O., Aouf N. Automatic Target Recognition on Synthetic Aperture Radar Imagery: A Survey. URL: https://arxiv.org/ftp/arxiv/papers/2007/2007.02106.pdf (дата обращения 20.12.2021); Шолле Ф. Глубокое обучение на Python. СПб.: Питер, 2018. 400 с.; Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. СПб.: Питер, 2018. 480 с.; Simonyan K., Zisserman A. Very Deep Convolu-tional Networks For Large-Scale Image Recognition. URL: https://arxiv.org/pdf/1409.1556.pdf (дата обращения 20.12.2021); Huang Z., Pan Z., Lei B. What, Where and How to Transfer in SAR Target Recognition Based on Deep CNNs. URL: https://arxiv.org/pdf/1906.01379.pdf (дата обращения 20.12.2021); Chollet F. Xception: Deep Learning with Depth-wise Separable Convolutions. URL: https://arxiv.org/pdf/1610.02357.pdf (дата обращения 20.12.2021); MobileNets: Efficient Convolutional Neural Net-works for Mobile Vision Applications / A. G. Howard, M. Zhu, B. Chen, D. Kalenichenko. URL: https://arxiv.org/pdf/1704.04861.pdf (дата обращения 20.12.2021).; https://re.eltech.ru/jour/article/view/604

Διαθεσιμότητα: https://re.eltech.ru/jour/article/view/604
https://doi.org/10.32603/1993-8985-2022-25-1-36-46

View record from BASE

12

Academic Journal

Распознавание наземных объектов на радиолокационном изображении с применением сверточной нейронной сети

Συγγραφείς: Weber, V. I., Kuprits, V. Y., Mescheryakov, A. A., Kuprits, M. V.

Θεματικοί όροι: RADAR WITH A SYNTHESIZED ANTENNA APERTURE, КОРРЕЛЯЦИОННО-ЭКСТРЕМАЛЬНЫЙ МЕТОД РАСПОЗНАВАНИЯ ОБРАЗОВ, RADAR IMAGE, НЕЙРОННЫЕ СЕТИ, РАДИОЛОКАЦИОННОЕ ИЗОБРАЖЕНИЕ, РАСПОЗНАВАНИЕ ОБРАЗОВ, PATTERN RECOGNITION, CORRELATION-EXTREME METHOD OF PATTERN RECOGNITION, NEURAL NETWORKS, РАДИОЛОКАЦИЯ С СИНТЕЗИРОВАННОЙ АПЕРТУРОЙ АНТЕННЫ

Σύνδεσμος πρόσβασης: http://elar.urfu.ru/handle/10995/110992

13

Academic Journal

Recognition of radar images generated by synthetic aperture radar systems ; Распознавание радиолокационных изображений, формируемых радиолокационными системами с синтезированной апертурой

Συγγραφείς: Vinogradova, N. S., Dorosinsky, L. G.

Πηγή: URAL RADIO ENGINEERING JOURNAL; Том 5, № 3 (2021): URAL RADIO ENGINEERING JOURNAL ; 2588-0462 ; 2588-0454

Θεματικοί όροι: change detection, radar image, statistical simulation, scattering cross section, radar remote sensing, обнаружение изменений, радиолокационное изображение, статистическое моделирование, эффективная поверхность рассеяния, радиолокационное дистанционное зондирование Земли

Relation: https://journals.urfu.ru/index.php/urj/article/view/5469/4119; https://journals.urfu.ru/index.php/urj/article/view/5469

Διαθεσιμότητα: https://journals.urfu.ru/index.php/urj/article/view/5469

View record from BASE

14

Academic Journal

Reduction of Multiplicative Noise in Radar Images ; Подавление мультипликативного шума на радиолокационных изображениях

Συγγραφείς: A. A. Tuzova, V. A. Pavlov, A. A. Belov, А. А. Тузова, В. А. Павлов, А. А. Белов

Πηγή: Journal of the Russian Universities. Radioelectronics; Том 24, № 4 (2021); 6-18 ; Известия высших учебных заведений России. Радиоэлектроника; Том 24, № 4 (2021); 6-18 ; 2658-4794 ; 1993-8985

Θεματικοί όροι: параметры фильтров, radar image, speckle noise, speckle noise filtering, filter parameters, радиолокационное изображение, спекл-шум, фильтрация спекл-шума

