Алгоритмы комплексирования изображений различных спектральных диапазонов в телевизионных системах улучшенного видения для поисково-спасательных работ тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Сконников Пётр Николаевич

• Сконников Пётр Николаевич
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Сконников Пётр Николаевич

Введение

1 Оценки качества комплексирования изображений различных спектральных диапазонов

1.1 Вводные замечания

1.2 Объективные показатели качества комплексирования

1.2.1 Основные объективные показатели качества комплексирования

1.2.2 Дополнительные объективные показатели качества комплексирования

1.3 Обоснование субъективной оценки качества комплексирования изображений

1.3.1 Особенности задачи проведения субъективной оценки качества комплексирования изображений различных спектральных диапазонов

1.3.2 Состав испытательных материалов

1.3.3 Состав группы наблюдателей

1.3.4 Порядок проведения субъективной оценки качества

1.3.5 Шкала оценки качества комплексирования изображений

1.3.6 Обработка результатов субъективной оценки качества

1.4 Сопоставление субъективного и объективных показателей качества комплексирования изображений

1.4.1 Описание принципов сопоставления субъективного и объективных показателей качества комплексирования изображений

1.4.2 Процедура оценки степени соответствия объективных показателей и неявно формализованных критериев качества комплексирования изображений

1.4.3 Результаты сопоставления субъективного и объективных показателей качества комплексирования

1.5 Комбинированный показатель качества комплексирования

1.5.1 Выбор структуры и оптимизация коэффициентов комбинированного показателя качества комплексирования изображений

1.5.2 Результаты применения комбинированного показателя качества .. 48 1.6 Выводы

2 Обоснование алгоритма комплексирования изображений различных спектральных диапазонов для телевизионных систем улучшенного видения

2.1 Вводные замечания

2.2 Обоснование предлагаемого алгоритма комплексирования изображений различных спектральных диапазонов

2.3 Анализ способов определения весовых коэффициентов фрагментов

2.4 Пример функционирования предложенного алгоритма комплексирования изображений различных спектральных диапазонов

2.5 Модификации алгоритма комплексирования изображений различных спектральных диапазонов

2.5.1 Преобразование входных изображений для ускорения расчёта весовых коэффициентов фрагментов

2.5.2 Инверсия исходных изображений для уменьшения эффекта потери контрастности

2.5.3 Использование предложенного алгоритма комплексирования изображений различных спектральных диапазонов при наличии цветного видеоизображения

2.6 Выводы

3 Экспериментальные исследования и оптимизация алгоритма комплексирования изображений различных спектральных диапазонов

3.1 Вводные замечания

3.2 База изображений различных спектральных диапазонов для экспериментальных исследований и оптимизации параметров разработанного алгоритма

3.3 Оптимизация параметров разработанного алгоритма комплексирования изображений различных спектральных диапазонов

3.3.1 Выбор весовой функции

3.3.2 Оптимизация коэффициентов размера фрагментов и размера сглаживающего фильтра

3.4 Исследования программной реализации разработанного алгоритма комплексирования изображений различных спектральных диапазонов

3.5 Сравнение разработанного и существующих алгоритмов комплексирования изображений различных спектральных диапазонов

3.5.1 Принципиальные отличия разработанного алгоритма комплексирования изображений от известных

3.5.2 Экспериментальное исследование качества комплексирования изображений различных спектральных диапазонов с использованием предложенного и известных алгоритмов

3.6 Выводы

Заключение

Введение диссертации (часть автореферата) на тему «Алгоритмы комплексирования изображений различных спектральных диапазонов в телевизионных системах улучшенного видения для поисково-спасательных работ»

ВВЕДЕНИЕ

Актуальность темы исследования. В современных пилотируемых и беспилотных аппаратах при проведении поисково-спасательных работ применяются телевизионные системы улучшенного видения (СУВ), выполняющие обработку и отображение информации об окружающем пространстве. Круглосуточная и всепогодная работа таких систем осложняется в тёмное время суток недостаточной освещённостью, при неблагоприятной метеорологической обстановке - присутствием осадков (дождь, снег, туман) а при специфических условиях применения (например, при работе вблизи очагов лесных пожаров) - наличием дыма. Для повышения качества изображения в условиях недостаточной видимости, вызванных малой освещённостью и действием указанных факторов, в таких системах совместно с телевизионными устройствами получения видеоинформации применяются сенсоры различных спектральных диапазонов [1, 2].

Наиболее широкое распространение в многоспектральных СУВ находят сенсоры ближнего (NIR - Near-infrared), коротковолнового (SWIR - Short-wavelength infrared), средневолнового (MWIR - Mid-wavelength infrared) и длинноволнового (LWIR - Long-wavelength infrared) инфракрасных диапазонов [3, 4]. В таких системах, в отличие от СУВ, использующих только телевизионных канал, улучшение видения обеспечивается преимущественно из-за добавления информации, поступающей от сенсоров инфракрасных диапазонов.

В ряде работ для обозначения геометрически совмещённых изображений, поступающих от различных сенсоров, а также для комплексированных изображений, применяются термины «мультиспектральные» [4-8], «многоспектральные» [1, 913], «разноспектральные» [7, 9-11, 14-16] изображения и другие термины. В настоящей работе в тех ситуациях, где не требуется уточнять количество и состав диапазонов исходных изображений, используется обозначение «изображения различных спектральных диапазонов» (ИРСД). Преобразование ИРСД в единое изображение также имеет различные обозначения в известных работах [15, 17]. Например,

в некоторых работах [15] используется термин «слияние» (в англоязычной литературе «fusion»), но в настоящей диссертации данный процесс называется комплек-сированием.

В СУВ информация, поступающая от телевизионной камеры, дополненной одним или несколькими сенсорами инфракрасных диапазонов, визуализируется и представляется оператору. При этом данная видеоинформация может как передаваться оператору при помощи радиосвязи, так и отображаться непосредственно на борту пилотируемого аппарата.

В обоих случаях комплексирование кадров видеопоследовательностей, поступающих с сенсоров различных спектральных диапазонов, целесообразно применять по двум причинам. Во-первых, для передачи комплексированных изображений по радиоканалу требуется меньшая скорость передачи информации по сравнению с передачей кадров всех диапазонов. Следовательно, при равной помехоустойчивости, потребуется меньшая ширина занимаемой радиосигналом полосы частот. Во-вторых, отображение на едином телевизионном изображении информации, поступающей от различных сенсоров, снижает нагрузку на оператора.

Таким образом, комплексирование изображений различных спектральных диапазонов является неотъемлемым этапом обработки видеоинформации, необходимым для круглосуточного и всепогодного проведения поисково-спасательных работ.

Степень разработанности темы. Задачам комплексирования и оценки качества комплексирования изображений различных спектральных диапазонов, а также сопряжённым с ними задачам цифровой обработки изображений посвящено большое количество работ отечественных и зарубежных исследователей и учёных. В их числе: Ю. В. Визильтер [1], С. Ю. Желтов [1], В. Н. Дрынкин [18], М. А. Бондаренко [13], А. В. Бондаренко [1], Б. А. Алпатов [19], В. К. Злобин [20], В. В. Еремеев [20], В. А. Сойфер [21], В. В. Инсаров [15], Н. Н. Красильников [22], А. А. Потапов [23], А. С. Васильев [24], а также R. C. Gonzalez [5], R. E. Woods [5], R. Szeliski [25], T. Stathaki [26], R. S. Blum [27], W. K. Pratt [28], Y. Zheng [29], A. K. Jain [30], L. Shapiro [31], D. A. Forsyth [32] и другие.

В настоящее время разработано большое количество алгоритмов комплекси-рования (АК) ИРСД для использования в различных отраслях народного хозяйства. Некоторые алгоритмы предназначены для навигации воздушных судов и, в первую очередь, обеспечения видимости взлётно-посадочной полосы [10, 17, 18, 33]. Зачастую в таких задачах оказывается достаточно отобразить только один наиболее информативный канал [15], на котором отчётливо различимы основные ориентиры, пусть даже и с потерей некоторой информации, поступающей от остальных сенсоров. Также в задачах обеспечения видимости взлётно-посадочной полосы может происходить потеря информации при выборе только двух наиболее информативных каналов из трёх имеющихся [6, 8]. В задачах, связанных с мониторингом тепловых потерь [24], приоритетной задачей является сохранение теплового контраста [13]. Значительная часть АК носит универсальный характер и не имеет чёткой формализации задачи [26, 34-37]. Некоторые АК используются для комплексирования медицинских снимков (например, различных слоёв томограмм) [38, 39], или уменьшения влияния помех по серии кадров [40].

При этом специальный АК ИРСД для проведения поисково-спасательных работ не разработан, а вопросы возможности использования известных АК и качества их работы применительно к решаемой задаче не исследованы.

Цель работы и основные задачи. Целью работы является повышение качества комплексирования изображений различных спектральных диапазонов в телевизионных системах улучшенного видения, используемых при проведении поисково-спасательных работ.

Для достижения данной цели необходимо решить следующие основные задачи:

- сформулировать цель комплексирования и требования к АК ИРСД в соответствии с особенностями его применения;

- обосновать объективный показатель качества (ОПК) комплексирования ИРСД, в наибольшей мере согласованный с целью комплексирования;

- разработать АК ИРСД в соответствии с установленными требованиями и целью комплексирования;

- оптимизировать параметры разработанного АК ИРСД для обеспечения наивысшего значения обоснованного ОПК;

- оценить возможность реализации разработанного АК ИРСД в режиме реального времени;

- оценить качество работы известных АК ИРСД с учётом условий применения, то есть сравнить разработанный и известные алгоритмы по обоснованному показателю качества.

