Генерация радиолокационных снимков местности из оптических

Рост технологического уровня промышленности за последние годы привёл к широкому применению технологий статистического вывода, например, нейронных сетей и машинного обучения, требующих наличия большого объёма исходных данных. В области обработки данных с беспилотных летательных аппаратов наблюдаются сложности с получением исходных радиолокационных снимков местности в связи с дороговизной оборудования, организацией бесполётных зон и трудностью согласований сбора данных. Наборы данных в свободном доступе ограничены и нецелесообразны для ряда исследований. Исследовательские группы либо работают в условиях отсутствия данных, либо нанимают геодезистов и 3D-дизайнеров. В статье изучены методы решения этой проблемы путём генерации радиолокационных изображений из общедоступных оптических спутниковых карт, которые доступны для любой точки Земли. Рассмотрены два метода: моделирование физических процессов распространения радиоволн и свёртка цветного изображения в градации серого. Физическая модель строится в первом приближении как линейное распространение электромагнитной волны с одной точкой отражения, несущественные эффекты распространения радиоволн в атмосфере и при отражении опускаются. Описаны различные алгоритмы свёртки, линейного преобразования цветового пространства RGB в градации серого: YPbPr, HSV, линейная регрессия. Физическая модель отбрасывается ввиду практической неприменимости и сложности реализации. После оценки результатов свёртки по критериям визуального и математического максимального правдоподобия предпочтение отдаётся алгоритму YPbPr. Предложены дополнительные шаги для более точной генерации радиолокационных снимков: добавление шума и преобразования пространства. Полученный алгоритм генерирует визуально и математически адекватные псевдорадиолокационные снимки. Результаты применяются для создания наборов данных, сопоставленных радиолокационных и оптических изображений. Метод имеет преимущество перед аналогами на сельском и диком клаттерах, но проигрывает в густонаселённых районах. Данные используются в нейронных сетях и машинном обучении. Предложено последующее комбинирование алгоритма с генерацией точечных объектов интереса.