Разработка метода и алгоритмов адаптивной обработки цифровых оптических изображений морских акваторий с целью обнаружения на их поверхностях посторонних предметов тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Черноморец Дарья Андреевна

• Черноморец Дарья Андреевна
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Черноморец Дарья Андреевна

ВВЕДЕНИЕ

ГЛАВА 1. ОСНОВНЫЕ АСПЕКТЫ ПРОБЛЕМЫ СЕЛЕКЦИИ УЧАСТКОВ ЦИФРОВЫХ ОПТИЧЕСКИХ ИЗОБРАЖЕНИЙ МОРСКИХ АКВАТОРИЙ С ПОЗИЦИЙ ОБНАРУЖЕНИЯ ПОСТОРОННИХ ДЛЯ ИХ ВОДНЫХ ПОВЕРХНОСТЕЙ ПРЕДМЕТОВ

1.1 Характеристика цифровых оптических изображений морских акваторий с позиций селекции участков их поверхностей, занятых посторонними объектами

1.2 Анализ известных методов адаптивной обработки цифровых оптических изображений морских акваторий при селекции участков

их поверхностей, занятых посторонними объектами

1.3 Постановка задач исследования

ГЛАВА 2. РАЗРАБОТКА ПРИЗНАКОВ ДЛЯ ВЫДЕЛЕНИЯ МНОЖЕСТВА ПИКСЕЛЕЙ, СФОРМИРОВАННЫХ НА ОПТИЧЕСКИХ ИЗОБРАЖЕНИЯХ МОРСКИХ АКВАТОРИЙ ВОДНЫМИ ПОВЕРХНОСТЯМИ ПРИ ОТСУТСТВИИ НЕИЗВЕСТНЫХ ПОСТОРОННИХ ПРЕДМЕТОВ

2.1 Основные гипотезы о свойствах пикселей изображений, сформированных водной поверхностью морской акватории и поверхностями посторонних плавающих предметов

2.2 Статистические (числовые) характеристики пикселей фрагментов изображений как признаки отсутствия посторонних для водной поверхности предметов

2.3 Поляризационные признаки селекции на изображениях фрагментов пикселей, сформированных водной поверхностью

2.4 Числовые признаки идентичности фрагментов пикселей в локальных подобластях изображений, сформированных водной поверхностью

2.5 Субполосный анализ строк и столбцов элементов двумерных структур, полученных при предварительной обработке исходных

изображений, как средство формирования признаков отсутствия на водной поверхности отображаемых изображениями морских

акваторий посторонних предметов

2.6 Основные результаты и выводы главы

ГЛАВА 3. РАЗРАБОТКА МЕТОДА СЕЛЕКЦИИ ЗАНЯТЫХ ПОСТОРОННИМИ ПРЕДМЕТАМИ УЧАСТКОВ МОРСКИХ АКВАТОРИЙ И СООТВЕТСТВУЮЩИХ АЛГОРИТМОВ ОБРАБОТКИ ОТОБРАЖАЮЩИХ ИХ ЦИФРОВЫХ ОПТИЧЕСКИХ ИЗОБРАЖЕНИЙ

3.1 Метод селекции занятых посторонними предметами участков морских акваторий и соответствующие алгоритмы обработки отображающих их цифровых оптических изображений

3.2 Вычислительные эксперименты

3.2.1 Концептуальные основы проведения вычислительных экспериментов

3.2.2 Результаты вычислительных экспериментов

3.3. Основные результаты и выводы главы

ГЛАВА 4. РАЗРАБОТКА ПРОТОТИПА ПРОГРАММНОЙ РЕАЛИЗАЦИИ ИНФОРМАЦИОННОЙ ТЕХНОЛОГИИ СЕЛЕКЦИИ ФРАГМЕНТОВ МОРСКОЙ ПОВЕРХНОСТИ, ЗАНЯТЫХ ПОСТОРОННИМИ ДЛЯ НЕЕ ОБЪЕКТАМИ, НА ОСНОВЕ АДАПТИВНОЙ ОБРАБОТКИ ЕДИНИЧНЫХ КАДРОВ ЦИФРОВЫХ

ОПТИЧЕСКИХ ИЗОБРАЖЕНИЙ МОРСКИХ АКВАТОРИЙ

4.1 Архитектура прототипа программной реализации информационной технологии селекции фрагментов морской поверхности, занятых посторонними для нее объектами, на основе адаптивной обработки единичных кадров цифровых оптических изображений морских акваторий

