Науковий вісник НГУ

Гомоморфна фільтрація в обробці багатоканальних цифрових зображень

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №3 2023

Останнє оновлення: 27 червня 2023

Опубліковано: 30 листопада -0001

Перегляди: 1578

Authors:

В.В.Гнатушенко*, orcid.org/0000-0003-3140-3788, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О.В.Спірінцева, orcid.org/0000-0002-5050-5985, Дніпровський національний університет імені Олеся Гончара, м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В.В.Спірінцев, orcid.org/0000-0002-0908-1180, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О.В.Кравець, orcid.org/0000-0002-3428-2232, Дніпровський національний університет імені Олеся Гончара, м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Д.В.Спірінцев, orcid.org/0000-0001-5728-6626, Мелітопольський державний педагогічний університет імені Богдана Хмельницького, м. Запоріжжя, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2023, (3): 118 - 124

https://doi.org/10.33271/nvngu/2023-3/118

Abstract:

Мета. Розробка методу попередньої обробки цифрових багатоспектральних зображень, отриманих за допомогою оптичних та інфрачервоних засобів дистанційного зондування Землі. Цей метод забезпечує інваріантність щодо геометричних і радіометричних умов фіксації геопросторових даних.

Методика. Під час вирішення задачі, пов’язаної з розробкою методу попередньої обробки цифрових багатоспектральних даних дистанційного зондування Землі, були використані методи злиття, зменшення розмірності даних, декореляції, радіометричної й геометричної корекції фотограмметричних сцен. Завдяки застосуванню гомоморфної фільтрації, було досягнуто значне збільшення інформативної значущості цих зображень за наявності шумової складової.

Результати. Розроблено метод попередньої обробки цифрових фотограмметричних даних, який є складовою методології ідентифікації геометричних форм об’єктів на багатоканальних аерокосмічних зображеннях, що дозволяє суттєво підвищити ефективність їх розпізнавання.

Наукова новизна. Запропоновано метод попередньої обробки багатоканальних аерокосмічних зображень, що використовує гомоморфну фільтрацію з метою підвищення їх інформативності. Цей метод дозволяє підвищити точність подальшого розпізнавання геопросторових даних. Метод також позбавлений недоліків відомих методів, що пов’язані з параметричною невизначеністю, низькими показниками радіометричної розрізненості синтезованих зображень та обчислювальними складнощами.

Практична значимість. Полягає в підвищенні точності розпізнавання аерокосмічних зображень, у суттєвому збільшенні інформативності багатоканальних цифрових геопросторових даних і підвищенні ефективності їх автоматизованої обробки. Використання методу може значно підвищити цінність і корисність мультиспектральних фотограмметричних зображень у широкому діапазоні застосувань, від екологічного моніторингу до міського планування.

Ключові слова: ідентифікація об’єктів, геометрична форма, цифрове фотограмметричне зображення, інформативність, гомоморфна фільтрація

References.

1. Singh, P., & Shree, R. (2020). A new homomorphic and method noise thresholding based despeckling of SAR image using anisotropic diffusion. Journal of King Saud University, Computer and Information Sciences, 32, 137-148. https://doi.org/10.1016/j.jksuci.2017.06.006.

2. Kaur, H., Koundal, D., & Kadyan, V. (2021). Image Fusion Techniques: A Survey. Archives of Computational Methods in Engineering, 28, 4425-4447. https://doi.org/10.1007/s11831-021-09540-7.

3. Hnatushenko, V., Shedlovska, Y., & Shedlovsky, I. (2023). Processing Technology of Thematic Identification and Classification of Objects in the Multispectral Remote Sensing Imagery. In Babichev, S., Lytvynenko, V. (Eds.). Lecture Notes in Data Engineering, Computational Intelligence, and Decision Making. ISDMCI 2022. Lecture Notes on Data Engineering and Communications Technologies, 149. Springer, Cham. https://doi.org/10.1007/978-3-031-16203-9_24.

4. Gamini, S., & Kumar, S.S. (2023). Homomorphic filtering for the image enhancement based on fractional-order derivative and genetic algorithm. Elsevier, Computers and Electrical Engineering, 106(2023), 108566. https://doi.org/10.1016/j.compeleceng.2022.108566.

5. Shedlovska, Y. I., & Hnatushenko, V. V. (2016). Shadow detection and removal using a shadow formation model. 2016 IEEE First International Conference on Data Stream Mining & Processing (DSMP). https://doi.org/10.1109/dsmp.2016.7583537.