Научная новизна. В ходе настоящей работы получены следующие новые научные результаты:

- разработана процедура оценки степени соответствия объективных показателей и неявно формализованных критериев качества комплексирования изображений;

- обоснован новый ОПК комплексирования ИРСД;

- предложен АК ИРСД, оптимальный по обоснованному ОПК;

- получены качественные характеристики предложенного и известных АК ИРСД по новому ОПК.

Теоретическая и практическая значимость работы. Разработанный АК ИРСД соответствует всем предъявленным в первой главе требованиям, экспериментальные исследования подтвердили его высокую эффективность по обоснованному ОПК. Показана возможность реализации данного АК ИРСД в режиме реального времени.

Таким образом, разработанный алгоритм может применяться в СУВ при проведении поисково-спасательных работ для обеспечения круглосуточного и всепогодного видения.

Предложенная процедура субъективной оценки качества комплексирования изображений позволяет получать для различных приложений собственные ОПК комплексирования ИРСД, которые, в свою очередь, могут быть использованы для разработки, оптимизации и сравнения различных АК ИРСД.

На основе разработанных в настоящей диссертационной работе алгоритмов и сделанных теоретических выводов достигнуты практические результаты в

научно-конструкторском центре видеоинформационных и лазерных технологий (НКЦ ВЛТ) в составе АО «РИФ». Предложенный АК ИРСД на основе локального весового суммирования и новый комбинированный ОПК комплексирования ИРСД нашли практическое применение в двух работах АО «РИФ»: в одной ОКР и в инициативной работе «Разработка блока обработки видеоизображений многофункционального». Теоретическая и практическая значимость работы подтверждена соответствующим актом о внедрении результатов диссертации, представленным в приложении Д.

Методология и методы исследования. В настоящей работе использовались следующие математические методы: регрессионный анализ, статистический анализ, численные методы многомерной оптимизации, методы цифровой обработки изображений, в том числе корреляционный анализ, применение детекторов контуров, приложения теории информации. Кроме того, проводились субъективные оценки и экспериментальные исследования качества комплексирования ИРСД.

Положения, выносимые на защиту. По результатам настоящей работы на защиту выносятся три положения:

1) разработанная процедура сопоставления объективных показателей неявно формализованным критериям качества комплексирования изображений позволила сравнить известные объективные показатели качества комплексирования изображений; выявлен объективный показатель качества, для которого точность соответствия субъективной оценке достигает значения 0,71, что соответствует инструкции Международного союза электросвязи.

2) обоснованный объективный показатель качества комплексирования изображений имеет значения точности соответствия субъективной оценке 0,73, а монотонности - 0,62; для определённого набора сцен выигрыш в точности по сравнению с известным показателем качества составляет в среднем 21,6 %.

3) разработанный алгоритм комплексирования изображений различных спектральных диапазонов, основанный на локальном весовом суммировании, реа-

лизуем в режиме реального времени и превосходит известные алгоритмы по качественным и количественным показателям (достигнуто значение комбинированного показателя качества 0,845).

Степень достоверности и апробация результатов. Основные результаты, полученные в ходе настоящей работы, обсуждались на 11 научно-технических конференциях:

- XXIII Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях» (Рязань, 2018);

- XXI Международная конференция «Цифровая обработка сигналов и её применение» (Москва, 2019);

- Международная IEEE-сибирская конференция по управлению и связи SIBCON-2019 (Томск, 2019);

- Всероссийская научно-техническая конференция «Техническое зрение в системах управления» (Москва, 2019);

- IV Всероссийская научно-техническая конференция «Актуальные проблемы современной науки и производства» (Рязань, 2019);

- IV Международная научная конференция «Арктика: история и современность» (Санкт-Петербург, 2019);

- XXIV Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях» (Рязань, 2019);

- XXII Международная конференция «Цифровая обработка сигналов и её применение» (Москва, 2020);

- XXV юбилейная Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях» (Рязань, 2020);

- XXIV Международная научно-техническая конференция «Перспективные технологии в средствах передачи информации» (Владимир, 2021);

- XXVI Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях» (Рязань, 2021).

По результатам, полученным в диссертации, опубликовано 16 работ [41-56], из них 4 [41-44] - в изданиях, входящих в перечень рецензируемых научных изданий ВАК, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученой степени кандидата наук, и ещё 2 работы проиндексированы в базах Scopus и Web of Science [45, 46].

Всего автором диссертации опубликовано 26 работ [41-66], из которых 4 - в научных журналах из перечня ВАК [41-44] и ещё 5 проиндексированы в базах Scopus и Web of Science [45, 46, 57-59].

Получено свидетельство о государственной регистрации программы ком-плексирования изображений различных спектральных диапазонов [67], представленное в приложении Е.

Структура и объём диссертации. Работа состоит из введения, трёх структурированных глав, заключения, списка сокращений и условных обозначений, списка литературы и приложений. Общий объём работы составляет 160 страниц, содержащих 18 рисунков и 5 таблиц, не включая рисунки и таблицы, приведённые в приложениях. Список использованной литературы включает 140 источников.

1 ОЦЕНКИ КАЧЕСТВА КОМПЛЕКСИРОВАНИЯ ИЗОБРАЖЕНИЙ РАЗЛИЧНЫХ СПЕКТРАЛЬНЫХ ДИАПАЗОНОВ

1.1 Вводные замечания

Для сравнения различных АК ИРСД, а также для оптимизации синтезируемого алгоритма комплексирования необходимо обосновать критерий, по которому те или иные результаты комплексирования считаются лучшими или худшими.

Для разработки такого критерия необходимо, прежде всего, различать показатели качества комплексирования по описанным далее признакам.

Первым признаком, по которому в области обработки телевизионных изображений можно разделить показатели качества, является предмет оценки. Такими предметами могут являться:

- качество отдельно взятого изображения (в том числе потеря качества относительно некоторого эталона);

- качество комплексирования двух или более исходных изображений.

Обзоры объективных показателей качества отдельно взятых изображений

приведены в работах [15, 36]. Такие показатели отражают общее качество изображения без учёта исходных изображений, на основе которых получено новое изображение. Соответственно, данные показатели качества могут принимать высокие значения даже в тех случаях, когда на анализируемом изображении отсутствуют один или несколько объектов, присутствующих на одном из исходных изображений, поскольку такое изображение может иметь высокое качество в определённом смысле. В то же время, исходя из специфики задач мониторинга местности при проведении поисково-спасательных работ, на комплексированном изображении необходимо отобразить все объекты и детали изображений исходных каналов, видимые хотя бы в одном из исходных каналов, а не только определённые ориентиры или типовые объекты. В связи с этим, в настоящей работе ограничимся рассмотрением показателей качества комплексирования изображений с учётом исходных каналов, а не качества собственно изображений. Такие показатели качества описаны в работах [13, 16, 40, 68-76] и проанализированы в данной главе.

По второму признаку оценки качества можно разделить на две группы:

- объективные оценки;

- субъективные оценки.

В первом случае значение оценки качества определяется по формуле или в ходе автоматического выполнения заданной процедуры. Под субъективными оценками в настоящей работе понимаются оценки, основанные на человеческом восприятии изображений, выставленные группой лиц, в том числе полученные в результате усреднения или произведения иных математических операций над исходными оценками. В данной главе будут рассмотрены как ОПК, так и субъективные оценки качества комплексирования ИРСД.

По наличию эталона различают [15, 36]:

- эталонные оценки;

- безэталонные оценки;

- псевдоэталонные (квазиэталонные) оценки.

Эталонные оценки определяют степень отличия анализируемого изображения от изображения, принятого в качестве эталона. Безэталонные оценки применяются, когда требуемый (идеальный) результат обработки неизвестен. Псевдоэталонные оценки требуют наличия информации об эталонном изображении, но в меньшем объёме, чем при использовании эталонной оценки [15].

Различные эталонные и безэталонные ОПК отдельных изображений приведены в работах [36, 77], а пример псевдоэталонной оценки качества изображения описан в работе [58].

В силу специфики решаемых задач, желаемый (эталонный) результат ком-плексирования априори неизвестен, поэтому в настоящей работе далее рассматриваются только безэталонные оценки качества комплексирования изображений. Тем не менее, некоторые описанные в данной главе безэталонные ОПК комплексирова-ния ИРСД представляют собой модификации эталонных ОПК отдельных изображений.

Как было отмечено ранее, в настоящей работе под целью комплексирования понимается обеспечение видимости на комплексированном изображении объектов,

видимых хотя бы на одном из исходных изображений. Критерий, по которому те или иные результаты комплексирования считаются лучшими или худшими, должен соответствовать данной цели. Таким образом, разрабатываемый показатель качества должен отражать видимость на комплексированном изображении объектов, видимых хотя бы на одном из исходных изображений.

Данный критерий качества комплексирования ИРСД формализован неявным образом, то есть при помощи словесной формулировки, а не в виде математического выражения. Явная формализация такого критерия - нетривиальная задача, поскольку степень видимости объекта, который должен быть отображён в результате комплексирования, зависит от деталей изображения и человеческого восприятия наблюдаемой сцены. В связи с этим, наилучшего соответствия численных значений показателя качества комплексирования словесной формулировке критерия можно достичь с использованием субъективной оценки качества (СОК) комплексирования ИРСД.

