Формування типової форми зображення об'єкту на серії цифрових кадрів

Автор(и)

  • Вадим Євгенович Саваневич Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0001-8840-8278
  • Сергій Васильович Хламов SoftServe, Україна https://orcid.org/0000-0001-9434-1081
  • Володимир Петрович Власенко Національний центр управління та випробувань космічних засобів, Україна https://orcid.org/0000-0001-8639-4415
  • Жанна Валентинівна Дейнеко Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0003-0175-4181
  • Олександр Борисович Брюховецький Національний центр управління та випробувань космічних засобів, Україна https://orcid.org/0000-0002-4550-5606
  • Ірина Станіславівна Табакова Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0001-6629-4927
  • Тетяна Олегiвна Трунова Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0003-2689-2679

DOI:

https://doi.org/10.15587/1729-4061.2022.266988

Ключові слова:

передатна функція, МНК-оцінка параметрів, лінійні коефіцієнти кореляції, типова форма зображення

Анотація

Розроблено обчислювальний метод автоматизованого формування типової форми цифрового зображення досліджуваних об'єктів на серії цифрових кадрів. Через недосконалість кріплення цифрових камер, а також їх автоматизованих монтувань, їхня нерухомість під час зйомки протягом часу експозиції може порушуватися, що призводить до формування «змазаних» зображень об'єктів різної форми.

Через подібні неточності супроводу об'єктів на цифрових кадрах навіть однієї серії типова форма зображення об'єктів може змінюватися від кадру до кадру. Даний факт відмінності типової форми значно ускладнює виконання різних завдань обробки зображень.

З метою спрощення оцінки параметрів зображення об'єктів на серії цифрових кадрів було запропоновано використовувати типове зображення на цифровому кадрі, що відповідає середньому зображенню об'єктів як модель зображень об'єктів. При цьому вид зображення об'єкта, його форма, розподіл яскравості зображення будуть визначатися тільки типовим зображенням.

У роботі запропоновано обчислювальний метод автоматизованого формування та оцінки типової форми зображення об'єкта на цифровому кадрі на основі вхідних даних ‒ власне даного цифрового кадру. Даний обчислювальний метод заснований на виборі одиночних зображень об'єктів та формуванні їх прямокутної області. Далі виконується оцінка зміщення та нормування обраних одиночних зображень об'єктів для обчислення типової форми зображення об'єкта.

Використання методу дозволяє виділяти об'єкти на тлі шуму та скорочувати кількість помилкових виявлень. Рекомендується застосовувати метод лише у випадку, коли кадри мають дефекти та «змази» під час зйомки, інакше будуть необґрунтовані додаткові обчислювальні витрати.

Розроблений обчислювальний метод був успішно апробований на практиці в рамках проекту CoLiTec і впроваджений у блоці внутрішньокадрової обробки програмного забезпечення Lemur

Біографії авторів

Вадим Євгенович Саваневич, Харківський національний університет радіоелектроніки

Доктор технічних наук, професор

Кафедра системотехніки

Сергій Васильович Хламов, SoftServe

Кандидат технічних наук, Test Automation Lead

Володимир Петрович Власенко, Національний центр управління та випробувань космічних засобів

Кандидат технічних наук

Центр космічних досліджень та зв’язку

Жанна Валентинівна Дейнеко, Харківський національний університет радіоелектроніки

Кандидат технічних наук, доцент

Кафедра медіасистем та технологій

Олександр Борисович Брюховецький, Національний центр управління та випробувань космічних засобів

Кандидат технічних наук

Західний центр радіотехничного спостереженння

Ірина Станіславівна Табакова, Харківський національний університет радіоелектроніки