Περιγραφή αρχείου: application/pdf

Relation: https://re.eltech.ru/jour/article/view/537/550; Тузова А. А., Павлов В. А., Белов А. А. Применение платформы Jetson TX1 для реализации алгоритмов формирования радиолокационных изображений радиолокатора с синтезированной апертурой // Неделя науки СПбПУ 2019: материалы науч. конф. с международным участием. СПб.: Изд-во Политехн. ун-та, 2019. С. 26-29.; Pavlov V. A., Belov A. A., Tuzova A. A. Implementation of Synthetic Aperture Radar Processing Algorithms on the Jetson TX1 Platform // IEEE Intern. Conf. on Electrical Engineering and Photonics (EExPolytech), St Petersburg, 2019. P. 90-93. doi:10.1109/EExPolytech.2019.8906850; Волков В. Ю. Адаптивное выделение мелких объектов на цифровых изображениях // Изв. вузов России. Радиоэлектроника. 2017. № 1. С. 17-28.; Fursov V., Zherdev D., Kazanskiy N. Support subspaces method for synthetic aperture radar automatic target recognition // Intern. J. of Advanced Robotic Systems. 2016. Vol. 13, iss. 5. P. 1-11. doi:10.1177/1729881416664848; Domg Y., Milne A. K., Forster B. C. Toward edge sharpening: a SAR speckle filtering algorithm // IEEE Transactions on Geoscience and Remote Sensing. Apr. 2001. Vol. 39, № 4. P. 851-863. doi:10.1109/36.917910; Yongjian Yu., Acton S. T. Speckle reducing anisotropic diffusion // IEEE Transactions on Image Processing. 2002. Vol. 11, № 11. P. 1260-1270. doi:10.1109/TIP.2002.804276; A New Image Quality Index for Objectively Evaluating Despeckling Filtering in SAR Images / L. Gomez, M. E. Buemi, J. C. Jacobo-Berlles, M. E. Mejail // IEEE J. of Selected Topics in Applied Earth Observations and Remote Sensing. 2016. Vol. 9, № 3. P. 1297-1307. doi:10.1109/JSTARS.2015.2465167; Speckle Reduction of Reconstructions of Digital Holograms Using Gamma-Correction and Filtering / X. Huang, Z. Jia, J. Zhou, J. Yang, N. Kasabov // IEEE Access. 2018. Vol. 6. P. 5227-5235. doi:10.1109/ACCESS.2017.2751540; Старовойтов В. В. Методика выбора фильтра для сглаживания спекл-шума радарных изображений с синтезированной апертурой // Информатика. 2015. № 2. Р. 5-11.; Исследование методов удаления спекл-шумов на ультразвуковых изображениях / А. Бобкова, С. Поршнев, В. Зюзин, В. Бобков // The 23rd Intern. Conf. on Computer Graphics and Vision, Vladivostok, Sept. 2013. P. 244-246.; Touzi R. A review of speckle filtering in the context of estimation theory // IEEE Transactions on Geoscience and Remote Sensing. 2002. Vol. 40, iss. 11. P. 2392-2404. doi:10.1109/TGRS.2002.803727; Aja-Fernandez S., Alberola-Lopez C. On the estimation of the coefficient of variation for anisotropic diffusion speckle filtering // IEEE Transactions on Image Processing. 2006. Vol. 15, № 9. P. 2694-2701. doi:10.1109/TIP.2006.877360; Oriented Speckle Reducing Anisotropic Diffusion / K. Krissian, C. Westin, R. Kikinis, K. G. Vosburgh // IEEE Transactions on Image Processing. 2007. Vol. 16, № 5. P. 1412-1424. doi:10.1109/TIP.2007.891803; Improved Sigma Filter for Speckle Filtering of SAR Imagery / Jong-Sen Lee, Jen-Hung Wen, T. L. Ainsworth, Kun-Shan Chen, A. J. Chen // IEEE Transactions on Geoscience and Remote Sensing. 2009. Vol. 47, № 1. P. 202-213. doi:10.1109/TGRS.2008.2002881; FPGA-Based Adaptive Speckle Suppression Filter for Underwater Imaging Sonar / S. Karabchevsky, D. Kahana, O. Ben-Harush, H. Guterman // IEEE J. of Oceanic Engineering. 2011. Vol. 36, № 4. P. 646-657. doi:10.1109/JOE.2011.2157729; Spatial filtering strategies on deforestation detection using SAR image textures / X. Dong, D. Zhang, K. Cui, C. Hu, X. Lv // CIE Intern. Conf. on Radar (RADAR), Guangzhou, China, 2016. P. 1-4. doi:10.1109/RADAR.2016.8059472; Anisotropic Diffusion Filter With Memory Based on Speckle Statistics for Ultrasound Images / G. RamosLlordén, G. Vegas-Sánchez-Ferrero, M. Martin-Fernandez, C. Alberola-López, S. Aja-Fernández // IEEE Transactions on Image Processing. 2015. Vol. 24, № 1. P. 345-358. doi:10.1109/TIP.2014.2371244; Paul A., Mukherjee D. P., Acton S. T. Speckle Removal Using Diffusion Potential for Optical Coherence Tomography Images // IEEE J Biomed Health Inform. 2019. Vol. 23, iss. 1. P. 264-272. doi:10.1109/JBHI.2018.2791624; Gonzalez R. C., Woods R. E. Digital Image Processing. 