Удосконалення методу сегментування оптико-електронних зображень з космічних систем спостереження на основі алгоритму світлячків

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
  • Юрій Миколайович Добришкін Державний науково-дослідний інститут випробувань і сертифікації озброєння та військової техніки, Україна https://orcid.org/0000-0003-1044-1822
  • Олександр Михайлович Кондратов Науково-дослідний інститут воєнної розвідки, Україна https://orcid.org/0000-0002-6390-7158
  • Віталій Віталійович Андронов Науково-дослідний інститут воєнної розвідки, Україна https://orcid.org/0000-0002-1122-710X
  • Іван Васильович Балик Науково-дослідний інститут воєнної розвідки, Україна https://orcid.org/0009-0006-7350-3313
  • Тетяна Володимирівна Уварова Національний університет оборони України імені Івана Черняховського, Україна https://orcid.org/0000-0003-2388-4059
  • Максим Миколайович Каленик Національна академія Сухопутних військ імені гетьмана Петра Сагайдачного, Україна https://orcid.org/0000-0002-0490-5320

DOI:

https://doi.org/10.15587/1729-4061.2023.277427

Ключові слова:

сегментування зображення, космічна система спостереження, алгоритм світлячків, позиція, світлість світлячку

Анотація

Об’єктом дослідження є процес сегментування оптико-електронних зображень з космічних систем спостереження. Метод сегментування оптико-електронних зображень з космічних систем спостереження на основі алгоритму світлячків, на відміну від відомих, передбачає:

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

– обчислення рівня світлості кожному світлячку;

– визначення кожному світлячку того світлячку-сусіда всередині визначеного радіусу, у якого рівень світлості вищий, ніж власний рівень світлості світлячку;

– визначення координати оновленої позиції світлячку в кожному каналі яскравості.

Проведено експериментальне дослідження сегментування оптико-електронного зображення з космічних систем спостереження на основі алгоритму світлячків. Встановлено, що удосконалений метод сегментування на основі алгоритму світлячків дозволяє проводити сегментування оптико-електронних зображень з космічних систем спостереження.

Проведено оцінювання якості сегментування оптико-електронних зображень методом на основі алгоритму світлячків з методами на основі алгоритму рою частинок та Sine-Cosine алгоритму. Встановлено, що удосконалений метод на основі алгоритму світлячків знижує помилку сегментування першого роду в середньому на 11 % та помилку сегментування другого роду в середньому на 9 %. Це стає можливим за рахунок використання алгоритму світлячків.

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

Подальші дослідження можуть бути на порівняння якості сегментування методом на основі алгоритму світлячків з методами сегментування на основі генетичних алгоритмів

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

Юрій Миколайович Добришкін, Державний науково-дослідний інститут випробувань і сертифікації озброєння та військової техніки

Кандидат технічних наук, начальник науково-дослідного відділу

Науково-дослідний відділ лабораторних випробувань науково-технічного комплексу вимірювань

Олександр Михайлович Кондратов, Науково-дослідний інститут воєнної розвідки

Кандидат технічних наук, начальник відділу

Віталій Віталійович Андронов, Науково-дослідний інститут воєнної розвідки

Кандидат технічних наук, начальник відділу

Іван Васильович Балик, Науково-дослідний інститут воєнної розвідки

Кандидат військових наук

Відділ управління

Тетяна Володимирівна Уварова, Національний університет оборони України імені Івана Черняховського

Кандидат технічних наук, старший науковий співробітник

Центр воєнно-стратегічних досліджень

Максим Миколайович Каленик, Національна академія Сухопутних військ імені гетьмана Петра Сагайдачного

Кандидат технічних наук, старший науковий співробітник, заступник начальника кафедри

