Розробка методу сегментування замаскованої військової техніки на зображеннях з космічних систем спостереження з використанням генетичного алгоритму
DOI:
https://doi.org/10.15587/1729-4061.2022.259759Ключові слова:
оптико-електронне зображення, замаскована військова техніка, генетичний алгоритм, популяція хромосомАнотація
Об’єктом дослідження є процес сегментування замаскованої військової техніки на зображеннях з космічних систем спостереження.
Удосконалено метод сегментування замаскованої військової техніки на зображеннях з космічних систем спостереження з використанням генетичного алгоритму. На відміну від відомих, метод сегментування замаскованої військової техніки з використанням генетичного алгоритму передбачає:
– виділення каналів яскравості в кольоровому просторі Red-Green-Blue;
– використання генетичного алгоритму на зображенні в кожному каналі яскравості кольорового простору RGB;
– сегментування зображення зведено до формування поколінь та популяцій хромосом, обчислення цільової функції, селекції, схрещування, мутації та декодування хромосом в кожному каналі яскравості кольорового простору Red-Green-Blue.
Проведені експериментальні дослідження щодо сегментування замаскованої військової техніки з використанням генетичного алгоритму. Встановлено, що удосконалений метод сегментування з використанням генетичного алгоритму дозволяє проводити сегментування зображень з космічних систем спостереження.
Проведено порівняння якості сегментування. Встановлено, що удосконалений метод сегментування з використанням генетичного алгоритму забезпечує зниження помилок сегментування:
– у порівнянні з відомим методом k-means в середньому на 15 % помилок І роду та в середньому на 7 % помилок ІI роду;
– у порівнянні з методом сегментування на основі алгоритму рою частинок в середньому на 3,8 % помилок І роду та в середньому на 2,9 % помилок ІІ роду.
Удосконалений метод сегментування з використанням генетичного алгоритму може бути реалізований у програмно-апаратних комплексах обробки зображень з космічних систем спостереження
Посилання
- Harrison, T., Strohmeyer, M. (2022). Commercial Space Remote Sensing and Its Role in National Security. CSIS Briefs. Available at: https://csis-website-prod.s3.amazonaws.com/s3fs-public/publication/220202_Harrison_Commercial_Space.pdf?VgV9.43i5ZGs8JDAYDtz0KNbkEnXpH21
- Military Imaging and Surveillance Technology (MIST) (Archived). Available at: https://www.darpa.mil/program/military-imaging-and-surveillance-technology
- Harrison, T., Reid, C. (2022). Battle Networks and the Future Force. CSIS Briefs. Available at: https://csis-website-prod.s3.amazonaws.com/s3fs-public/publication/220304_Harrison_Battle_Networks_3.pdf?gIu7lDrCNMQmOByzH0IOIfCeWErbzv7J
- Armi, L., Fekri-Ershad, S. (2019). Texture image analysis and texture classification methods - A review. International Online Journal of Image Processing and Pattern Recognition, 2 (1), 1–29. doi: https://doi.org/10.48550/arXiv.1904.06554
- Kvyetnyy, R., Sofina, O., Olesenko, A., Komada, P., Sikora, J., Kalizhanova, A., Smailova, S. (2017). Method of image texture segmentation using Laws' energy measures. SPIE Proceedings. doi: https://doi.org/10.1117/12.2280891
- Cai, Z., Hu, Q., Deng, X., Li, S. (2019). Reversible image watermarking based on texture analysis of grey level co-occurrence matrix. International Journal of Computational Science and Engineering, 19 (1), 83. doi: https://doi.org/10.1504/ijcse.2019.10020959
- De O. Bastos, L., Liatsis, P., Conci, A. (2008). Automatic texture segmentation based on k-means clustering and efficient calculation of co-occurrence features. 2008 15th International Conference on Systems, Signals and Image Processing. doi: https://doi.org/10.1109/iwssip.2008.4604387
- Hung, C.-C., Song, E., Lan, Y. (2019). Image Texture, Texture Features, and Image Texture Classification and Segmentation. Image Texture Analysis, 3–14. doi: https://doi.org/10.1007/978-3-030-13773-1_1
- Tian, Y., Li, Y., Liu, D., Luo, R. (2016). FCM texture image segmentation method based on the local binary pattern. 2016 12th World Congress on Intelligent Control and Automation (WCICA). doi: https://doi.org/10.1109/wcica.2016.7578571
- Jing, Z., Wei, D., Youhui, Z. (2012). An Algorithm for Scanned Document Image Segmentation Based on Voronoi Diagram. 2012 International Conference on Computer Science and Electronics Engineering. doi: https://doi.org/10.1109/iccsee.2012.144
- Cheng, R., Zhang, Y., Wang, G., Zhao, Y., Khusravsho, R. (2017). Haar-Like Multi-Granularity Texture Features for Pedestrian Detection. International Journal of Image and Graphics, 17 (04), 1750023. doi: https://doi.org/10.1142/s0219467817500231
