АНАЛІЗ ШЛЯХІВ ВИРІШЕННЯ ПРОБЛЕМИ СЕГМЕНТАЦІЇ ВИСОКОТЕКСТУРОВАНИХ ОБ’ЄКТІВ

Світлана Іванівна Березіна; Юрій Олексійович Гордієнко; Олексій Іванович Солонець

doi:10.46972/2076-1546.2019.17.03

Автор(и)

Світлана Іванівна Березіна Науковий центр Повітряних Сил Харківського національного університету Повітряних Сил імені Івана Кожедуба, Ukraine
Юрій Олексійович Гордієнко Житомирський військовий інститут імені С. П. Корольова, Ukraine
Олексій Іванович Солонець Науковий центр Повітряних Сил Харківського національного університету Повітряних Сил імені Івана Кожедуба, Ukraine

DOI:

https://doi.org/10.46972/2076-1546.2019.17.03

Ключові слова:

сегментування зображення, дешифрування зображення, кластеризація колірного простору, текстурні ознаки, контуропідкреслювальні фільтри, поле фрактальної розмірності

Анотація

Підвищення оперативності та достовірності обробки даних аерокосмічного знімання безпосередньо пов’язане з вирішенням завдання автоматизації процесу дешифрування, що досягається мінімізацією зон пошуку, виявленням замаскованих об’єктів та визначенням динаміки змін у районах спостереження. Першочерговим етапом, що визначає якість автоматизованої обробки та результату дешифрування в цілому, є тематичне сегментування зображення, у процесі якого необхідно враховувати наявність значної кількості текстурованих об’єктів. У статті проаналізовано шляхи вирішення проблеми сегментації високотекстурованих об’єктів, які мають великий діапазон зміни можливих значень кольору. Дослідження проводилися щодо виокремлення лісових масивів і поодиноких насаджень від луки, степу тощо, які мають аналогічні колірні характеристики, але відрізняються текстурою, а також житлових масивів від лісових, яким притаманні однакові розміри зерна текстури та різні колірні характеристики. Досліджено: метод опису текстури, який ґрунтується на обчисленні кількості перепадів яскравості на одиницю площі зображення; метод опису й виміру текстури, що характеризується довжиною серії; методи опису текстури, що базуються на обчисленні їх фрактальної розмірності. Для можливості опису текстури різними методами, у першу чергу, встановлено апертуру вікна аналізу, яка забезпечує відокремлення різних класів об’єктів. Проаналізовані методи опису текстури показали в будь-якому випадку наявність зон помилкової ідентифікації на результуючих зображеннях. Визначено, що найкращий результат отримано в разі використання методу опису й виміру текстури, який ґрунтується на обчисленні кількості перепадів яскравості на одиницю площі зображення, та методу опису текстури на основі обчислення її фрактальної розмірності за методом знаходження площі піраміди покриття фрагмента зображення. Для отримання більш точної сегментної карти зображення, яке містить високотекстуровані фрагменти, запропоновано комплексування двох зазначених методів.

Біографії авторів

Світлана Іванівна Березіна, Науковий центр Повітряних Сил Харківського національного університету Повітряних Сил імені Івана Кожедуба

S. I. Berezina

Юрій Олексійович Гордієнко, Житомирський військовий інститут імені С. П. Корольова

Yu. O. Gordienko

Олексій Іванович Солонець, Науковий центр Повітряних Сил Харківського національного університету Повітряних Сил імені Івана Кожедуба

O. I. Solonets

Посилання

Khudov, V. H., Kuchuk, H. A., Makoveichuk, O. M., & Kryzhnyi, A. V. (2016). Analiz vidomykh metodiv sehmentuvannia zobrazhen, shcho otrymani z bortovykh system optyko-elektronnoho sposterezhennia [Analysis of known image segmentation techniques obtained from on-board optical-electronic surveillance systems]. Systemy obrobky informatsii [Information processing systems], 9 (146), 77–80 [in Ukrainian].

Shitova, O. V., Pukhliak, A. M., & Drob, E. M. (2014). Analiz metodov segmentatsii teksturnykh oblastei izobrazhenii v sistemakh obrabotki izobrazhenii [Analysis of segmentation methods for texture image areas in image processing systems]. Nauchnye vedomosti Belgorodskogo gos. un-ta [Scientific reports of Belgorod State University], 8 (179), Vol. 30/1, 182–188 [in Russian].

Berezina, S. I., Butenko, O. S., & Eremenko, D. V. (2014). Opredelenie posledstvii deiatel'nosti predpriiatii, zagriazniaiushchikh okruzhaiushchuiu sredu po dannym kosmicheskogo monitoring [Determination of the consequences of the activities of enterprises polluting the environment according to space monitoring]. Systemy obrobky informatsii [Information processing systems], 2 (118), 237–245 [in Russian].

Jan, F., Usman, I., Khan, S., & Malik, S. (2013). Iris localization based on the Hough transform, a radial-gradient operator, and the gray-level intensity. Optik, 124 (23), 5976–5985. https://doi.org/10.1016/j.ijleo.2013.04.116

Nixon, M., & Aguado, A. (2013). Feature Extraction and Image Processing. Elsevier Science Linacre House. Jordan Hill, Oxford.

Burge, M., & Kropatsch, W. (1999). A minimal line property preserving representation of line images. Computing, 62 (4), 355–368. https://doi.org/10.1007/s006070050029

Zenzo, S., Cinque, L., & Levialdi, S. (1996). Run-based algorithms for binary image analysis and processing. IEEE Transactions on Pattern Analysis and Machine Intelligence 18 (1), 83–89. https://doi.org/10.1109/34.476016

Khudov, V. H., Makoveichuk, O. M. (2017). Udoskonalenyi evoliutsiinyi metod sehmentuvannia bahatomasshtabnoi poslidovnosti zobrazhen, otrymanykh z kosmichnykh system optyko-elektronnoho sposterezhennia [An Advanced Evolutionary Method for Segmenting Multiscale Sequence Images from Space Optical-Electron Surveillance Systems]. Zb. nauk. prats Kharkiv. nats. un-tu. Povitrianykh Syl [Collection of scientific works Ivan Kozhedub Kharkiv National Air Force University], 3 (52), 93–97. Kharkiv: KNAFU [in Ukrainian]. https://doi.org/10.32846/2306-9716-2018-4-23-5

Krizhevsky, A., Sutskever, I., & Hinton, G. (2012). Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, 1097–1105. https://doi.org/10.1145/3065386

Long, J., Shelhamer, E., Darrell, T. (2016). Fully convolutional networks for semantic segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39 (4),

–651. https://doi.org/10.1109/tpami.2016.2572683

Prett, U. K. (1982). Tsifrovaia obrabotka izobrazhenii [Digital Image Processing]. (Vols. 1–2). Moscow: Mir [in Russian].

Tarshin, V. A., Sotnikov, A. M., & Pashchenko, R. E. (2014). Metod operativnoi podgotovki etalonov na osnove fraktal'noi obrabotki izobrazhenii s vysokoi ob"ektovoi nasyshchennost'iu [The method of operational preparation of standards based on fractal image processing with high object saturation]. Tekhnicheskoe zrenie [Technical vision], 1 (5), 2–8. Retrieved from http://magazine./ technicalvision.ru/public_ftp/ issue_1(5)/Tekh.zrenie_1_5__1.pdf [in Russian].

Pashchenko, R. E. (Ed.). (2006). Fraktal'nyi analiz protsessov, struktur i signalov [Fractal analysis of processes, structures and signals]. Kharkiv: KhOOO "NEO "Ekoperspektiva"" [in Russian].