КОМПЛЕКСНА МЕТОДИКА ПОПЕРЕДНЬОЇ ОБРОБКИ ДАНИХ ФОТОРЕЄСТРАЦІЇ UAV У РЕЖИМІ РЕАЛЬНОГО ЧАСУ
DOI:
https://doi.org/10.32689/maup.it.2024.3.1Ключові слова:
попередня обробка зображення, безпілотні літальні пристрої, статистичний шум, морфологічні методи, зв’язні компоненти зображення, алгоритм з адаптивним порогом, сегментація матриці зображенняАнотація
У статті проведено аналіз сучасних підходів, що використовуються на етапі попередньої обробки даних фотореєстрації безпілотних літальних пристроїв програмними алгоритмами. Продовжено розробку проблеми ефективної обробки великих масивів потокових даних систем фотореєстрації безпілотного літального пристрою у режимі реального часу за умов обмеженого обчислювального ресурсу. Метою роботи є побудова цілісної методики відновлення та попередньої сегментації матриці цифрового зображення програмними методами у відповідності до адитивної колірної схеми системи фотореєстрації без включення у дослідження методів компенсації оптичних аберацій системи фотореєстрації та просторової фільтрації вхідних даних. Методологія. Використано комплексний підхід до обробки цифрових зображень, що включає етапи попередньої обробки (PRIP), відновлення та кластеризації матриці зображення з адаптацією до обмежень обчислювальних ресурсів апаратно-програмної платформи. Для обробки використовуються порогові та морфологічні методи, які забезпечують попередню сегментацію і фільтрацію шумів, а також класифікацію та виділення зв’язних компонент у зображеннях. Наукова новизна полягає у тому, що розроблено підхід щодо послідовного застосування процедур ерозії та дилатації для видалення шумів, збереження границь важливих елементів, а також алгоритм для виділення границь зображень через різницю між вихідним зображенням та результатом ерозії у залежності від колірної схеми зображення. Запропоновано триетапний підхід для алгоритму сегментації кольорового зображення, який включає виявлення розривів у границях, порогову обробку та обробку областей. Обмеження кількості сегментів пропонується проводити шляхом введення маркерів. Висновки. Основна увага була приділена моделюванню та фільтрації шумів, які виникають через типові обмеження системи фотореєстрації та оптичні властивості середовища. Проаналізовано базові процедури попередньої обробки бінарних зображень, такі як дилатація, ерозія та виділення границь, на основі логічних операторів та примітивів корекції. Представлено особливості застосування порогових методів попередньої обробки зображень як простого і ефективного підходу для поділу зображення на області. Розроблено схему для реалізації алгоритму обробки кольорового зображення з глобальним порогом, яка включає етапи початкової оцінки порогу, його корекції та повторної перевірки до досягнення заданої точності. На останньому етапі проаналізовано методи попередньої сегментації зображення методом водоподілу.
Посилання
A UAV Detection Algorithm Based on an Artificial Neural Network / Zhang H., Cao C., Xu L., Gulliver T. A. IEEE Access. 2018. № 6. P. 24720–24728.
Bomfin R., Chafii M., Fettweis G. Performance assessment of orthogonal Chirp Division Multiplexing in MIMO space time coding. 2019 IEEE 2nd 5G World Forum (5GWF). 2019. DOI: https://doi.org/10.1109/5gwf.2019.8911635.
Collins W. Tracking Extremes in Exascale Simulations Utilizing Exascale Platforms. Exascale Systems. 2021. DOI: https://doi.org/10.2172/1769788.
Deep Sat V2: feature augmented convolutional neural nets for satellite image classification / Liu Q., Basu S., Ganguly S., Mukhopadhyay S., DiBiano R., Karki M., Nemani R. Remote Sensing Letters. 2019. № 11 (2). P. 156–165.
Dinc S., Parra L. A three-layer spatial-spectral hyperspectral image classification model using guided median filters. Proceedings of the 2021 ACM Southeast Conference. 2021. № 7. P. 122–129. DOI: https://doi.org/10.1145/3409334.3452045.