- Shanmugavadivu, P., Sivakumar, V. (2012). Fractal Dimension Based Texture Analysis of Digital Images. Procedia Engineering, 38, 2981–2986. doi: https://doi.org/10.1016/j.proeng.2012.06.348
- Hu, X., Ensor, A. (2018). Fourier Spectrum Image Texture Analysis. 2018 International Conference on Image and Vision Computing New Zealand (IVCNZ). doi: https://doi.org/10.1109/ivcnz.2018.8634740
- Simon, P., Uma, V. (2020). Deep Learning based Feature Extraction for Texture Classification. Procedia Computer Science, 171, 1680–1687. doi: https://doi.org/10.1016/j.procs.2020.04.180
- Hosny, K. M., Magdy, T., Lashin, N. A., Apostolidis, K., Papakostas, G. A. (2021). Refined Color Texture Classification Using CNN and Local Binary Pattern. Mathematical Problems in Engineering, 2021, 1–15. doi: https://doi.org/10.1155/2021/5567489
- Khudov, H., Makoveichuk, O., Khizhnyak, I., Oleksenko, O., Khazhanets, Y., Solomonenko, Y. et. al. (2022). Devising a method for segmenting complex structured images acquired from space observation systems based on the particle swarm algorithm. Eastern-European Journal of Enterprise Technologies, 2 (9 (116)), 6–13. doi: https://doi.org/10.15587/1729-4061.2022.255203
- Kanjir, U., Greidanus, H., Oštir, K. (2018). Vessel detection and classification from spaceborne optical images: A literature survey. Remote Sensing of Environment, 207, 1–26. doi: https://doi.org/10.1016/j.rse.2017.12.033
- Cheng, G., Han, J. (2016). A survey on object detection in optical remote sensing images. ISPRS Journal of Photogrammetry and Remote Sensing, 117, 11–28. doi: https://doi.org/10.1016/j.isprsjprs.2016.03.014
- Berezina, S., Solonets, O., Lee, K., Bortsova, M. (2021). An information technique for segmentation of military assets in conditions of uncertainty of initial data. Information Processing Systems, 4 (167), 6–18. doi: https://doi.org/10.30748/soi.2021.167.01
- Farshi, T. R., Drake, J. H., Özcan, E. (2020). A multimodal particle swarm optimization-based approach for image segmentation. Expert Systems with Applications, 149, 113233. doi: https://doi.org/10.1016/j.eswa.2020.113233
- Lokhande, N. M., Pujeri, R. V. (2018). Novel Image Segmentation Using Particle Swarm Optimization. Proceedings of the 2018 8th International Conference on Biomedical Engineering and Technology - ICBET ’18. doi: https://doi.org/10.1145/3208955.3208962
- Ruban, I., Khudov, H., Makoveichuk, O., Chomik, M., Khudov, V., Khizhnyak, I. et. al. (2019). Construction of methods for determining the contours of objects on tonal aerospace images based on the ant algorithms. Eastern-European Journal of Enterprise Technologies, 5 (9 (101)), 25–34. doi: https://doi.org/10.15587/1729-4061.2019.177817
- Mittal, H., Pandey, A. C., Saraswat, M., Kumar, S., Pal, R., Modwel, G. (2021). A comprehensive survey of image segmentation: clustering methods, performance parameters, and benchmark datasets. Multimedia Tools and Applications. doi: https://doi.org/10.1007/s11042-021-10594-9
- Ruban, I., Khudov, H. (2019). Swarm Methods of Image Segmentation. Studies in Computational Intelligence, 53–99. doi: https://doi.org/10.1007/978-3-030-35480-0_2
- Anfyorov, M. A. (2019). Genetic clustering algorithm. Russian Technological Journal, 7 (6), 134–150. doi: https://doi.org/10.32362/2500-316x-2019-7-6-134-150
- Oleksenko, O., Khudov, H., Petrenko, K., Horobets, Y., Kolianda, V., Solomonenko, Y. (2021). The Development of the Method of Radar Observation System Construction of the Airspace on the Basis of Genetic Algorithm. International Journal of Emerging Technology and Advanced Engineering, 11 (8), 23–30. doi: https://doi.org/10.46338/ijetae0821_04
- Satellite Imagery. Available at: https://www.maxar.com/products/satellite-imagery
- Khudov, G. V. (2003). Features of optimization of two-alternative decisions by joint search and detection of objects. Problemy Upravleniya I Informatiki (Avtomatika), 5, 51–59. Available at: https://www.researchgate.net/publication/291431400_Features_of_optimization_of_two-alternative_decisions_by_joint_search_and_detection_of_objects
- Khudov, H., Makoveichuk, O., Misiuk, D., Pievtsov, H., Khizhnyak, I., Solomonenko, Y. et. al. (2022). Devising a method for processing the image of a vehicle's license plate when shooting with a smartphone camera. Eastern-European Journal of Enterprise Technologies, 1 (2 (115)), 6–21. doi: https://doi.org/10.15587/1729-4061.2022.252310
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2022 Hennadii Khudov, Oleksandr Makoveichuk, Ihor Butko, Igor Gyrenko, Vitalii Stryhun, Oleh Bilous, Nazar Shamrai, Anna Kovalenko, Irina Khizhnyak, Rostyslav Khudov
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
