ТЕМАТИЧНЕ СЕГМЕНТУВАННЯ ЗАШУМЛЕНОГО ОПТИКО-ЕЛЕКТРОННОГО ЗОБРАЖЕННЯ РОЙОВИМ МЕТОДОМ
DOI:
https://doi.org/10.26906/SUNZ.2018.1.146Ключові слова:
оптико-електронне зображення, тематичне сегментування, ройовий метод, мурашинийметод, еволюційний метод, бортова система, адитивний білий гаусовий шум, відстань Кульбака-Лейбнера, інформаційний показник, середньоквадратичне відхиленняАнотація
Проведено стислий відомих автоматичних та інтерактивних методів сегментування зображень, їхпереваги та недоліки. Встановлено, що для сегментування оптико-електронного зображення, що отриманоз бортової системи спостереження, в умовах впливу шумів доцільно використовувати інтерактивні методи сегментування, взагалі та удосконалений еволюційний метод сегментування оптико-електронного зображення, що заснований на інтегруванні мурашиного та ройового методів, зокрема. Проведено сегментування оптико-електронного зображення в умовах впливу адитивного білого гаусового шуму при різних значеннях середньоквадратичного відхилення та візуальна оцінка якості сегментування. Проведено порівнянняудосконаленого еволюційного методу, що заснований на інтегруванні мурашиного та ройового методів звідомим методом Канні в умовах впливу адитивного білого гаусового шуму. Встановлено, що в умовах впливу адитивного білого гаусового шуму удосконалений еволюційний метод сегментування, що заснований наінтегруванні мурашиного та ройового методів, забезпечує виграш у значенні інформаційного показника –відстані Кульбака-Лейбнера від 5% до 15%.Завантаження
Посилання
Шовенгердт Р.А. Дистанционное зондирование. Модели и методы обработки изображений / Р.А. Шовенгердт. – М.: Техносфера, 2010. – 560 с.
Попов М.О. Стан і перспективи розвитку гіперспектральних систем аерокосмічної розвідки / М.О. Попов, С.В. Гринюк // Наука і оборона. – К., 2012. - № 2. – С. 39–47.
Меньшаков Ю.К. Техническая разведка из космоса / Ю.К. Меньшаков. – М. : Academia, 2013. – 656 с.
Ким Н.В. Алгоритм управления группой беспилотных летательных аппаратов / Н. В. Ким, И. Г. Крылов // Робототехника и техническая кибернетика, 2014. – № 4. – С. 40–43.
Hörster E. Image retrieval on large-scale image databases / E.Hörster, R.Lienhart, M.Slaney // Proc. 6th ACM int. conf. on Image and Video Retrieval, CIVR 2007, 2007. – P. 17–24.
Потапов А.С. Исследование представлений изображений на основе принципа репрезентационной длины описания / Потапов А.С. // Изв. вузов., 2008. – Т. 51. – № 7. – С. 3–7.
Марр Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов / Д. Марр. – М.: Радио и связь, 1987. – 400 с.
Chan T.F. Variational PDE models in image processing / T.F.Chan, J.Shen, L.Vese // Notice AMS, 2003. – V. 50. – P. 14–26.
Lei B.J. On feature extraction from images. Technical Report, Deliverable 2.1.1.2.A+B, MCCWS project, Information and Communication Theory Group / B.J.Lei, E.A.Hendriks, M.J.T.Reinders. – TU Delft, 1999. – 57 p. Системи управління, навігації та зв'язку, 2018, випуск 1(47) ISSN 2073-7394 152
Baker S. Design and Evaluation of Feature Detectors: PhD thesis / S.Baker. – Columbia University, 1998. – 167 p.
Фурман Я.А. Введение в контурный анализ и его приложения к обработке изображений и сигналов / Я.А. Фурман. – М.: Физматлит, 2002. – 592 с.
Гороховатский В.А. Системы признаков на основе отношений структурных элементов изображений / В.А. Гороховатский // Бионика интеллекта, 2011. - № 1 (75). – С. 48–51.
Choudhary R. Recent trends and techniques in image enhancement using differential evolution – a survey. R. Choudhary, R. Gupta // Int. journal of adv. research in computer science and software engineering, 2017. – Vol. 7. – № 4. – P. 106–112.
Конушин В.В. Методы сегментации изображений: автоматическая сегментация / В.В. Конушин, В.А. Вежневец // Вестник МГУ, 2009. – №5. – С. 50–55.
Конушин В.В. Методы сегментации изображений: интерактивная сегментация / В.В.Конушин, В.А.Вежневец // Вестник МГУ, 2008. – №4. – С. 107-118.
Dong G. Color clustering and learning for image segmentation based on neural networks / G. Dong, M. Xie // Neural Networks, IEEE Trans., 2005. – Vol. 16. 4. – P. 925–936.
Эль-Хатиб С.А. Сегментация изображений с помощью смешанного и экспоненциального роя частиц / С.А.Эль-Хатиб // Информатика и кибернетика, 2015. – № 1. – С. 126–133.
Водолазский И.А. Роевой интеллект и его наиболее распространенные методы реализации / И.А.Водолазский, А.С.Егоров, А.В.Краснов // Молодой ученый, 2017. – № 4 (138). – С. 147–153.
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.
Хижняк І.А. Сегментування зображення, що отримано з бортової системи оптико-електронного спостереження, ройовим методом / І.А. Хижняк // Системи озброєння та військова техніка. Науковий журнал, 2017. – № 2 (50). – С. 140–143.
Лебедев В.Б. Роевой интеллект на основе интеграции моделей адаптивного поведения муравьиной и пчелиной колоний / В.Б. Лебедев, О.Б. Лебедев // Известия ЮФУ. Технические науки, 2013. – № 7. – С. 41–47.
Хижняк І.А. Інтегрування мурашиного та ройового методів сегментування зображення, що отримано з бортової системи оптико-електронного спостереження / І.А. Хижняк // Системи управління, навігації та зв’язку, 2017. – Вип. 6 (46). – С. 61–64.
IKONOS Satellite Images Gallery, Satellite Map [Electronic resource] / Satellite Imaging Corporation. – Access mode: URL: http://www.satimagingcorp.com/gallery/ ikonos – 20.01.2017 year.
Худов В.Г. Оцінка якості сегментування оптикоелектронного зображення шляхом оцінки комплексних показників та відстані Кульбака-Лейбнера / В.Г. Худов, О.М. Маковейчук, І.А. Хижняк // Системи обробки інформації, 2017. – Вип. 4 (150). – С. 27–30.
Оцінка відстані Кульбака-Лейбнера при тематичному сегментуванні оптико-електронного зображення методом Канні / Г.В. Худов, В.Г. Худов, І.А. Хижняк, І.В. Новікова // Сучасні інформаційні технології у сфері безпеки та оборони, 2017. – № 2 (29). – С. 83–90.
