Розробка методу сегментування зображень з космічних оптико-електронних систем спостереження на основі Sine-Cosine алгоритму

Автор(и)

  • Геннадій Володимирович Худов Харківський національний університет Повітряних Сил імені Івана Кожедуба, Україна https://orcid.org/0000-0002-3311-2848
  • Олександр Миколайович Маковейчук Міжнародний науково-технічний університет імені академіка Юрія Бугая, Україна https://orcid.org/0000-0003-4425-016X
  • Владислав Геннадійович Худов Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0002-9863-4743
  • Володимир Геннадійович Малюга Харківський національний університет Повітряних Сил імені Івана Кожедуба, Україна https://orcid.org/0000-0001-6227-1269
  • Анатолій Михайлович Андрієнко Національна академія Сухопутних військ імені гетьмана Петра Сагайдачного, Україна https://orcid.org/0000-0002-7018-3784
  • Євген Михайлович Тертишнік Державний науково-дослідний інститут випробувань і сертифікації озброєння та військової техніки, Україна https://orcid.org/0000-0003-3356-7639
  • Віктор Володимирович Пащенко Національна академія Національної гвардії України, Україна https://orcid.org/0000-0002-6859-0700
  • Дмитро Леонідович Паращук Національна академія Сухопутних військ імені гетьмана Петра Сагайдачного, Україна https://orcid.org/0000-0001-8882-1644
  • Ірина Анатоліївна Хижняк Харківський національний університет Повітряних Сил імені Івана Кожедуба, Україна https://orcid.org/0000-0003-3431-7631
  • Темір Муратович Калімулін Харківський національний університет Повітряних Сил імені Івана Кожедуба, Україна https://orcid.org/0000-0002-7636-7218

DOI:

https://doi.org/10.15587/1729-4061.2022.265775

Ключові слова:

сегментування зображення, космічна оптико-електронна система спостереження, Sine-Cosine алгоритм

Анотація

Об’єктом дослідження є процес сегментування зображень з космічних оптико-електронних систем спостереження. Метод сегментування зображень з космічних оптико-електронних систем спостереження на основі Sine-Cosine алгоритму, передбачає визначення порогового рівня, в якому, на відміну від відомих, проводиться:

– попереднє виділення каналів яскравості кольорового простору Red-Green-Blue на вихідному зображенні;

– розрахунок максимальної відстані переміщення агентів на зображенні в кожному каналі яскравості;

– розрахунок величин, що визначають рух агентів на зображенні в кожному каналі яскравості;

– визначення положення агентів на зображенні з використанням тригонометричних функцій синуса та косинуса в кожному каналі яскравості.

Проведено експериментальне дослідження сегментування зображень з космічних оптико-електронних систем спостереження на основі Sine-Cosine алгоритму. Встановлено, що удосконалений метод сегментування зображень на основі Sine-Cosine алгоритму дозволяє проводити сегментування зображень. При цьому виділяються об’єкти інтересу, об’єкти інтересу під сніговим покровом, фонові об’єкти та невизначені ділянки зображення (аномальні ділянки).

Проведено оцінювання якості сегментування зображень методом на основі Sine-Cosine алгоритму. Встановлено, що удосконалений метод сегментування на основі Sine-Cosine алгоритму знижує помилку сегментування І роду в середньому на 21 % та помилку сегментування ІI роду в середньому на 17 %.

Методи сегментування зображень можуть бути реалізовані у програмно-апаратних комплексах обробки зображень з космічних оптико-електронних систем спостереження.

Подальші дослідження можуть бути на порівняння якості сегментування методом на основі Sine-Cosine алгоритму з методами сегментування на основі еволюційних алгоритмів (наприклад, генетичних)

Біографії авторів

Геннадій Володимирович Худов, Харківський національний університет Повітряних Сил імені Івана Кожедуба

Доктор технічних наук, професор, начальник кафедри

Кафедра тактики радіотехнічних військ

Олександр Миколайович Маковейчук, Міжнародний науково-технічний університет імені академіка Юрія Бугая

Доктор технічних наук, доцент

Кафедра комп’ютерних наук та інженерії програмного забезпечення

Владислав Геннадійович Худов, Харківський національний університет радіоелектроніки

Кандидат технічних наук, молодший науковий співробітник

Кафедра безпеки інформаційних технологій

Володимир Геннадійович Малюга, Харківський національний університет Повітряних Сил імені Івана Кожедуба

Доктор військових наук, доцент, начальник кафедри

Кафедра тактики зенітних ракетних військ

Анатолій Михайлович Андрієнко, Національна академія Сухопутних військ імені гетьмана Петра Сагайдачного

Кандидат технічних наук, старший науковий співробітник

Кафедра автомобілів та автомобільного господарства

Євген Михайлович Тертишнік, Державний науково-дослідний інститут випробувань і сертифікації озброєння та військової техніки

