Идентификация фрагментов отделяющихся частей ракет космического назначения по данным авиационной гиперспектральной съемки

Поиск упавших фрагментов отделяющихся частей ракет космического назначения (РКН) на больших площадях рассеяния на земле является значимой проблемой, возникающей в ходе эксплуатации систем такого типа. Использование с этой целью обычной авиационной оптико-электронной аппаратуры наблюдения (включая информационные средства на беспилотных носителях) проблематично по причине, как правило, исходно низких оптических контрастов в сочетании с большими площадями просмотра. Отсюда перспективным представляется решение задачи на основе применения дистанционной гиперспектральной съемки (ГСС) с соответствующей обработкой ее результатов.

В Санкт-Петербургском филиале АО «КБ «Луч» реализовано программно-аппаратное средство (ПАС) обработки гиперспектральных данных, получаемых воздушной съемкой в диапазоне 0,4-1,0 мкм[1](Остриков В.Н., Плахотников О.В., Кириенко А.В., 2016). Эксперимент по обнаружению небольших фрагментов РКН с использованием ПАС проводился в сентябре 2017г. Для создания фоно-объектовой обстановки использовались помещенные на фоне травяного покрова реальные фрагменты РКН различных размеров, соизмеримых с реализуемым пространственным разрешением системы гиперспектрального наблюдения. Фрагменты располагали вблизи ВПП аэродрома, что позволяло однозначно интерпретировать результаты спектрального поиска. Обломки представляли собой частично обожженные дюралевые листы различающейся конфигурации. Коэффициенты спектральной яркости (КСЯ) этих фрагментов, измеренные наземным спектрорадиометром, были, в среднем, идентичны и использовались в качестве спектральной опоры в ходе идентификации.

В состав реализованной технологии ПАС обработки данных ГСС входят методы коррекции дисторсий, спектрального биннингования (в рассматриваемом случае в окне 5нм), спектральной фильтрации случайного шума [7](Ostrikov V.N., Plakhotnikov O.V., 2014), компенсации джиттера носителя [2](Остриков В.Н., Кириенко А.В., 2009) и повышения пространственного разрешения результатов съемки в качестве мер первичной обработки. Внешняя калибровка данных (пересчет в отражательную способность) осуществлялась по присутствующей в зоне съемки тестовой мире с высоким, близким к равномерному в рассматриваемом спектральном диапазоне, КСЯ[6](Ostrikov V.N., Plakhotnikov O.V., 2014). В последовательность обработки данных ПАС входят также спектральная и конечно-метрическая нормировки данных, позволяющие существенно снизить зависимость результатов тематической обработки от условий наблюдения (освещенности, свойств трассы переноса сигнала, вариабельности сюжета).

Для решения поставленной задачи были исследованы два метода спектральной идентификации - двухэтапного поиска [3](Смирнов С.И., Михайлов В.В., Остриков В.Н., 2016) и субпиксельный[4](Остриков В.Н. и др., 2016). Двухэтапный поиск состоял в последовательном применении двух метрик – первая (спектральных отношений) для выявления зон, подозрительных на наличие объекта, вторая – для конечного распознавания. Субпиксельный метод построен на классическом подходе – анализе результатов произведения нормированного текущего спектрального пикселя на предварительно сформированную матрицу опорных векторов (также предварительно нормированных). В качестве опорных векторов были приняты, во-первых, измеренные на земле усредненные КСЯ идентифицируемых фрагментов, во-вторых, КСЯ двух типов фонового покрова из уже имеющейся и полученной ранее базы данных по спектральным сигнатурам образцов.

Результаты спектральной обработки показали, что при метровом пространственном разрешении (съемка с высоты в 1 км), субпиксельный метод позволяет уверенно выделять объект размера, меньшего величины пространственного разрешения прибора. При более высоком пространственном разрешении (меньшая высота полета) преимущество будет за методом двухэтапного поиска, который в вычислительном смысле существенно быстрее. В зависимости от требований к ПАС по быстродействию и производительности в реальном масштабе времени могут успешно использоваться первый или второй методы обработки.

В докладе приводятся наглядные сравнительные результаты качества решения тематической задачи рассмотренными методами. Имеющаяся, ранее разработанная имитационная модель системы идентификации по данным ГСС[4](Остриков В.Н. и др., 2016) позволяет получить количественные оценки качества разработанного ПАС в различных условиях наблюдения.

Следует отметить также, что используемое ПАС обработки данных ГСС было ранее протестировано на решение более широкого круга задач, в частности, при применении в сельском хозяйстве для управляемого земледелия [5](Остриков В.Н. и др., 2016).