4.2 Интерфейс прототипа программной реализации информационной технологии селекции фрагментов морской поверхности, занятых посторонними для нее объектами, на основе адаптивной обработки единичных кадров цифровых оптических изображений морских акваторий

4.3 Пример функционирования прототипа программной реализации информационной технологии селекции фрагментов морской поверхности, занятых посторонними для нее объектами, на основе адаптивной обработки единичных кадров цифровых оптических изображений морских акваторий

4.4 Основные результаты и выводы главы

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ РАБОТЫ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А Справка об использовании результатов

диссертационных исследований

ПРИЛОЖЕНИЕ Б Акт внедрения в учебный процесс результатов

диссертационных исследований

ПРИЛОЖЕНИЕ В Свидетельство о государственной регистрации

программы для ЭВМ

ПРИЛОЖЕНИЕ Г Результаты применения разработанных алгоритмов и

искусственной нейронной сети

ПРИЛОЖЕНИЕ Д Листинг основных функций разработанного прототипа программной реализации информационной технологии селекции фрагментов морской поверхности, занятых посторонними для нее объектами, на основе адаптивной обработки единичных кадров цифровых оптических изображений морских акваторий

Введение диссертации (часть автореферата) на тему «Разработка метода и алгоритмов адаптивной обработки цифровых оптических изображений морских акваторий с целью обнаружения на их поверхностях посторонних предметов»

ВВЕДЕНИЕ

Актуальность работы. Морские акватории широко используются для перевозки грузов с помощью различных плавсредств, основной характеристикой которых является возможность активного передвижения в соответствии с назначенной целью. Такие плановые перевозки требуют обеспечение безопасности перемещения, в том числе гарантий отсутствия столкновений с другими плавсредствами, включая предметы, непредсказуемо оказавшиеся на морской поверхности. Кроме того, на поверхности моря могут проявляться результаты хозяйственной деятельности в виде мусора, пятен мазута или нефти при ее морской добыче. Ясно, что для обнаружения предметов, наличие которых угрожает безопасности судоходства, необходимо осуществлять мониторинг морских акваторий. Существенно то, что в подавляющем большинстве случаев посторонние объекты появляются непредсказуемо. Поэтому возникает необходимость регулярного мониторинга морской акватории и, прежде всего, с целью обнаружения неизвестных посторонних для водной поверхности предметов. Эффективность процедуры мониторинга во многом определяется качеством используемого информационного обеспечения в виде различных документов, методик и средств обработки регистрируемых текущих данных используемых приборов. В качестве основного средства мониторинга достаточно часто используется видеосъемка с последующим анализом получаемых цифровых оптических изображений поверхности морской акватории.

Широкое применение видеосъемки при решении задач мониторинга обусловлено доступностью требуемого оборудования, пассивным способом регистрации данных, возможностью получения изображений достаточно высокого разрешения на значительных расстояниях и др. Их предварительная обработка с целью определения множества фрагментов морской поверхности, которые могут содержать посторонние объекты может осуществляться на бортовом компьютере беспилотного летательного аппарата (БПЛА). Автоматическая селекция таких фрагментов позволяет уточнить совокупность

подлежащих более тщательному обследованию выявленных подозрительных участков акватории.

Степень разработанности темы исследования. Существенный вклад в разработку методов селекции пикселей фрагментов оптических изображений морской акватории, сформированных отражениями от посторонних предметов, внесли многие специалисты, среди которых В.Г. Бондур, Б.А. Скороход, Е.Г. Жиляков, В.С. Голиков, В.Ф. Давыдов, A. Borghgraef, M. Rodríguez-Blanco, F. Scholler, J.M. Jeong, H. Lyu, T. Lo, Z. Shao, C. Zhu и др.

Подробный анализ методов, разработанных ими и другими специалистами, приводится в первой главе диссертации. Здесь только отметим, что в доступных литературных источниках описываются методы, в которых недостаточно адекватно учитываются свойства пикселей оптических изображений морских акваторий.

Существенным аспектом задачи обнаружения посторонних для водной поверхности предметов на основе анализа оптических изображений представляется её подвижность, различие в освещенности разных участков поверхности и зависимость от ракурса чувствительности датчиков видеокамеры.

Таким образом, при разработке методов решения рассматриваемой задачи необходимо адекватно учитывать эти процессы, характеристики которых нельзя считать стационарными как по времени, так и по пространству.