Однако применение только субъективной оценки не целесообразно по двум причинам. Во-первых, для оптимизации параметров разрабатываемого в настоящей работе АК по критерию максимизации показателя качества требуется многократное получение значений этого показателя качества (до сотен итераций), а многократное проведение СОК на практике затруднительно. Во-вторых, для сравнения различных известных АК и оценки эффективности разрабатываемого АК необходимо оценивать качество комплексирования с использованием базы ИРСД достаточно большого объёма, что также негативно влияет на практическую реализуемость СОК с учётом временных затрат. С учётом указанных факторов, применение только СОК для оценки качества комплексирования ИРСД не целесообразно.

Противоречивым условиям соответствия показателя качества цели комплек-сирования и практической реализуемости оценки качества комплексирования ИРСД за приемлемый временной интервал в достаточной мере удовлетворяет использование ОПК, в некотором смысле близкого СОК, поскольку расчёт значений ОПК производится за значительно меньшее время по сравнению с проведением СОК.

Несмотря на существование большого числа безэталонных ОПК комплекси-рования ИРСД [13, 16, 40, 68-76], задача оценки качества комплексирования ИРСД не тривиальна по двум причинам:

1) разнообразие указанных ОПК приводит к необходимости обоснованного выбора конкретного ОПК по результатам сравнительного анализа;

2) используемые данными ОПК математические принципы могут быть ориентированы на различные задачи, в том числе не совпадающими с задачами настоящей работы, то есть не известна степень соответствия различных ОПК сформулированной ранее цели комплексирования.

Исходя из вышеизложенного, в первой главе работы необходимо:

- осуществить анализ и обосновать модификации известных ОПК комплексирования ИРСД;

- разработать процедуру проведения СОК;

- выполнить анализ результатов полученных субъективных оценок;

- обосновать критерии идентичности ОПК и СОК;

- осуществить оптимизацию комбинированного ОПК для обеспечения наибольшей идентичности СОК.

1.2 Объективные показатели качества комплексирования

1.2.1 Основные объективные показатели качества комплексирования

1.2.1.1 Объективный показатель качества на основе метрики Пиеллы

В качестве ОПК О воспользуемся метрикой Пиеллы [68, 69]. Здесь и далее, в зависимости от контекста, запись О означает верхний индекс, а не показатель степени. Данный ОПК представляет собой предложенный в работе [78] эталонный показатель качества отдельно взятого изображения, модифицированный для безэталонной оценки качества комплексирования двух изображений [68, 69].

Входными данными для ОПК О, так же как и для остальных рассмотренных далее ОПК, являются три изображения размером £х х пикселей: два исходных

ИРСД Ц, 1П и результат комплексирования Ц. Для каждой п -й тройки изображений Ц, 1П, Ц значение к -го ОПК ОП получается в результате обработки этих изображений:

ОП = /к (Ц, 1П, 1П). (1.1)

При расчёте метрики Пиеллы производится обработка квадратных фрагментов со стороной ^ пикселей, где Ь - номер канала, х, у - значения координат положения фрагмента на изображении. Элементы фрагмента ЖЬ (_/, 1) определяются одинаковым образом для всех троек изображений с порядковым номером п:

К и, о=П (х+; -1; У+1 -1), (1.2)

где 1, ] = 1, "да координаты элемента внутри фрагмента.

На первом этапе в фрагментах ШЬу, х = 1,- ^ +1, у = 1,- ^ +1, Ь = 1,3 рассчитываются средние значения:

__1 SW

К = ~а2~ IIIIК V, О . (1.3)

"да 1=1 ]=1

Эти значения используются для расчёта дисперсий яркости фрагментов [62,

63]:

, ч2 1 _ >2

«) =^-т I ПК (>■') - К). (14>

"да 1 1=1 ]=1

Далее рассчитываются коэффициенты взаимной ковариации между фрагментом комплексированного изображения и соответствующими фрагментами исходных изображений жЬу, Ь = 1,2:

рХ;3=-^гIIII(К0,1) - К )(Ко,о - К). (1.5)

"да 1=1 У=1

Затем рассчитываются универсальные индексы качества изображения [72] для фрагментов каналов Ь = 1,2. При этом соответствующие фрагменты канала Ь = 3 используются в качестве эталонов:

Ш7?Ь,3 _ кXУ__XУ Х,У__х,у х,у (-I

—Ь-3Г ч2 . „Т>3 , Ь . , 3 ч2 ' С1'6)

Данное выражение, представленное в работе [72], может быть записано в более компактной форме, но в формуле (1.6) представлено в виде произведения трёх множителей для наглядного пояснения принципа расчёта ОПК О?. Первый множитель определяет корреляцию между фрагментами изображений Гъ, Ь = 1,2 и I?. Второй и третий множители представляют собой оценку искажений яркости и контрастности соответственно [13, 68, 69, 78].

Разбиение на фрагменты производится для учёта локальных особенностей анализируемых изображений, а не особенностей этих изображений в целом.

Для получения единого значения ОПК О применяется усреднение величин ШВъ/у с учётом весовых коэффициентов съху и Сху :

1 "х +1 "у +1 . .

О? =-1- У1 У1 С (с1 Ш1Ъ + с2 Ш2Ъ). (1.7)

("Х + 1)(°У + 1) х=1 У=1

При этом коэффициенты сьху определяют степень влияния на ОПК О фрагментов жХу в зависимости от канала, с изображения которого вырезан фрагмент, а коэффициенты С -в зависимости от координат фрагмента х, у на изображении. Принцип выбора коэффициентов сХу и может быть различен [68, 69]; в настоящей работе эти значения рассчитывались на основе среднеквадратических отклонений (СКО) оъху по следующим формулам [62, 63,13]:

ъ

и СТ -

сХ,у = 1 Х,У 2 , Ь = 1,2, (1.8)

а + а

X, У X, У

^ "х +1 "у +1

С = тах(а1 ,а2 )

х, У \ х, у' х, у )

У1 У тах(аХ,у,аX,у)

Х=1 у=1

("х _ + 1)("у _ "1 + 1)

(1.9)

Таким образом, метрика Пиеллы представляет собой комплексный показатель качества, оценивающий степень переноса на комплексированное изображение яркости, контрастности и структуры соответствующих участков исходных изображений. При расчёте этого ОПК автоматически рассчитываются и далее учитываются как весовые коэффициенты отдельных пространственных областей изображений, так и веса исходных каналов в каждой конкретной области.

1.2.1.2 Объективный показатель качества на основе объёма восприятия

Второй выбранный для анализа ОПК - объём восприятия [13] - также является комплексным. Данный ОПК учитывает качество передачи контуров объектов, степень сохранения контраста тепловизионного канала и реалистичность восприятия комплексированного изображения. Для учёта данных факторов используются соответственно три признака: пространственный признак , спектрально-энергетический признак Осэ и реалистичность восприятия ОРВ. Итоговый ОПК - объём восприятия - рассчитывается путём объединения указанных показателей качества по формуле [13]:

'ОтбСэбрв , пРи °сэ > 0 и брв > 0; - |6пп6сэ6рв| , иначе- .

О2 = <

Для расчёта пространственного признака на первом этапе для изображений Гь определяются карты модулей градиентов д!ъ, получаемые при помощи оператора Собела [5]. Полученные карты д!ъ объединяются и бинаризуются по формуле:

8( х, у) =

1, при---, > 0,25;

тах (д/^ х, у), д12( х, у)) (1.11)

0, иначе.

Здесь порог восприятия 0,25 выбран авторами ОПК эмпирически [13]. Далее карта различимых контуров 5( х, у) усредняется:

Опп = ,„ ' „ ЕЕ8(х,у). (1.12)

X 2)(°У 2) х=1 у=1

Спектрально-энергетический признак в работе [13] определяется как степень передачи на комплексированное изображение контраста тепловизионного канала. Для этого в каналах I" и I" (b = 2 и b = 3) определяются фрагменты, средние значения в которых являются максимальными и минимальными в пределах каждого канала:

VL = min(Wby), (1.13)

X ,У

VL = max(W6y ), (1.14)

где средние значения Wxb рассчитываются по формуле (1.3). Затем определяются коэффициенты контраста:

Vb - Vb

к = -. (1.15)

b Vb + Vb

max min

В работе [13] значение спектрально-энергетического признака определялось по формуле:

KJКъ, при К3/Къ < 1;

еСЭч , (1.16)

^СЭ [1, при К3/Къ > 1; 4 '

при этом второй исходный канал не учитывается, то есть расчёт производился только для Ъ = 2.

Реалистичность восприятия в работе [13] определяется как произведение коэффициентов корреляции р(/", Ц ), р(1П,, Ц ) между результирующим и исходными изображениями:

еРВ=р(1п, ц )р(г2, ц), (1.17)

где значения коэффициентов корреляции р для исходных изображений каналов Ъ = 1,2 имеют вид:

S* Sy

XX(in(*,У) - in(*,y))(I"(X,y) - h"(*,y))

p(In,I")=

x=1 y=1

Sv Sv 2 ^ Sy

(1.18)

xx(i"(x,y) -1"(x,y)) i"(x,y) -1"(x,y))

X=1 y=1 X=1 y=1

Список литературы диссертационного исследования кандидат наук Сконников Пётр Николаевич, 2022 год

СПИСОК ЛИТЕРАТУРЫ

1. Визильтер, Ю. В. Обработка и анализ изображений в задачах машинного зрения: курс лекций и практических занятий / Ю. В. Визильтер, С. Ю. Желтов, А. В. Бондаренко, М. В. Осоков, А. В. Моржин. - М.: Физматкнига, 2010. - 672 с.