Старший науковий співробітник

Науково-дослідний відділ

Віктор Володимирович Пащенко, Національна академія Національної гвардії України

Кандидат технічних наук, старший викладач

Кафедра тактики

Дмитро Леонідович Паращук, Національна академія Сухопутних військ імені гетьмана Петра Сагайдачного

PhD, Senior Lecturer

Department of Automobiles and Automobile Industry

Ірина Анатоліївна Хижняк, Харківський національний університет Повітряних Сил імені Івана Кожедуба

Кандидат технічних наук

Кафедра тактики радіотехнічних військ

Темір Муратович Калімулін, Харківський національний університет Повітряних Сил імені Івана Кожедуба

Ад’юнкт

Кафедра тактики радіотехнічних військ

Посилання

  1. Olejnik, A., Kiszkowiak, Ł., Rogólski, R., Chmaj, G., Radomski, M., Majcher, M., Omen, Ł. (2020). The Use of Unmanned Aerial Vehicles in Remote Sensing Systems. Sensors, 20 (7), 2003. doi: https://doi.org/10.3390/s20072003
  2. Olejnik, A., Kiszkowiak, L., Rogolski, R., Chmaj, G., Radomski, M., Majcher, M., Omen, L. (2019). Precise Remote Sensing Using Unmanned Helicopter. 2019 IEEE 5th International Workshop on Metrology for AeroSpace (MetroAeroSpace). doi: https://doi.org/10.1109/metroaerospace.2019.8869657
  3. Sharad, W. (2021). The development of the earth remote sensing from satellite. MECHANICS OF GYROSCOPIC SYSTEMS, 40, 46–54. doi: https://doi.org/10.20535/0203-3771402020248768
  4. Favorskaya, M. N., Zotin, A. G. (2021). Semantic segmentation of multispectral satellite images for land use analysis based on embedded information. Procedia Computer Science, 192, 1504–1513. doi: https://doi.org/10.1016/j.procs.2021.08.154
  5. Khudov, H., Khizhnyak, I., Misiuk, D., Shamrai, N., Chepurnyi, V., Ruban, I. et. al. (2021). The Improved Mathematical Model for Interpretation of Satellite Imagery. 2021 IEEE 8th International Conference on Problems of Infocommunications, Science and Technology (PIC S&T). doi: https://doi.org/10.1109/picst54195.2021.9772162
  6. Khudov, H., Makoveichuk, O., Khizhnyak, I., Shamrai, B., Glukhov, S., Lunov, O. et. al. (2022). The Method for Determining Informative Zones on Images from On-Board Surveillance Systems. International Journal of Emerging Technology and Advanced Engineering, 12 (8), 61–69. doi: https://doi.org/10.46338/ijetae0822_08
  7. Ruban, I., Khudov, H., Makoveichuk, O., Khizhnyak, I., Khudov, V., Maliuha, V. et. al. (2021). The Development of a Forecasting Model for the Situation Based on Space Images. 2021 IEEE 16th International Conference on Computer Sciences and Information Technologies (CSIT). doi: https://doi.org/10.1109/csit52700.2021.9648685
  8. Niu, Z., Li, H. (2019). Research and analysis of threshold segmentation algorithms in image processing. Journal of Physics: Conference Series, 1237 (2), 022122. doi: https://doi.org/10.1088/1742-6596/1237/2/022122
  9. Li, D., Wang, Y. (2018). Application of an improved threshold segmentation method in SEM material analysis. IOP Conference Series: Materials Science and Engineering, 322, 022057. doi: https://doi.org/10.1088/1757-899x/322/2/022057
  10. Jha, S. K., Bannerjee, P., Banik, S. (2013). Random Walks based Image Segmentation Using Color Space Graphs. Procedia Technology, 10, 271–278. doi: https://doi.org/10.1016/j.protcy.2013.12.361
  11. Al-Azawi, R. J., Al-Jubouri, Q. S., Mohammed, Y. A. (2019). Enhanced Algorithm of Superpixel Segmentation Using Simple Linear Iterative Clustering. 2019 12th International Conference on Developments in ESystems Engineering (DeSE). doi: https://doi.org/10.1109/dese.2019.00038
  12. Nguyen, N. T. T., Le, P. B. (2022). Topological Voting Method for Image Segmentation. Journal of Imaging, 8 (2), 16. doi: https://doi.org/10.3390/jimaging8020016
  13. Saglam, A., Baykan, N. A. (2017). Sequential image segmentation based on minimum spanning tree representation. Pattern Recognition Letters, 87, 155–162. doi: https://doi.org/10.1016/j.patrec.2016.06.001
  14. Pestunov, I. A., Rylov, S. A., Berikov, V. B. (2015). Hierarchical clustering algorithms for segmentation of multispectral images. Optoelectronics, Instrumentation and Data Processing, 51 (4), 329–338. doi: https://doi.org/10.3103/s8756699015040020
  15. Pesaresi, M., Benediktsson, J. A. (2001). A new approach for the morphological segmentation of high-resolution satellite imagery. IEEE Transactions on Geoscience and Remote Sensing, 39 (2), 309–320. doi: https://doi.org/10.1109/36.905239