2nd ed. Addison-Wesley Longman Publishing Co., Inc., USA, New Jersey 07458, 2001. 191 p.; Lee Jong-Sen Digital Image Enhancement and Noise Filtering by Use of Local Statistics // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1980. Vol. PAMI-2, № 2. P. 165-168. doi:10.1109/TPAMI.1980.4766994; A Model for Radar Images and Its Application to Adaptive Digital Filtering of Multiplicative Noise / V. S. Frost, J. A. Stiles, K. S. Shanmugan, J. C. Holtzman // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1982. Vol. PAMI-4, № 2. P. 157-166. doi:10.1109/TPAMI.1982.4767223; Adaptive restoration of images with speckle / D. Kuan, A. Sawchuk, T. Strand, P. Chavel // IEEE Transactions on Acoustics, Speech and Signal Processing. 1987. Vol. 35, № 3. P. 373-383. doi:10.1109/TASSP.1987.1165131; Tomasi C., Manduchi R. Bilateral filtering for gray and color images // Sixth Intern. Conf. on Computer Vision (IEEE Cat. No.98CH36271), Bombay, India, 1998. P. 839-846. doi:10.1109/ICCV.1998.710815; Structure detection and statistical adaptive speckle filtering in SAR images / A. Lopes, E. Nezry, R. Touzi, H. Laur // Intern. J. of Remote Sensing. 1993. Vol. 14, iss. 9. P. 1735-1758. doi:10.1080/01431169308953999; Perona P., Malik J. Scale-space and edge detection using anisotropic diffusion // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1990. Vol. 12, iss. 7. P. 629-639. doi:10.1109/34.56205; Image quality assessment: From error visibility to structural similarity / Z. Wang, A. C. Bovik, H. R. Sheikh, E. P. Simoncelli // IEEE Transactions on Image Processing. 2004. Vol. 13, iss. 4. P. 600–612. doi:10.1109/TIP.2003.819861; Wang Z., Bovik A. C. A universal image quality index // IEEE Signal Processing Lett. 2002. Vol. 9, iss. 3. P. 81–84. doi:10.1109/97.995823; Gradient magnitude similarity deviation: A highly efficient perceptual image quality index / W. Xue, L. Zhang, X. Mou, A. C. Bovik // IEEE Transactions on Image Processing. 2014. Vol. 23, iss. 2. P. 684–695. doi:10.1109/TIP.2013.2293423; Comparison of Image Quality Assessment Metrics for Evaluation of Performance of Anisotropic Diffusion Filter for SAR Images / A. A. Tuzova, V. A. Pavlov, A. A. Belov, S. V. Volvenko // IEEE Intern. Conf. on Electrical Engineering and Photonics (EExPolytech), St Petersburg, 2020. P. 176-179. doi:10.1109/EExPolytech50912.2020.9243957; Methods for Blind Estimation of Speckle Variance in SAR Images: Simulation Results and Verification for Real-Life Data / S. Abramov, V. Abramova, V. Lukin, N. Ponomarenko, B. Vozel, K. Chehdi, K. Egiazarian, Ja. Astol // Computational and Numerical Simulations. 2014. Ch. 24. P. 303-327. doi:10.5772/57040; Choi H., Jeong J. Speckle noise reduction technique for SAR images using statistical characteristics of speckle noise and discrete wavelet transform // Remote Sensing, 2019. Vol. 11, iss. 1184. P. 1-27. doi:10.3390/rs11101184; Xie Hua, Pierce L. E., Ulaby F. T. Statistical properties of logarithmically transformed speckle // IEEE Transactions on Geoscience and Remote Sensing. 2002. Vol. 40, iss. 3. P. 721-727. doi:10.1109/TGRS.2002.1000333; Singh P., Pandey R. Speckle noise: Modelling and implementation // Intern. J. of Circuit Theory and Applications. 2016. Vol. 9, iss. 17. P. 8717–8727.; Herman C., Lehmann E. L. The use of maximum likelihood estimates in χ2 tests for goodness of fit // Ann. Math. Statist. 1954. Vol. 25, iss. 3. P. 579-586. doi:10.1214/aoms/1177728726; Pearson K. On the criterion that a given system of deviations from theprobable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling // Breakthroughs in Statistics: Methodology and Distribution / eds. S. Kotz, N. L. Johnson. New York: Springer New York, 1992. P. 11–28. doi:10.1007/978-1-4612-4380-9_2; Belov A. A., Pavlov V. A., Tuzova A. A. A Method of Finding Optimal Parameters of Speckle Noise Reduction Filters // Internet of Things, Smart Spaces and Next Generation Networks and Systems, Springer Intern. Publishing, 2020. P. 133-141. doi:10.1007/978-3-030-65729-1_12; Тузова А. А. Проект по поиску оптимальных параметров фильтров спекл-шума. Файл FilteringSpeckleNoise_main_script.m. URL: https://github.com/AnnaTuzova/Speckle-noise-project (дата обращения 25.04.2021); https://re.eltech.ru/jour/article/view/537