2. Визильтер, Ю. В. Проблемы технического зрения в современных авиационных системах / Ю. В. Визильтер, С. Ю. Желтов // Техническое зрение в системах управления мобильными объектами - 2010: Труды научно-технической конференции-семинара : Вып. 4. - М.: КДУ, 2011. - С. 11-44.

3. Холопов, И. С. Реализация алгоритма формирования цветного изображения по сигналам монохромных видеодатчиков видимого и длинноволнового инфракрасного диапазонов в цветовом пространстве YCbCr // Компьютерная оптика.

- 2016. - Т. 40. - № 2. - С. 266-274.

4. Зотин, А. Г. Улучшение визуального качества изображений, полученных в сложных условиях освещенности на основе инфракрасных данных / А. Г. Зотин, А. И. Пахирка, М. В. Дамов, Е. И. Савчина // Программные продукты и системы. -2016. - Т. 29. - № 3. - С. 109-120.

5. Гонсалес, Р. Цифровая обработка изображений. / Р. Гонсалес, Р. Вудс. -Изд. 3-е, испр. и доп. - М.: Техносфера, 2012. - 1104 с.

6. Бондаренко, М. А. Аппаратно-программная реализация мультиспектраль-ных систем технического зрения / М. А. Бондаренко, А.В. Бондаренко // Труды XXIV Международной научно-технической конференции по фотоэлектронике и приборам ночного видения. - М.: АО «НПО «Орион». - 2016. - С. 233-237.

7. Бондаренко, М. А. Формирование изображений в мультиспектральных видеосистемах для визуального и автоматического неразрушающего контроля / М. А. Бондаренко, А. В. Бондаренко // Успехи прикладной физики. - 2018. - Т. 6. - № 4.

- С. 325-332.

8. Бондаренко, М. А. Адаптивный алгоритм выбора информативных каналов в бортовых мультиспектральных видеосистемах / М. А. Бондаренко, В. Н. Дрын-кин, С. А. Набоков, Ю. В. Павлов // Программные системы и вычислительные методы. - 2017. - № 1. - С. 46-52.

9. Способ комплексирования цифровых полутоновых телевизионных и теп-ловизионных изображений : пат. 2451338 Рос. Федерация : МПК 006Т 5/00 / Богданов А. П., Костяшкин Л. Н., Морозов А. В., Павлов О. В., Романов Ю. Н., Рязанов

A. В. ; заявитель и патентообладатель ОАО «ГРПЗ». - № 2010152858/08 ; заявл. 23.12.10 ; опубл. 20.05.12, Бюл. № 14. - 11 с.

10. Визильтер, Ю. В. Комплексирование многоспектральных изображений для систем улучшенного видения на основе методов диффузной морфологии / Ю. В. Визильтер, О. В. Выголов, С. Ю. Желтов, А. Ю. Рубис // Известия Российской академии наук. Теория и системы управления. - 2016. - №. 4. - С. 103-114.

11. Сычев, А. С. Сравнительный анализ двух алгоритмов комплексирования цифровых полутоновых изображений с применением безэталонного показателя качества / А. С. Сычев // Современные технологии в науке и образовании - СТНО-2019 : сб. тр. II междунар. науч.-техн. форума. - Рязань: Рязан. гос. радиотехн. унт, 2019 - Т. 1. - С. 78-83.

12. Богданов, А. П. Алгоритмы формирования цветного комплексирован-ного изображения из многоспектральных монохромных на основе методов преобразования цветов / А. П. Богданов, И. С. Холопов // Цифровая обработка сигналов.

- 2013. - № 3. - С. 26-32.

13. Бондаренко, М. А. Оценка информативности комбинированных изображений в мультиспектральных системах технического зрения / М. А. Бондаренко,

B. Н. Дрынкин // Программные системы и вычислительные методы. - 2016. - № 1.

- С. 64-79.

14. Костяшкин, Л. Н. Технологии систем улучшенного/синтезированного зрения для управления летательными аппаратами / Л. Н. Костяшкин, С. И. Бабаев,

А. А. Логинов, О. В. Павлов // Техническое зрение в системах управления мобильными объектами - 2010: Труды научно-технической конференции-семинара / под ред. Р. Р. Назирова. - М.: КДУ, 2011. - Вып. 4. - С. 45-56.

15. Инсаров, В. В. Проблемы построения систем технического зрения, использующих комплексирование информационных каналов различных спектральных диапазонов / В. В. Инсаров, С. В. Тихонова, И. И. Михайлов // Информационные технологии. - 2014. - Прил. к № 3. - 32 с.

16. Васильев, А. С. Критерии оценки качества процесса комплексирования изображений в многоспектральных оптико-электронных системах / А. С. Васильев,

A. Н. Тимофеев, А. В. Васильева, С. А. Ряпосов // Известия высших учебных заведений. Приборостроение.- 2017.- Т. 60.- №. 7.- С. 647-653.

17. Рубис, А. Ю. Морфологическое комплексирование изображений различных спектральных диапазонов / А. Ю. Рубис, О. В. Выголов, Ю. В. Визильтер // Механика, управление и информатика. - 2012. - №. 8. - С. 143-148.

18. Дрынкин, В. Н. Формирование комбинированного изображения в двухзональной бортовой авиационно-космической системе / В. Н. Дрынкин, Э. Я. Фальков, Т. И. Царева // Механика, управление и информатика. - 2012. - №. 9. - С. 3339.

19. Алпатов, Б. А. Методы автоматического обнаружения и сопровождения объектов. Обработка изображений и управление / Б. А. Алпатов, П. В. Бабаян, О. Е. Балашов, А. И. Степашкин. - М.: Радиотехника, 2008. - 176 с.

20. Злобин, В. К. Обработка аэрокосмических изображений / В. К. Злобин, В.

B. Еремеев. - М.: ФИЗМАТЛИТ, 2006. - 288 с.

21. Сойфер, В. А. Методы компьютерной обработки изображений / М. В. Гашников, Н. И. Глумов, Н. Ю. Ильясова, В. В. Мясников, С. Б. Потапов, В. В. Сергеев, В. А. Сойфер, А. Г. Храмов, А. В. Чернов, В. М. Чернов, М. А. Чи-чева, В. А. Фурсов / Под ред. В. А. Сойфера. - М.: ФИЗМАТЛИТ, 2003. - 784 с.

22. Красильников, Н. Н. Цифровая обработка 2Б- и 3Б-изображений / Н. Н. Красильников. - СПб.: БХВ-Петербург, 2011. - 608 с.

23. Потапов, А. А. Новейшие методы обработки изображений / А. А. Потапов, Ю. В. Гуляев, С. А. Никитов, А. А. Пахомов, В. А. Герман / Под ред. А. А. Потапова. - М.: ФИЗМАТЛИТ, 2008. - 496 с.

24. Васильев, А. С. Методы комплексирования изображений в многоспектральных оптико-электронных системах / А. С. Васильев, А. В. Трушкина // Сб. трудов 26-й междунар. конф.'^гарЫСоп- 2016". - 2016. - С. 314-318.

25. Szeliski, R. Computer Vision: Algorithms and Applications / R. Szeliski. -Springer Science & Business Media, 2010. - 956 p.

26. Stathaki, T. Image Fusion: Algorithms and Applications / T. Stathaki. - London: Elsevier, 2008. - 500 p.

27. Blum, R. S. Multi-Sensor Image Fusion and Its Applications / R. S. Blum, Z. Liu. - Boca Raton, FL: CRC Press, 2006. - 499 p.

28. Прэтт, У. Цифровая обработка изображений / У. Прэтт: Пер. с англ. - М.: Мир, 1982. - Кн. 1. - 312 с.

29. Zheng, Y. Image Fusion and Its Applications / Y. Zheng. - Rijeka: InTech, 2011. - 241 p.

30. Jain, A. K. Fundamentals of Digital Image Processing / A. K. Jain. - Eng-lewood Cliffs, NJ: PRENTICE HALL, 1989. - 565 p.

31. Шапиро, Л. Компьютерное зрение / Л. Шапиро, Дж. Стокман : Пер. с англ. - М.: БИНОМ. Лаборатория знаний, 2006. - 752 с.

32. Форсайт, Д. Компьютерное зрение. Современный подход / Д. Форсайт, Ж. Понс : Пер. с англ. - М.: Вильямс, 2004. - 928 с.

33. Инсаров, В. В. Формирование комплексированных телевизионно-тепло-визионных изображений в системах переднего обзора летательных аппаратов / В. В. Инсаров, К. В. Обросов, В. Я. Ким, В. М. Лисицын // Вестник компьютерных и информационных технологий. - 2013. - №. 4. - С. 3-10.

34. Shah S. K. Comparative Study of Image Fusion Techniques based on Spatial and Transform Domain / S. K. Shah, D. U. Shah // International Journal of Innovative Research in Science, Engineering and Technology. - 2014. - Vol. 3. - No. 3. - pp. 1016810175.

35. Lewis, J. J. Region-Based Image Fusion Using Complex Wavelets / J. J. Lewis, R. J. O'Callaghan, S. G. Nikolov, D. R. Bul,l C. N. Canagarajah // Seventh international conference on information fusion (FUSION). - 2004. - Vol. 1. - pp. 555562.

