Розробка двохетапного методу сегментування кольорових зображень урбанізованої місцевості з космічних оптико-електронних систем спостереження на основі мурашиного алгоритму та алгоритму Хафа

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
  • Ірина Анатоліївна Хижняк Харківський національний університет Повітряних Сил імені Івана Кожедуба, Україна https://orcid.org/0000-0003-3431-7631
  • Ростислав Геннадійович Худов Харківський національний університет імені В. Н. Каразіна, Україна https://orcid.org/0000-0002-6209-209X
  • Володимир Геннадійович Малюга Харківський національний університет Повітряних Сил імені Івана Кожедуба, Україна https://orcid.org/0000-0001-6227-1269
  • Сергій Миколайович Суконько Національна академія Національної гвардії України, Україна https://orcid.org/0000-0003-2224-4068
  • Олексій Юрійович Луньов Національна академія Національної гвардії України, Україна https://orcid.org/0000-0002-6599-5331
  • Михайло Григорович Бугера Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України, Україна https://orcid.org/0000-0002-0339-6085
  • Тарас Мирославович Kravets Національна академія Сухопутних військ імені гетьмана Петра Сагайдачного, Україна https://orcid.org/0000-0001-5398-7441

DOI:

https://doi.org/10.15587/1729-4061.2023.274360

Ключові слова:

сегментування зображення, урбанізована місцевість, мурашиний алгоритм, алгоритм Хафа, космічна система

Анотація

Об’єктом дослідження є високий рівень помилок першого та другого роду сегментування зображень урбанізованої місцевості з космічних оптико-електронних систем спостереження.

Метод сегментування зображень урбанізованої місцевості передбачає двохетапність та, на відміну від відомих:

– враховує кожний канал яскравості кольорового простору вихідного зображення;

– на першому етапі використовується мурашиний алгоритм;

– сегментування зображення на першому етапі зводиться до розрахунку цільової функції, ділянок руху мурах та концентрації феромону на маршрутах руху мурах.

– на другому етапі враховуються яскравість та геометрична форма елементів об’єктів;

– визначаються контури та геометричні примітиви у параметричному просторі Хафа;

– визначаються об’єкти інтересу урбанізованої місцевості у просторі вихідного зображення.

Проведено експериментальне дослідження сегментування зображень урбанізованої місцевості з космічних оптико-електронних систем спостереження на основі мурашиного алгоритму та алгоритму Хафа.

Проведено оцінювання якості сегментування зображення урбанізованої місцевості. Встановлено, що помилка І роду при використанні удосконаленого методу сегментування зменшується на 2,75 %. Помилка ІІ роду при використанні удосконаленого методу сегментування зменшується на 3,91 %. Таке зменшення стало можливим за рахунок застосування на першому етапі удосконаленого методу сегментування зображення урбанізованої місцевості мурашиного алгоритму. У порівнянні з алгоритмом Канні помилка І роду зменшилася на 8,9 %, а помилка ІІ роду зменшилася на 11,0 %.

Методи сегментування зображень урбанізованої місцевості з космічних оптико-електронних систем спостереження можуть бути реалізовані у програмно-технічних комплексах обробки зображень

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

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

Кандидат технічних наук

Кафедра тактики радіотехнічних військ

Ростислав Геннадійович Худов, Харківський національний університет імені В. Н. Каразіна

Кафедра теоретичної та прикладної інформатики

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

Доктор військових наук, доцент

Начальник кафедри

Кафедра тактики зенітних ракетних військ

Сергій Миколайович Суконько, Національна академія Національної гвардії України

Доктор філософії, начальник

Науково-дослідна лабораторія

Олексій Юрійович Луньов, Національна академія Національної гвардії України

Доктор філософії

Заступник начальника факультету

Михайло Григорович Бугера, Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України

Кандидат технічних наук, старший науковий співробітник

Науково-організаційний відділ

Тарас Мирославович Kravets, Національна академія Сухопутних військ імені гетьмана Петра Сагайдачного

