Kotelnikov Institute of Radio Engineering and Electronics of RAS Русский Sign in Submit a paper
Journal of Radio Electronics Online scientific journal · eISSN 1684-1719
2026, № 5 · RADAR INFORMATION METHODS AND ELEMENTS

Simulation of two-dimensional images of objects during radar probing of solid environment

K.Y. Gavrilov1, I.V. Kamenskiy1, M.D. Monakhov1, A.A. Dubovskii1, E.V. Rudenko1, D.K. Balakhnina1,2

1 Moscow aviation institute (national research university), Moscow, Russia
2 Scientific and Production Association “Almaz” named after Academician A.A. Raspletin, Moscow, Russia
Full text DOI: 10.30898/1684-1719.2026.5.3 UDC 621.396.96 EDN JGKZYQ

Abstract

A technique for simulation of radar images in subsurface probing of solid environment has been developed, taking into account the properties of environment heterogeneity and the presence of interference reflections superimposed on useful signals. The developed technique is described, which includes simulation of three types of signals: reflections from objects of interest; reflections from extended areas of inhomogeneities of the environment; interference signals corresponding to reflections from small elements of the environment, considered as point reflectors. When simulations of environment inhomogeneities are carried out, a model of a random autoregressive process is used, followed by low-pass filtering and a contrast change procedure. For each of the three types of signals, the simulation procedure is described and examples of radar images are presented when varying various parameters of the models. The results obtained make it possible to simulate subsurface objects of various classes close to real radar images, which can be used to train neural network and other algorithms for detecting and recognizing objects in images, as well as to evaluate the probabilistic characteristics of such algorithms.

  • subsurface radar
  • probing of solid environment
  • two-dimensional radar image
  • video pulse signal
  • random process such as autoregression
  • image filtering
Аннотация (на русском)

Моделирование двумерных изображений объектов при радиолокационном зондировании плотных сред

Разработана методика моделирования радиолокационных изображений (РЛИ) при подповерхностном зондировании плотных сред, учитывающая свойства неоднородности среды и наличие помеховых отражений, накладывающихся на полезные сигналы. Приведено описание разработанной методики, которая включает моделирование сигналов трех видов: отражения от объектов, представляющих интерес; отражения от протяженных областей неоднородностей среды; помеховые сигналы, соответствующие отражениям от мелких элементов среды, рассматриваемых как точечные отражатели. При моделировании неоднородностей среды использована модель случайного процесса авторегрессионного вида с последующей низкочастотной фильтрацией и процедурой изменения контраста. Для каждого из трех видов сигналов приведено описание процедуры моделирования и представлены примеры РЛИ при варьировании различных параметров моделей. Получены результаты, позволяющие моделировать близкие к реальным РЛИ подповерхностных объектов различных классов, которые можно использовать для обучения нейросетевых и других алгоритмов обнаружения и распознавания объектов на изображениях, а также для оценки вероятностных характеристик таких алгоритмов.

For citation

Gavrilov K.Y., Kamenskiy I.V., Monakhov M.D., Dubovskii A.A., Rudenko E.V., Balakhnina D.K. Simulation of two-dimensional images of objects during radar probing of solid environment // Journal of Radio Electronics. – 2026. – No. 5. https://doi.org/10.30898/1684-1719.2026.5.3

References

  1. Финкельштейн М.И. и др. Подповерхностная радиолокация. - М.: Радио и связь. - 1994. - Т. 44.
  2. Daniels D.J. (ed.). Ground penetrating radar. - Iet, 2004. - Vol. 1. https://doi.org/10.1049/pbra015e
  3. Persico R.Introduction to ground penetrating radar: inverse scattering and data processing. - John Wiley & Sons, 2014. https://doi.org/10.1002/arp.1756
  4. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. - Москва: Питер, 2025. - 480 с.
  5. Аггарвал Чару. Нейронные сети и глубокое обучение: учебный курс.: Пер. с англ. - СПб.: ООО "Диалектика", 2020. - 752 с.
  6. Goodman D. et al. GPR remote sensing in archaeology. - New York: Springer, 2013. - Vol. 9. - 233 p. https://doi.org/10.1007/978-3-642-31857-3
  7. Чапурский В.В. Избранные задачи теории сверхширокополосных радиолокационных систем (3-е издание) / В.В. Чапурский. - Москва: Московский государственный технический университет им. Н.Э. Баумана, 2016. - 280 с. - ISBN 978-5-7038-4289-8. - EDN ZCOFQH.
  8. Amin M.G. (ed.). Through-the-wall radar imaging. - CRC press, 2017. https://doi.org/10.1201/9781315218144
  9. Annan P. Ground penetrating radar principles, procedures and applications // Sensors and software. - 2003. - Vol. 278.
  10. Васильев К.К. Статистический анализ последовательностей изображений / К.К. Васильев, В.Р. Крашенинников. - Москва: Радиотехника, 2017. - 248 с. - ISBN 978-5-93108-160-1. - EDN YNCRIV.
  11. Крашенинников В.Р. Статистические методы обработки изображений / В.Р. Крашенинников. - Ульяновск: Ульяновский государственный технический университет, 2015. - 167 с. - ISBN 978-5-9795-1451-2. - EDN WAHGHH.
  12. Гонсалес Р.С. Цифровая обработка изображений / Р.С. Гонсалес, Р.Е. Вудс. - Издание 3-е, исправленное и дополненное. - Москва: Рекламно-издательский центр "Техносфера", 2012. - 1104 с. - (Мир цифровой обработки). - ISBN 978-5-94836-331-8. - EDN TIKLUW.
  13. Гонсалес Р.С. Цифровая обработка изображений в среде MATLAB / Р.С. Гонсалес, Р.Е. Вудс, С.Л. Эддинс; [пер. с англ. В.В. Чепыжова]. - Москва: Техносфера, 2006. - 615 с. - (Мир цифровой обработки). - ISBN 5-94836-092-X. - EDN QMQEFV.
  14. Гаврилов К.Ю., Каменский И.В., Кирдяшкин В.В. Цифровая обработка изображений в Matlab. Учебное пособие для вузов. - М.: Горячая линия - Телеком, 2025. - 160 с.
  15. Вайнштейн Л.А., Зубаков В.Д. Выделение сигналов на фоне случайных помех. - Сов. радио, 1960.
  16. Ishitsuka K. et al. Object Detection in Ground-Penetrating Radar Images Using a Deep Convolutional Neural Network and Image Set Preparation by Migration // International Journal of Geophysics. - 2018. - Vol. 1. - 9365184. https://doi.org/10.1155/2018/9365184
  17. Al-Nuaimy W. et al. Automatic detection of buried utilities and solid objects with GPR using neural networks and pattern recognition // Journal of applied Geophysics. - 2000. - Т. 43. - №. 2-4. - С. 157-165. https://doi.org/10.1016/s0926-9851(99)00055-5
  18. Pham M.T., Lefèvre S. Buried object detection from B-scan ground penetrating radar data using Faster-RCNN // IGARSS 2018-2018 IEEE international geoscience and remote sensing symposium. - IEEE, 2018. - С. 6804-6807. https://doi.org/10.1109/igarss.2018.8517683