КОМПЛЕКСУВАННЯ МУЛЬТИСПЕКТРАЛЬНИХ ЗОБРАЖЕНЬ ЯК МЕТОД ПІДВИЩЕННЯ ЇХ ІНФОРМАТИВНОСТІ ПРИ БІНАРНІЙ СЕГМЕНТАЦІЇ

Denys V. Storozhyk; Oleksandr V. Muraviov; Anatoliy G. Protasov; Viktor G. Bazhenov; Galina A. Bohdan

doi:10.20535/kpi-sn.2020.2.197955

Т. · № 2 · 2020 бер 5, 2020 статті

КОМПЛЕКСУВАННЯ МУЛЬТИСПЕКТРАЛЬНИХ ЗОБРАЖЕНЬ ЯК МЕТОД ПІДВИЩЕННЯ ЇХ ІНФОРМАТИВНОСТІ ПРИ БІНАРНІЙ СЕГМЕНТАЦІЇ

Denys V. Storozhyk Відповідальний Igor Sikorsky Kyiv Polytechnic Institute, Ukraine Україна

Oleksandr V. Muraviov Igor Sikorsky Kyiv Polytechnic Institute, Ukraine Україна

Anatoliy G. Protasov Igor Sikorsky Kyiv Polytechnic Institute, Ukraine Україна

Viktor G. Bazhenov Igor Sikorsky Kyiv Polytechnic Institute, Ukraine Україна

Galina A. Bohdan Igor Sikorsky Kyiv Polytechnic Institute, Ukraine Україна

Опублікованобер 5, 2020

PDF

НВКПІ 2 ТОМ · 2

ТОМ · № 2 · 2020 Переглянути випуск

Анотація

Проблематика. Однією з найбільш інтенсивних тенденцій на виробництві та при проектуванні різної техніки на сьогодні є прагнення до автоматизації процесів з метою підвищення їх ефективності та мінімізації впливу людського фактора. Перспективним напрямом реалізації цієї концепції видаються методи комп’ютерного зору, засновані на автоматизації обробки й аналізу зображень. Машинне навчання дає можливість системам, таким як, наприклад, штучні нейронні мережі, виявляти, розпізнавати та класифікувати об’єкти. Все це стало можливим завдяки розвитку методів обробки зображень, до яких відноситься і бінарна сегментація. Підвищення інформативності результату при цьому методі обробки даних можливе завдяки використанню алгоритму мультиспектрального комплексування, що своєю чергою дасть змогу підвищити ефективність роботи систем машинного зору й автоматизованої обробки зображень. Мета дослідження. Дослідження можливості застосування методів комплексування мультиспектральних зображень для підвищення інформативності та якості результату обробки даних на основі бінарної сегментації. Методика реалізації. Для дослідження методів комплексування зображень було використано програмне середовище, реалізоване на основі мови програмування C# із застосуванням математичного апарату бінарної сегментації. Аналіз отриманих результатів проводився з використанням методів статистичної обробки даних. Результати дослідження. Отримано оцінки ефективності застосування таких методів комплексування мультиспектральних зображень для підвищення якості бінарної сегментації: усереднення, максимуму, черезрядкового комплексування та черезрядкового комплексування максимумів. Дослідження проведено для зображень, отриманих як у сприятливих умовах, так і за наявності різноманітних перешкод, що зумовило зниження інформативності знімків у різних спектральних діапазонах. Висновки. Використання методів комплексування мультиспектральних зображень дає змогу підвищити інформативність результату бінарної сегментації до 15 %. Особливо суттєве поліпшення якості спостерігається за наявності завад на зображеннях різних спектральних діапазонів, таких як засвічення або низька освітленість.

Ключові слова

#Бінарна сегментація #Обробка зображень #Методи комплексування #Мультиспектральні зображення

