Применение базисных функций для повышения вероятности распознавания малоразмерных объектов с использованием методов субполосного анализа изображений. Методы обработки изображений Для распознавания объектов
Аннотация
В статье проанализированы существующие методы обнаружения малоразмерных объектов по изображениям в каналах технического зрения на фоне шумов. Показано, что метод обнаружения изображений малоразмерных объектов, основанный на вычислении отношения правдоподобия с использованием оценки математического ожидания выборок пространственно-субполосных векторов и их ковариационных матриц, является перспективным для дальнейших исследований. Для решения задачи обнаружения малоразмерных объектов по изображениям каналов технического зрения, а также для подготовки данных для последующих этапов (распознавания и идентификации в качестве основного инструмента) предлагается метод субполосного анализа на основе применения новых базисных функций. Проведена экспериментальная оценка качества обнаружения малоразмерных объектов вышеописанным методом, из которой следует, что приемлемые показатели вероятности правильного обнаружения (0,95) при вероятности ложной тревоги 10^−4 достигаются при отношении сигнал /шум более 14. Исходя из того, что шум на изображениях не всегда является статически независимым и аддитивным, оценка влияния пространственных спектральных характеристик шума подлежит дальнейшему исследованию. Проведён анализ влияния статистически независимого аддитивного шумового процесса на показатели качества обнаружения и распознавания. При этом использован набор исходных изображений, содержащих изображения малоразмерных объектов вида беспилотных летательных аппаратов. Для поиска объекта на анализируемом изображении использовалось его эталонное изображение. В ходе проведенного исследования установлено, что семейство зависимостей вероятности правильного обнаружения от отношения сигнал /шум с учетом заданной вероятности ложной тревоги при воздействии аддитивного белого шума является классическим видом, характерным для алгоритмов обнаружения объектов. Выявлено необходимое отношение сигнал / шум, которое позволяет достигнуть приемлемой вероятности правильного обнаружения.
Литература
A. S. Krupskii, A. A. Nemerov, and S. S.Kulbaev, “Klassifikatsiya zadach po rabote s izobrazheniyami” [Classification of image manipulation tasks], Fundamental’nye i prikladnye issledovaniya, no. 16, pp. 130–132, 2014 (in Russian).
L. N. Chaban, Avtomatizirovannaya obrabotka aerokosmicheskoi informatsii pri kartografirovanii geoprostranstvennykh dannykh. Tutorial [Automated processing of aerospace information in geospatial data mapping. Tutorial], Moscow: MIIGAiK, 2013 (in Russian).
K. Sreedhar and B. Panlal, “Enhancement of Images Using Morphological Transformations,” International Journal of Computer Science & Information Technology (IJCSIT), vol 4, no. 1, pp. 33–50, 2012.
N. H. Farhat and B. J. Levin, “Image Dissection and Conversion at NonvisibleWavelengths,” Appl. Opt., vol. 9, pp. 765–769, 1970.
T. Celik and T. Tjahjadi, “Automatic Image Equalization and Contrast Enhancement Using Gaussian Mixture Modeling,” Transactions on Image Processing. IEEE, vol. 21, no. 1, pp. 145–156, 2012.
A. I. Efimov, “Razrabotka i issledovanie algoritmov sovmeshcheniya izobrazhenii ot bortovykh videodatchikov s virtual’noi model’yu mestnosti,” Dissertation of Candidate of Technical Sciences: 05.13.17, Ryazan State Radio Engineering University, Ryazan, Russia, 2016 (in Russian).
A. I. Efimov and A. I. Novikov, “Programmno-algoritmicheskii kompleks sovmeshcheniya izobrazheniiv aviatsionnykh sistemakh tekhnicheskogo zreniya” [Program-algorithmic complex of safety assurance in aviation vision systems], in Proc of the III International Conference on Information Technology and Nanotechnology (ITNT-2017), Samara: Novaya tekhnika, pp. 400–409, 2017 (in Russian).
W. Chen et al., “MR–CT image fusion method of intracranial tumors based on Res2Net,” BMC Medical Imaging, vol. 24, no. 1, 2024; doi:10.1186/s12880-024-01329-x
Q. Wang et al., “Image Fusion Method Based on Snake Visual Imaging Mechanism and PCNN,” Sensors, vol. 24, no. 10, p. 3077, 2024; doi:10.3390/s24103077
S. Anand and R. Sharma, “Pansharpening and spatiotemporal image fusion method for remote sensing,” Engineering Research Express, vol. 6, no. 2, p. 022201, 2024; doi:10.1088/2631-8695/ad3a34
M. Sun et al., “Multi-modal remote sensing image fusion method guided by local extremum mapsguided image filter,” Signal, Image and Video Processing, vol. 18, no. 5, pp. 4375–4383, 2024; doi:10.1007/s11760-024-03079-3
Z.-H Li et al., “Image registration algorithm for infrared and visible images based on contour polygon fitting,” Systems Engineering and Electronics, vol. 37, pp. 2872–2878, 2015.
