Визначення кількості кластерів на зображеннях з космічних оптико-електронних систем спостереження при використанні алгоритму k-means

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
  • Володимир Сергійович Комаров Науково-дослідний інститут воєнної розвідки, Україна https://orcid.org/0000-0003-2873-8261
  • 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
  • Володимир Георгійович Башинський Центральний науково-дослідний інститут Збройних Сил України, Україна https://orcid.org/0000-0003-0966-5714
  • Станіслав Васильович Стеців Національна академія сухопутних військ імені гетьмана Петра Сагайдачного, Україна https://orcid.org/0000-0003-1835-9874
  • Євген Євгенович Дудар Національна академія сухопутних військ імені гетьмана Петра Сагайдачного, Україна https://orcid.org/0000-0002-3103-8672
  • Andrii Rudiy Національна академія сухопутних військ імені гетьмана Петра Сагайдачного, Україна https://orcid.org/0000-0003-2239-2925
  • Михайло Григорович Бугера Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України, Україна https://orcid.org/0000-0002-0339-6085

DOI:

https://doi.org/10.15587/1729-4061.2023.282374

Ключові слова:

кластерізація зображення, космічна система спостереження, k-means, помилки 1 та 2 роду, кількість кластерів

Анотація

Об’єктом дослідження є процес кластерізації зображень з космічних оптико-електронних систем спостереження. Основна гіпотеза дослідження полягала в тому, що експериментальні дослідження дозволять визначити кількість кластерів на зображеннях з космічних оптико-електронних систем спостереження при використанні алгоритму k-means.

Метод кластерізації зображень з космічних оптико-електронних систем спостереження при використанні алгоритму k-means, на відміну від відомих, передбачає:

– розбиття вихідного зображення на Red-Green-Blue канали яскравості;

– визначення евклідової відстані між пікселями;

– розподіл усієї множини пікселів зображення на кластери;

– перерахунок «центрів» кожної підмножини;

– перепризначення нових «центрів» кожного кластеру;

–  мінімізація повної внутрішньокластерної дисперсії.

Проведено експериментальні дослідження щодо кластерізації вихідного зображення методом на основі k-means при різних значеннях k. Встановлено, що зі збільшенням величини k візуальна якість кластерізації покращується та візуально можна визначити більшу кількість кластерів на зображеннях.

Для визначення кількості кластерів проведена оцінка суми помилок кластерізації 1 та 2 роду при різних значеннях k. Встановлено, що при збільшенні значення k сума помилок 1 та 2 роду спочатку зменшується за експоненціальною залежністю. Подальше збільшення величини k не приводить до суттєвого зменшення помилок 1 та 2 роду. Встановлено, що для типового зображення з космічної оптико-електронної системи спостереження значення k в методі кластерізації на основі алгоритму k-means повинно дорівнювати 4. При цьому сума помилок 1 та 2 роду складає 31,3 %.

Подальші дослідження направлені та розробку методів кластерізації, що знижують суму помилок 1 та 2 роду

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

Володимир Сергійович Комаров, Науково-дослідний інститут воєнної розвідки

Доктор військових наук, професор, начальник управління

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

Володимир Георгійович Башинський, Центральний науково-дослідний інститут Збройних Сил України

Доктор технічних наук, головний науковий співробітник

Станіслав Васильович Стеців, Національна академія сухопутних військ імені гетьмана Петра Сагайдачного

Доцент

Кафедра ракетних військ

Євген Євгенович Дудар, Національна академія сухопутних військ імені гетьмана Петра Сагайдачного

Заступник начальника відділу

Відділ підготовки військ

Andrii Rudiy, Національна академія сухопутних військ імені гетьмана Петра Сагайдачного

Старший викладач

Кафедра бронетанкової техніки

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

Кандидат технічних наук, старший науковий співробітник

Науково-організаційний відділ

Посилання

  1. Green, M. (2020). K-Means Clustering for Surface Segmentation of Satellite Images. Available at: https://medium.com/@maxfieldeland/k-means-clustering-for-surface-segmentation-of-satellite-images-ad1902791ebf
  2. Lafabregue, B., Gancarski, P., Weber, J., Forestier, G. (2022). Incremental constrained clustering with application to remote sensing images time series. 2022 IEEE International Conference on Data Mining Workshops (ICDMW). doi: https://doi.org/10.1109/icdmw58026.2022.00110
  3. Lampert, T., Lafabregue, B., Dao, T.-B.-H., Serrette, N., Vrain, C., Gancarski, P. (2019). Constrained Distance-Based Clustering for Satellite Image Time-Series. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12 (11), 4606–4621. doi: https://doi.org/10.1109/jstars.2019.2950406
  4. Space, the unseen frontier in the war in Ukraine (2022). BBC News. Available at: https://www.bbc.com/news/technology-63109532
  5. 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
  6. Samanta, S., Chatterjee, S. (2018). A Survey On Data Clustering Approaches. 1st International Business Research Conference (IBRC 2018), 34–42. Available at: https://www.researchgate.net/publication/341134327_A_Survey_On_Data_Clustering_Approaches
  7. Pandey, S., Khanna, P. (2014). A hierarchical clustering approach for image datasets. 2014 9th International Conference on Industrial and Information Systems (ICIIS). doi: https://doi.org/10.1109/iciinfs.2014.7036504
  8. Aktas, Y. C. (2021). Image Segmentation with Clustering. The Fundamentals of K-Means and Fuzzy-C Means Clustering and their usage for Image Segmentation. Towards Data Science. – 2021. Available at: https://towardsdatascience.com/image-segmentation-with-clustering-b4bbc98f2ee6
  9. Dhanachandra, N., Manglem, K., Chanu, Y. J. (2015). Image Segmentation Using K -means Clustering Algorithm and Subtractive Clustering Algorithm. Procedia Computer Science, 54, 764–771. doi: https://doi.org/10.1016/j.procs.2015.06.090
  10. Funmilola, A. A., Oke, O. A., Adedeji, T. O., Alade, O. M., Adewusi, E. A. (2012). Fuzzy k-c-means Clustering Algorithm for Medical Image Segmentation. Journal of Information Engineering and Applications, 2 (6), 21–33. Available at: https://core.ac.uk/download/pdf/234676965.pdf
  11. Kishor Duggirala, R. (2020). Segmenting Images Using Hybridization of K-Means and Fuzzy C-Means Algorithms. Introduction to Data Science and Machine Learning. doi: https://doi.org/10.5772/intechopen.86374
  12. NamAnh, D. (2015). Segmentation by Incremental Clustering. International Journal of Computer Applications, 111 (12), 23–30. doi: https://doi.org/10.5120/19591-1360
  13. Niharika, E., Adeeba, H., Krishna, A. S. R., Yugander, P. (2017). K-means based noisy SAR image segmentation using median filtering and otsu method. 2017 International Conference on IoT and Application (ICIOT). doi: https://doi.org/10.1109/iciota.2017.8073630
  14. 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
  15. Hess, T., Sabato, S. (2020). Sequential no-Substitution k-Median-Clustering. 23rd International Conference on Artificial Intelligence and Statistics (AISTATS), 108, 962–972. Available at: https://proceedings.mlr.press/v108/hess20a.html
  16. Shah, N., Patel, D., Fränti, P. (2021). k-Means image segmentation using Mumford–Shah model. Journal of Electronic Imaging, 30 (06). doi: https://doi.org/10.1117/1.jei.30.6.063029
  17. Wang, C., Pedrycz, W., Li, Z., Zhou, M., Ge, S. S. (2021). G-Image Segmentation: Similarity-Preserving Fuzzy C-Means With Spatial Information Constraint in Wavelet Space. IEEE Transactions on Fuzzy Systems, 29 (12), 3887–3898. doi: https://doi.org/10.1109/tfuzz.2020.3029285
  18. Khosla, R. (2020). An Approach towards Neural Network based Image Clustering. Analytics Vidhya. Available at: https://www.analyticsvidhya.com/blog/2020/12/an-approach-towards-neural-network-based-image-clustering/
  19. Li, H., Li, J., Zhu, M. (2023). End-to-end unsupervised clustering neural networks for image clustering. doi: https://doi.org/10.36227/techrxiv.22147559.v2
  20. Guérin, J., Boots, B. (2018). Improving Image Clustering With Multiple Pretrained CNN Feature Extractors. Available at: https://homes.cs.washington.edu/~bboots/files/GuerinBMVC18.pdf
  21. Benito-Picazo, J., Palomo, E. J., Dominguez, E., Ramos, A. D. (2020). Image Clustering Using a Growing Neural Gas with Forbidden Regions. 2020 International Joint Conference on Neural Networks (IJCNN). doi: https://doi.org/10.1109/ijcnn48605.2020.9207700
  22. Zhang, L.-F., Li, C.-F., Wang, H.-R., Shi, M.-Y. (2018). Research On Face Image Clustering Based On Integrating Som And Spectral Clustering Algorithm. 2018 International Conference on Machine Learning and Cybernetics (ICMLC). doi: https://doi.org/10.1109/icmlc.2018.8526946
  23. Ke, S., Zhao, Y., Li, B., Wu, Z., Liu, X. (2016). Fast image clustering based on convolutional neural network and binary K-means. Eighth International Conference on Digital Image Processing (ICDIP 2016). doi: https://doi.org/10.1117/12.2244263
  24. Al-Qaisi, L., Hassonah, M. A., Al-Zoubi, M. M., Al-Zoubi, A. M. (2021). A Review of Evolutionary Data Clustering Algorithms for Image Segmentation. Algorithms for Intelligent Systems, 201–214. doi: https://doi.org/10.1007/978-981-33-4191-3_9
  25. Abeysinghe, W., Wong, M., Hung, C.-C., Bechikh, S. (2019). Multi-Objective Evolutionary Algorithm for Image Segmentation. 2019 SoutheastCon. doi: https://doi.org/10.1109/southeastcon42311.2019.9020457
  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. 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
  28. 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
  29. 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
  30. 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
  31. 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
  32. Satellite Imagery. Available at: https://www.maxar.com/products/satellite-imagery
  33. 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
  34. 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
  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
Визначення кількості кластерів на зображеннях з космічних оптико-електронних систем спостереження при використанні алгоритму k-means

##submission.downloads##

Опубліковано

2023-06-30

Як цитувати

Худов, Г. В., Маковейчук, О. М., Комаров, В. С., Худов, В. Г., Хижняк, І. А., Башинський, В. Г., Стеців, С. В., Дудар, Є. Є., Rudiy, A., & Бугера, М. Г. (2023). Визначення кількості кластерів на зображеннях з космічних оптико-електронних систем спостереження при використанні алгоритму k-means. Eastern-European Journal of Enterprise Technologies, 3(9 (123), 60–69. https://doi.org/10.15587/1729-4061.2023.282374

Номер

Том 3 № 9 (123) (2023): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2023 Hennadii Khudov, Oleksandr Makoveichuk, Volodymyr Komarov, Vladyslav Khudov, Irina Khizhnyak, Volodymyr Bashynskyi, Stanislav Stetsiv, Yevhen Dudar, Andrii Rudiy, Mykhailo Buhera

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.