Кафедра інженерної техніки

Посилання

  1. 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
  2. Amble, J. (2019). Mwi Podcast: Intelligence And The Future Battlefield, With Lt. Gen. Scott Berrier. Modern War Institute. Available at: https://mwi.usma.edu/mwi-podcast-intelligence-future-battlefield-lt-gen-scott-berrier/
  3. Intelligence, Surveillance, and Reconnaissance Design for Great Power Competition (2020). Congressional Research Service. Available at: https://crsreports.congress.gov/product/pdf/R/R46389
  4. Air & Space Operations Review. A Journal of Strategic Airpower & Spacepower. Available at: https://www.airuniversity.af.edu/ASOR/
  5. Space, the unseen frontier in the war in Ukraine (2022). BBC News. Available at: https://www.bbc.com/news/technology-63109532
  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. A developer’s guide to working with geospatial data (2021). NGIS. Available at: https://ngis.com.au/Newsroom/A-developer’s-guide-to-working-with-geospatial-dat
  8. A Guide to Geospatial Data Analysis, Visualisation & Mapping. Spyrosoft. Available at: https://spyro-soft.com/a-guide-to-geospatial-data-analysis-visualisation-mapping
  9. Gomes, V., Queiroz, G., Ferreira, K. (2020). An Overview of Platforms for Big Earth Observation Data Management and Analysis. Remote Sensing, 12 (8), 1253. doi: https://doi.org/10.3390/rs12081253
  10. Kumar, S., Kumar, A., Lee, D.-G. (2022). Semantic Segmentation of UAV Images Based on Transformer Framework with Context Information. Mathematics, 10 (24), 4735. doi: https://doi.org/10.3390/math10244735
  11. Meeboonmak, N., Cooharojananone, N. (2020). Aircraft Segmentation from Remote Sensing Images using Modified Deeply Supervised Salient Object Detection with Short Connections. 2020 International Conference on Mathematics and Computers in Science and Engineering (MACISE). doi: https://doi.org/10.1109/macise49704.2020.00040
  12. 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
  13. Grosgeorge, D., Arbelot, M., Goupilleau, A., Ceillier, T., Allioux, R. (2020). Concurrent Segmentation and Object Detection CNNs for Aircraft Detection and Identification in Satellite Images. IGARSS 2020 - 2020 IEEE International Geoscience and Remote Sensing Symposium. doi: https://doi.org/10.1109/igarss39084.2020.9323338
  14. Safarov, F., Temurbek, K., Jamoljon, D., Temur, O., Chedjou, J. C., Abdusalomov, A. B., Cho, Y.-I. (2022). Improved Agricultural Field Segmentation in Satellite Imagery Using TL-ResUNet Architecture. Sensors, 22 (24), 9784. doi: https://doi.org/10.3390/s22249784
  15. 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
  16. Zhang, Q., Hughes, N. (2023). Towards a manual-free labelling approach for deep learning-based ice floe instance segmentation in airborne and high-resolution optical satellite images. doi: https://doi.org/10.5194/egusphere-2023-295
  17. 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
  18. 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
  19. 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
  20. Smelyakov, K., Chupryna, A., Hvozdiev, M., Sandrkin, D. (2019). Gradational Correction Models Efficiency Analysis of Low-Light Digital Image. 2019 Open Conference of Electrical, Electronic and Information Sciences (EStream). doi: https://doi.org/10.1109/estream.2019.8732174
  21. Smelyakov, K., Hvozdiev, M., Chupryna, A., Sandrkin, D., Martovytskyi, V. (2019). Comparative Efficiency Analysis of Gradational Correction Models of Highly Lighted Image. 2019 IEEE International Scientific-Practical Conference Problems of Infocommunications, Science and Technology (PIC S&T). doi: https://doi.org/10.1109/picst47496.2019.9061356
  22. 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
  23. 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
  24. 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
  25. 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
  26. Khudov, H., Makoveichuk, O., Khudov, V., Khizhnyak, I., Khudov, R., Maliuha, V. et al. (2023). Development of a two-stage method for segmenting the color images of urban terrain acquired from space optic-electronic observation systems based on the ant algorithm and the hough algorithm. Eastern-European Journal of Enterprise Technologies, 1 (9 (121)), 49–61. doi: https://doi.org/10.15587/1729-4061.2023.274360
  27. Khudov, H., Makoveichuk, O., Khudov, V., Maliuha, V., Andriienko, A., Tertyshnik, Y. et al. (2022). Devising a method for segmenting images acquired from space optical and electronic observation systems based on the Sine-Cosine algorithm. Eastern-European Journal of Enterprise Technologies, 5 (9 (119)), 17–24. doi: https://doi.org/10.15587/1729-4061.2022.265775
  28. 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
  29. Ruban, I., Khudov, H., Makoveichuk, O., Butko, I., Glukhov, S., Khizhnyak, I. et al. (2022). Application of the Particle Swarm Algorithm to the Task of Image Segmentation for Remote Sensing of the Earth. Lecture Notes in Networks and Systems, 573–585. doi: https://doi.org/10.1007/978-981-19-5845-8_40
  30. 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
  31. Chen, K., Zhou, Y., Zhang, Z., Dai, M., Chao, Y., Shi, J. (2016). Multilevel Image Segmentation Based on an Improved Firefly Algorithm. Mathematical Problems in Engineering, 2016, 1–12. doi: https://doi.org/10.1155/2016/1578056
  32. Hema, C., Sankar, S. et al. (2017). Performance comparison of dragonfly and firefly algorithm in the RFID network to improve the data transmission. Journal of Theoretical and Applied Information Technology, 95 (1), 59–67.
  33. Satellite Imagery. Available at: https://www.maxar.com/products/satellite-imagery
  34. 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
  35. 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
  36. Smelyakov, K., Shupyliuk, M., Martovytskyi, V., Tovchyrechko, D., Ponomarenko, O. (2019). Efficiency of image convolution. 2019 IEEE 8th International Conference on Advanced Optoelectronics and Lasers (CAOL). doi: https://doi.org/10.1109/caol46282.2019.9019450
  37. 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. doi: https://doi.org/10.1615/jautomatinfscien.v35.i9.50
  38. Khudov, H., Makoveichuk, O., Misiuk, D., Pievtsov, H., Khizhnyak, I., Solomonenko, Y. (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
  39. Smelyakov, K., Datsenko, A., Skrypka, V., Akhundov, A. (2019). The Efficiency of Images Reduction Algorithms with Small-Sized and Linear Details. 2019 IEEE International Scientific-Practical Conference Problems of Infocommunications, Science and Technology (PIC S&T). doi: https://doi.org/10.1109/picst47496.2019.9061250
  40. 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
Удосконалення методу сегментування оптико-електронних зображень з космічних систем спостереження на основі алгоритму світлячків

##submission.downloads##

Опубліковано

2023-04-29

Як цитувати

Худов, Г. В., Маковейчук, О. М., Худов, В. Г., Хижняк, І. А., Добришкін, Ю. М., Кондратов, О. М., Андронов, В. В., Балик, І. В., Уварова, Т. В., & Каленик, М. М. (2023). Удосконалення методу сегментування оптико-електронних зображень з космічних систем спостереження на основі алгоритму світлячків. Eastern-European Journal of Enterprise Technologies, 2(9 (122), 6–15. https://doi.org/10.15587/1729-4061.2023.277427

Номер

Том 2 № 9 (122) (2023): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2023 Hennadii Khudov, Oleksandr Makoveichuk, Vladyslav Khudov, Irina Khizhnyak, Yurii Dobryshkin, Oleksandr Kondratov, Vitalii Andronov, Ivan Balyk, Tetiana Uvarova, Maksym Kalenyk

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.