Розробка методів визначення контурів об’єктів на тонових аерокосмічних зображеннях на основі мурашиних алгоритмів
DOI:
https://doi.org/10.15587/1729-4061.2019.177817Ключові слова:
аерокосмічне зображення, контури об’єктів, мурашиний алгоритм, багатомаштабна обробка, зображення-фільтрАнотація
Запропоновано метод визначення контурів об’єктів на тонових аерокосмічних зображеннях на основі мурашиних алгоритмів. Метод, на відміну від відомих, враховує особливості формування зображення, для визначення контурів застосовується мурашиний алгоритм. Визначення контурів об’єктів на зображенні зведено до розрахунку цільової функції, сукупності ділянок руху агентів та концентрації феромону на маршрутах руху агентів.
Проведена обробка тонового зображення для визначення контурів об’єктів методом на основі мурашиного алгоритму. З метою зменшення кількості "сміттєвих" об’єктів викладені основні принципи та етапи методу багатомасштабної обробки аерокосмічних зображень на основі мурашиного алгоритму. Визначення контурів на зображеннях з різним значенням масштабного коефіцієнту проводиться методом на основі мурашиного алгоритму. Додатково проводиться перемасштабування зображень з різним значенням масштабного коефіцієнту до вихідного розміру та розрахунок зображення-фільтру. Результуюче зображення є попіксельним добутком вихідного зображення та зображення-фільтру.
Проведена багатомасштабна обробка тонових аерокосмічних зображень з різним значенням масштабу методами на основі мурашиних алгоритмів. Встановлено, що використання багатомасштабної обробки зменшує кількість "сміттєвих" об’єктів. У той же час за рахунок багатомасштабної обробки визначаються не контури об’єктів, а об’єкти повністю.
Проведена оцінка помилок першого та другого роду при визначенні контурів об’єктів на тонових аерокосмічних зображеннях на основі мурашиних алгоритмів. Встановлено, що при використанні розроблених методів помилки першого та другого роду визначення контурів на тонових аерокосмічних зображеннях знижені в середньому на величину 18–22 %Посилання
- Weng, Q. (2009). Remote Sensing and GIS Integration. New York: McGraw-Hill Professional, 416.
- Chemin, Y. (Ed.) (2012). Remote Sensing of Planet Earth. Rijeka, 250. doi: https://doi.org/10.5772/2291
- Richards, J. (2013). Remote Sensing Digital Image Analysis. An Introduction. Springer. doi: https://doi.org/10.1007/978-3-642-30062-2
- Vysotska, V., Lytvyn, V., Burov, Y., Gozhyj, A., Makara, S. (2018). The consolidated information web-resource about pharmacy networks in city. CEUR Workshop Proceedings (Computational linguistics and intelligent systems), 2255, 239–255.
- Stryzhak, O., Prychodniuk, V., Podlipaiev, V. (2019). Model of Transdisciplinary Representation of GEOspatial Information. Advances in Information and Communication Technologies, 34–75. doi: https://doi.org/10.1007/978-3-030-16770-7_3
- Lytvyn, V., Vysotska, V. (2015). Designing architecture of electronic content commerce system. 2015 Xth International Scientific and Technical Conference “Computer Sciences and Information Technologies” (CSIT). doi: https://doi.org/10.1109/stc-csit.2015.7325446
- Karamti, H., Tmar, M., Gargouri, F. (2017). A new vector space model for image retrieval. Procedia Computer Science, 112, 771–779. doi: https://doi.org/10.1016/j.procs.2017.08.202
- Gonzalez R. C., Woods R. E. (2017). Digital Image Processing. Prentice Hall, 1192.
- Gupta, V., Singh, D., Sharma, P. (2016). Image Segmentation Using Various Edge Detection Operators: A Comparative Study. International Journal of Innovative Research in Computer and Communication Engineering, 4 (8), 14819–14824.
- Kabade, A., Sangam, V. (2016). Canny edge detection algorithm. International Journal of Advanced Research in Electronics and Communication Engineering (IJARECE), 5 (5), 1292–1295.
