МЕТОДИ ВИЗНАЧЕННЯ ПОРОГОВОГО ЗНАЧЕННЯ ЗОБРАЖЕННЯ ЯК СПОСІБ ПОКРАЩЕННЯ ДОПОВНЕНОЇ РЕАЛЬНОСТІ

Олександр Сергійович Безпалько

doi:10.20535/kpisn.2020.4.226964

Т. · № 4 · 2020 чер 1, 2020 статті

МЕТОДИ ВИЗНАЧЕННЯ ПОРОГОВОГО ЗНАЧЕННЯ ЗОБРАЖЕННЯ ЯК СПОСІБ ПОКРАЩЕННЯ ДОПОВНЕНОЇ РЕАЛЬНОСТІ

ОБ

Олександр Сергійович Безпалько Відповідальний КПІ ім. Ігоря Сікорського, Ukraine Україна

Опублікованочер 1, 2020

PDF

НВКПІ 4 ТОМ · 4

ТОМ · № 4 · 2020 Переглянути випуск

Анотація

Проблематика . Технологія доповненої реальності знаходиться на початковому етапі свого розвитку та потребує розроблення нових і вдосконалення наявних методик й алгоритмів роботи. Найбільш поширеним і надійним поглядом на реалізацію доповненої реальності залишається маркерний підхід. Визначення маркера поділяють на декілька етапів, серед яких одним із найважливіших є визначення порога зображення. Мета дослідження. Здійснити порівняльний аналіз алгоритмів порогових показників за типом використовуваної інформації й оцінити їх ефективність на основі набору об’єктивних показників якості сегментації. Методика реалізації. Для оцінки продуктивності застосування методів визначення порогових значень були використані такі критерії ефективності: помилка класифікації, помилка визначення межі, відносна помилка області переднього плану та регіон нерівномірності. Щоб отримати середній бал результативності за поперед-німи критеріями, було використано арифметичне усереднення нормованих балів, отриманих за всіма критеріями. Так, використовуючи конкретний пороговий алгоритм для зображення, ми визначили середнє значення всіх критеріїв, тобто показник якості сегментації зображення. Так само суму цих показників якості для всіх зображень визначено як показник продуктивності алгоритму. При другому підході застосовано усереднення рангів, тож для кожного тестового зображення відбувалось ранжування алгоритмів порогового значення від 1-го до 16-ти відповідно до кожного критерію окремо. Тоді ранги (а не фактичні бали) були усереднені як за зображеннями, так і за всіма критеріями. Результати дослідження. Проведено загальний уніфікований порівняльний аналіз продуктивності роботи 16-ти алгоритмів визначення порогового значення зображення, що дає змогу покращити функціонування технологій, які залежать від вимірювання порога зображень, зокрема й механізму розпізнавання маркера доповненої реальності. Висновки. З’ясовано, що метод, оснований на кластеризації, а саме метод Кіттлера, та метод, оснований на ентропії, а саме метод Капура, є найкращими алгоритмами визначення порогових показників спеціалізованих зображень. Аналогічно, метод, оснований на кластеризації, Кіттлера, та методи локальних змінних Саувола та Вайта є найкращими дієвими алгоритмами бінаризації текстових документів.

Ключові слова

#поріг зображення #спеціалізовані зображення #зображення документів #document images

Посилання

H. Huang et al., “Brain image segmentation based on FCM clustering algorithm and rough set”, IEEE Access, vol. 7, pp. 12386–12396, 2019. doi: 10.1109/ACCESS.2019.2893063
M.A. El Aziz et al., “Multi-objective whale optimization algorithm for multilevel thresholding segmentation”, Advances in Soft Computing and Machine Learning in Image Processing, vol. 730, pp. 23–39, 2018. doi: 10.1007/978-3-319-63754-9_2
R. Ratnakumar and S.J. Nanda, “A low complexity hardware architecture of K-means algorithm for real-time satellite image segmentation”, Multimed. Tools Appl., vol. 78, no. 9, pp. 11949–11981, 2019. doi: 10.1007/s11042-018-6726-6
S. Srivastava et al., “Optical character recognition on bank cheques using 2D convolution neural network”, Advances in Intelligent Systems and Computing, pp. 589–596, 2019. doi: 10.1007/978-981-13-1822-1_55
A. Kumar et al., “Enhanced identification of malarial infected objects using Otsu algorithm from thin smear digital images”, Int. J. Lat. Research Sci. Technol., vol. 1, no. 2, pp. 159–163, 2012.
U. Jamil et al., “Melanoma segmentation using bio-medical image analysis for smarter mobile healthcare”, J. Ambient Intell. Human. Comput., vol. 10, no. 10, pp. 4099–4120, 2019. doi: 10.1007/s12652-019-01218-0
C. Liu et al., “Lung segmentation based on random forest and multi-scale edge detection”, IET Image Process., vol. 13, no. 10, pp. 1745–1754, 2019. doi: 10.1049/iet-ipr.2019.0130
M.A. Elaziz, et al., “Multi-level thresholding-based grey scale image segmentation using multi-objective multi-verse optimizer”, Exp. Syst. Applicat., vol. 125, pp. 112–129, 2019. doi: 10.1016/j.eswa.2019.01.047
X.-S. Yang, “Cuckoo search and firefly algorithm: Overview and analysis”, Cuckoo Search and Firefly Algorithm, vol. 516, pp. 1–26, 2014. doi:10.1007/978-3-319-02141-6_1
M. Dorigo and T. Stützle, “Ant colony optimization: Overview and recent advances”, in Handbook of Metaheuristics. International Series in Operations Research & Management Science, vol. 146. Boston: Springer, 2010, pp. 311–351. doi: 10.1007/978-1-4419-1665-5_8