Викладач

Кафедра комплексів та приладів артилерійської розвідки

Посилання

  1. Chemin, Y. (Ed.) (2012). Remote Sensing of Planet Earth. IntechOpen, 252. doi: https://doi.org/10.5772/2291
  2. Richards, J. (2022). Remote Sensing Digital Image Analysis. Springer, 567. doi: https://doi.org/10.1007/978-3-030-82327-6
  3. 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
  4. Pultarova, T. New satellite photos show surface cracks from devastating Turkey earthquake. Available at: https://www.space.com/turkey-earthquakes-damage-maxar-satellite-photos
  5. Satellite images show Bakhmut before and after Russian invasion. Available at: https://news.yahoo.com/satellite-images-show-bakhmut-russian-055820360.html
  6. Harrison, T., Strohmeyer, M. (2022). Commercial Space Remote Sensing and Its Role in National Security. Center for Strategic & International Studies. Available at: https://csis-website-prod.s3.amazonaws.com/s3fs-public/publication/220202_Harrison_Commercial_Space.pdf?VgV9.43i5ZGs8JDAYDtz0KNbkEnXpH21
  7. Khudov, H., Makoveichuk, O., Butko, I., Butko, M., Khudolei, V., Kukhtyk, S. (2022). The development of a management decision-making method based on the analysis of information from space observation systems. Eastern-European Journal of Enterprise Technologies, 6 (9 (120)), 59–69. doi: https://doi.org/10.15587/1729-4061.2022.269027
  8. Abdollahi, A., Pradhan, B. (2021). Integrated technique of segmentation and classification methods with connected components analysis for road extraction from orthophoto images. Expert Systems with Applications, 176, 114908. doi: https://doi.org/10.1016/j.eswa.2021.114908
  9. Bakhtiari, H. R. R., Abdollahi, A., Rezaeian, H. (2017). Semi automatic road extraction from digital images. The Egyptian Journal of Remote Sensing and Space Science, 20 (1), 117–123. doi: https://doi.org/10.1016/j.ejrs.2017.03.001
  10. Senthilnath, J., Rajeshwari, M., Omkar, S. N. (2009). Automatic road extraction using high resolution satellite image based on texture progressive analysis and normalized cut method. Journal of the Indian Society of Remote Sensing, 37 (3), 351–361. doi: https://doi.org/10.1007/s12524-009-0043-5
  11. Singh, P. P., Garg, R. D. (2013). Automatic Road Extraction from High Resolution Satellite Image using Adaptive Global Thresholding and Morphological Operations. Journal of the Indian Society of Remote Sensing, 41 (3), 631–640. doi: https://doi.org/10.1007/s12524-012-0241-4
  12. Miao, Z., Shi, W., Gamba, P., Li, Z. (2015). An Object-Based Method for Road Network Extraction in VHR Satellite Images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8 (10), 4853–4862. doi: https://doi.org/10.1109/jstars.2015.2443552
  13. Grinias, I., Panagiotakis, C., Tziritas, G. (2016). MRF-based segmentation and unsupervised classification for building and road detection in peri-urban areas of high-resolution satellite images. ISPRS Journal of Photogrammetry and Remote Sensing, 122, 145–166. doi: https://doi.org/10.1016/j.isprsjprs.2016.10.010
  14. Bai, H., Cheng, J., Su, Y., Wang, Q., Han, H., Zhang, Y. (2022). Multi-Branch Adaptive Hard Region Mining Network for Urban Scene Parsing of High-Resolution Remote-Sensing Images. Remote Sensing, 14 (21), 5527. doi: https://doi.org/10.3390/rs14215527
  15. Li, X., Li, T., Chen, Z., Zhang, K., Xia, R. (2021). Attentively Learning Edge Distributions for Semantic Segmentation of Remote Sensing Imagery. Remote Sensing, 14 (1), 102. doi: https://doi.org/10.3390/rs14010102
  16. Marmanis, D., Schindler, K., Wegner, J. D., Galliani, S., Datcu, M., Stilla, U. (2018). Classification with an edge: Improving semantic image segmentation with boundary detection. ISPRS Journal of Photogrammetry and Remote Sensing, 135, 158–172. doi: https://doi.org/10.1016/j.isprsjprs.2017.11.009
  17. Kit, O., Lüdeke, M., Reckien, D. (2012). Texture-based identification of urban slums in Hyderabad, India using remote sensing data. Applied Geography, 32 (2), 660–667. doi: https://doi.org/10.1016/j.apgeog.2011.07.016
  18. Zhao, S., Wu, H., Tu, L., Huang, B. (2014). Segmentation of Urban Areas Using Vector-Based Model. 2014 IEEE 11th Intl Conf on Ubiquitous Intelligence and Computing and 2014 IEEE 11th Intl Conf on Autonomic and Trusted Computing and 2014 IEEE 14th Intl Conf on Scalable Computing and Communications and Its Associated Workshops. doi: https://doi.org/10.1109/uic-atc-scalcom.2014.89
  19. Sambaturu, B., Gupta, A., Jawahar, C. V., Arora, C. (2023). ScribbleNet: Efficient interactive annotation of urban city scenes for semantic segmentation. Pattern Recognition, 133, 109011. doi: https://doi.org/10.1016/j.patcog.2022.109011
  20. Pereira, E. T., Barros Filho, M. N. M., Simões, M. B., Bezerra Neto, J. A. (2022). Automatic detection of deprived urban areas using Google Earth™ images of cities from the Brazilian semi-arid region. Urbe. Revista Brasileira de Gestão Urbana, 14. doi: https://doi.org/10.1590/2175-3369.014.e20210209
  21. Pan, Z., Xu, J., Guo, Y., Hu, Y., Wang, G. (2020). Deep Learning Segmentation and Classification for Urban Village Using a Worldview Satellite Image Based on U-Net. Remote Sensing, 12 (10), 1574. doi: https://doi.org/10.3390/rs12101574
  22. Mhangara, P., Odindi, J. (2013). Potential of texture-based classification in urban landscapes using multispectral aerial photos. South African Journal of Science, 109 (3/4), 8. doi: https://doi.org/10.1590/sajs.2013/1273
  23. 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
  24. 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
  25. 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
  26. 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
  27. Körting, T. S., Fonseca, L. M. G., Dutra, L. V., Silva, F. C. (2008). Image re-segmentation applied to urban imagery. ISPRS. Beijing. doi: https://doi.org/10.13140/2.1.5133.9529
  28. Dikmen, M., Halici, U. (2014). A Learning-Based Resegmentation Method for Extraction of Buildings in Satellite Images. IEEE Geoscience and Remote Sensing Letters, 11 (12), 2150–2153. doi: https://doi.org/10.1109/lgrs.2014.2321658
  29. 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
  30. Khudov, H., Khudov, V., Yuzova, I., Solomonenko, Y., Khizhnyak, I. (2021). The Method of Determining the Elements of Urban Infrastructure Objects Based on Hough Transformation. Studies in Systems, Decision and Control, 247–265. doi: https://doi.org/10.1007/978-3-030-87675-3_15
  31. Khudov, H., Ruban, I., Makoveichuk, O., Pevtsov, H., Khudov, V., Khizhnyak, I. et al. (2020). Development of methods for determining the contours of objects for a complex structured color image based on the ant colony optimization algorithm. EUREKA: Physics and Engineering, 1, 34–47. doi: https://doi.org/10.21303/2461-4262.2020.001108
  32. Svatonova, H. (2016). Analysis of visual interpretation of satellite data. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLI-B2, 675–681. doi: https://doi.org/10.5194/isprsarchives-xli-b2-675-2016
  33. Image Interpretation of Remote Sensing data. Available at: https://www.geospatialworld.net/article/image-interpretation-of-remote-sensing-data/
  34. Mashtalir, V., Ruban, I., Levashenko, V. (Eds.) (2020). Advances in Spatio-Temporal Segmentation of Visual Data. Studies in Computational Intelligence. doi: https://doi.org/10.1007/978-3-030-35480-0
  35. Dorigo, M., Stützle, T. (2018). Ant Colony Optimization: Overview and Recent Advances. Handbook of Metaheuristics, 311–351. doi: https://doi.org/10.1007/978-3-319-91086-4_10
  36. Gabrielli, A., Alfonsi, F., Del Corso, F. (2022). Simulated Hough Transform Model Optimized for Straight-Line Recognition Using Frontier FPGA Devices. Electronics, 11 (4), 517. doi: https://doi.org/10.3390/electronics11040517
  37. Rahman, S., Ramli, M., Arnia, F., Muharar, R., Luthfi, M., Sundari, S. (2020). Analysis and Comparison of Hough Transform Algorithms and Feature Detection to Find Available Parking Spaces. Journal of Physics: Conference Series, 1566 (1), 012092. doi: https://doi.org/10.1088/1742-6596/1566/1/012092
  38. IKONOS Satellite Image Gallery. Available at: https://www.satimagingcorp.com/gallery/ikonos/
  39. Müller, D., Soto-Rey, I., Kramer, F. (2022). Towards a guideline for evaluation metrics in medical image segmentation. BMC Research Notes, 15 (1). doi: https://doi.org/10.1186/s13104-022-06096-y
  40. Khudov, H., Makoveichuk, O., Khizhnyak, I., Glukhov, S., Shamrai, N., Rudnichenko, S. et al. (2022). The Choice of Quality Indicator for the Image Segmentation Evaluation. International Journal of Emerging Technology and Advanced Engineering, 12 (10), 95–103. doi: https://doi.org/10.46338/ijetae1022_11
  41. Hudov, G. V. (2003). Specific Features of Optimization of Two-Alternative Decisions in Joint Search and Detection of Objects. Journal of Automation and Information Sciences, 35 (9), 40–46. https://doi.org/10.1615/jautomatinfscien.v35.i9.50
  42. 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 двохетапного методу сегментування кольорових зображень урбанізованої місцевості з космічних оптико-електронних систем спостереження на основі мурашиного алгоритму та алгоритму Хафа

##submission.downloads##

Опубліковано

2023-02-28

Як цитувати

Худов, Г. В., Маковейчук, О. М., Худов, В. Г., Хижняк, І. А., Худов, Р. Г., Малюга, В. Г., Суконько, С. М., Луньов, О. Ю., Бугера, М. Г., & Kravets Т. М. (2023). Розробка двохетапного методу сегментування кольорових зображень урбанізованої місцевості з космічних оптико-електронних систем спостереження на основі мурашиного алгоритму та алгоритму Хафа. Eastern-European Journal of Enterprise Technologies, 1(9 (121), 49–61. https://doi.org/10.15587/1729-4061.2023.274360

Номер

Том 1 № 9 (121) (2023): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2023 Hennadii Khudov, Oleksandr Makoveichuk, Vladyslav Khudov, Irina Khizhnyak, Rostyslav Khudov, Volodymyr Maliuha, Serhii Sukonko, Oleksii Lunov, Mykhailo Buhera, Taras Kravets

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.