- Yang, M., Chao, H., Zhang, C., Guo, J., Yuan, L., Sun, J. (2016). Effective Clipart Image Vectorization through Direct Optimization of Bezigons. IEEE Transactions on Visualization and Computer Graphics, 22 (2), 1063–1075. doi: https://doi.org/10.1109/tvcg.2015.2440273
- Sum, K., S. Cheung, P. (2006). A Fast Parametric Snake Model with Enhanced Concave Object Extraction Capability. 2006 IEEE International Symposium on Signal Processing and Information Technology. doi: https://doi.org/10.1109/isspit.2006.270844
- Karamti, H., Tmar, M., Gargouri, F. (2014). Vectorization of Content-based Image Retrieval Process Using Neural Network. Proceedings of the 16th International Conference on Enterprise Information Systems, 435–439. doi: https://doi.org/10.5220/0004972004350439
- Nyandwi, E., Koeva, M., Kohli, D., Bennett, R. (2019). Comparing Human Versus Machine-Driven Cadastral Boundary Feature Extraction. Remote Sens, 11, 1662. doi: https://doi.org/10.20944/preprints201905.0342.v1
- Ramlau, R., Scherzer, O. (Eds.) (2019). The Radon Transform. Berlin/Boston: Walter de Gruyter GmbH. doi: https://doi.org/10.1515/9783110560855
- Li, Z., Liu, Y., Walker, R., Hayward, R., Zhang, J. (2009). Towards automatic power line detection for a UAV surveillance system using pulse coupled neural filter and an improved Hough transform. Machine Vision and Applications, 21 (5), 677–686. doi: https://doi.org/10.1007/s00138-009-0206-y
- Manzanera, A., Nguyen, T. P., Xu, X. (2016). Line and circle detection using dense one-to-one Hough transforms on greyscale images. EURASIP Journal on Image and Video Processing, 2016 (1). doi: https://doi.org/10.1186/s13640-016-0149-y
- El-Baz, A., Jiang, X., Jasjit, S. (Eds.) (2016). Biomedical image segmentation: advances and trends. CRC Press, 546. doi: https://doi.org/10.4324/9781315372273
- Ruban, I., Khudov, V., Makoveichuk, O., Khudov, H., Khizhnyak, I. (2018). A Swarm Method for Segmentation of Images Obtained from On-Board Optoelectronic Surveillance Systems. 2018 International Scientific-Practical Conference Problems of Infocommunications. Science and Technology (PIC S&T). doi: https://doi.org/10.1109/infocommst.2018.8632045
- Ruban, I., Khudov, H., Makoveichuk, O., Khizhnyak, I., Khudov, V., Podlipaiev, V. et. al. (2019). Segmentation of optical-electronic images from on-board systems of remote sensing of the earth by the artificial bee colony method. Eastern-European Journal of Enterprise Technologies, 2 (9 (98)), 37–45. doi: https://doi.org/10.15587/1729-4061.2019.161860
- Ruban, I., Khudov, H., Khudov, V., Khizhnyak, I., Makoveichuk, O. (2017). Segmentation of the images obtained from onboard optoelectronic surveillance systems by the evolutionary method. Eastern-European Journal of Enterprise Technologies, 5 (9 (89)), 49–57. doi: https://doi.org/10.15587/1729-4061.2017.109904
- Dorigo, M., Stützle, T. (2018). Ant Colony Optimization: Overview and Recent Advances. International Series in Operations Research & Management Science, 311–351. doi: https://doi.org/10.1007/978-3-319-91086-4_10
- WorldView-1 Satellite Sensor. Satellite Imaging Corporation. Available at: http://www.satimagingcorp.com/satellite-sensors/worldview-1
- Ruban, I., Khudov, V., Khudov, H., Khizhnyak, I. (2017). An improved method for segmentation of a multiscale sequence of optoelectronic images. 2017 4th International Scientific-Practical Conference Problems of Infocommunications. Science and Technology (PIC S&T). doi: https://doi.org/10.1109/infocommst.2017.8246367
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2019 Igor Ruban, Hennadii Khudov, Oleksandr Makoveichuk, Mykola Chomik, Vladyslav Khudov, Irina Khizhnyak, Viacheslav Podlipaiev, Yurii Sheviakov, Oleksii Baranik, Artem Irkha
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.