Нестационарность характеристик отражений от поверхности акватории порождает нестационарность значений пикселей соответствующих изображений. Поэтому представляется целесообразным выносить решения об отсутствии/наличии посторонних предметов на основе обработки единственного кадра видеосъемки с использованием признаков, адекватно отражающих влияние на результаты съемки различных факторов. При этом значения признаков и соответствующих решающих функций, включая их критические области, должны вычисляться по этому же кадру, то есть определяться адаптивно.

Таким образом, актуальным является следующее.

Объект и предмет исследования. Объектом исследования являются информационные технологии анализа состояний морских акваторий на основе дистанционно получаемой визуальной информации.

Предмет исследования - методы и алгоритмы селекции посторонних для водной поверхности объектов на основе адаптивной обработки цифровых оптических изображений морских акваторий.

Целью диссертационной работы является совершенствование информационного обеспечения дистанционного анализа состояний поверхностей морских акваторий на основе разработки информационной технологии, реализующей предлагаемые адаптивные метод и алгоритмы селекции с адекватным учетом условий съемки участков отображающих их цифровых оптических изображений, пиксели которых сформированы при наличии посторонних предметов.

Для достижения поставленной цели были сформулированы и решены следующие задачи:

1. Анализ существующих методов обработки цифровых оптических изображений морских акваторий с позиций адекватности учета условий съемки и свойств их поверхностей при селекции на единственном кадре участков, экранируемых наличием посторонних предметами.

2. Разработка метода адаптивной обработки единичных кадров цифровых оптических изображений морских акваторий при селекции их фрагментов, занятых посторонними предметами, с адекватным учетом условий съемки и свойств рельефа поверхности морской воды, обусловленных её движениями.

3. Разработка алгоритмических реализаций метода адаптивной обработки единичных кадров цифровых оптических изображений морских акваторий при селекции фрагментов, занятых посторонними предметами, с адекватным учетом условий съемки и свойств движений поверхности морской воды.

4. Оценка с использованием вычислительных экспериментов работоспособности разработанных алгоритмов адаптивной обработки цифровых изображений морских акваторий при селекции её фрагментов, занятых

посторонними предметами, на основе адаптивной обработки единичных кадров цифровых оптических изображений морских акваторий.

5. Разработка прототипа программной реализации информационной технологии селекции фрагментов морской поверхности, занятых посторонними для водной поверхности предметами, на основе адаптивной обработки единичных кадров цифровых оптических изображений морских акваторий.

Научную новизну работы составляет следующее:

1. Модель двумерных субполосных трендов двумерных структур, позволяющая адекватно отразить на кадре цифрового оптического изображения рельеф движений водной поверхности и условий съемки кадра.

2. Пространство признаков для проверки гипотезы об отсутствии в анализируемых фрагментах цифровых оптических изображений морских акваторий пикселей, обусловленных наличием посторонних для водной поверхности предметов.

3. Метод селекции фрагментов цифровых оптических изображений морских акваторий, пиксели которых возможно сформированы при наличии посторонних предметов, на основе адаптивного построения и обработки субполосных трендов двумерных структур, построенных с использованием элементов пространства признаков.

Теоретическая значимость исследований определяется разработанной на основе субполосного выделения трендов двумерных структур решающей процедурой селекции фрагментов цифровых оптических изображений, пиксели которых возможно сформированы при наличии посторонних предметов.

Практическая значимость исследований определяется возможностью использования разработанной информационной технологии для селекции фрагментов морских акваторий, занятых посторонними для водной поверхности предметами.

Результаты работы используются в ООО «НПП «ЭИТ» БелГУ», а также в учебном процессе НИУ «БелГУ», что подтверждается соответствующими документами (Приложения А, Б).

Методы исследований. В работе использованы методы статистического анализа, линейной алгебры, субполосного анализа, цифровой обработки изображений и компьютерного моделирования.

Положения, выносимые на защиту:

1. Применение разработанной решающей процедуры селекции фрагментов цифровых оптических изображений морских акваторий на основе анализа субполосных трендов предложенных двумерных структур позволяет с малой вероятностью ошибочных решений определить участки морской поверхности с возможным наличием посторонних для водной поверхности предметов.

2. Высокая работоспособность созданной информационной технологии селекции занятых посторонними объектами участков морских акваторий на основе разработанных алгоритмов адаптивной обработки единичных кадров соответствующих цифровых оптических изображений обеспечивается адекватным учетом условий визуальной съемки и рельефа совокупности пикселей кадра, обусловленного движениями водной поверхности.