6.  Shedlovska, Y. I., & Hnatushenko, V. V. (2018). A Very High Resolution Satellite Imagery Classification Algorithm. IEEE 38 ^th International Conf. on Electronics and Nanotechnology (ELNANO), 654-657. https://doi.org/10.1109/ELNANO.2018.8477447.

7. Qu, J., Li, Y., Du, Q., Dong, W., & Xi, B. (2019). Hyperspectral Pansharpening Based on Homomorphic Filtering and Weighted Tensor Matrix. Remote Sensing, 11(9), 1005. https://doi.org/10.3390/rs11091005.

8. Prabhakar, C. J., & Kumar, P. U. (2012). An image-based technique for enhancement of underwater images. International Journal of Machine Intelligence, 3(4), 217-224. Retrieved from https://arxiv.org/abs/1212.0291.

9. Chien-Cheng, T., & Su-Ling, L. (2017). A weak-illumination image enhancement method using homomorphic filter and image fusion. Proceedings of the IEEE 6 ^th Global Conference on Consumer Electronics. https://doi.org/10.1109/GCCE.2017.8229192.

10. Sridevi, G., & Kumar, S.S. (2022). A Qualitative report on diffusion based image inpainting models. International Journal of Computing and Digital Systems, 11(1), 369-386. https://doi.org/10.12785/ijcds/110131.

11. Rabha, I. W., Hamid, A. J., Faten, K. K., Eatedal, A., & Na­zeem, M. A. (2022). A medical image enhancement based on generalized class of fractional partial differential equations. Quantitative Imaging in Medicine and Surgery, 12(1), 172-183. https://doi.org/10.21037/qims-21-15.

12. Kaur, K., Jindal, N., & Singh, K. (2021). Fractional derivative based Unsharp masking approach for enhancement of digital images. Multimedia Tools and Applications, 80(3), 3645-3679. https://doi.org/10.1007/s11042-020-09795-5.

13. Singh, D., Nand, P., & Astya, R. (2017). Enhancement of Infrared Image with the Use of Logarithm and Entropy Functions in the Frequency Domain. International Journal of Scientific & Engineering Research, 8(12), 743-747.

14. EOSDA LandViewer: Tackling global changes with satellite data (n.d.). Retrieved from https://eos.com.

15. Mozgovoy, D., Hnatushenko, V., & Vasyliev, V. (2018). Accuracy evaluation of automated object recognition using multispectral aerial images and neural network. Proc. SPIE 10806, Tenth International Conf. on Digital Image Processing (ICDIP 2018), 108060H. https://doi.org/10.1117/12.2502905.

16. Tamta, K., Bhadauria, H. S., & Bhadauria, A. S. (2015). Object-Oriented Approach of Information Extraction from High Resolution Satellite Imagery. IOSR Journal of Computer Engineering, 3(17), 47-52. https://doi.org/10.9790/0661-17344752.

17.  Long, J., Shelhamer, E., & Darrell, T. (2016). Fully Convolutional Networks for Semantic Segmentation. Computer Vision and Pattern Recognition. https://doi.org/10.48550/arXiv.1411.4038.

18. Fu, G., Liu, C., Zhou, R., Sun, T., & Zhang, Q. (2017). Classification for High Resolution Remote Sensing Imagery Using a Fully Convolutional Network. Remote Sensing, 5(9), 498. https://doi.org/10.3390/rs9050498.

19. Maggiori, E., Tarabalka, Y., Charpiat, G., & Alliez, P. (2017). Convolutional Neural Networks for Large-Scale Remote-Sensing Image Classification. IEEE Transactions on Geoscience and Remote Sensing, 2(55), 645-657. https://doi.org/10.1109/TGRS.2016.2612821.

20. Maboudi, M., Amini, J., Malihi, S., & Hahn, M. (2018). Integrating fuzzy object based image analysis and ant colony optimization for road extraction from remotely sensed images. ISPRS Journal of Photogrammetry and Remote Sensing, 138, 151-163. https://doi.org/10.1016/j.isprsjprs.2017.11.014.

21. Wang, C., Wang, X., Wu, D., Kuang, M., & Li, Z. (2022). Meticulous Land Cover Classification of High-Resolution Images Based on Interval Type-2 Fuzzy Neural Network with Gaussian Regression Model. Remote Sensing, 14, 3704. https://doi.org/10.3390/rs14153704.

• < Попередня
• Наступна >