36. Naidu, V. P. S. Pixel-level image fusion using wavelets and principal component analysis / V. P. S. Naidu, J. R. Raol // Defence Science Journal. - 2008. - Vol. 58. -No. 3. - pp. 338-352.

37. Burt, P. The Laplacian pyramid as a compact image code / P. Burt, E. Adelson // IEEE Transactions on communications. - 1983. - Vol. 31. - No. 4. - pp. 532-540.

38. Changtao, H. Multimodal Medical Image Fusion Based on IHS and PCA / H. Changtao, L. Quanxi, L. Hongliang, W. Haixu // Symposium on Security Detection and Information Processing. - Hefei, China: Elsevier, 2010. - No. 7. - pp. 280-285.

39. Krishnamoorthy, S. Implementation and Comparative Study of Image Fusion Algorithms / S. Krishnamoorthy, K. P. Soman // International Journal of Computer Applications. - 2020. - Vol. 9. - No. 2. - pp. 25-35.

40. Yang C. A novel similarity based quality metric for image fusion / C. Yang, J. Q. Zhang, X. R. Wang, X. Liu // Information Fusion. - 2008. - Vol. 9. - No. 2. -pp. 156-160.

41. Кириллов, С. Н. Сравнение алгоритмов улучшения низкоконтрастных изображений и оценок качества комплексирования разноспектральных изображений для цифровых систем видеонаблюдения / С. Н. Кириллов, П. С. Покровский, П. Н. Сконников, А. А. Бауков // Цифровая обработка сигналов. - 2019.- № 1.- С. 52-58.

42. Кириллов, С. Н. Алгоритмы формирования телевизионного изображения улучшенного качества для дистанционного управления робототехническими комплексами / С. Н. Кириллов, П. С. Покровский, А. А. Бауков, П. Н. Сконников // Радиотехника. - 2019.- Т. 83.- № 5(II). - С. 205-214.

43. Кириллов, С. Н. Процедура определения размеров окон для алгоритма локального весового суммирования мультиспектральных изображений / С. Н. Кириллов, П. Н. Сконников // Вестник РГРТУ. - 2020. - № 73. - С. 3-9.

44. Дмитриев, В. Т. Сравнительный анализ алгоритмов комплексирования изображений различных спектральных диапазонов / В. Т. Дмитриев, П. Н. Сконни-ков // Вестник РГРТУ. - 2021. - № 78. - С. 29-37.

45. Kirillov, S. N. Contrast Enhancement Algorithm Modification and Comparative Analysis of Image Fusion Quality Indices for Enhanced Vision Systems of Robotic Complexes / S. N. Kirillov, A. A. Baukov, P. S. Pokrovsky, P. N. Skonnikov // 2019 International Siberian Conference on Control and Communications (SIBCON). - Tomsk: IEEE, 2019. - pp. 1-6.

46. Kirillov, S. N. Multispectral image processing algorithms for enhanced vision systems in the Arctic / S. N. Kirillov, P. S. Pokrovskij, A. A. Baukov, P. N. Skonnikov // 4th International Scientific Conference "Arctic: History and Modernity". IOP Conference Series: Earth and Environmental Science. - Saint Petersburg: IOP Publishing, 2019. -Vol. 302. - No. 1.- pp. 1-8.

47. Кириллов, С. Н. Сравнение оценок качества комплексирования разно-спектральных изображений и алгоритмы улучшения качества низкоконтрастных изображений для систем видеонаблюдения / С. Н. Кириллов, П. С. Покровский, П. Н. Сконников, А. А. Бауков // 21-я Международная конференция «Цифровая обработка сигналов и её применение - DSPA-2019»: сборник докладов. Кн. 2. - М. : Московское НТО радиотехники, электроники и связи им. А.С. Попова, 2019. -С. 403-408.

48. Кириллов, С. Н. Алгоритм комплексирования изображений видимого и инфракрасного диапазонов для систем дистанционного управления объектами / С. Н. Кириллов, П. С. Покровский, П. Н. Сконников // Новые информационные технологии в научных исследованиях: материалы XXIII Всероссийской научно-технической конференции. Т. 1. - Рязань: Рязанский государственный радиотехнический университет, 2018. - С. 117-118.

49. Кириллов, С. Н. Алгоритм комплексирования телевизионного и инфракрасного изображений для систем улучшенного видения беспилотных летательных

аппаратов / С. Н. Кириллов, П. С. Покровский, П. Н. Сконников // Техническое зрение в системах управления - 2019: сб. тез. докл. научно-техн. конф. - М. : ИКИ РАН, 2019. - C. 32-33.

50. Кириллов, С. Н. Методика проведения субъективной оценки качества комплексирования изображений различных спектральных диапазонов / С. Н. Кириллов, П. Н. Сконников // Материалы IV Всероссийской научно-технической конференции «Актуальные проблемы современной науки и производства». - Рязань : РГРТУ, 2019. - С. 13-21.

51. Кириллов, С. Н. Сравнительный анализ показателей качества комплек-сирования изображений видимого и инфракрасного диапазонов для систем дистанционного управления объектами / С. Н. Кириллов, П. Н. Сконников // Новые информационные технологии в научных исследованиях: материалы XXIV Всероссийской научно-технической конференции студентов, молодых ученых и специалистов. Т. 1. - Рязань: РГРТУ, 2019. - С. 102-103.

52. Кириллов, С. Н. Алгоритм комплексирования телевизионного и инфракрасного изображений для систем улучшенного видения беспилотных летательных аппаратов / С. Н. Кириллов, П. С. Покровский, П. Н. Сконников // Техническое зрение. - 2019. - № 1(13). - С. 14-20.

53. Кириллов, С. Н. Оптимизация комбинированного объективного показателя качества комплексирования изображений различных спектральных диапазонов / C. Н. Кириллов, П. Н. Сконников // Сб. докл. 22-й Международной конференция «Цифровая обработка сигналов и её применение - DSPA-2020». - Москва, 2020. - С. 592-596.

54. Сконников П. Н. Модификация алгоритма весового суммирования изображений различных спектральных диапазонов для систем телеуправления / П. Н. Сконников // Новые информационные технологии в научных исследованиях: материалы XXV Юбилейной Всероссийской научно-технической конференции студентов, молодых ученых и специалистов. - Рязань: Book Jet, 2020. - C. 70-71.

55. Дмитриев, В. Т. Алгоритм комплексирования изображений различных спектральных диапазонов для систем улучшенного видения / В. Т. Дмитриев, П. Н.

Сконников // Перспективные технологии в средствах передачи информации: Материалы 14-ой международной научно-технической конференции. - Владимир: ВлГУ. - 2021. - С. 233 - 236.

56. Сконников, П. Н. Сравнение алгоритмов комплексирования изображений различных спектральных диапазонов по комбинированному объективному показателю качества / П. Н. Сконников, В. Т. Дмитриев. Новые информационные технологии в научных исследованиях: материалы XXVI Всероссийской научно-технической конференции студентов, молодых ученых и специалистов. - Рязань: Book Jet, 2021. - C. 77-78.

57. Kirillov, S. N. Procedure for Eliminating a Systematic Error in Measuring Occupied Bandwidth on Low Signal-to-Noise Ratio in Space Radiomonitoring Systems / S. N. Kirillov, P. N. Skonnikov // XIV International Scientific-Technical Conference on Actual Problems of Electronics Instrument Engineering (APEIE-2018). - IEEE, 2018. - pp. 55-58.

58. Kirillov, S. N. Comparative Analysis of Digital Underwater Video Image Color Balance Correction Algorithms / S. N. Kirillov, P. N. Skonnikov, A. A. Baukov // Instrumentation Engineering, Electronics and Telecommunications - 2019 : Proceedings of the V International Forum. - Izhevsk: Publishing House of Kalashnikov ISTU, 2019. -pp. 51-58.

59. Skonnikov, P. N. Pupil Visual Tracking Algorithms for Automated Static Pe-rimetry Systems / P. N. Skonnikov, D. V. Trofimov // ISPRS International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. - 2021. - Vol. 4421. - pp. 195-199.

60. Kirillov, S. Improved Quality Video Transmission by Optical Channel from Underwater Mobile Robots / S. Kirillov, V. Dmitriev, L. Aronov, P. Skonnikov, A. Baukov // Recent Research in Control Engineering and Decision Making. - Cham: Springer, 2019. - P. 227-239.

61. Сконников, П. Н. Процедура выделения контуров объекта на изображении для распознавания в системах технического зрения мобильных роботизированных платформ / П. Н. Сконников, П. С. Покровский // Современные технологии в

науке и образовании - СТН0-2018 : сб. тр. междунар. науч.-техн. форума. - Рязань: Book Jet, 2018. - Т. 1. - С. 209-214.

62. Бабаян, П. В. Процедура разностной фильтрации изображений для обнаружения и сопровождения объектов / П. В. Бабаян, П. Н. Сконников, Д. В. Трофимов // Материалы IV Всероссийской научно-технической конференции «Актуальные проблемы современной науки и производства». - Рязань: РГРТУ, 2019. - С. 37.

63. Бабаян, П. В. Алгоритм сегментации объекта на изображении для определения размера эталона при автоматическом сопровождении объектов / П. В. Бабаян, П. Н. Сконников, Д. В. Трофимов // Современные технологии в науке и образовании - СТН0-2020 : сб. тр. III междунар. науч.-техн. форума. - Рязань: Рязан. гос. радиотехн. ун-т, 2020 - Т. 5. - С. 184-187.