Διαθεσιμότητα: https://re.eltech.ru/jour/article/view/537
https://doi.org/10.32603/1993-8985-2021-24-4-6-18

View record from BASE

15

Academic Journal

Methods for Complexing Images Formed by Multi-Band Synthetic Aperture Radars ; Анализ способов комплексирования изображений, формируемых многодиапазонными радиолокационными станциями с синтезированной апертурой

Συγγραφείς: A. A. Potapov, V. A. Kuznetsov, E. A. Alikulov, А. А. Потапов, В. А. Кузнецов, Е. А. Аликулов

Πηγή: Journal of the Russian Universities. Radioelectronics; Том 24, № 3 (2021); 6-21 ; Известия высших учебных заведений России. Радиоэлектроника; Том 24, № 3 (2021); 6-21 ; 2658-4794 ; 1993-8985

Θεματικοί όροι: фрактальная парадигма, synthetic aperture radar, multi-band radar image, complexing, fractal paradigm, радиолокатор с синтезированной апертурой, многодиапазонное радиолокационное изображение, комплексирование

Περιγραφή αρχείου: application/pdf

Relation: https://re.eltech.ru/jour/article/view/518/541; Лихачев В. П., Купряшкин И. Ф., Рязанцев Л. Б. Малогабаритные многофункциональные РЛС с непрерывным частотно-модулированным излучением. М.: Радиотехника, 2020. 279 с.; Cheney M., Borden B. Synthetic Aperture Radar Imaging // In: Scherzer O. (eds) Handbook of Mathematical Methods in Imaging. New York: Springer, 2015. P. 763-799. doi:10.1007/978-1-4939-0790-8_49; Soumekh M. Synthetic Aperture Radar Signal Processing with MatLab Algorithms. New York: Wiley, 1999, 648 p.; Внотченко С. Л., Достовалов М. Ю. Авиационные мобильные малогабаритные радиолокаторы с синтезированной апертурой семейства «Компакт» (принципы реализации и опыт применения) // Журн. радиоэлектроники. 2009. № 10. URL: http://jre.cplire.ru/jre/oct09/5/text.html (дата обращения 27.04.2021); Гурьянов М. А. Преобразование динамического диапазона радиолокационных изображений для различных снимаемых поверхностей // Журн. радиоэлектроники. 2014. № 12. URL: http://jre.cplire.ru/jre/dec14/9/text.html (дата обращения 27.04.2021); Кузнецов В. А., Лихачев В. П., Унковский А. В. Алгоритм совмещения радиолокационных изображений по энтропии радиолокационных природных и антропогенных объектов в интересах двухпроходной интерферометрической радиолокационной станции с синтезированной апертурой антенны // Радиотехника. 2021. Т. 85, № 1. С. 104–111. doi:10.18127/j00338486-202101-14; Пат. RU 2372627 C1 G01S 13/89 (2008.03). Способ получения двумерного радиолокационного изображения объекта в большом диапазоне изменения величин эффективных площадей рассеивания локальных центров при многочастотном импульсном зондировании / А. М. Блинковский, С. В. Крюков. Опубл. 24.03.2009. Бюл. № 31.; Пат. RU 2520424 C2 G06T 5/40 (2012.07). Способ комплексирования цифровых многоспектральных изображений земной поверхности / О. Р. Никитин, А. Н. Кисляков, А. А. Шулятьев. Опубл. 27.06.2014. Бюл. № 18.; Пат. RU 2540778 C1 G06T 5/50 (2013.10). Способ комплексирования цифровых полутоновых изображений / В. Н. Тикменов, С. В. Купцов, В. В. Лаптепа, И. А. Козлитин. Опубл. 