Посилання

G. Tolias et al. , “Image search with selective match kernels: aggregation across single and multiple images”, Int . J . Comput . Vis . , vol. 116, pp. 247–261, 2016. doi: 10.1007/s11263-015-0810-4
O.B. Zhukov et al. , “Artificial intelligence in medicine: from hybrid studies and clinical validation to the development of application models”, Andrologija i Genital'naja Hirurgija , vol. 20, no. 3, pp. 15–19, 2019. doi: 10.17650/2070-9781-2019-20-3-15-19
L. Galli and D. de Candia, “Multispectral image segmentation via multiscale weighted aggregation method”, in Proc. SPIE 5982, Image and Signal Processing for Remote Sensing XI , 2005. doi: 10.1117/12.627534
Y. Yuan et al. , “Specific light-up bioprobe with aggregation‐induced emission and activatable photoactivity for the targeted and image‐guided photodynamic ablation of cancer cells”, Angew. Chem. Int. Ed. , vol. 54, pp. 1780–1786, 2015. doi: 10.1002/anie.201408476
A. Protasov, “Reconstruction of the thermal field image from measurements in separate points”, in Proc. IEEE Int. Conf. Microwaves, Radar and Remote Sensing Symposium (MRRS) , 2017, pp. 89–92. doi: 10.1109/MRRS.2017.8075035
K. Rokni et al. , “A new approach for surface water change detection: Integration of pixel level image fusion and image classification techniques”, Int. J. of Appl. Earth Observ. Geoinform. , vol. 34, pp. 226–234, 2015. doi: 10.1016/j.jag.2014.08.014
D. Paternain et al. , “Construction of image reduction operators using averaging aggregation functions”, Fuzzy Sets and Systems , vol. 261, pp. 87–111, 2015. doi: 10.1016/j.fss.2014.03.008
E. Ricchetti, “Multispectral satellite image and ancillary data integration for geological classification”, Photogrammetric Engineering and Remote Sensing , vol. 66, pp. 429–435, 2000.
A.S. Vasilev et al. , “Quality assessment criteria for image fusion in multispectral optical-electronic systems”, J . Instrument Eng . , vol. 60, no. 7, pp. 647–653, 2017. doi: 10.17586/0021-3454-2017-60-7-647-653
A.V. Zakharov et al. , “Criteria for assessing the quality of image segmentation”, Trudy NIISI RAN , vol. 2, no. 2, pp. 87–99, 2012.
M.S. Mamuta, “Effectiveness of the complex of optical and electronic systems”, PhD dissertation, NTUU KPI, Kyiv, 2013.
G. Hong et al. , “A wavelet and IHS integration method to fuse high resolution SAR with moderate resolution multispectral images”, Photogrammetric Engineering and Remote Sensing , vol. 75, pp. 1213–1223, 2009. doi: 10.14358/PERS.75.10.1213
C. Zhu et al. , “Multi-image aggregation for better visual object retrieval”, in Proc. IEEE Int . Conf . Acoustics, Speech and Signal Processing (ICASSP) , Florence, 2014, pp. 4304–4308. doi: 10.1109/ICASSP.2014.6854414
A.V. Muravyov and E.A. Nazarchuk, “Thermal stabilization of image quality of an optical thermograph system”, Visnyk Inzhenernoi Akademii Ukrainy , no. 4, pp. 195–199, 2016.
A. Momot and R. Galagan, “Influence of architecture and training dataset parameters on the neural networks efficiency in thermal nondestructive testing”, Sciences of Europe , vol. 1, no. 44, pp. 20–25, 2019.

Попередня у випуску МОДЕЛІ ОБЧИСЛЕНЬ ДЛЯ ОБРОБЛЕННЯ ДАНИХ ЦИФРОВИХ ДВІЙНИКІВ

§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.

Усі випуски

МЕТОДИ ЗАБЕЗПЕЧЕННЯ ЦІЛІСНОСТІ ОБРОБКИ ТА ПЕРЕДАЧІ ДАНИХ У ПРОМИСЛОВИХ СИСТЕМАХ АВТОМАТИЗАЦІЇ

Ярослав Корпань, Євген Федоров, Ольга Нечипоренко

Проблематика. Сучасні промислові системи контролю характеризуються високим рівнем інтеграції інформаційних і фізичних процесів та використанням розподілених…

#промислові системи автоматизації #SCADA-системи #цілісність даних #кібербезпека ICS

10.20535/kpisn.2026.3.361520

МЕТОДИКА ПАРАМЕТРИЧНОГО СИНТЕЗУ ЗУМ-АФОКАЛЬНИХ СИСТЕМ НА ОСНОВІ НЕРУХОМИХ ВАРІОЛІНЗ

Ігор Г. Чиж

Проблематика Зум-оптичні системи, в яких використовуються механічно нерухомі електрично керовані варіолінзи, не можуть вважатися такими, що мають нерухомі оптичні…

#зум-афокальні системи #головні точки варіолінз #синтез зум-афокальних систем #стабільна афокальність зум-системи

