МЕТОД ТЕМАТИЧНОГО СЕГМЕНТУВАННЯ КОЛЬОРОВОГО ЗОБРАЖЕННЯ БОРТОВОЇ СИСТЕМИ ОПТИКО-ЕЛЕКТРОННОГО СПОСТЕРЕЖЕННЯ
Ключові слова:
бортова систем спостереження, оптико-електронне зображення, тематичне сегментування, ройові методи, штучна бджолина колонія, цільова функція, поріг сегментування, ітераційний процес, оптимізація
Анотація
Предметом вивчення в статті є метод тематичного сегментування кольорового зображення бортової системи оптико-електронного спостереження. Метою є розробка методу тематичного сегментування, в основу якого покладений ройовий метод штучної бджолиної колонії. Завдання: аналіз властивостей метаевристичних методів оптимізації, аналіз основних операцій метаевристичних методів оптимізації, формулювання оптимізаційної задачі вибору порогу тематичного сегментування оптико-електронного зображення при використанні ройового методу штучної бджолиної колонії, розробка схеми методу тематичного сегментування оптико-електронних зображень бортових систем оптико-електронного спостереження, отримання гістограм розподілу яскравості по кожному каналу яскравості кольорового зображення, викладення сутності методу тематичного сегментування кольорового зображення бортової системи оптико-електронного спостереження, аналіз ітераційного процесу пошуку оптимальних порогів тематичного сегментування в кольорових каналах оптико-електронного зображення, визначення оптимального значення порогового рівня для кожного каналу яскравості, отримання результату тематичного сегментування вихідного оптико-електронного зображення, візуальна оцінки якості сегментованого зображення. Використовуваними методами є: методи теорії імовірності, математичної статистики, ройового інтелекту, кластерізації даних, еволюційних обчислень, методи оптимізації, математичного моделювання та цифрової обробки зображень. Отримані такі результати. Встановлено, що для тематичного сегментування зображення бортової системи оптико-електронного спостереження доцільно використання метаевристичних методів оптимізації. Встановлено, що метод тематичного сегментування кольорового зображення заснований на ройовому методі штучної бджолиної колонії, у якості цільової функції використовується сума дисперсії тематичних сегментів, а оптимізаційна задача полягає в мінімізації цільової функції. Встановлено, що оптимальне значення порогового рівня для кожного каналу яскравості відповідає мінімуму цільової функції для кожного каналу яскравості. Висновки. Наукова новизна отриманих результатів полягає в наступному: підвищення візуальної якості сегментованого кольорового зображення, що в подальшому суттєво впливає на вирішення завдання дешифрування зображення.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Гук А. П. Автоматизация дешифрирования снимков. Теоретические аспекты статистического распознавания образов / А. П. Гук // Известия высших учебных заведений. — 2015. — № 65. — С. 166–169.
2. Кобзева Е. А. Автоматизация дешифрирования спутниковых снимков: опыт и проблемы / Е. А. Кобзева, К. А. Поздина // Геодезия и картография. — 2008. — Т. 6. — С. 40–44.
3. Суботін С. О. Неітеративні, еволюційні та мультиагентні методи синтезу нечіткологічних і нейромережних моделей: монографія / С. О. Суботін, А. О. Олійник, О. О. Олійник. — Запоріжжя: ЗНТУ, 2009. — 375 с.
4. Ayman El-Baz. Biomedical image segmentation: advances and trends / El-Baz Ayman, X. Jiang, J. S. Suru. — US: CRC Press, 2016. — 546 p.
5. Пантелеев А. В. Метаэвристические алгоритмы поиска глобального экстремума / А. В. Пантелеев. — М.: МАИ, 2009. — 160 с.
6. Пантелеев А. В. Методы глобальной оптимизации: метаэвристические стратегии и алгоритмы / А. В. Пантелеев, Д. В. Метлицкая, Е. А. Алешина. — М.: Вузовская книга, 2013. — 244 с.
7. Papadimitriou C. H. Combinatorial Optimization. Algorithms and Complexity / C. H. Papadimitriou, K. Steiglitz. — New York: Dover Publications, 1998. — 528 p.
8. Щербина О. А. Метаэвристические алгоритмы для задач комбинаторной оптимизации (обзор) / О. А. Щербина // Таврійський вісник інформатики та математики. — 2014. — № 1 (24). — С. 56–72.
9. Glover F. Future paths for integer programming and links to artificial intelligence / F. Glover // Computers & Operations Research. — 1986. — № 131. — P. 533–549.
10. Glover F. Handbook of Metaheuristics / F. Glover, G. Kochenberger. — Norwell: Kluwer Academic Publisher, 2002. — 647 p.
11. Пантелеев А. В. Применение эволюционных методов глобальной оптимизации в задачах оптимального управления детерминированными системами / А. В. Пантелеев. — М.: МАИ, 2013. — 159 с.
12. Хижняк І. А. Тематичне сегментування зашумленого оптико-електронного зображення ройовим методом / І. А. Хижняк, О. М. Маковейчук, В. Г. Худов, І. В. Рубан, Г. В. Худов // Системи управління, навігації та зв’язку. — 2018. — № 1 (47). — С. 146–152.