V. I. Syryamkin and V. S. Shidlovskii, Korrelyatsionnoekstremal’nye radionavigatsionnye sistemy [Correlation-extreme radionavigation systems], Tomsk, Russia: Izd-vo Tom. un-ta. 2010 (in Russian).
B. A. Alpatov, P. V. Babayan, O. E. Balashov, A. A. Barantsev, and A. B. Fel’dman “Tekhnologiya analiza izobrazhenii dlya sistem tekhnicheskogo zreniya letatel’nykh apparatov,” [Image analysis technology for the system of technical zoning of flight vehicles], Izvestiya Yuzhnogo federal’nogo universiteta. Tekhnicheskie nauki, no. 2 (175), pp. 148–158, 2016 (in Russian).
B. A. Alpatov, P. V. Babayan, and V. V. Strotov, “Analiz tochnostnykh kharakteristik metodov slezheniya za fonovym izobrazheniem dlya bortovoi videoinformatsionnoi sistemy” [Accurate characterization analysis of background image sleep methods for an on-board video information system], Vestnik RGRTA, no. 20, pp. 3–10, 2007 (in Russian).
A. B. Fel’dman and D. Yu. Erokhin, “Kompleks algoritmov vydeleniya i proslezhivaniya dvizhushchikhsya ob"ektov dlya bortovoi sistemy tekhnicheskogo zreniya,” Tsifrovaya obrabotka signalov, no. 3, pp. 8–14, 2016 (in Russian).
A. N. Pavlov, “Veivlet-analiz i primery ego primeneniya” [Wavelet analysis and ego-application fitting], Obzory aktual’nykh problem nelineinoi dinamiki, vol. 17, no. 5, pp. 99–111, 2009.
A. K. Samantarayet at al, “An Effective Image Enhancement Algorithm for Single Image Haze Removal Based on Daubechies Wavelet Filter Bank,” Advances in Data-Driven Computing and Intelligent Systems, pp. 251–259, 2024; doi:10.1007/978-981-99-9531-8_20
M. Wu and Y. Hou, “Discrete Wavelet Analysis: A Mighty Approach for Image Segmentation,” EAI Endorsed Transactions on e-Learning, vol. 9, 2023; doi:10.4108/eetel.4266
E. G. Zhilyakov, I. I. Lubkov, and E. V. Bolgova, “Analiz i approksimatsiya funktsii po empiricheskim dannym na osnove subpolosnykh predstavlenii” [Analysis and approximation of functions by empirical data based on subband predictions], Economics. Information Technologies, vol. 49, no. 4, pp. 833–853, 2022 (in Russian).
E. G. Zhilyakov and A. A. Chernomorets, “O subpolosnom analize izobrazhenii” [On subband image analysis], in Proc. of 23rd International Conference on Computer Graphics and Vision, Sep. 16-20, 2013, Vladivostok, Russia, pp. 230–233, 2013 (in Russian).
A. A. Chernomorets, “Ob optimal’nom vydelenii subpolosnykh komponent izobrazhenii,” [On optimal extraction of subband components of an image], in Proc. of 23rd International Conference on Computer Graphics and Vision, Sep. 30 – Oct. 3, 2014, Rostov-on-Don, Russia, pp. 75–78, 2014 (in Russian).
E. G. Zhilyakov, A. A. Chernomorets, and A. N. Zalivin, “Ob effektivnosti metoda otsenivaniya znachenii dolei energii izobrazhenii na osnove chastotnykh predstavlenii” [Ob effektivnosti metoda otsenivaniya znachenii dolei energii izobrazhenii na osnove chastotnykh predstavlenii], Izvestiya OrelGTU. Informatsionnye sistemy i tekhnologii, vol. 2/52, no. 563, pp. 12–22, 2009 (in Russian).
E. G. Zhilyakov and A. A. Chernomorets, “O chastotnom analize izobrazhenii,” Voprosy radioelektroniki. Ser. EVT., vol. 1, pp. 94–103, 2010 (in Russian).