  16. Neupane, B., Horanont, T., Aryal, J. (2021). Deep Learning-Based Semantic Segmentation of Urban Features in Satellite Images: A Review and Meta-Analysis. Remote Sensing, 13 (4), 808. doi: https://doi.org/10.3390/rs13040808
  17. Avenash, R., Viswanath, P. (2019). Semantic Segmentation of Satellite Images using a Modified CNN with Hard-Swish Activation Function. Proceedings of the 14th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications. doi: https://doi.org/10.5220/0007469604130420
  18. Long, J., Shelhamer, E., Darrell, T. (2015). Fully convolutional networks for semantic segmentation. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). doi: https://doi.org/10.1109/cvpr.2015.7298965
  19. Lyu, Y., Vosselman, G., Xia, G.-S., Yilmaz, A., Yang, M. Y. (2020). UAVid: A semantic segmentation dataset for UAV imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 165, 108–119. doi: https://doi.org/10.1016/j.isprsjprs.2020.05.009
  20. Wang, Y., Lyu, Y., Cao, Y., Yang, M. Y. (2019). Deep Learning for Semantic Segmentation of UAV Videos. IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium. doi: https://doi.org/10.1109/igarss.2019.8899786
  21. Ibrahim, N. S., Sharun, S. M., Osman, M. K., Mohamed, S. B., S. Abdullah, S. H. Y. (2021). The application of UAV images in flood detection using image segmentation techniques. Indonesian Journal of Electrical Engineering and Computer Science, 23 (2), 1219. doi: https://doi.org/10.11591/ijeecs.v23.i2.pp1219-1226
  22. Li, H., Tang, Y., Liu, Q., Ding, H., Jing, L., Lin, Q. (2014). A novel multi-resolution segmentation algorithm for highresolution remote sensing imagery based on minimum spanning tree and minimum heterogeneity criterion. 2014 IEEE Geoscience and Remote Sensing Symposium. doi: https://doi.org/10.1109/igarss.2014.6947070
  23. Lopez, J., Branch, J. W., Chen, G. (2019). Line-based image segmentation method: a new approach to segment VHSR remote sensing images automatically. European Journal of Remote Sensing, 52 (1), 613–631. doi: https://doi.org/10.1080/22797254.2019.1699449
  24. Xue, Y., Zhao, J., Zhang, M. (2021). A Watershed-Segmentation-Based Improved Algorithm for Extracting Cultivated Land Boundaries. Remote Sensing, 13 (5), 939. doi: https://doi.org/10.3390/rs13050939
  25. Khudov, H., Makoveichuk, O., Butko, I., Gyrenko, I., Stryhun, V., Bilous, O. et. al. (2022). Devising a method for segmenting camouflaged military equipment on images from space surveillance systems using a genetic algorithm. Eastern-European Journal of Enterprise Technologies, 3 (9 (117)), 6–14. doi: https://doi.org/10.15587/1729-4061.2022.259759
  26. Ruban, I., Khudov, H., Makoveichuk, O., Khudov, V., Kalimulin, T., Glukhov, S. et. al. (2022). Methods of UAVs images segmentation based on k-means and a genetic algorithm. Eastern-European Journal of Enterprise Technologies, 4 (9 (118)), 30–40. doi: https://doi.org/10.15587/1729-4061.2022.263387
  27. Mirjalili, S. (2016). SCA: A Sine Cosine Algorithm for solving optimization problems. Knowledge-Based Systems, 96, 120–133. doi: https://doi.org/10.1016/j.knosys.2015.12.022
  28. 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
  29. Satellite Imagery. Available at: https://www.maxar.com/products/satellite-imagery
  30. 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
  31. 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
Розробка методу сегментування зображень з космічних оптико-електронних систем спостереження на основі Sine-Cosine алгоритму

##submission.downloads##

Опубліковано

2022-10-27

Як цитувати

Худов, Г. В., Маковейчук, О. М., Худов, В. Г., Малюга, В. Г., Андрієнко, А. М., Тертишнік, Є. М., Пащенко, В. В., Паращук, Д. Л., Хижняк, І. А., & Калімулін, Т. М. (2022). Розробка методу сегментування зображень з космічних оптико-електронних систем спостереження на основі Sine-Cosine алгоритму. Eastern-European Journal of Enterprise Technologies, 5(9(119), 17–24. https://doi.org/10.15587/1729-4061.2022.265775

Номер

Том 5 № 9(119) (2022): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2022 Hennadii Khudov, Oleksandr Makoveichuk, Vladyslav Khudov, Volodymyr Maliuha, Anatolii Andriienko, Yevhen Tertyshnik, Viktor Pashchenko, Dmytro Parashchuk, Irina Khizhnyak, Temir Kalimulin

Creative Commons License

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.