10.02.2015. Бюл. № 4.; Пат. RU 2692575 C1 G06T 5/50 (2018.01). Способ комплексирования цифровых полутоновых изображений / В. В. Шипко. Опубл. 25.06.2019. Бюл. № 18.; Пат. RU 2342701 C2 G06K 9/40 (2007.08). Способ комплексирования цифровых многоспектральных полутоновых изображений / Е. И. Травина, И. Н. Фадеев. Опубл. 27.12.2008. Бюл. № 36.; Karhe R. R., Chandratre Y. V. RADAR Image Fusion Using Wavelet Transform // International J. of Advanced Engineering, Management and Science (IJAEMS). 2016. Vol. 2, iss. 3. Р. 4–13.; Simone G., Morabito F. C., Farina A. Multifrequency and Multiresolution Fusion of SAR Images for Remote Sensing Applications // Proc. of 4 th International Conf. on Information Fusion, 2001. Р. 1321–1327.; Multisensor Data Fusion. From Algorithms and Architectural Design to Applications / Ed. by H. Fourati, K. Iniewski. Boca Raton: Taylor & Francis Group, 2016. 663 p. doi:10.1201/b18851; Мандельброт Б. Б. Фрактальная геометрия природы: пер. с англ. А. Р. Логунова / Ин-т компьютерных исследований. М., 2002. 656 с.; Потапов А. А. Фракталы в радиофизике и радиолокации: Топология выборки. М.: Университетская кн., 2005. 848 с.; Potapov A. A., Hao W., Shan X. Fractality of Wave Fields and Processes in Radar and Control. Guangzhou: South China University of Technology Press, 2020. 280 p.; Гуляев Ю. В., Потапов А. А. Применение теории фракталов, дробных операторов, текстур, эффектов скейлинга и методов нелинейной динамики в синтезе новых информационных технологий для задач радиоэлектроники (в частности, радиолокации) // Радиотехника и электроника. 2019. Т. 64, № 9. С. 839–854.; Кузнецов В. А. Структура и свойства наземных объектов на изображениях РСА в задачах распознавания // Телекоммуникации. 2012. № 10. С. 31–38.; Кузнецов В. А., Потоцкий А. Н. Метод измерения направленной морфологической мультифрактальной сигнатуры текстуры изображений // Успехи современной радиоэлектроники. 2017. № 3. С. 39–52.; Потапов А. А., Кузнецов В. А., Потоцкий А. Н. Новый класс топологических текстурно-мультифрактальных признаков и их применение для обработки радиолокационных и оптических малоконтрастных изображений // Радиотехника и электроника. 2021. Т. 66, № 5. С. 457–467. doi:10.31857/S0033849421050107; Пат. RU 2746038 C1 G06T 5/50 (2020.09). Способ фрактального комплексирования цифровых полутоновых изображений / А. А. Потапов, В. А. Кузнецов, Е. А. Аликулов. Опубл. 06.04.2021. Бюл. № 10.; Xia Y., Feng D., Zhao R. Morphology-Based Multifractal Estimation for Texture Segmentation // IEEE Transactions on Image Processing. 2006. Vol. 15, iss. 3. Р. 614–623. doi:10.1109/TIP.2005.863029; Кузнецов В. А., Марюхненко В. С. Системный подход к решению проблемы фрактального анализа многомерных радиолокационных изображений // Сб. тр. XXIV Междунар. науч.-техн. конф. «Радиолокация, навигация, связь», 17–19 апр. 2018 г.: в 5 т. Воронеж: Вэлборн, 2018. Т. 2. С. 26–38.; https://re.eltech.ru/jour/article/view/518