3. Результаты сравнительных вычислительных экспериментов показывают, что использование разработанной информационной технологии позволяет достичь достаточно высоких значений вероятностей правильных решений при селекции занятых посторонними предметами участков морских акваторий.

Область исследования. Содержание диссертации соответствует паспорту специальности 2.3.8. Информатика и информационные процессы (технические науки) по следующим областям исследований:

п. 4. Разработка методов и технологий цифровой обработки аудиовизуальной информации с целью обнаружения закономерностей в данных, включая обработку текстовых и иных изображений, видео контента. Разработка методов и моделей распознавания, понимания и синтеза речи, принципов и методов извлечения требуемой информации из текстов.

п. 13. Разработка и применение методов распознавания образов, кластерного анализа, нейро-сетевых и нечетких технологий, решающих правил, мягких вычислений при анализе разнородной информации в базах данных.

Достоверность и обоснованность результатов исследования обусловлена корректностью применяемых математических преобразований, отсутствием противоречий с известными положениями теории и практики обработки цифровых оптических изображений и иллюстрируется результатами вычислительных экспериментов с реальными изображениями морских акваторий.

Апробация результатов диссертационного исследования.

Результаты проведенных исследований обсуждались на следующих научно-технических конференциях: XXVIII Международная конференция студентов, аспирантов и молодых ученых «Ломоносов» (г. Москва, 2021 г.); XVII международная очно-заочная научно-практическая конференция «Научные исследования и разработки 2023» (г. Москва, 2023 г.); IX Международная научно-техническая конференция «Информационные технологии в науке, образовании и производстве (ИТНОП-2023)»(г. Белгород, 2023 г.).

Публикации. Основные положения диссертационной работы изложены в 9 научных работах, из них 3 в журналах из списка ВАК, 2 в журналах, индексируемых в базе Scopus, 3 публикации в сборниках международных конференций, получено свидетельство о государственной регистрации программы для ЭВМ (Приложение В).

Личный вклад автора. Результаты исследований, изложенные в работе, были получены автором лично либо при его непосредственном участии.

Структура и объем и работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 151 наименования, 5 приложений. Работа изложена на 197 страницах основного текста, содержит 76 рисунков, 37 таблиц.

Работа была выполнена на кафедре информационно-телекоммуникационных систем и технологий Института инженерных и цифровых технологий Белгородского государственного национального исследовательского университета.

ГЛАВА 1. ОСНОВНЫЕ АСПЕКТЫ ПРОБЛЕМЫ СЕЛЕКЦИИ УЧАСТКОВ ЦИФРОВЫХ ОПТИЧЕСКИХ ИЗОБРАЖЕНИЙ МОРСКИХ АКВАТОРИЙ С ПОЗИЦИЙ ОБНАРУЖЕНИЯ ПОСТОРОННИХ ДЛЯ ИХ ВОДНЫХ

ПОВЕРХНОСТЕЙ ПРЕДМЕТОВ

1.1 Характеристика цифровых оптических изображений морских акваторий с позиций селекции участков их поверхностей, занятых посторонними объектами

Морские акватории широко используются для перевозки грузов с помощью различных плавсредств, основной характеристикой которых является возможность активного передвижения в соответствии с назначенной целью. Такие плановые перевозки требуют обеспечение безопасности перемещения, в том числе гарантий отсутствия столкновений с другими плавсредствами, включая предметы, непредсказуемо оказавшиеся на морской поверхности. Ясно, что для обнаружения предметов, наличие которых угрожает безопасности судоходства, необходимо осуществлять мониторинг морских акваторий. В качестве основного средства мониторинга достаточно часто используется видеосъемка с последующим анализом получаемых оптических изображений поверхности морской акватории. Для увеличения размеров отображаемого на изображениях района морской акватории целесообразно их помещать на портативных беспилотных летательных аппаратах (БПЛА) [31, 44, 45, 70, 84], использование которых обеспечивает максимальную полноту отображения акватории в одном кадре. Отметим также, что стоимость эксплуатации БПЛА может быть невелика, а перемещение носителя видеокамеры не мешает движению плавсредств по поверхности акватории.

Кроме того, на поверхности моря могут проявляться результаты хозяйственной деятельности в виде мусора, пятен мазута или нефти при ее морской добыче. Существенно то, что в подавляющем большинстве случаев посторонние объекты появляются спонтанно. Поэтому возникает необходимость регулярного мониторинга акватории моря и, прежде всего, с целью обнаружения

неизвестных объектов. Эффективность процедуры мониторинга во многом определяется качеством используемого информационного обеспечения в виде различных документов, методик и средств обработки регистрируемых текущих данных используемых измерительных приборов.