64. Трофимов, Д. В. Применение нейронных сетей для обнаружения и распознавания воздушных целей / Д. В. Трофимов, П. Н. Сконников // Сб. докл. IX форума по цифровизации оборонно-промышленного комплекса России «Информационные технологии на службе оборонно-промышленного комплекса» (ИТОПК-2020). - М.: Connect-WIT, 2020. - C. 155.

65. Сконников, П. Н. Применение искусственных нейронных сетей для распознавания объектов на фоне неба / П. Н. Сконников, Д. В. Трофимов // Новые информационные технологии в научных исследованиях: материалы XXV Юбилейной Всероссийской научно-технической конференции студентов, молодых ученых и специалистов. - Рязань: Book Jet, 2020. - C. 212-213.

66. Бабаян, П. В. Процедура анализа минимумов критериальной функции при сопровождении объектов на видеопоследовательности / П. В. Бабаян, П. Н. Сконников, Д. В. Трофимов // Сб. докл. 22-й Международной конференция «Цифровая обработка сигналов и её применение - DSPA-2020». - Москва, 2020. - С. 596600.

67. Программа комплексирования изображений различных спектральных диапазонов: свидетельство о государственной регистрации программы для ЭВМ 2021668004 РФ / В. Т. Дмитриев, П. Н. Сконников ; заявитель и правообладатель

Федеральное государственное бюджетное образовательное учреждение высшего образования «Рязанский государственный радиотехнический университет имени В.Ф. Уткина». - № 2021667214; заявл. 27.10.2021; опубл. 09.11.2021. - 1 с.

68. Piella, G. A new quality metric for image fusion / G. Piella, H. Heijmans // Proceedings of the International Conference on Image Processing. - 2003. - Vol. 3. - pp. 173-176.

69. Piella, G. New quality measures for image fusion / G. Piella // Proceedings of the 7th International Conference on Information Fusion. - 2004. - pp. 542-546.

70. Qu, G. Information measure for performance of image fusion / G. Qu, D. Zhang, P. Yan // Electronics letters. - 2002. - Vol. 38. - No 7. - pp. 313-315.

71. Haghighat, M. Fast-FMI: non-reference image fusion metric / M. Haghighat, M. A. Razian // Proceedings of the 8th International Conference on Application of Information and Communication Technologies. - 2014. - pp. 424-426.

72. Haghighat, M. B. A. A non-reference image fusion metric based on mutual information of image features / M. B. A. Haghighat, A. Aghagolzadeh, H. Seyedarabi // Computers & Electrical Engineering. - 2011. - Vol. 37. - No 5. - pp. 744-756.

73. Aslantas, V. A new image quality metric for image fusion: the sum of the correlations of differences / V. Aslantas, E. Bendes // International Journal of electronics and communications. - 2015. - Vol. 69. - No. 12. - pp. 1890-1896.

74. Xydeas, C. S. Objective image fusion performance measure / C. S. Xydeas, V. Petrovic // Electronics letters. - 2000. - Vol. 36. - No. 4. - pp. 308-309.

75. Hong, R. Objective Image Fusion Performance Measure [Электронный ресурс] / R. Hong // MathWorks File Exchange. - Дата обновления 04.01.2008. - Режим доступа: https : //in.mathworks. com/matlabcentral/fileexchange/ 18213-obj ective-image-fusion-performance-measure (дата обращения: 07.12.2019).

76. Wang, Z. Image quality assessment: from error visibility to structural similarity / Z. Wang, A. C. Bovik, H. R. Sheikh, E. P. Simoncelli // IEEE transactions on image processing. - 2004. - Vol. 13. - No. 4. - pp. 600-612.

77. Сычев, А. С. Безэталонный интегрально-мультипликативный показатель качества цифровых полутоновых изображений / А. С. Сычев, И. С. Холопов // Цифровая обработка сигналов. - 2018. - № 3. - С. 51-57.

78. Wang, Z. A universal image quality index / Z. Wang, A. C. Bovik // IEEE signal processing letters. - 2002. - Vol. 9. - No. 3. - pp. 81-84.

79. Cover, M. T. Elements of Information Theory / M. T. Cover, J. A. Thomas. -New York: John Wiley & Sons, 1991. - 542 p.

80. Haghighat, M. B. A. Feature Mutual Information (FMI) metric for non-reference image fusion [Электронный ресурс] / M. B. A. Haghighat // MathWorks File Exchange. - Дата обновления 05.10.2016. - Режим доступа: https://www.math-works.com/matlabcentral/fileexchange/45926-feature-mutual-information-fmi-metric-for-non-reference-image-fusion (дата обращения: 05.12.2019).

81. Jain, A. K. Fundamentals of digital image processing / A. K. Jain. - Englewood Cliffs, NJ: Prentice Hall, 1989.- pp. 150-154.

82. Добеши, И. Десять лекций по вейвлетам / И. Добеши. - Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001.- 464 с.

83. Орлов, А. И. Организационно-экономическое моделирование : ч. 3 : Экспертные оценки / А. И. Орлов. - М.: Изд-во МГТУ им. Н.Э. Баумана. - 2011. - 486 с.

84. Рекомендация МСЭ-T P.910. Методы субъективной оценки качества видеоизображения для мультимедийных приложений [Электронный ресурс] // International Telecommunication Union (ITU). - 2008. 6 апреля. - Режим доступа: https://www.itu.int/rec/T-REC-P.910-200804-I (дата обращения: 18.11.2019).

85. Рекомендация МСЭ-R BT.500-13. Методика субъективной оценки качества телевизионных изображений [Электронный ресурс] // International Telecommunication Union (ITU). - 2012. - Режим доступа: https://www.itu.int/dms_pubrec/itu-r/rec/bt/R-REC-BT.500- 13-201201-IllPDF-R.pdf (дата обращения: 18.11.2019).

86. Objective perceptual assessment of video quality: Full reference television. ITU-T tutorial [Электронный ресурс] // International Telecommunication Union (ITU).

- 2004. - Режим доступа: https://www.itu.int/ITU-T/studygroups/com09/docs/tuto-rial_opavc.pdf (дата обращения: 18.11.2019).

87. Studies toward the unification of picture assessment methodology. ITU Report 1082-1 [Электронный ресурс] // International Telecommunication Union (ITU). - 1990.

- Режим доступа: http://www.itu.int/pub/R-REP-BT.1082-1-1990 (дата обращения: 18.11.2019).

88. ГОСТ 26320-84. Оборудование телевизионное студийное и внестудийное. Методы субъективной оценки качества цветных телевизионных изображений. -Введ. 1985-07-01. - М. : Изд-во стандартов, 1984. - 10 с.

89. Toet, A. The TNO Multiband Image Data Collection / A. Toet // Data in brief.

- Vol. 15. - pp. 249-251.

90. Toet, A. TNO Image Fusion Dataset [Электронный ресурс] / A. Toet // Figshare. - дата публикации 26.04.2014. - Режим доступа: https://figshare.com/arti-cles/TNO_Image_Fusion_Dataset/1008029 (Дата обращения: 19.01.2020).

91. Seber, G. A. F. Nonlinear Regression. / G. A. F. Seber, C. J. Wild. - Hoboken, NJ: John Wiley & Sons, 2003. - 800 p.

92. Гмурман, Б. Е. Теория вероятностей и математическая статистика. / Б. Е. Гмурман. - М. : Высшая школа, 2003. - 479 с.

93. Ивахненко, А. Г. Обзор задач, решаемых по алгоритмам Метода Группового Учета Аргументов (МГУА) [Электронный ресурс] / А. Г. Ивахненко, Г. А. Ивахненко // GMDH. - 2013. - 16 c. - Режим доступа: http://www.gmdh.net/articles/rus/obzorzad.pdf (дата обращения 10.12.2020).

94. Madala H. R. Inductive Learning Algorithms for Complex System Modeling / H. R. Madala, A. G. Ivakhnenko. - Boca Raton, Florida: CRC Press, 1994. - 380 p.

95. Nelder, J. A. A simplex method for function minimization / J. A. Nelder, R. Mead // Computer Journal. - 1965. - Vol. 7. - pp. 308-313.

96. Lagarias, J. C., Convergence Properties of the Nelder-Mead Simplex Method in Low Dimensions / J. C. Lagarias, J. A. Reeds, M. H. Wright, P. E. Wright // SIAM Journal of Optimization. - 1998. - Vol. 9. - No 1. - pp. 112-147.

97. Sahu, D. K. Different Image Fusion Techniques -A Critical Review / D. K. Sahu, M. P. Parsai // International Journal of Modern Engineering Research (IJMER). - 2012. - Vol. 2. - No. 5. - pp. 4298-4301.

98. Рубис, А. Ю. Алгоритм комплексирования изображений на основе диффузной морфологии / А. Ю. Рубис, Ю. В. Визильтер, В. С. Горбацевич, О. В. Вы-голов // Сб. тез. науч.-техн. конф. «Техническое зрение в системах управления-2015». - 2015. - С. 112-113.

99. Functionality of the image fusion toolbox [Электронный ресурс] // Metapix. - Дата обновления: 30.09.1999. - Режим доступа: http://metapix.de/func.htm (дата обращения 16.09.2019).