Διαθεσιμότητα: https://re.eltech.ru/jour/article/view/518
https://doi.org/10.32603/1993-8985-2021-24-3-6-21

View record from BASE

16

Academic Journal

Determination of the Spatial Resolution of Radar Images in Remote Sensing of the Earth ; Определение пространственной разрешающей способности на радиолокационных изображениях при дистанционном зондировании Земли

Συγγραφείς: S. N. Gusev, S. V. Zhuravlev, A. V. Popov, С. Н. Гусев, С. В. Журавлев, А. В. Попов

Πηγή: Journal of the Russian Universities. Radioelectronics; Том 24, № 3 (2021); 72-80 ; Известия высших учебных заведений России. Радиоэлектроника; Том 24, № 3 (2021); 72-80 ; 2658-4794 ; 1993-8985

Θεματικοί όροι: погрешность оценки, geolocation, remote sensing, surface scanning, radar image, high-precision information, resolution, estimation error, геолокация, дистанционное зондирование, сканирование поверхности, радиолокационное изображение, высокодетальная информация, разрешающая способность

Περιγραφή αρχείου: application/pdf

Relation: https://re.eltech.ru/jour/article/view/523/546; Справочник по радиолокации: в 2 кн. Кн. 2 / под ред. М. И. Сколника; пер. с англ. под ред. В. С. Вербы. М.: Техносфера, 2015. 680 с.; Свистов В. М. Радиолокационные сигналы и их обработка М.: Сов. радио, 1977. 448 с.; Радиолокационные системы землеобзора космического базирования / под ред. В. С. Вербы. М.: Радиотехника, 2010. 680 с.; Радиоэлектронные системы: основы построения и теория: справочник / Я. Д. Ширман, Ю. И. Лосев, Н. Н. Минервин и др.; под ред. Я. Д. Ширмана; ЗАО "МАКВИС". М., 1998. 828 с.; Современная радиолокация / пер. с англ. под ред. Ю. Б. Кобзарева. М.: Сов. радио, 1969. 704 с.; Радиолокационные системы воздушной разведки, дешифрирование радиолокационных изображений; под ред. Л. А. Школьного. М.: Изд-во ВВИА им. проф. Н. Е. Жуковского, 2008. 513 с.; Радиовидение. Радиолокационные системы дистанционного зондирования Земли / под ред. Г. С. Кондратенкова. М.: Радиотехника, 2005. 368 с.; Авиационные системы радиовидения / под ред. Г. С. Кондратенкова. М.: Радиотехника, 2015. 648 с.; Винокуров В. И., Генкин В. А., Калениченко С. П. Морская радиолокация / под ред. В. И. Винокурова. Л.: Судостроение, 1986. 256 с.; Paduan J. D., Washburn L. High-Frequency Radar Observations of Ocean Surface Currents // Annual Review of Marine Science. 2012. Vol. 5, iss. 1. P. 115-136. doi:10.1146/annurev-marine-121211-172315; Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. Определения, теоремы, формулы / пер. с англ. под общ. ред. И. Г. Арамановича. М.: Наука, 1974. 831 с.; Радиолокационные станции с цифровым синтезированием апертуры антенны / В. Н. Антипов, В. Е. Горяинов, А. Н. Кулин и др.; под ред. В. Т. Горяинова. М.: Радио и связь, 1988. 304 с.; Коновалов А. А. Основы траекторной обработки радиолокационной информации. Ч. 1. СПб.: Изд-во СПбГЭТУ "ЛЭТИ", 2013. 164 с.; Куприяшкин И. Ф., Лихачев В. П. Космическая радиолокационная съемка земной поверхности в условиях помех. Воронеж: Науч. кн., 2014. 460 с.; Занин К. А. Анализ качества координатной привязки изображений космического радиолокатора с синтезированной апертурой // Вестн. НПО им. С. А. Лавочкина. 2013 № 4. С. 34–39.; https://re.eltech.ru/jour/article/view/523

Διαθεσιμότητα: https://re.eltech.ru/jour/article/view/523
https://doi.org/10.32603/1993-8985-2021-24-3-72-80

View record from BASE

17

Academic Journal