Розробка методу сегментування складноструктурованих зображень з космічних систем спостереження на основі алгоритму рою частинок
DOI:
https://doi.org/10.15587/1729-4061.2022.255203Ключові слова:
сегментування, складноструктуроване зображення, космічна система спостереження, рой частинок, помилки першого та другого родуАнотація
Удосконалено метод сегментування складноструктурованих зображень з космічних систем спостереження на основі алгоритму рою частинок. На відміну від відомих, метод сегментування складноструктурованих зображень на основі алгоритму рою частинок передбачає:
– виділення каналів яскравості в кольоровому просторі Red-Green-Blue;
– використання методу рою частинок на зображенні в кожному каналі яскравості кольорового простору RGB;
– сегментування зображення зведено до обчислення цільової функції, швидкості переміщення та нового місцеположення для кожної частинки рою на зображенні в кожному каналі яскравості кольорового простору RGB.
Проведені експериментальні дослідження щодо сегментування складноструктурованого зображення методом на основі алгоритму рою частинок. Встановлено, що удосконалений метод сегментування на основі алгоритму рою частинок дозволяє проводити сегментування складноструктурованих зображень з космічних систем спостереження.
Проведено порівняння якості сегментування складноструктурованого зображення. Порівняльний візуальний аналіз відомого та удосконаленого методів сегментування свідчить про наступне:
– удосконалений метод сегментування на основі алгоритму рою частинок виділяє більше об’єктів інтересу (об’єктів військової техніки);
– відомий метод k-means відносить деякі об’єкти інтересу (особливо ті, які частково покриті снігом) до снігового покрову (відмічені синім кольором);
– удосконалений метод сегментування також відносить деякі об’єкти інтересу, що практично повністю покриті снігом до снігового покрову (відмічені синім кольором).
Встановлено, що удосконалений метод сегментування на основі алгоритму рою частинок забезпечує зниження помилок сегментування І роду в середньому на 12 % та зниження помилок сегментування ІI роду в середньому на 8 %
Посилання
- Gaur, P. (2019). Satellite Image Bathymetry and ROV Data Processing for Estimating Shallow Water Depth in Andaman region, India. 81st EAGE Conference and Exhibition 2019. doi: https://doi.org/10.3997/2214-4609.201901067
- Military Imaging and Surveillance Technology (MIST) (Archived). Available at: https://www.darpa.mil/program/military-imaging-and-surveillance-technolog
- Kumar, J. M., Nanda, R., Rath, R. K., Rao, G. T. (2020). Image Segmentation using K-means Clustering. International Journal of Advanced Science and Technology, 29 (6s), 3700–3704. Available at: http://sersc.org/journals/index.php/IJAST/article/view/23282
- Zheng, X., Lei, Q., Yao, R., Gong, Y., Yin, Q. (2018). Image segmentation based on adaptive K-means algorithm. EURASIP Journal on Image and Video Processing, 2018 (1). doi: https://doi.org/10.1186/s13640-018-0309-3
- Acharjya, P. P., Bera, M. B. (2021). Detection of edges in digital images using edge detection operators. Computer Science & Engineering An International Journal, 9 (1), 107–113. Available at: https://www.researchgate.net/publication/356379177_Detection_of_edges_in_digital_images_using_edge_detection_operators
- Srujana, P., Priyanka, J., Patnaikuni, V. Y. S. S. S., Vejendla, N. (2021). Edge Detection with different Parameters in Digital Image Processing using GUI. 2021 5th International Conference on Computing Methodologies and Communication (ICCMC). doi: https://doi.org/10.1109/iccmc51019.2021.9418327
- Otsu, N. (1979). A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9 (1), 62–66. doi: https://doi.org/10.1109/tsmc.1979.4310076
- Chai, R. (2021). Otsu’s Image Segmentation Algorithm with Memory-Based Fruit Fly Optimization Algorithm. Complexity, 2021, 1–11. doi: https://doi.org/10.1155/2021/5564690
- Xing, J., Yang, P., Qingge, L. (2020). Robust 2D Otsu’s Algorithm for Uneven Illumination Image Segmentation. Computational Intelligence and Neuroscience, 2020, 1–14. doi: https://doi.org/10.1155/2020/5047976
- Akbari Sekehravani, E., Babulak, E., Masoodi, M. (2020). Implementing canny edge detection algorithm for noisy image. Bulletin of Electrical Engineering and Informatics, 9 (4), 1404–1410. doi: https://doi.org/10.11591/eei.v9i4.1837
- Minaee, S., Boykov, Y. Y., Porikli, F., Plaza, A. J., Kehtarnavaz, N., Terzopoulos, D. (2021). Image Segmentation Using Deep Learning: A Survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1–1. doi: https://doi.org/10.1109/tpami.2021.3059968
- Malhotra, P., Gupta, S., Koundal, D., Zaguia, A., Enbeyle, W. (2022). Deep Neural Networks for Medical Image Segmentation. Journal of Healthcare Engineering, 2022, 1–15. doi: https://doi.org/10.1155/2022/9580991
- Hoeser, T., Bachofer, F., Kuenzer, C. (2020). Object Detection and Image Segmentation with Deep Learning on Earth Observation Data: A Review—Part II: Applications. Remote Sensing, 12 (18), 3053. doi: https://doi.org/10.3390/rs12183053
- 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
- Chaudhari, B., Shetiye, P., Gulve, A. (2021). Image Segmentation using Hybrid Ant Colony Optimization: A Review. 2021 Sixth International Conference on Image Information Processing (ICIIP). doi: https://doi.org/10.1109/iciip53038.2021.9702695
- 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, 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
- Satellite Imagery. Available at: https://www.maxar.com/products/satellite-imagery
- 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
- Ruban, I., Khudov, H., Makoveichuk, O., Khizhnyak, I., Lukova-Chuiko, N., Pevtsov, H. et. al. (2019). Method for determining elements of urban infrastructure objects based on the results from air monitoring. Eastern-European Journal of Enterprise Technologies, 4 (9 (100)), 52–61. doi: https://doi.org/10.15587/1729-4061.2019.174576
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2022 Hennadii Khudov, Oleksandr Makoveichuk, Irina Khizhnyak, Oleksandr Oleksenko, Yuriy Khazhanets, Yuriy Solomonenko, Iryna Yuzova, Yevhen Dudar, Stanislav Stetsiv, Vladyslav 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.
