Применение методов фрактального анализа изображений при решении задач оценки экологической обстановки и распознавания объектов
https://doi.org/10.17586/0021-3454-2022-65-9-630-639
Аннотация
Предложен подход к повышению эффективности системы распознавания изображений объектов в комплексах мониторинга и зондирования и беспилотных средствах на основе применения дополнительного признака классификации. Определен перечень задач, решаемых в комплексах зондирования при построении системы распознавания объектов. Для формирования дополнительной характеристики объектов использовано значение фрактальной размерности (фрактальной сигнатуры) изображений их контуров. Представлены результаты фрактального анализа изображений объектов дорожного движения. Получены результаты фрактального анализа изображений территорий, пострадавших от стихийных бедствий. Для построения карты и гистограммы фрактальной размерности предложено использовать размерность Минковского. Представлены результаты экспериментальной проверки работоспособности предлагаемых методов и алгоритмов.
Об авторах
О. В. Есиков
Центральное конструкторское бюро аппаратостроения
Россия
Россия
Олег Витальевич Есиков - д-р техн. наук, профессор; главный специалист
Тула
Д. В. Титов
Юго-Западный государственный университет
Россия
Россия
Дмитрий Витальевич Титов - д-р техн. наук, доцент, кафедра вычислительной техники
Курск
Список литературы
1. Бакланов А. И. Группировки микроспутников оптико-электронного наблюдения высокого разрешения // Материалы XV науч.-техн. конф. „Системы наблюдения, мониторинга и дистанционного зондирования Земли“. Алушта, 2018. С. 43-62.
2. Бакланов А. И. Новые тенденции развития космических систем оптико-электронного наблюдения Земли высокого разрешения // Материалы XIV науч.-техн. конф. „Системы наблюдения, мониторинга и дистанционного зондирования Земли“. Сочи, 2017. С. 32-49.
3. Данилов А. С. Система экологического мониторинга окружающей среды с использованием малогабаритных беспилотных летательных аппаратов // Экология и промышленность России. 2013. № 9. С. 4-7.
4. Коршунов Н. А., Котельников Р. В. Борьба с лесными пожарами: проблема информационного обеспечения авиасредствами и ее решение // Пожарная безопасность. 2008. № 1. С. 125-129.
5. Шовенгердт P. A. Дистанционное зондирование. Модели и методы обработки изображений. М.: Техносфера, 2010. 560 с.
6. Федоров А. М. Эффективность мониторинга техногенных объектов с применением беспилотных летательных аппаратов // Докл. БГУИР. 2015. № 7(93). С. 129-130.
7. Есиков О. В., Сухарев Е. М., Алтухов А. В., Тарасов Е. А. Оценка эффективности методов и алгоритмов обработки графической информации и распознавания объектов мониторинга // Наукоемкие технологии. 2011. № 4. С. 54-61.
8. Потапов А. А. Фракталы в дистанционном зондировании // Зарубежная радиоэлектроника. Успехи современной радиоэлектроники. 2000. № 6. С. 3-65.
9. Потапов А. А. Новейшие методы обработки изображений. М.: Физматлит, 2008. 496 с.
10. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2012. 1104 с.
11. Кронвер Р. М. Фракталы и хаос в динамических системах. Основы теории. М.: Постмаркет, 2000. 352 с.
12. Akinshin N. S., Potapov A. A., Bystrov R. P., Esikov O. V., Chernyshkov A. I. Building Systems for Object Recognition by Multichannel Sensing Systems Based on Neural Networks and Fractal Signatures // J. of Communications Technology and Electronics. 2020. Vol. 65, N 7. P. 835-842.
13. Есиков О. В., Денисова Н. А., Романюта А. Е. Результаты экспериментальной оценки эффективности архитектур искусственных нейронных сетей при решении задач распознавания объектов дорожного движения // Изв. ТулГУ. Технические науки. 2021. Вып. 2. С. 139-145.
14. Аггарвал Ч. Нейронные сети и глубокое обучение: Пер. с англ. М.: Изд. дом „Вильямс“, 2020. 752 с.
15. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition // arxiv preprint arxiv:1409.1556. 2014. [Электронный ресурс]: , 13.07.2020.
16. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition // Proc. IEEE Conf. on Computer Vision and Pattern Recognition. 2016. Р. 770-778.
17. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский; Пер. с польск. М.: Горячая линия–Телеком, 2004. 383 с.
18. Akinshin N. S., Esikov O. V., Potapov A. A., Akinshin R. N., Kuleshov A.V . Application of fractal analysis methods of Earth surface images for ecological setting assessment // EPJ Web Conf. 2019. Vol. 224, 04008 (MNPS-2019).
19. Акиншин Н. С., Есиков О. В., Чернышков А. И., Савчук К. В. Применение методов фрактального анализа изображений для решения задач мониторинга экологической обстановки // Изв. ТулГУ. Технические науки. 2019. № 10. С. 44-52.
20. https://trinixy.ru/52197-do-i-posle-navodneniya-40-foto.html
21. https://trinixy.ru/167549-fotografii-malibu-so-sputnika-do-i-posle-pozharov-9-foto.html
22. Свид. о рег. прогр. № 2019665064. Программа фрактального анализа изображений для оценки экологической обстановки / О. В. Есиков, А. В. Петешов, А. В. Кулешов, К. В. Савчук, А. Н. Ивутин. 18.11.2019 г.
Рецензия
Для цитирования:
Есиков О.В., Титов Д.В. Применение методов фрактального анализа изображений при решении задач оценки экологической обстановки и распознавания объектов. Известия высших учебных заведений. Приборостроение. 2022;65(9):630-639. https://doi.org/10.17586/0021-3454-2022-65-9-630-639
For citation:
Esikov O.V., Titov D.V. Application of Methods of Fractal Images Analysis in Solving Environmental Assessment and Object Recognition Problems. Journal of Instrument Engineering. 2022;65(9):630-639. (In Russ.) https://doi.org/10.17586/0021-3454-2022-65-9-630-639
Просмотров:
10
Послать статью по эл. почте 