10.20535/kpisn.2026.3.351645

МОДИФІКАЦІЯ НЕЙРОМЕРЕЖЕВОГО МЕТОДУ SPINN ДЛЯ НАБЛИЖЕНОГО РОЗВ'ЯЗАННЯ МІШАНОЇ ЗАДАЧІ ДЛЯ РІВНЯННЯ ТЕПЛОПРОВІДНОСТІ В ЕЛІПТИЧНІЙ ОБЛАСТІ

Валерій Лось, Олександр Ряхін

Проблематика. Параболічні диференціальні рівняння є математичними моделями інженерії, призначеними для дослідження широкого кола прикладних задач. Це приводить до…

#рівняння теплопровідності #мішана параболічна задача #еліптична область #фізико-інформативна нейронна мережа

10.20535/kpisn.2026.3.367316

Схожі статті

Костянтин Д. Грішин, Nadezhda Nedashkovskaya, МОДЕЛЬ МАШИННОГО НАВЧАННЯ ДЛЯ РОЗПІЗНАВАННЯ КОНФІГУРАЦІЙ РУК УКРАЇНСЬКОЇ ЖЕСТОВОЇ МОВИ , Наукові вісті КПІ: Том 143 № 2 (2026)
Дмитро Петренко, Анатолій Протасов, АЛГОРИТМ БЕЗКАРТОГРАФІЧНОЇ НАВІГАЦІЇ РОБОТА HUSKY НА ОСНОВІ МОДЕЛЕЙ ГЛИБОКОГО НАВЧАННЯ З ПІДКРІПЛЕННЯМ ТА АДАПТИВНОГО НАВЧАЛЬНОГО ПЛАНУ , Наукові вісті КПІ: Том 143 № 2 (2026)
Павло Кость, Лариса Гліненко, МЕТОДИКА ВИБОРУ СТРУКТУРИ ПЕРЕДАВАЛЬНОГО ТРАКТУ ДЛЯ ТЕРМОЯДЕРНИХ УСТАНОВОК , Наукові вісті КПІ: Том 143 № 2 (2026)
Костянтин Бровко, Павло Буданов, Олег Великогорський, Юлія Олійник, Наталія Винокурова, Сергій Войтенко, ІМІТАЦІЙНА МОДЕЛЬ ЦИФРОВОГО ДВІЙНИКА ТЕХНОЛОГІЧНОГО ПРОЦЕСУ ЕНЕРГОБЛОКУ АЕС , Наукові вісті КПІ: Том 143 № 2 (2026)
Євген Панкратов, Григорій Тимчик, МІКРОСЕРВІСНА АРХІТЕКТУРА ТА АЛГОРИТМИ МОДУЛЬНОЇ СИСТЕМИ АВТОМАТИЗАЦІЇ ТЕХНОЛОГІЧНИХ ПРОЦЕСІВ МАЛОГО БІЗНЕСУ , Наукові вісті КПІ: Том 143 № 2 (2026)
Віталій Голубінка, АВТОНОМНА СИСТЕМА РЕКОМЕНДАЦІЇ ІНДЕКСІВ ДЛЯ РЕЛЯЦІЙНИХ БАЗ ДАНИХ НА ОСНОВІ COST-MODEL ТА PLAN COVERING , Наукові вісті КПІ: Том 143 № 2 (2026)
Вадим Романюк, ФОРМАЛІЗАЦІЯ РОЗРІДЖЕНОГО ANP З БІНАРНИМИ ПОРІВНЯННЯМИ НА ОСНОВІ ДАНИХ У КОЛІ ОДНОРІДНИХ КОМПОНЕНТІВ ДЛЯ ПРІОРИТИЗАЦІЇ РОЗПОДІЛУ РЕСУРСІВ , Наукові вісті КПІ: Том 144 № 3 (2026)
Vadim V. Romanuke, НАБІР ДАНИХ НЕСКІНЧЕННОГО МАСШТАБУВАННЯ ІЗ ЗОБРАЖЕНЬ У ГРАДАЦІЯХ СІРОГО З ОДНИМ БАГА¬ТО-КУТНИКОМ ЯК ШВИДКА ТЕСТОВА ПЛАТФОРМА ДЛЯ СЕМАНТИЧНОЇ СЕГМЕНТАЦІЇ ЗОБРАЖЕНЬ , Наукові вісті КПІ: № 1 (2019)
Valentin G. Kolobrodov, Mykola M. Lutsiuk, Volodymyr M. Tiagur, МЕТОД РОЗРАХУНКУ МІНІМАЛЬНОЇ СПРИЙМАНОЇ РІЗНИЦІ ТЕМПЕРАТУР СУБДИСКРЕТНИХ ТЕПЛОВІЗОРІВ , Наукові вісті КПІ: № 2 (2019)
Mykola V. Voloshyn, СПОСІБ ПОПЕРЕДНЬОЇ ОБРОБКИ ЗОБРАЖЕНЬ ДЛЯ ЗАДАЧ РОЗПІЗНАВАННЯ ОБЛИЧ , Наукові вісті КПІ: № 4 (2019)

1-10 з 32 Наступне

Ви також можете розпочати розширений пошук схожих статей для цієї статті.

[1] G. Tolias et al. , “Image search with selective match kernels: aggregation across single and multiple images”, Int . J . Comput . Vis . , vol. 116, pp. 247–261, 2016. doi: 10.1007/s11263-015-0810-4

[2] O.B. Zhukov et al. , “Artificial intelligence in medicine: from hybrid studies and clinical validation to the development of application models”, Andrologija i Genital'naja Hirurgija , vol. 20, no. 3, pp. 15–19, 2019. doi: 10.17650/2070-9781-2019-20-3-15-19

[3] L. Galli and D. de Candia, “Multispectral image segmentation via multiscale weighted aggregation method”, in Proc. SPIE 5982, Image and Signal Processing for Remote Sensing XI , 2005. doi: 10.1117/12.627534

[4] Y. Yuan et al. , “Specific light-up bioprobe with aggregation‐induced emission and activatable photoactivity for the targeted and image‐guided photodynamic ablation of cancer cells”, Angew. Chem. Int. Ed. , vol. 54, pp. 1780–1786, 2015. doi: 10.1002/anie.201408476

[5] A. Protasov, “Reconstruction of the thermal field image from measurements in separate points”, in Proc. IEEE Int. Conf. Microwaves, Radar and Remote Sensing Symposium (MRRS) , 2017, pp. 89–92. doi: 10.1109/MRRS.2017.8075035

[6] K. Rokni et al. , “A new approach for surface water change detection: Integration of pixel level image fusion and image classification techniques”, Int. J. of Appl. Earth Observ. Geoinform. , vol. 34, pp. 226–234, 2015. doi: 10.1016/j.jag.2014.08.014

[7] D. Paternain et al. , “Construction of image reduction operators using averaging aggregation functions”, Fuzzy Sets and Systems , vol. 261, pp. 87–111, 2015. doi: 10.1016/j.fss.2014.03.008

[8] E. Ricchetti, “Multispectral satellite image and ancillary data integration for geological classification”, Photogrammetric Engineering and Remote Sensing , vol. 66, pp. 429–435, 2000.

[9] A.S. Vasilev et al. , “Quality assessment criteria for image fusion in multispectral optical-electronic systems”, J . Instrument Eng . , vol. 60, no. 7, pp. 647–653, 2017. doi: 10.17586/0021-3454-2017-60-7-647-653

[10] A.V. Zakharov et al. , “Criteria for assessing the quality of image segmentation”, Trudy NIISI RAN , vol. 2, no. 2, pp. 87–99, 2012.

[11] M.S. Mamuta, “Effectiveness of the complex of optical and electronic systems”, PhD dissertation, NTUU KPI, Kyiv, 2013.

[12] G. Hong et al. , “A wavelet and IHS integration method to fuse high resolution SAR with moderate resolution multispectral images”, Photogrammetric Engineering and Remote Sensing , vol. 75, pp. 1213–1223, 2009. doi: 10.14358/PERS.75.10.1213

[13] C. Zhu et al. , “Multi-image aggregation for better visual object retrieval”, in Proc. IEEE Int . Conf . Acoustics, Speech and Signal Processing (ICASSP) , Florence, 2014, pp. 4304–4308. doi: 10.1109/ICASSP.2014.6854414

[14] A.V. Muravyov and E.A. Nazarchuk, “Thermal stabilization of image quality of an optical thermograph system”, Visnyk Inzhenernoi Akademii Ukrainy , no. 4, pp. 195–199, 2016.

[15] A. Momot and R. Galagan, “Influence of architecture and training dataset parameters on the neural networks efficiency in thermal nondestructive testing”, Sciences of Europe , vol. 1, no. 44, pp. 20–25, 2019.