Мониторинг морских акваторий осуществляется, например:

- при решении задач обнаружения плавающих объектов в акватории порта;

- в задачах спасения судов или людей (например, обнаружение спасательного плота, поиск серфингиста или человека на матраце, унесенных в море),

- в различных операциях береговых служб и др.

Мониторинг морских акваторий приобретает существенное значение для обеспечения безопасности судоходства в связи с увеличением количества морских подвижных объектов различного назначения: научно-исследовательских, поисково-разведочных, спасательных и т.п., с целью снижения рисков столкновения плавающих средств с другими судами и посторонними предметами, которые могут их разрушить [13, 38, 132, 143]. Мониторинг акватории порта и морского терминала, также осуществляется, например, с целью отслеживание судов, ставших на якорь без разрешения (такие стоянки могут вызвать аварии).

Мониторинг акватории зоны отдыха в рамках применения системы «Умный пляж» осуществляется с целью своевременного обнаружения появления посторонних предметов в зоне плавания отдыхающих.

Обеспечение безопасности эксплуатации морских нефтегазопромысловых сооружений при осуществлении работ по освоению морских месторождений, расположенных на шельфе морей, также может быть достигнуто путем мониторинга появления вблизи сооружений посторонних предметов, включая мониторинг движения льдов.

В рамках мероприятий по защите окружающей среды проводится мониторинг появления на поверхности моря нефтяных загрязнений в районах нефтепромыслов, мониторинг появления результатов хозяйственной деятельности в виде мусора или пятен нефтепродуктов и др.

В качестве основного средства мониторинга достаточно часто используется видеосъемка с последующим анализом получаемых оптических изображений поверхности морской акватории.

Широкое применение видеосъемки при решении задач мониторинга обусловлено доступностью требуемого оборудования, пассивным способом регистрации данных, возможностью получения изображений достаточно высокого разрешения на значительных расстояниях и др. Их предварительная обработка с целью определения множества фрагментов морской поверхности, которые могут содержать посторонние объекты может осуществляться на бортовом компьютере беспилотного летательного аппарата (БПЛА). Автоматическая селекция таких фрагментов позволяет уточнить совокупность подлежащих более тщательному обследованию выявленных подозрительных участков акватории.

Мониторинг морской акватории в видео диапазоне, во многих случаях, осуществляется в процессе дистанционного зондирования Земли из космоса. Однако космические снимки морской поверхности в виду разрешения получаемых снимков не целесообразно использовать для контроля перемещения небольших плавающих объектов в акватории портов или вблизи зоны отдыха. Снимки и видеозаписи, получаемые в результате применения видеокамер, установленных на самолетах и вертолетах, не целесообразно использовать для мониторинга небольших по площади акваторий в виду больших скоростей перемещения средств фото-, видео-фиксации. Снимки и видеозаписи, получаемые видеокамерами, которые установлены в стационарных пунктах наблюдения, таких как вышки, смотровые площадки, а также, которые установлены на борту судов, в большинстве случаев, имеют ограниченное применение, так как могут быть использованы для мониторинга незначительных по площади акваторий на небольшую дальность, отдельные места которых зачастую закрыты от наблюдения частями суши или различными объектами (рисунок 1.1).

а

б

Рисунок 1.1 - Примеры размещения средств мониторинга морской акватории: а - на вертолете, б - на наблюдательной вышке

Для увеличения масштаба отображаемого на изображениях района морской акватории целесообразно средства мониторинга помещать на беспилотных летательных аппаратах (БПЛА), использование которых обеспечивает максимальную полноту отображения акватории в одном кадре. Отметим также, что стоимость эксплуатации БПЛА может быть невелика, а перемещение носителя видеокамеры не мешает движению плавсредств по поверхности акватории. Предварительная обработка с целью определения множества фрагментов морской поверхности, которые могут содержать посторонние объекты может осуществляться на бортовом компьютере. Результаты такой обработки передаются в диспетчерский пункт для анализа и уточнения полетного задания, например, для более тщательного обследования подозрительных участков акватории (рисунок 1.2).

Рисунок 1.2 - Пример мониторинга морской поверхности с беспилотного

летательного аппарата

Преимущество применения БПЛА для осуществления мониторинга морских акваторий также заключается в том, что они являются современными носителями разнообразных видеокамер и могут достаточно долго летать на различных высотах с различной скоростью. При этом современные квадрокоптеры могут летать при скорости ветра до 20 м/с (8 баллов по шкале Бофорта), что позволяет их эксплуатировать в достаточно сложных погодных условиях.