13. Хижняк І. А. Метод ройового інтелекту (штучної бджолиної колонії (АВС)) тематичного сегментування оптикоелектронного зображення / І. А. Хижняк, О. М. Маковейчук, Р. Г. Худов, В. О. Подліпаєв, Г. В. Горбань, Г. В. Худов // Системи управління, навігації та зв’язку. — 2018. — № 2 (48). — С. 91–96.
14. Хижняк І. А. Інформаційна ройова технологія тематичного сегментування зображень, що отримані з бортових систем оптико-електронного спостереження / І. А. Хижняк, О. М. Маковейчук, Г. В. Худов // Системи управління, навігації та зв’язку. — 2018. — № 3 (49). — С. 26–32.
15. Ruban I. Segmentation of the images obtained from onboard optoelectronic surveillance systems by the evolutionary method / I. Ruban, H. Khudov, V. Khudov, I. Khizhnyak, O. Makoveichuk // Eastern-European Journal of Enterprise Technologies. — 2017. — № 5/9 (89). — P. 49–57.
2. Кобзева Е. А. Автоматизация дешифрирования спутниковых снимков: опыт и проблемы / Е. А. Кобзева, К. А. Поздина // Геодезия и картография. — 2008. — Т. 6. — С. 40–44.
3. Суботін С. О. Неітеративні, еволюційні та мультиагентні методи синтезу нечіткологічних і нейромережних моделей: монографія / С. О. Суботін, А. О. Олійник, О. О. Олійник. — Запоріжжя: ЗНТУ, 2009. — 375 с.
4. Ayman El-Baz. Biomedical image segmentation: advances and trends / El-Baz Ayman, X. Jiang, J. S. Suru. — US: CRC Press, 2016. — 546 p.
5. Пантелеев А. В. Метаэвристические алгоритмы поиска глобального экстремума / А. В. Пантелеев. — М.: МАИ, 2009. — 160 с.
6. Пантелеев А. В. Методы глобальной оптимизации: метаэвристические стратегии и алгоритмы / А. В. Пантелеев, Д. В. Метлицкая, Е. А. Алешина. — М.: Вузовская книга, 2013. — 244 с.
7. Papadimitriou C. H. Combinatorial Optimization. Algorithms and Complexity / C. H. Papadimitriou, K. Steiglitz. — New York: Dover Publications, 1998. — 528 p.
8. Щербина О. А. Метаэвристические алгоритмы для задач комбинаторной оптимизации (обзор) / О. А. Щербина // Таврійський вісник інформатики та математики. — 2014. — № 1 (24). — С. 56–72.
9. Glover F. Future paths for integer programming and links to artificial intelligence / F. Glover // Computers & Operations Research. — 1986. — № 131. — P. 533–549.
10. Glover F. Handbook of Metaheuristics / F. Glover, G. Kochenberger. — Norwell: Kluwer Academic Publisher, 2002. — 647 p.
11. Пантелеев А. В. Применение эволюционных методов глобальной оптимизации в задачах оптимального управления детерминированными системами / А. В. Пантелеев. — М.: МАИ, 2013. — 159 с.
12. Хижняк І. А. Тематичне сегментування зашумленого оптико-електронного зображення ройовим методом / І. А. Хижняк, О. М. Маковейчук, В. Г. Худов, І. В. Рубан, Г. В. Худов // Системи управління, навігації та зв’язку. — 2018. — № 1 (47). — С. 146–152.
13. Хижняк І. А. Метод ройового інтелекту (штучної бджолиної колонії (АВС)) тематичного сегментування оптикоелектронного зображення / І. А. Хижняк, О. М. Маковейчук, Р. Г. Худов, В. О. Подліпаєв, Г. В. Горбань, Г. В. Худов // Системи управління, навігації та зв’язку. — 2018. — № 2 (48). — С. 91–96.
14. Хижняк І. А. Інформаційна ройова технологія тематичного сегментування зображень, що отримані з бортових систем оптико-електронного спостереження / І. А. Хижняк, О. М. Маковейчук, Г. В. Худов // Системи управління, навігації та зв’язку. — 2018. — № 3 (49). — С. 26–32.
15. Ruban I. Segmentation of the images obtained from onboard optoelectronic surveillance systems by the evolutionary method / I. Ruban, H. Khudov, V. Khudov, I. Khizhnyak, O. Makoveichuk // Eastern-European Journal of Enterprise Technologies. — 2017. — № 5/9 (89). — P. 49–57.
Опубліковано
2018-10-30
Як цитувати
Khizhnyak I. Метод тематичного сегментування кольорового зображення бортової системи оптико-електронного спостереження / I. Khizhnyak, H. Khudov, I. Ruban, A. Makoveychuk, Yu. Solomonenko, V. Khudov // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2018. – Т. 5 (51). – С. 13-19. – doi:https://doi.org/10.26906/SUNZ.2018.5.013.
Розділ
Навігація та геоінформаційні системи
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