100. Lewis, J. J. Region-based image fusion using complex wavelets / J. J. Lewis, R. J. O'Callaghan, S. G. Nikolov, D. R. Bull, C. N. Canagarajah // Seventh International Conference on Information Fusion. - 2004. - Vol. 1. - pp. 555-562.

101. Camera Calibration and 3D Reconstruction [Электронный ресурс] // OpenCV. - Дата обновления: 31.12.2019. - Режим доступа: https://docs.opencv.org/2.4/modules/calib3d/doc/camera_calibration_and_3d_recon-struction.html (дата обращения 24.03.2020).

102. Stereo Camera Calibrator App [Электронный ресурс] // MathWorks Help Center. - 2020. - Режим доступа: https://www.mathworks.com/help/vision/ug/stereo-camera-calibrator-app.html (дата обращения 24.03.2020).

103. Кудинов, И. А. Тест-объект для фотограмметрической калибровки раз-носпектральных камер систем технического зрения / И. А. Кудинов, О. В. Павлов, И. С. Холопов // Техническое зрение в системах управления - 2019: сб. тез. докл. научно-техн. конф.- М.: ИКИ РАН, 2019. - С. 46-47.

104. Hines, G. Multi-image registration for an enhanced vision system / G. Hines, Z. Rahman, D. Jobson, G. Woodell // Visual Information Processing XII. - International Society for Optics and Photonics, 2003. - Vol. 5108. - P. 231-241.

105. Kim, K. S. Robust multi-sensor image registration by enhancing statistical correlation / K. S. Kim, J. H. Lee, J. B. Ra // Proceedings of the 7th International Conference on Information Fusion. - IEEE, 2005. - Vol. 1. - 7 p.

106. Aguilera, C. Multispectral image feature points / C. Aguilera, F. Barrera, F. Lumbreras, A. D. Sappa, R. Toledo // Sensors. - 2012. - Vol. 12. - No. 9. - P. 1266112672.

107. Aguilera, C. A. LGHD: A feature descriptor for matching across non-linear intensity variations / C. A. Aguilera, A. D. Sappa, R. Toledo // 2015 IEEE International Conference on Image Processing (ICIP). - IEEE, 2015. - P. 178-181.

108. Гонсалес, Р. Цифровая обработка изображений в среде MATLAB / Р. Гонсалес, Р. Вудс, С. Эддинс. - М.: Техносфера, 2006. - 616 с.

109. Сергиенко, А. Б. Цифровая обработка сигналов / А. Б. Сергиенко. -СПб.: Питер, 2002. - 608 с.

110. Fspecial [Электронный ресурс] // MathWorks Help Center. - 2020. - Режим доступа: https://www.mathworks.com/help/images/ref/fspecial.html (дата обращения 01.04.2020).

111. Imgaussfilt [Электронный ресурс] // MathWorks Help Center. - 2020. - Режим доступа: https://www. mathworks.com/help/images/ref/imgaussfilt.html#bunfgk6 -1-sigma (дата обращения 01.04.2020).

112. Oppenheim, A. V. Discrete-time signal processing / A. V. Oppenheim, R. W. Schafer, J. R. Buck: 2nd ed. - NJ: Prentice-Hall, 1999. - 870 p.

113. Вентцель, Е. С. Теория вероятностей: изд. 4 / Е. С. Вентцель. - М.: Наука, 1969. - 576 с.

114. Старовойтов, В. В. Сравнительный анализ безэталонных мер оценки качества цифровых изображений / В. В. Старовойтов, Ф. В. Старовойтов // Системный анализ и прикладная информатика. - 2017. - № 1. - С. 24-32

115. Pertuz, S. Analysis of focus measure operators for rshape-from-focus / S. Pertuz, D. Puig, M. A. Garcia // Pattern Recognition. - 2013. - No. 46. - pp. 1415-1432.

116. Brenner, J. F. An automated microscope for cytologic research a preliminary evaluation / J. F. Brenner, B. S. Dew, J. B. Horton, T. King, P. W. Neurath, W. D. Selles // Journal of Histochemistry & Cytochemistry. - 1976. - Vol. 24. - No. 1. - pp. 100111.

117. Pech-Pacheco, J. L. Diatom autofocusing in brightfield microscopy: a comparative study / J. L. Pech-Pacheco, G. Cristobal, J. Chamorro-Martinez, J. Fernandez-Valdivia // Proceedings of the 15th International Conference on Pattern Recognition (ICPR-2000). - IEEE, 2000. - Vol. 3. - pp. 314-317.

118. Обросов, К. В. Решающие статистики для комплексирования изображений при обнаружении малоконтрастных объектов / К. В. Обросов, В. М. Лисицын,

B. Я. Ким, Е. Н. Боровенский // Вестник компьютерных и информационных технологий, 2012. - №. 4. - С. 18-23.

119. Lindbloom, B. Useful Color Equations [Электронный ресурс] / B. Lind-bloom // Bruce Lindbloom. - 2013. - Режим доступа: http://www.brucelindbloom.com (дата обращения 21.05.2020).

120. Ebner, M. Color Constancy / M. Ebner. - Chichester: John Wiley & Sons, 2007. - 393 p.

121. Oleari, C. Standard colorimetry: definitions, algorithms and software / C. Oleari. - Chichester: John Wiley & Sons, 2016. - 645 p.

122. Malacara, D. Color Vision and Colorimetry. Theory and Applications: 2nd ed. / D. Malacara. - Bellingham: SPIE, 2011. - 175 p.

123. Toet, A. Fusion of visible and thermal imagery improves situational awareness / A. Toet, J. K. Ijspeert, A. M. Waxman, M. Aguilar // Displays. - 1997. - Vol. 18.

- No. 2. - pp. 85-95.

124. Davis, J. Background-Subtraction using Contour-based Fusion of Thermal and Visible Imagery / J. Davis, V. Sharma // Computer Vision and Image Understanding.

- 2007. - Vol. 106. - No. 2-3. - pp. 162-182.

125. Zhang, M.M. VAIS: A Dataset for Recognizing Maritime Imagery in the Visible and Infrared Spectrums / M. M. Zhang, J. Choi, K. Daniilidis, M. T. Wolf, C. Kanan // Proc. of the 11th IEEE Workshop on Perception Beyond the Visible Spectrum (PBVS-2015). - 2015. - pp. 10-16.

126. Алфимцев, А. Н. Метод обнаружения объекта в видеопотоке в реальном времени / А. Н. Алфимцев, И. И. Лычков // Вестник ТГТУ. - 2011. - Т. 17. - № 1. -

C. 44-55.

127. Бондаренко, А. В. Аппаратно-программная реализация мультиспек-тральной системы улучшенного видения / А. В. Бондаренко, М. А. Бондаренко // Современная электроника. - 2017. - № 1. - С. 32-37.

128. Выголов, А. В. Опыт разработки систем улучшенного, синтезированного и комбинированного видения для самолетов и вертолетов / О. В. Выголов, Ю. В. Визильтер, С. Ю. Желтов, Д. В. Комаров, В. В. Князь, А. Ю. Рубис, М. А. Лебедев // Материалы XI всеросс. науч.-практ. конф. "Перспективные системы и задачи управления". - 2016. - Т. 1. - С. 360-375.

129. Бондаренко, А. В. Обзорно-панорамная оптико-электронная система наблюдения и обнаружения для мобильной наземной техники / А. В. Бондаренко, И. В. Докучаев, А. В. Рода, Я. Я. Хаджиева // Механика, управление и информатика.

- 2012. - №. 2. - С. 52-57.

130. Алпатов, Б. А. Семейство многофункциональных систем обработки видеоизображений «Охотник» / Б. А. Алпатов, А. Н. Блохин, Л. Н. Костяшкин, Ю. Н. Романов, С. В. Шапка // Цифровая обработка сигналов. - 2010. - №. 4. -С. 44-51.

131. Бондаренко, А. В. Аппаратная реализация бортовой автономной системы улучшенного и синтезированного зрения мобильной техники / А. В. Бонда-ренко, М. А. Бондаренко, И. В. Докучаев // Механика, управление и информатика.

- 2012. - №. 3. - С. 95-102.

132. Акопджанян, Ю. А. Летное экспериментальное исследование бортового мультиспектрального оптико-электронного комплекса для, всепогодной посадки летательных аппаратов / Ю. А. Акопджанян, В. В. Биланчук, В. Н. Дрынкин, Э. Я. Фальков, Т. И. Царёва, А. И. Фоменко, А. С. Мачихин // Вестник МГТУ им. Н. Э. Баумана. Сер. «Приборостроение». - 2014. - №. 5 (98). - С. 60-68.

133. Васильев, А. И. Программное и алгоритмическое обеспечение систем компьютерного видения с несколькими полями зрения : дис. ... кандидата физико-математических наук : 05.13.11. / Васильев Антон Игоревич. - М., 2013. - 116 с.

134. Держановский, А. С. Обработка зрительных данных в системе технического зрения реального времени с использованием ПЛИС / А. С. Держановский, С. М. Соколов // Препринты ИПМ им. М. В. Келдыша РАН. - 2016. - №№. 126. - 16 с.

135. Пытьев, Ю. П. Методы морфологического анализа изображений / Ю. П. Пытьев, А. И. Чуличков. - М.: ФИЗМАТЛИТ, 2010. - 336 с.

136. Coifman, R. Geometries of sensor outputs, inference and information processing / R. Coifman, S. Lafon, M. Maggioni, Y. Keller, A.D. Szlam, F. Warner, S. Zucker // Storage and Retrieval for Image and Video Databases. - 2006. - Vol. 6232.

