Preview

Радиопромышленность

Расширенный поиск

Многопороговая селекция объектов на изображениях в системах дистанционного наблюдения

https://doi.org/10.21778/2413-9599-2019-29-2-76-88

Полный текст:

Аннотация

Цель работы – повышение эффективности селекции объектов различной природы на цифровых монохромных изображениях, формируемых в системах дистанционного наблюдения. Для этого в структуру многопороговой обработки вводятся алгоритмы формирования признаков объектов, относительно которых задаются граничные значения. Предложены новые схемы многопороговой обработки и селекции объектов интереса с установкой порога по результатам селекции. Получены и опробованы алгоритмы многопороговой селекции объектов по площади и по другим масштабно-инвариантным геометрическим признакам, таким как коэффициент удлинения периметра объекта и коэффициент удлинения главной оси описывающего эллипса. Порог бинаризации устанавливается для каждого из селектируемых объектов исходя из экстремума применяемого геометрического критерия. Используемые новые инвариантные геометрические признаки различаются для круглых и удлиненных объектов и обеспечивают независимость характеристик при изменениях масштаба изображения. Представлены результаты обработки типовых моделей изображений, а также результаты селекции объектов на реальных телевизионных и инфракрасных изображениях, показывающие эффективность предложенного метода селекции.

Об авторах

В. Ю. Волков
АО «Научно-производственное предприятие «Радар ммс»; Санкт-Петербургский государственный электротехнический университет «ЛЭТИ»; Санкт-Петербургский государственный университет аэрокосмического приборостроения
Россия

Волков Владимир Юрьевич, д.т.н., профессор, начальник Учебно-методического центра

197375, Санкт-Петербург, ул. Новосельковская, д.37, лит. А., тел.: +7 (905) 280-87-81



М. И. Богачев
Санкт-Петербургский государственный электротехнический университет «ЛЭТИ»
Россия

Богачев Михаил Игоревич, к.т.н., доцент, ведущий научный сотрудник кафедры Радиотехнических систем

197376, Санкт-Петербург, ул. Профессора Попова, 5, тел.: +7 (911) 721-45-78



О. А. Маркелов
Санкт-Петербургский государственный электротехнический университет «ЛЭТИ»
Россия

Маркелов Олег Александрович, к.т.н., доцент

197376, Санкт-Петербург, ул. Профессора Попова, 5, тел.: +7 (921) 989-79-84



Список литературы

1. Blaschke T. Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, vol. 65, iss. 1, pp. 2–16.

2. Lang S., Baraldi A., Tiedel D., Hay G., Blaschke T. Towards a (GE)OBIA 2.0 manifesto – achievements and open challenges in information & knowledge extraction from big Earth data. Conference GEOBIA 2018, Montpellier, 18–22 June 2018, pp. 30–42.

3. Gao G. Statistical modeling of SAR images: A Survey. Sensors, 2010, vol. 10, pp. 775–795. DOI: 10.3390/s100100775.

4. Горелик А. Л., Кривошеев Ю. Л., Эпштейн С. С. Селекция и распознавание на основе локационной информации. М: Радио и связь, 1990. 240 с.

5. Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход. М.: Вильямс, 2004, 928 с.

6. Обработка и анализ изображений в задачах машинного зрения / Ю.В. Визильтер, С.Ю. Желтов, А.В. Бондаренко, M.B. Ососков. А.В. Mopжин. М.: Физматкнига, 2010. 689 c.

7. Zhou W., Troy A. An Object-Oriented Approach for Analyzing and Characterizing Urban Landscape at the Parcel Level. International Journal of Remote Sensing, 2008, vol. 29, no. 11, pp. 3119–3135.

8. Gu H., Han Y., Yang Y., Li H., Liu Z., Soergel U., Blaschke T., Cui S. An efficient parallel multi-scale segmentation method for remote sensing imagery. Remote Sensing, 2018, no. 10(4), p. 590. DOI: 10.3390/rs10040590.

9. Cheng J., Tsai Y., Hung W., Wang S., Yang M. Fast and accurate online video object segmentation via tracking parts. Proceedings of the 2018 IEEE Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT USA, 2018, pp. 7415–7424.

10. Wang M. A multiresolution remotely sensed image segmentation method combining rainfalling watershed algorithm and fast region merging. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part B4. Beijing 2008, pp. 1–25.

11. Arora S., Acharya J., Verma A., Panigrahi P. K. Multilevel thresholding for image segmentation through a fast statistical recursive algorithm. Pattern Recognition Letters 29, 2008, pp. 119–125.

12. Yang J., Yang Y., Yu W., Feng J. Multi-threshold Image Segmentation based on K-means and Firefly Algorithm. Proceedings of the 3rd International Conference on Multimedia Technology. Proc. ICMT-13, 2013, Atlantis Press, pp. 134–142.

13. Priyanka P., Vasudevarao K., Sunitha Y., Sridhar B. A. Multi level fuzzy threshold image segmentation method for industrial applications. IOSR Journal of Electronics and Communication Engineering (IOSR-JECE), 2017, Vol. 12, Iss. 2, pp. 6–17. DOI: 10.9790/2834–1202030617.

14. Banimelhem O., Yahya Y. Multi-thresholding image segmentation using genetic algorithm. Proc. IPCV, 2012, pp. 1–5.

15. Cuevas E., González A., Fausto F., Zaldívar D., Pérez-Cisneros M. Multithreshold Segmentation by Using an Algorithm Based on the Behavior of Locust Swarms. Hindawi Publishing Corporation. Mathematical Problems in Engineering, vol. 2015, article ID805357, 25 p.

16. Volkov V. Y. Extraction of extended small-scale objects in digital images. Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., XL-5/ W6, 2015, pp. 87–93 [Электронный ресурс]. URL: https://www.int-arch-photogramm-remote-sens-spatial-inf-sci.net/XL-5-W6/87/2015/ (дата обращения: 23.04.2019).

17. Bogachev M., Volkov V., Markelov O., Trizna E., Baydamshina D., Melnikov V., Murtazina R., Zelenikhin P., Sharafutdinov I., Kayumov A. Fast and simple tool for the quantification of biofilm-embedded cells sub-populations from fluorescent microscopic images. PLoS One, 2018, vol. 13, iss. 3, p. e0192022 [Электронный ресурс]. URL: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0193267 (дата обращения: 26.04.2019).

18. Волков В. Ю. Адаптивное выделение мелких объектов на цифровых изображениях // Изв. вузов России. Радиоэлектроника. 2017. № 1. С. 17–28.

19. Волков В. Ю. Адаптивные и инвариантные алгоритмы обнаружения объектов на изображениях и их моделирование в Matlab. СПб.; М.; Краснодар: Лань, 2014. 191 с.

20. Клюев Н. Ф. Обнаружение импульсных сигналов с помощью накопителей дискретного действия. М.: Советское радио, 1963. 121 с.


Для цитирования:


Волков В.Ю., Богачев М.И., Маркелов О.А. Многопороговая селекция объектов на изображениях в системах дистанционного наблюдения. Радиопромышленность. 2019;29(2):76-88. https://doi.org/10.21778/2413-9599-2019-29-2-76-88

For citation:


Volkov V.Y., Bogachev M.I., Markelov O.A. Multi-threshold object selection in images of remote sensing systems. Radio industry (Russia). 2019;29(2):76-88. (In Russ.) https://doi.org/10.21778/2413-9599-2019-29-2-76-88

Просмотров: 38


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2413-9599 (Print)
ISSN 2541-870X (Online)