E. G. Zhilyakov and A. A. Chernomorets, “Ob optimal’nom vydelenii subpolosnykh komponent izobrazhenii,” [On optimal extraction of subband components of an image], Informatsionnye sistemy i tekhnologii, no. 1 (75), pp. 5–11, 2013 (in Russian).
I. I. Lubkov, E. G. Zhilyakov, D. I. Trubitsyna, and A. N. Zalivin, “Razrabotka metoda subpolosnogo szhatiya izobrazhenii” [Development of a method for subband image storage], Economics. Information Technologies, no. 49(1), pp. 195–204, 2022 (in Russian).
D. A. Chernomorets, V. M. Mikhelev, E. V. Bolgova, and A. A. Chronometers, “Subpolosnyi analiz izobrazhenii morskoi poverkhnosti na osnove kosinus-preobrazovaniya,” [Subband analysis of moral surface images based on cosine transformer], Nauchno-tekhnicheskii vestnik informatsionnykh tekhnologii, mekhaniki i optiki, vol. 19, no. 6, pp. 1072–1078, 2019.
L.-T. Ko et al., “A Unified Algorithm for Subband-Based Discrete Cosine Transform,” Mathematical Problems in Engineering, vol. 2012, no. 1, 2011; doi:10.1155/2012/912194
D. Mukherjee, “Parallel implementation of discrete cosine transform and its inverse for image compression applications,” The Journal of Supercomputing, vol. 80, no. 16, pp. 23712–23735, 2024; doi:10.1007/s11227-024-06343-y
S. V. Narasimhan, M. Harish, A. R. Haripriya, and N. Basumallick, “Discrete cosine harmonic wavelet transform and its application to signal compression and subband spectral estimation using modified group delay,” Signal, Image and Video Processing, vol. 3, no. 1, pp. 85–99, 2008; doi:10.1007/s11760-008-0062-7
V. A. Goloshchapova, A. N. Zalivin, E. M. Mamatov, and I. I. Oleinik, “Eksperimental’nye issledovaniya po raspoznavaniyu malorazmernykh ob"ektov na videoizobrazheniyakh pri ispol’zovanii mnogomernykh prostranstvenno-subpolosnykh vektorov” [Experimental studies on detecting malignant objects in video recordings when performing multidimensional spatial-subband vectors], Economics. Information Technologies, vol. 49, no. 2, pp. 432–440, 2022 (in Russian).
I. I. Oleinik, “Issledovanie reshayushchikh pravil raspoznavaniya ob"ektov v malobazovoi polyarizatsionnoi izmeritel’noi sisteme pri subpolosnoi obrabotke signalov” [Investigation of decisive rules for propagation of information about “ects” in small-base polyarization measurement system at subband signal processing], Economics. Information Technologies, vol. 47, no. 3, pp. 648–660, 2020 (in Russian).
I. I. Oleinik, “Predstavlenie signalov pri obrabotke informatsii v malobazovoi polyarizatsionnoi izmeritel’noi sisteme” [Signal propagation during information processing in a small-baseline polyarization measurement system], Economics. Information Technologies, vol. 47, no. 2, pp. 423–431, 2020 (in Russian).
E. V. Burdanova, E. G. Zhilyakov, I. I. Oleynik, A. V. Mamatov, and A. N. Nemtsev, “Decisive rule experimental studies to detect objects on the background of the earth surface using polarization differences of radar signals,” OMPUSOFT, An international journal of advanced computer technology, vol. 8, no. 6, pp. 3166–3170, 2019.
A. A. Chernomorets, E. V. Bolgova, and D. A. Chernomorets, “O kvazisubpolosnykh matritsakh kosinuspreobrazovaniya” [On quasi-subband cosine transform matrices], Nauchnyi rezul’tat. Informatsionnye tekhnologii, vol. 4, no. 3, pp. 11–19, 2019 (in Russian).
E. G. Zhilyakov, “Optimal’nye subpolosnye metody analiza i sinteza signalov konechnoi dlitel’nosti” [Optimal subband methods for analysis and synthesis of finite duration signals], Automation and Remote Control, no. 4, pp. 51–66, 2015 (in Russian).
E. G. Zhilyakov, S. P. Belov, I. I. Oleinik, and E. I. Prokhorenko, “Regularization of Inverse Signal Recovery Problems,” HELIX the Scientific Explorer, vol. 9 (2), pp. 4883–4889, 2019.
I. I. Oleynik and A. N. Tsurkan, “Calibration of video surveillance systems using multidimensional information representations,” in Proc. of Materials of the International Conference “Process Management and Scientific Developments” (Birmingham, United Kingdom, May 2, 2020), pp. 260–265, 2020.
Материал публикуется под лицензией:
