Розробка методу сегментування оптико-електронного зображення з безпілотного літального апарату на основі мурашиного алгоритму в умовах впливу шуму сіль та перець
DOI:
https://doi.org/10.15587/2706-5448.2025.344562Ключові слова:
оптико-електронне зображення, сегментування, мурашиний алгоритм, шум сіль та перецьАнотація
Об’єктом дослідження є процес сегментування оптико-електронного зображення з безпілотного літального апарату на основі мурашиного алгоритму при впливі шуму сіль та перець.
Шум «сіль» та «перець» виникає внаслідок помилок передавання даних, збоїв сенсорів цифрових камер або несправностей під час запису/зчитування інформації. Він характеризується випадковою появою на зображенні окремих пікселів, значення яких дорівнює мінімальному («перець») або максимальному («сіль») рівню яскравості.
На відміну від відомих, метод сегментування оптико-електронного зображення на основі мурашиного алгоритму забезпечує сегментування зображення в умовах впливу шуму сіль та перець та передбачає:
– ініціалізацію початкових параметрів;
– обчислення довжини відрізка шляху агентів;
– обчислення привабливості маршруту для агента;
– оновлення концентрації феромону;
– обчислення ймовірності переходу агентів;
– розрахунок цільової функції;
– переміщення агентів;
– визначення найкращого маршруту агентів.
Експериментальні дослідження показали, що метод сегментування на основі мурашиного алгоритму забезпечує зниження помилок сегментування першого роду в середньому:
– при відсутності шуму сіль та перець – 4%;
– при інтенсивності шуму сіль та перець σ = 5–21%;
– при інтенсивності шуму сіль та перець σ = 15–10%.
Метод сегментування на основі мурашиного алгоритму забезпечує зниження помилок сегментування другого роду в середньому:
– при відсутності шуму сіль та перець – 3%;
– при інтенсивності шуму сіль та перець σ = 5–15%;
– при інтенсивності шуму сіль та перець σ = 15–6%.
Практичне значення методу сегментування на основі мурашиного алгоритму полягає у забезпеченні якісного сегментування зображення в умовах впливу шуму сіль та перець.
Спонсор дослідження
- Дослідження проводилося за рахунок грантової підтримки Національного фонду досліджень України в рамках конкурсу «Наука для зміцнення обороноздатності України», проект «Інформаційна технологія автоматизованого сегментування зображень об’єктів в системах націлювання ударних FPV-дронів на основі алгоритмів ройового інтелекту», реєстраційний номер 2023.04/0153.
Посилання
- Zhang, Z., Zhu, L. (2023). A Review on Unmanned Aerial Vehicle Remote Sensing: Platforms, Sensors, Data Processing Methods, and Applications. Drones, 7 (6), 398. https://doi.org/10.3390/drones7060398
- Nersisyan, G. (2024). Upcoming Military Applications of Unmanned Aerial Vehicles with Digital Cameras and Other Sensors. Journal of Student Research, 13 (1). https://doi.org/10.47611/jsr.v13i1.2378
- Bazrafkan, A., Igathinathane, C., Bandillo, N., Flores, P. (2025). Optimizing integration techniques for UAS and satellite image data in precision agriculture – a review. Frontiers in Remote Sensing, 6. https://doi.org/10.3389/frsen.2025.1622884
- Bovik, A. C. (2010). Handbook of Image and Video Processing. Massachusetts: Academic Press, 1384. Available at: https://books.google.com.ua/books/about/Handbook_of_Image_and_Video_Processing.html?id=UM_GCfJe88sC&redir_esc=y
- Bishop, C. M. (2016). Pattern Recognition and Machine Learning (Information Science and Statistics). Springer, 778. Available at: https://books.google.com.ua/books/about/Pattern_Recognition_and_Machine_Learning.html?hl=ru&id=kOXDtAEACAAJ&redir_esc=y
- Khudov, H., Ruban, I., Makoveichuk, O., Stepanenko, Y., Khizhnyak, I., Glukhov, S. et al. (2021). Improved Imaging Model in the Presence of Multiplicative Spatially Extended Cloaking Interference. International Journal of Emerging Technology and Advanced Engineering, 11 (11), 189–198. https://doi.org/10.46338/ijetae1121_22
- Khudov, H., Makoveichuk, O., Misiuk, D., Butko, I., Khizhnyak, I., Shamrai, N. (2021). The Visual Information Structures Formation Model for the Visual Information Systems Processing. 2021 IEEE 3rd International Conference on Advanced Trends in Information Theory (ATIT). Kyiv, 15–19. https://doi.org/10.1109/atit54053.2021.9678806
- Babak, V., Zaporozhets, A., Kuts, Y., Fryz, M., Scherbak, L. (2025). Noise signals: Modelling and Analyses. Cham: Springer, 222. https://doi.org/10.1007/978-3-031-71093-3
- Wang, C., Pedrycz, W., Li, Z., Zhou, M. (2021). Residual-driven Fuzzy C-Means Clustering for Image Segmentation. IEEE/CAA Journal of Automatica Sinica, 8 (4), 876–889. https://doi.org/10.1109/jas.2020.1003420
- Rahman, A., Ali, H., Badshah, N., Zakarya, M., Hussain, H., Rahman, I. U. et al. (2022). Power Mean Based Image Segmentation in the Presence of Noise. https://doi.org/10.21203/rs.3.rs-1204261/v1
- Wang, Z., Zhao, Z., Guo, E., Zhou, L. (2023). Clean Label Disentangling for Medical Image Segmentation with Noisy Labels. arXiv:2311.16580v1. https://doi.org/10.48550/arXiv.2311.16580
- Wang, L., Guo, D., Wang, G., Zhang, S. (2021). Annotation-Efficient Learning for Medical Image Segmentation Based on Noisy Pseudo Labels and Adversarial Learning. IEEE Transactions on Medical Imaging, 40 (10), 2795–2807. https://doi.org/10.1109/tmi.2020.3047807
- Benfenati, A., Catozzi, A., Franchini, G., Porta, F. (2026). Unsupervised noisy image segmentation using Deep Image Prior. Mathematics and Computers in Simulation, 239, 986–1003. https://doi.org/10.1016/j.matcom.2025.07.052
- Zhang, X. (2023). Image denoising and segmentation model construction based on IWOA-PCNN. Scientific Reports, 13 (1). https://doi.org/10.1038/s41598-023-47089-6
- Gadetska, S., Dubnitskiy, V., Kushneruk, Y., Ponochovnyi, Y., Khodyrev, A. (2025). Determination of parameter-limited estimates of extreme value distributions and modeling of conditions for their occurrence using STATGRAPHICS and MATLAB. Advanced Information Systems, 9 (3), 32–41. https://doi.org/10.20998/2522-9052.2025.3.04
- Ruban, I., Khudov, H., Khudov, V., Makoveichuk, O., Khizhnyak, I., Shamrai, N. et al. (2025). Development of an image segmentation method from unmanned aerial vehicles based on the ant colony algorithm under the influence of speckle noise. Technology Audit and Production Reserves, 4 (2 (84)), 80–86. https://doi.org/10.15587/2706-5448.2025.334993
- Gonzalez, R., Woods, R. E. (2002). Digital Image Processing. Prentice Hall. Available at: https://uodiyala.edu.iq/uploads/PDF%20ELIBRARY%20UODIYALA/EL31/(%20DSP%20Book)%20-%20Gonzalez%20e%20Woods%20-%20Digital%20Image%20Processing%20(2nd%20ed)%20-%20Prentice%20Hall%202002%20(the%20only.pdf
- Dorigo, M., Stutzle, T. (2004). Ant Colony Optimization. Cambridge: MIT Press. https://doi.org/10.7551/mitpress/1290.001.0001
- Khudov, H., Hridasov, I., Khizhnyak, I., Yuzova, I., Solomonenko, Y. (2024). Segmentation of image from a first-person-view unmanned aerial vehicle based on a simple ant algorithm. Eastern-European Journal of Enterprise Technologies, 4 (9 (130)), 44–55. https://doi.org/10.15587/1729-4061.2024.310372
- Bezkoshtovnі resursi BPLA. PortalGIS.pro. Available at: https://portalgis.pro/bpla/bezkoshtovni-resursy-bpla
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Igor Ruban, Hennadii Khudov, Vladyslav Khudov, Oleksandr Makoveichuk, Irina Khizhnyak, Ihor Butko, Andrii Hryzo, Rostyslav Khudov, Petro Mynko, Oleksii Baranik
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.