Кандидат технічних наук, доцент

Кафедра медіасистем та технологій

Тетяна Олегiвна Трунова, Харківський національний університет радіоелектроніки

Інженер

Кафедра медіасистем та технологій

Посилання

  1. Smith, G. E. (2010). Nobel Lecture: The invention and early history of the CCD. Reviews of Modern Physics, 82 (3), 2307–2312. doi: https://doi.org/10.1103/revmodphys.82.2307
  2. Khlamov, S., Vlasenko, V., Savanevych, V., Briukhovetskyi, O., Trunova, T., Chelombitko, V., Tabakova, I. (2022). Development of computational method for matched filtration with analytical profile of the blurred digital image. Eastern-European Journal of Enterprise Technologies, 5 (4 (119)), 24–32. doi: https://doi.org/10.15587/1729-4061.2022.265309
  3. Steger, C., Ulrich, M., Wiedemann, C. (2018). Machine vision algorithms and applications. John Wiley & Sons, 516.
  4. Cavuoti, S., Brescia, M., Longo, G. (2012). Data mining and knowledge discovery resources for astronomy in the web 2.0 age. Software and Cyberinfrastructure for Astronomy II. doi: https://doi.org/10.1117/12.925321
  5. Zhang, Y., Zhao, Y., Cui, C. (2002). Data mining and knowledge discovery in database of astronomy. Progress in Astronomy, 20 (4), 312–323.
  6. Mykhailova, L., Savanevych, V., Sokovikova, N., Bezkrovniy, M., Khlamov, S., Pogorelov, A. (2014). Method of maximum likelihood estimation of compact group objects location on CCD-frame. Eastern-European Journal of Enterprise Technologies, 5 (4 (71)), 16–21. doi: https://doi.org/10.15587/1729-4061.2014.28028
  7. Kuz'min, S. Z. (2000). Tsifrovaya radiolokatsiya. Vvedenie v teoriyu. Kyiv: Izdatel'stvo KvіTS, 428.
  8. Khlamov, S., Savanevych, V. (2020). Big Astronomical Datasets and Discovery of New Celestial Bodies in the Solar System in Automated Mode by the CoLiTec Software. Knowledge Discovery in Big Data from Astronomy and Earth Observation, 331–345. doi: https://doi.org/10.1016/b978-0-12-819154-5.00030-8
  9. Akhmetov, V., Khlamov, S., Dmytrenko, A. (2018). Fast Coordinate Cross-Match Tool for Large Astronomical Catalogue. Advances in Intelligent Systems and Computing III, 3–16. doi: https://doi.org/10.1007/978-3-030-01069-0_1
  10. Vavilova, I. B., Shatokhina, S. V., Pakuliak, L. K., Yizhakevych, O. M., Eglitis, I., Andruk, V. M., Protsyuk, Yu. I. (2019). Astrometry and photometry of asteroids from the UkrVO database of astroplates. Proceedings of the International Astronomical Union, 15 (S364), 239–245. doi: https://doi.org/10.1017/s1743921322000047
  11. Dearborn, D. P. S., Miller, P. L. (2014). Defending Against Asteroids and Comets. Handbook of Cosmic Hazards and Planetary Defense, 1–18. doi: https://doi.org/10.1007/978-3-319-02847-7_59-1
  12. Klette, R. (2014). Concise computer vision. An Introduction into Theory and Algorithms. Springer, 429. doi: https://doi.org/10.1007/978-1-4471-6320-6
  13. Savanevych, V. E., Khlamov, S. V., Akhmetov, V. S., Briukhovetskyi, A. B., Vlasenko, V. P., Dikov, E. N. et al. (2022). CoLiTecVS software for the automated reduction of photometric observations in CCD-frames. Astronomy and Computing, 40, 100605. doi: https://doi.org/10.1016/j.ascom.2022.100605
  14. Khlamov, S., Savanevych, V., Briukhovetskyi, O., Oryshych, S. (2016). Development of computational method for detection of the object’s near-zero apparent motion on the series of ccd-frames. Eastern-European Journal of Enterprise Technologies, 2 (9 (80)), 41–48. doi: https://doi.org/10.15587/1729-4061.2016.65999
  15. Vavilova, I., Pakuliak, L., Babyk, I., Elyiv, A., Dobrycheva, D., Melnyk, O. (2020). Surveys, Catalogues, Databases, and Archives of Astronomical Data. Knowledge Discovery in Big Data from Astronomy and Earth Observation, 57–102. doi: https://doi.org/10.1016/b978-0-12-819154-5.00015-1
  16. 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, 44 (7). doi: https://doi.org/10.1109/tpami.2021.3059968
  17. Kobzar', A. I. (2006). Prikladnaya matematicheskaya statistika. Dlya inzhenerov i nauchnykh rabotnikov. Moscow: FIZMATLI, 816.
  18. Khlamov, S., Savanevych, V., Tabakova, I., Trunova, T. (2022). The astronomical object recognition and its near-zero motion detection in series of images by in situ modeling. 2022 29th International Conference on Systems, Signals and Image Processing (IWSSIP). doi: https://doi.org/10.1109/iwssip55020.2022.9854475
  19. Akhmetov, V., Khlamov, S., Tabakova, I., Hernandez, W., Nieto Hipolito, J. I., Fedorov, P. (2019). New approach for pixelization of big astronomical data for machine vision purpose. 2019 IEEE 28th International Symposium on Industrial Electronics (ISIE). doi: https://doi.org/10.1109/isie.2019.8781270
  20. Khlamov, S., Tabakova, I., Trunova, T. (2022). Recognition of the astronomical images using the Sobel filter. 2022 29th International Conference on Systems, Signals and Image Processing (IWSSIP). doi: https://doi.org/10.1109/iwssip55020.2022.9854425
  21. Bishop, C. M. (2013). Model-based machine learning. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 371 (1984), 20120222. doi: https://doi.org/10.1098/rsta.2012.0222