- 9 pp.

137. Vizilter, Yu. V. Shape-based image matching using heat kernels and diffusion maps / Yu. V. Vizilter, V. S. Gorbatsevich, A. Yu. Rubis, S. Yu. Zheltov // The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences.

- 2014. - Vol. 40. - No. 3. - pp. 357-364.

138. Визильтер, Ю. В. Сравнение изображений по форме с использованием диффузной морфологии и диффузной корреляции / Ю. В. Визильтер, В. С. Горба-цевич, А. Ю. Рубис, О. В. Выголов // Компьютерная оптика. - 2015. - Т. 39. - №. 2.

- С. 265-274.

139. Визильтер, Ю. В. Математические морфологии на основе неусложняю-щих фильтров и эпсилон-форм [Электронный ресурс] / Ю.В. Визильтер, С.Ю. Жел-тов // MachineLearning.ru. - 2015. - Режим доступа: http://www.machinelearn-ing.ru/wiki/images/7/7b/Vizilter2015MMPR.pdf (дата обращения 11.05.2020).

140. Lafon, S. S. Diffusion Maps and Geometric Harmonics [Электронный ресурс] / S. S. Lafon // Research papers by Stefan Lafon. - 2004. - 97 p. - Режим доступа: https://sites.google.com/site/stefansresearchpapers/home/dissertation.pdf (дата обращения 20.01.2021).

Раздаточный материал участника субъективной оценки качества комплексирования изображений

Для субъективной оценки качества комплексирования изображений вашему вниманию будут представлены изображения различных спектральных диапазонов и результаты их комплексирования. Одновременно на дисплее отображаются три изображения одной и той же сцены, как показано на рисунке 1.

Г "

■ ь

4 |«Л д Л";

Рисунок 1 — Пример представляемых наблюдателю изображений

В верхней части справа и слева - два исходных изображения различных диапазонов. Это могут быть изображения видимого или инфракрасного диапазонов (конкретнее, МЯ, Б'ШК или Ь'ШЯ), но при оценке не имеет значения, какому именно диапазону соответствует то или иное изображение. На исходных изображениях следует обратить внимание на то, какие объекты на них присутствуют и насколько хорошо они заметны.

В нижней части по центру - результат комплексирования. Цель комплекси-рования - обеспечить заметность на итоговом изображении всех объектов, види-

мых хотя бы на одном из исходных изображений. Комплексированное изображение может значительно отличаться от исходных изображений или иметь минимум отличий (вплоть до полного соответствия одному из исходных изображений). Степень отличия комплексированного изображения от исходных изображений не учитывается при оценке.

Основной критерий оценки (предмет оценки) - степень заметности на ком-плексированном (нижнем) изображении всех объектов, различимых хотя бы на одном из исходных (верхних) изображений.

Здесь под объектом понимается любая область изображения, отличающаяся от фона и других объектов (то есть различимая область), за исключением слишком мелких областей (точек, мелких пятен), размеры которых не позволяют отличить объект от шума или иной помехи.

В ходе подготовки к испытаниям вам будут с представлением примеров разъяснены детали, на которые следует обращать внимание, а также особенности исходных и комплексированных изображений.

Оценки выставляются методом относительного масштабирования. Это означает, что границы шкалы не заданы (например, как в шкале баллов от 1 до 5) и оценкам не соответствуют лингвистические описания (например, 1 - «плохо», 5 -«хорошо»). Оценку методом относительного масштабирования можно описать следующим образом:

- наблюдателям представляются различные сцены в случайном порядке;

- наблюдатели присваивают каждой сцене числа в соответствии с их суждением о качестве комплексирования;

- первая сцена (то есть тройка изображений) оценивается произвольным положительным числом; данное число не должно быть слишком маленьким, чтобы было удобно в дальнейшем присваивать некоторым другим сценам меньшие числа;

- последующим сценам выставляются оценки в соответствии с субъективным восприятием качества комплексирования таким образом, чтобы данные оценки отражали, во сколько раз та или иная сцена лучше по качеству комплекси-рования, чем какая-либо другая сцена; например, если качество комплексирования

на одной сцене воспринимается в два раза лучшим, чем на другой сцене, то следует выставить оценку в два раза выше;

- отсутствуют ограничения в диапазоне выставления оценок; при необходимости некоторым сценам может быть выставлена оценка «0», если наблюдатель обнаружил один или несколько объектов, отчётливо различимых на одном из исходных (верхних) изображений, но совершенно не различимых на комплексиро-ванном (нижнем) изображении.

- по окончанию испытаний наблюдатель отмечает, какое число, по его представлению, соответствует идеальному качеству.

Наблюдатели размещаются перед мониторами на указанном организатором расстоянии, по одному человеку за монитор. В ходе оценки наблюдатели не могут обсуждать представляемые им изображения.

В левом нижнем углу показан номер текущей тройки изображений и общее количество таких троек.

Сначала следуют 12 сцен, на примерах которых организатор объясняет особенности представляемых изображений и методику проведения испытаний. Эти сцены имеют номера от -19 до -8, их оценивать не требуется.

Затем наблюдатели уточняют у организатора не понятные им детали по проведению оценки.

Далее (номера от -7 до 0) следует тренировочная последовательность, в ходе которой наблюдатели самостоятельно оценивают представленные результаты ком-плексирования. По завершении тренировочной последовательности выставленные оценки обсуждаются между наблюдателями с участием организатора. Оценки, выставленные в ходе тренировочной последовательности, не учитываются.

Перед основным этапом испытаний проводится перерыв длительностью 5 минут.

Основная последовательность включает 117 специально подобранных троек изображений. Среднее время анализа одной тройки - 15 секунд. При таком времени анализа общее время испытаний не превысит 30 минут. За эти 15 секунд участник должен определить все объекты на исходных (верхних) изображениях, оценить их

заметность на комплексированном (нижнем) изображении и записать оценку в соответствующую графу анкеты. При этом оценка выставляется для объекта с наибольшей потерей заметности. Участники самостоятельно переключают изображения по мере выполнения испытаний. При этом нет необходимости засекать ровно 15 секунд, организатор периодически будет объявлять, какая по счёту тройка в данный момент наиболее соответствует расчётному времени, и в соответствии с эти замечаниями участники оценивают качество комплексирования медленнее (более детально) или быстрее.

После начала основной сессии организатор не отвечает на вопросы о критериях и методике оценки. Если у участника во время основной сессии появляются затруднения, не позволяющие проводить оценку далее, или он понял, что оценивал качество комплексирования неправильно, участник помечает соответствующие графы таблицы или всю анкету как недействительную.

Рисунок Б.1 — Функциональная схема алгоритма комплексирования изображений различных спектральных диапазонов, модифицированного для ускорения расчёта

весовых коэффициентов фрагментов

Рисунок В.1 — Функциональная схема алгоритма комплексирования изображений различных спектральных диапазонов, модифицированного для уменьшения эффекта потери контрастности

Таблица Г.1 — Значения характеристик соответствия объективных показателей качества комплексирования субъективному_

Номер объективного показателя качества к Размер фрагмента Коэффициент уменьшения изображения Ка Точность рр Монотон- § ность Рк Несогласованность Як, %

17 7 1 0,33 0,26 7,1

5 0,58 0,48 3,6

21 1 0,36 0,32 6,3

5 0,57 0,45 5,4

18 7 1 0,4 0,36 7,1

5 0,64 0,56 3,6

21 1 0,42 0,34 5,4

5 0,65 0,54 3,6

19 7 1 0,28 0,18 7,1

5 0,5 0,34 6,3

21 1 0,29 0,22 7,1

5 0,39 0,26 7,1

20 7 1 0,31 0,21 7,1

5 0,55 0,38 6,3

21 1 0,3 0,23 7,1

5 0,51 0,32 6,3

УТВЕРЖДАЮ иректор НКЦ ВЛТ О «РИФ»

Е.Б. Гравшин

г-

уь^/и^С 202С г. АКТ

о реализации результатов диссертационной работы Сконникова Петра Николаевича на соискание ученой степени кандидата технических наук в разработки НКЦ ВЛТ (научно-конструкторского центра видеоинформационных и лазерных технологий - рязанского филиала АО «РИФ», г. Воронеж) Комиссия в составе:

I

председателя комиссии:

Костяшкина Л.Н., главного специалиста, к.т.н. членов комиссии:

Блохина А.Н., главного конструктора по направлению - начальника лаборатории, к.т.н.,

Павлова О.В., главного конструктора по направлению - начальника лаборатории, к.т.н.,

Юкина С. А., ведущего научного сотрудника, к.т.н.

составила акт о том, что результаты диссертационной работы Сконникова П. Н. использованы в ОКР АО «РИФ» и в инициативной работе АО «РИФ» «Разработка блока обработки видеоизображений многофункционального».

При этом использованы следующие результаты диссертационной работы Сконникова П.Н., представленной на соискание ученой степени кандидата технических наук:

1. Адаптивный алгоритм комплексирования изображений двух и более различных спектральных диапазонов, автоматически изменяющий свои параметры по результатам анализа выходных изображений в режиме реального времени;

2. Комбинированный объективный показатель качества комплексирования изображений различных спектральных диапазонов, необходимый для проведения испытаний и настройки опытных образцов изделий, выполняющих комплексирование изображения различных спектральных диапазонов.

Председатель комиссии Члены комиссий