THEMATIC SEGMENTATION OF THE SLIPED OPTICAL-ELECTRONIC IMAGEWITH A SWARM METHOD
DOI:
https://doi.org/10.26906/SUNZ.2018.1.146Keywords:
optic-electronic image, thematic segmentation, swarm method, ant method, evolution method, airborne system, additive white Gaussian noise, Kullback-Leibner distance, information indicator, standard deviationAbstract
A short analysis of known automatic and interactive methods of image segmentation, their advantages and disadvantages is carried out. It has been found that for segmentation of the optic-electronic image obtained from the on-board optic-electronic observationsystem, it is advisable to use interactive segmentation methods in general and an improved evolutionary method for segmentation of theoptoelectronic image, which is based on the integration of the ant and swarm methods, in particular. Segmentation of the opticelectronic image under the influence of additive white Gaussian noise at different values of the root-mean-square deviation and a visualassessment of segmentation quality were carried out. A comparative evaluation of the improved evolutionary method is carried out,which is based on integrating the ant and swarm methods with the known Canni method. It is established that under the influence ofadditive white Gaussian noise, the improved evolutionary segmentation method, which is based on the integration of the ant and swarmmethods, provides a gain in the value of the information indicator – Kulbak-Leibner distance from 5% to 15%.Downloads
References
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.
