МЕТОД РОЙОВОГО ІНТЕЛЕКТУ (ШТУЧНОЇ БДЖОЛИНОЇ КОЛОНІЇ (ABC)) ТЕМАТИЧНОГО СЕГМЕНТУВАННЯ ОПТИКО-ЕЛЕКТРОННОГО ЗОБРАЖЕННЯ

  • I. A. Khizhnyak
  • A. N. Makoveychuk
  • R. G. Khudov
  • H. V. Khudov
  • V. A. Podlipaev
  • H. V. Horban
Ключові слова: оптико-електронне зображення, тематичне сегментування, метод ройового інтелекту, АВС метод, бортова система, фітнес-функція

Анотація

Проведено аналіз недоліків відомих методів сегментування оптико-електронного зображення. Запропоновано для тематичного сегментування зображення, що отримано з бортової системи оптикоелектронного спостереження, використання ройового методу (методу штучної бджолиної колонії). Проаналізовані основні види фітнес-функцій, що використовуються при ABC методі, та встановлена їх непридатність до тематичного сегментування зображення, що отримано з бортової системи оптико-електронного спостереження. Введена фітнес-функція, що враховує внутрішні дисперсії розподілу яскравості тематичних сегментів оптико-електронного зображення, сформульована оптимізаційна задача, що полягає в мінімізації фітнес-функції. Оптимізаційна задача вирішується методом ітераційних розрахунків. Наведено результат тематичного сегментування оптико-електронного зображення для випадку двох тематичних сегментів, на якому виділені можливі об’єкти інтересу – літаки, сховища з нафтою, споруди та інші.

Завантаження

Дані про завантаження поки що недоступні.

Посилання

1. Горбулін В.П. Світова гібридна війна: український фронт: монографія / В.П. Горбулін. – Київ: НІСД, 2017. – 496 с.
2. Ярош С.П. Аналіз ведення бойових дій, тактики застосування ЗПН і використання нових інформаційних технологій у ході воєнного конфлікту в Лівії в 2011 році / С.П. Ярош // Наука і техніка Повітряних Сил Збройних Сил України, 2011. – № 2. – С. 19–25.
3. Меньшаков Ю.К. Техническая разведка из космоса / Ю.К. Меньшаков. – Москва: Academia, 2013. – 656 с.
4. Ким Н.В. Алгоритм управления группой беспилотных летательных аппаратов / Н.В. Ким, И.Г. Крылов // Робототехника и техническая кибернетика, 2014. – № 4. – С. 40–43.
5. Худов В.Г. Аналіз відомих методів сегментування зображень, що отримані з бортових систем оптико-електронного спостереження / В.Г. Худов, Г.А. Кучук, О.М. Маковейчук, А.В. Крижний // Системи обробки інформації, 2016. – Вип. 9 (146). – С. 77-80.
6. Ruban I. Segmentation of the images obtained from onboard optoelectronic surveillance systems by the evolutionary method / I. Ruban, H. Khudov, V. Khudov, I. Khizhnyak, O. Makoveichuk // Eastern-European Journal of Enterprise Technologies, 2017. – № 5/9 (89). – P. 49–57.
7. Faroogue M.Y. Latest trends on image segmentation schemes / M.Y. Faroogue, M.S. Raeen // International journal of advanced research in computer science and software engineering, 2014. – Vol. 4, № 10. – P. 792–795.
8. Choudhary R. Recent trends and techniques in image enhancement using differential evolution – a survey / R. Choudhary, R. Gupta // International journal of advanced research in computer science and software engineering. – 2017, Vol. 7, № 4. – P. 106–112.
9. Badiger S. Medical imaging techniques in clinical medicine / S. Badiger, P.T. Akkasaligar // International journal of medical, health, pharmaceutical and biomedical engineering, 2014. – Vol. 8, № 11. – P. 797–800.
10. Махно Т.А. Автоматизированная система обработки ультразвуковых изображений сонных артерий на основе эволюционных алгоритмов / Т.А.Махно // Электротехнические и компьютерные системы, 2015. – № 18(94). – С. 92–99.
11. Эль-Хатиб С.А. Сегментация изображений с помощью смешанного и экспоненциального роя частиц / С.А. Эль-Хатиб // Информатика и кибернетика, 2015. – № 1. – С. 126–133.
12. Водолазский И.А. Роевой интеллект и его наиболее распространенные методы реализации / И.А. Водолазский, А.С. Егоров, А.В. Краснов // Молодой ученый, 2017. – № 4 (138). – С. 147–153.
13. Хижняк І.А. Тематичне сегментування зашумленого оптико-електронного зображення ройовим методом / І.А. Хижняк, О.М. Маковейчук, В.Г. Худов, І.В. Рубан, Г.В. Худов // Системи управління, навігації та зв’язку, 2018 – Вип. 1 (47). – С. 146–152.
14. Худов В.Г. Оцінка якості сегментування оптико-електронного зображення шляхом оцінки комплексних показників та відстані Кульбака-Лейбнера / В.Г. Худов, О.М. Маковейчук, І.А. Хижняк // Системи обробки інфор- мації, 2017. – Вип. 4 (150). – С. 27–30.
15. Kennedy J. Particle Swarm Optimization / J. Kennedy, R. Eberhart // Proceedings of IEEE International Conference on Neural Networks, 1995. – Vol. IV. – P. 1942– 1948.
16. Yigitbasi E.D. Edge detection using artificial bee colony algorithm (ABC) / E.D. Yigitbasi, N.A. Baykan // International Journal of Information and Electronics Engineering, 2013. – Vol. 3. – № 6. – P. 634–638.
17. Kong X. An improved artificial bee colony algorithm and its application / X. Kong, S. Liu, Z. Wang // International Journal of Signal Processing. Image Processing and Pattern Recognition, 2013. – Vol. 6. – № 6. – P. 259–274.
18. IKONOS Satellite Images Gallery, Satellite Map [Electronic resource] / Satellite Imaging Corporation. – Access mode: URL: http://www.satimagingcorp.com/gallery/ ikonos – 20.01.2017 year.
19. Хижняк І.А. Сегментування зображення, що отримано з бортової системи оптико-електронного спостереження, ройовим методом / І.А. Хижняк // Системи озброєння та військова техніка. Науковий журнал, 2017. – № 2 (50). – С. 140–143.
Опубліковано
2018-04-11
Як цитувати
Khizhnyak I.A. Метод ройового інтелекту (штучної бджолиної колонії (abc)) тематичного сегментування оптико-електронного зображення / I.A. Khizhnyak, A.N. Makoveychuk, R.G. Khudov, H.V. Khudov, V.A. Podlipaev, H.V. Horban // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2018. – Т. 2 (48). – С. 91-96. – doi:https://doi.org/10.26906/SUNZ.2018.2.091.
Розділ
Інформаційні технології