Попередня у випуску МОДЕЛЬ ІНФОРМАЦІЙНОЇ ПЛАТФОРМИ ДЛЯ ПЛАНУВАННЯ РОЗВИТКУ СИСТЕМ РОЗПОДІЛУ ЕЛЕКТРИЧНОЇ ЕНЕРГІЇ Наступна у випуску ОЦІНЮВАННЯ ЧУТЛИВОСТІ РЕЗУЛЬТАТІВ ЗАДАЧІ УПРАВЛІННЯ ЛАНЦЮГАМИ ПОСТАВОК НА ОСНОВІ ІЄРАРХІЧНОЇ ТА МЕРЕЖЕВОЇ МОДЕЛЕЙ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ

§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.

Усі випуски

РОЗРОБКА МЕТОДУ ФОРМАЛІЗАЦІЇ ДИНАМІЧНИХ ТЕПЛОВИХ ПОРТРЕТІВ ДЛЯ НАДІЙНОГО ВИЯВЛЕННЯ ЦІЛЕЙ

Степан Лис, Оксана Оборська

Проблематика. Автоматизовані системи спостереження з БпЛА стикаються з подвійним викликом: виявленням теплоконтрастних об'єктів у реальному часі та їх ідентифікацією в…

#тепловізійні системи #ідентифікація цілей #локалізація зони інтересу #динамічний тепловий портрет

10.20535/kpisn.2026.3.359114

МЕТОДИКА ФОРМУВАННЯ ІНФОРМАТИВНОГО ПРОСТОРУ ОЗНАК ТЕХНІЧНИХ ІНДИКАТОРІВ ФІНАНСОВИХ ПРОЦЕСІВ НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ

Роман Тертичний, Денис Чупрін, Петро Бідюк

Проблематика. Фінансові часові ряди характеризуються нелінійністю, нестаціонарністю та високим рівнем шуму, що суттєво ускладнює їх моделювання та прогнозування.…

#методика формування інформативного простору ознак #технічні індикатори #волатильність Паркінсона #нейронні мережі

10.20535/kpisn.2026.3.359610

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

Схожі статті

Костянтин Д. Грішин, Nadezhda Nedashkovskaya, МОДЕЛЬ МАШИННОГО НАВЧАННЯ ДЛЯ РОЗПІЗНАВАННЯ КОНФІГУРАЦІЙ РУК УКРАЇНСЬКОЇ ЖЕСТОВОЇ МОВИ , Наукові вісті КПІ: Том 143 № 2 (2026)
Олексій Зарицький, Валерій Данилов, МЕТОД ФРАКТАЛЬНО-КЕРОВАНОЇ РЕГУЛЯРИЗАЦІЇ АВТОЕНКОДЕРІВ ДЛЯ НАПІВКЕРОВАНОГО НАВЧАННЯ В ЗАДАЧАХ КЛАСИФІКАЦІЇ МЕДИЧНИХ ЗОБРАЖЕНЬ , Наукові вісті КПІ: Том 141 № 4 (2025)
Олег Чертов, Сергій Сахаров, АНАЛІЗ МАТЕМАТИЧНИХ МОДЕЛЕЙ ТА МЕТОДІВ ВИЯВЛЕННЯ ЗМІН 3D СЕРЕДОВИЩА ЗА ЗОБРАЖЕННЯМИ , Наукові вісті КПІ: Том 140 № 3 (2025)
Denys V. Storozhyk, Oleksandr V. Muraviov, Anatoliy G. Protasov, Viktor G. Bazhenov, Galina A. Bohdan, КОМПЛЕКСУВАННЯ МУЛЬТИСПЕКТРАЛЬНИХ ЗОБРАЖЕНЬ ЯК МЕТОД ПІДВИЩЕННЯ ЇХ ІНФОРМАТИВНОСТІ ПРИ БІНАРНІЙ СЕГМЕНТАЦІЇ , Наукові вісті КПІ: № 2 (2020)
Oleg I. Safronov, Oleksii O. Papeikin, Irina O. Venger, Larysa Yu. Bodachivska, ДОСЛІДЖЕННЯ КАТАЛІТИЧНОЇ ДІЇ ТРЕТ-БУТИЛАТУ КАЛІЮ В РЕАКЦІЯХ АМІДУВАННЯ АЦИЛГЛІЦЕРИДІВ РІПАКОВОЇ ОЛІЇ , Наукові вісті КПІ: № 4 (2019)
Svitlana M. Alkhimova, Svitlana V. Sliusar, АНАЛІЗ ЕФЕКТИВНОСТІ ПОРОГОВОЇ ФІЛЬТРАЦІЇ В ЗАДАЧІ ВИЗНАЧЕННЯ ЗОНИ ПЕРФУЗІЇ НА Т2-ЗВАЖЕНИХ МАГНІТНО-РЕЗОНАНСНИХ ПЕРФУЗІЙНИХ ЗОБРАЖЕННЯХ МОЗКУ З АНОМАЛЬНОЮ АНАТОМІЄЮ , Наукові вісті КПІ: № 4 (2019)
Mykola V. Voloshyn, СПОСІБ ПОПЕРЕДНЬОЇ ОБРОБКИ ЗОБРАЖЕНЬ ДЛЯ ЗАДАЧ РОЗПІЗНАВАННЯ ОБЛИЧ , Наукові вісті КПІ: № 4 (2019)
Valentin G. Kolobrodov, Mykola M. Lutsiuk, Volodymyr M. Tiagur, МЕТОД РОЗРАХУНКУ МІНІМАЛЬНОЇ СПРИЙМАНОЇ РІЗНИЦІ ТЕМПЕРАТУР СУБДИСКРЕТНИХ ТЕПЛОВІЗОРІВ , Наукові вісті КПІ: № 2 (2019)
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)
Ivan A. Dychka, Yevgeniya S. Sulema, ОПЕРАЦІЇ ВПОРЯДКУВАННЯ В АЛГЕБРИЧНІЙ СИСТЕМІ АГРЕГАТІВ ДЛЯ ОБРОБЛЕННЯ ДАНИХ МУЛЬТИОБРАЗУ , Наукові вісті КПІ: № 1 (2019)

1-10 з 11 Наступне

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

[1] H. Huang et al., “Brain image segmentation based on FCM clustering algorithm and rough set”, IEEE Access, vol. 7, pp. 12386–12396, 2019. doi: 10.1109/ACCESS.2019.2893063

[2] M.A. El Aziz et al., “Multi-objective whale optimization algorithm for multilevel thresholding segmentation”, Advances in Soft Computing and Machine Learning in Image Processing, vol. 730, pp. 23–39, 2018. doi: 10.1007/978-3-319-63754-9_2

[3] R. Ratnakumar and S.J. Nanda, “A low complexity hardware architecture of K-means algorithm for real-time satellite image segmentation”, Multimed. Tools Appl., vol. 78, no. 9, pp. 11949–11981, 2019. doi: 10.1007/s11042-018-6726-6

[4] S. Srivastava et al., “Optical character recognition on bank cheques using 2D convolution neural network”, Advances in Intelligent Systems and Computing, pp. 589–596, 2019. doi: 10.1007/978-981-13-1822-1_55

[5] A. Kumar et al., “Enhanced identification of malarial infected objects using Otsu algorithm from thin smear digital images”, Int. J. Lat. Research Sci. Technol., vol. 1, no. 2, pp. 159–163, 2012.

[6] U. Jamil et al., “Melanoma segmentation using bio-medical image analysis for smarter mobile healthcare”, J. Ambient Intell. Human. Comput., vol. 10, no. 10, pp. 4099–4120, 2019. doi: 10.1007/s12652-019-01218-0

[7] C. Liu et al., “Lung segmentation based on random forest and multi-scale edge detection”, IET Image Process., vol. 13, no. 10, pp. 1745–1754, 2019. doi: 10.1049/iet-ipr.2019.0130

[8] M.A. Elaziz, et al., “Multi-level thresholding-based grey scale image segmentation using multi-objective multi-verse optimizer”, Exp. Syst. Applicat., vol. 125, pp. 112–129, 2019. doi: 10.1016/j.eswa.2019.01.047

[9] X.-S. Yang, “Cuckoo search and firefly algorithm: Overview and analysis”, Cuckoo Search and Firefly Algorithm, vol. 516, pp. 1–26, 2014. doi:10.1007/978-3-319-02141-6_1

[10] M. Dorigo and T. Stützle, “Ant colony optimization: Overview and recent advances”, in Handbook of Metaheuristics. International Series in Operations Research & Management Science, vol. 146. Boston: Springer, 2010, pp. 311–351. doi: 10.1007/978-1-4419-1665-5_8