  22. Burger, W., Burge, M. (2010). Principles of digital image processing: core algorithms. Springer, 332. doi: https://doi.org/10.1007/978-1-84800-195-4
  23. Gonzalez, R., Woods, R. (2018). Digital image processing. New York, NY: Pearson, 1168.
  24. Rubin, B. (2015). Introduction to Radon transforms. With Elements of Fractional Calculus and Harmonic Analysis. Encyclopedia of Mathematics and its Applications. Cambridge University Press, 596.
  25. Brandt, A. (2011). Noise and vibration analysis: signal analysis and experimental procedures. John Wiley & Sons, 464. doi: https://doi.org/10.1002/9780470978160
  26. Dadkhah, M., Lyashenko, V. V., Deineko, Z. V., Shamshirband, S., Jazi, M. D. (2019). Methodology of wavelet analysis in research of dynamics of phishing attacks. International Journal of Advanced Intelligence Paradigms, 12 (3/4), 220. doi: https://doi.org/10.1504/ijaip.2019.098561
  27. Jorgensen, B. (2012). Statistical properties of the generalized inverse Gaussian distribution. Springer, 188. doi: https://doi.org/10.1007/978-1-4612-5698-4
  28. Lemur software. CoLiTec. Available at: https://colitec.space/
  29. Khlamov, S., Savanevych, V., Briukhovetskyi, O., Pohorelov, A., Vlasenko, V., Dikov, E. (2018). CoLiTec Software for the Astronomical Data Sets Processing. 2018 IEEE Second International Conference on Data Stream Mining & Processing (DSMP). doi: https://doi.org/10.1109/dsmp.2018.8478504
  30. Kashuba, S., Tsvetkov, M., Bazyey, N., Isaeva, E., Golovnia, V. (2018). The Simeiz plate collection of the ODESSA astronomical observatory. Proceedings of the XI Bulgarian-Serbian Astronomical Conference, 207–216.
  31. Molotov, I. et al. (2009). ISON worldwide scientific optical network. Fifth European Conference on Space Debris, ESA.
  32. Mingmuang, Y., Tummuangpak, P., Asanok, K., Jaroenjittichai, P. (2019). The mass distribution and the rotation curve of the Milky Way Galaxy using NARIT 4.5 m small radio telescope and the 2.3 m Onsala radio telescope. Journal of Physics: Conference Series, 1380 (1), 012028. doi: https://doi.org/10.1088/1742-6596/1380/1/012028
  33. Soyfer, V. A. (Ed.) (2003). Metody komp'yuternoy obrabotki izobrazheniy. Moscow: Fizmatlit, 784.
  34. Sergienko, A. B. (2011). Tsifrovaya obrabotka signalov. Sankt-Peterburg: BKhV-Peterburg, 768.
  35. Le, D.-H., Pham, C.-K., Nguyen, T. T. T., Bui, T. T. (2012). Parameter extraction and optimization using Levenberg-Marquardt algorithm. 2012 Fourth International Conference on Communications and Electronics (ICCE). doi: https://doi.org/10.1109/cce.2012.6315945
  36. Khlamov, S., Savanevych, V., Briukhovetskyi, O., Tabakova, I., Trunova, T. (2022). Data Mining of the Astronomical Images by the CoLiTec Software. CEUR Workshop Proceedings, 3171, 1043–1055.
  37. Akhmetov, V., Khlamov, S., Khramtsov, V., Dmytrenko, A. (2019). Astrometric Reduction of the Wide-Field Images. Advances in Intelligent Systems and Computing, 896–909. doi: https://doi.org/10.1007/978-3-030-33695-0_58
  38. Buslov, P., Shvedun, V., Streltsov, V. (2018). Modern Tendencies of Data Protection in the Corporate Systems of Information Consolidation. 2018 International Scientific-Practical Conference Problems of Infocommunications. Science and Technology (PIC S&T). doi: https://doi.org/10.1109/infocommst.2018.8632089
  39. Baranova, V., Zeleniy, O., Deineko, Z., Bielcheva, G., Lyashenko, V. (2019). Wavelet Coherence as a Tool for Studying of Economic Dynamics in Infocommunication Systems. 2019 IEEE International Scientific-Practical Conference Problems of Infocommunications, Science and Technology (PIC S&T). doi: https://doi.org/10.1109/picst47496.2019.9061301
  40. Dombrovska, S., Shvedun, V., Streltsov, V., Husarov, K. (2018). The prospects of integration of the advertising market of Ukraine into the global advertising business. Problems and Perspectives in Management, 16 (2), 321–330. doi: https://doi.org/10.21511/ppm.16(2).2018.29
  41. Wang, J., Cai, D., Wen, Y. (2011). Comparison of matched filter and dechirp processing used in Linear Frequency Modulation. 2011 IEEE 2nd International Conference on Computing, Control and Industrial Engineering. doi: https://doi.org/10.1109/ccieng.2011.6008069
Формування типової форми зображення об'єкту на серії цифрових кадрів

##submission.downloads##

Опубліковано

2022-12-30

Як цитувати

Саваневич, В. Є., Хламов, С. В., Власенко, В. П., Дейнеко, Ж. В., Брюховецький, О. Б., Табакова, І. С., & Трунова, Т. О. (2022). Формування типової форми зображення об’єкту на серії цифрових кадрів. Eastern-European Journal of Enterprise Technologies, 6(2 (120), 51–59. https://doi.org/10.15587/1729-4061.2022.266988

Номер

Том 6 № 2 (120) (2022): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2022 Vadym Savanevych, Sergii Khlamov, Vladimir Vlasenko, Zhanna Deineko, Oleksandr Briukhovetskyi, Iryna Tabakova, Tetiana Trunova

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.