Feng L., Wang J. Research on image denoising algorithm based on improved wavelet threshold and non-local mean filtering. 2021 IEEE 6th International Conference on Signal and Image Processing (ICSIP). 2021. P. 493–497. DOI: https://doi.org/10.1109/icsip52628.2021.9688900.
Huang C., Nguyen M. X-Ray Enhancement Based on Component Attenuation, Contrast Adjustment, and Image Fusion. IEEE Transactions on Image Processing. 2019. № 28 (1). P. 127–141. DOI: 10.1109/tip.2018.2865637.
Huang C., Nguyen M. X-Ray Enhancement Based on Component Attenuation, Contrast Adjustment, and Image Fusion. IEEE Transactions on Image Processing. 2019. № 28 (1). P. 127–141. DOI: 10.1109/tip.2018.2865637.
Karim T., Tasneem T. Analytical Adjustment of Image Contrast. International Journal of Computer Applications. 2014. № 98 (20). P. 44–49. DOI: 10.5120/17303–7794.
Kim Y. W. Multi-GPU server design parameters selection based on empirical observation of HPL behavior. 2021 36th International Technical Conference on Circuits / Systems, Computers and Communications (ITC-CSCC). 2021. P. 1–4. DOI: https://doi.org/10.1109/itc-cscc52171.2021.9501469.
Lake B. M., Salakhutdinov R., Tenenbaum J. B. Human-level concept learning through probabilistic program induction. Science. 2015. № 350 (6266). P. 1332–1338.
Lee S., Kim T., Choi Y. Pseudo-RGB-based place recognition through thermal-to-RGB image translation. Journal of Korea Robotics Society. 2023. № 18 (1). P. 48–52. DOI: https://doi.org/10.7746/jkros.2023.18.1.048.
Purwono N., Syetiawan A. Application of UAV with fish-eye lenses camera for 3D surface model reconstruction application of UAV with fish-eye lenses camera for 3D Surface Model Reconstruction. Geoplanning: Journal of Geomatics and Planning. 2018. № 5 (1). P. 115. DOI: https://doi.org/10.14710/geoplanning.5.1.115–130.
Ren Y., Tang L. A nonconvex and nonsmooth anisotropic total variation model for image noise and blur removal. Multimedia Tools and Applications. 2019. № 79 (1–2). P. 1445–1473. DOI: 10.1007/s11042–019–08179–8.
Seelamantula C. S., Blu T. Image denoising in multiplicative noise. 2015 IEEE International Conference on Image Processing (ICIP). 2015. DOI: 10.1109/icip.2015.7351056.
Sone Y., Yamamoto S. Latest trends in 400 – and beyond 400-GBit / s ethernet standardization in IEEE 802.3. NTT Technical Review. 2021. № 19 (10). P. 61–66. DOI: https://doi.org/10.53829/ntr202110gls.
Suzuki Y., Ozaki T. Stacked Denoising Autoencoder-Based Deep Collaborative Filtering Using the Change of Similarity. 2017 31st International Conference on Advanced Information Networking and Applications Workshops (WAINA). 2017. DOI: 10.1109/waina.2017.72.
Vincent L., Heijmans H. Graph Morphology in Image Analysis. Mathematical Morphology in Image Processing. 2018. P. 170–203. DOI: 10.1201/9781482277234–6.
Wierzbicki D. Multi-camera Imaging System for UAV photogrammetry. Sensors. 2018. № 18 (8). P. 2433. DOI: https://doi.org/10.3390/s18082433.
Zghidi H., Świtoński A., Drążek G. Multispectralimage filtering using the mean shift algorithm. AIP Conference Proceedings. 2015. № 1648. P. 850057. DOI: https://doi.org/10.1063/1.4913112.
Zhang C., Liu W., Xing W. Color image enhancement based on local spatial homomorphic filtering and gradient domain variance guided image filtering. Journal of Electronic Imaging. 2018. № 27 (06). P. 1. DOI: 10.1117/1.jei.27.6.063026.