Для обнаружения на поверхности морской акватории пассивных плавающих предметов необходимо осуществлять соответствующим образом организованный анализ видеоизображений. Очевидно, что одной из трудностей визуального анализа изображений поверхности морских акваторий является необходимость обзора и относительного сопоставления большого количества пикселей, значения которых формируются под воздействием интенсивностей падающей на соответствующие датчики энергии. Особую трудность представляют сопоставление совокупностей значений пикселей, сформированных отражениями света от поверхностей малоразмерных и малоконтрастных предметов, от значений пикселей, соответствующих неэкранированной морской воде.

Поэтому возникает необходимость разработки метода автоматического анализа оптических изображений морских акваторий, целью применения которого является выделение фрагментов, пиксели которых с достаточно высокой вероятностью сформированы не поверхностью морской воды.

Селекция таких фрагментов позволяет существенно снизить трудоемкость визуального анализа указанных изображений и повысить обоснованность выводов относительно наличия в обследуемой акватории посторонних предметов, затрудняющих движение плановых плавсредств.

В общем случае пиксели оптических изображений прибрежных участков моря формируются под воздействием отражения и поглощения электромагнитного излучения видимого диапазона от морской воды, береговой суши и воздушной среды над линией горизонта (рисунок 1.3).

Рисунок 1.3 - Пример изображения участка морской акватории

Таким образом, основными элементами наблюдаемой сцены на оптических изображениях морских акваторий являются следующие области:

- области, содержащие изображение морской поверхности и предметов, плавающих на ней,

- области, содержащие изображение земли и предметов, на ней расположенных,

- области, содержащие изображение неба и предметов, видимых на его

фоне.

Во многих случаях на изображениях морской акватории могут присутствовать только область морской поверхности и область неба (рисунок 1.4).

Рисунок 1.4 - Пример изображения морской акватории, на котором присутствуют

область морской поверхности и область неба

На изображениях участков моря в зависимости от ракурса съемки могут присутствовать только область моря и некоторые предметы, плавающие на ней (рисунок 1.5).

Рисунок 1.5 - Пример изображения морской акватории

Сегментация на оптических изображениях морских акваторий области моря и граничащих с ней областей земли и неба, на фоне которых могут присутствовать, например, изображения судов, позволяет ограничить на изображении область применения методов обнаружения посторонних для морской поверхности предметов.

Отметим, что на фоне морской поверхности посторонние предметы могут быть более светлыми или темными (пиксели, соответствующие объектам, могут иметь значения больше или меньше, чем значения, соответствующие диапазону значений пикселей области изображения, занимаемой морской поверхностью) (рисунки 1.6 и 1.7), а также пиксели, соответствующие объектам, могут иметь значения, принадлежащие диапазону значений пикселей области изображения, занимаемой морской поверхностью (рисунок 1.8).

На рисунках 1.6 - 1.8 в виде графиков приведены значения пикселей изображений вдоль заданных столбцов и строк.

40 00 ВО 100 120 140 160 Номер пикселя

б

В

50 100 150 200 250 300 Номер п

Рисунок 1.6 - Пример объекта, пиксели которого имеют значения больше, чем пиксели морской поверхности: а - столбец № 116 (А-А) на изображении, б -значения пикселей вдоль столбца № 116, в - строка № 63 (В-В) на изображении, г

- значения пикселей вдоль строки № 63

а

в V л в

Л ,___

50 100 150 200 250 300 350

В

б

100 150 200 250 300 350

Номер пикселя |

Рисунок 1.7 - Пример объекта, пиксели которого имеют значения меньше, чем пиксели морской поверхности: а - столбец № 203 (А-А) на изображении, б - значения пикселей вдоль столбца № 203, в - строка № 115 (В-В) на изображении, г - значения пикселей вдоль строки № 115

г

Графики, приведенные на рисунке 1.8, иллюстрируют, что значения пикселей объектов могут принадлежать диапазону значений пикселей морской поверхности (в качестве примера использован модельный объект, размещенный на изображении морской поверхности).

-so

А 0.7

0.6 0.5

C- 7; •' к 5

О | 0.4 с

-'L- Г-, — J. » -.J ж

го

_ * in <я 0.2

"r W . .y.

* 0.1 0

90

100 150

200

а

О 80 100 120 140 Номер пикселя

б

50

100

ISO

Ц-ii ^ . с

- «

В 8

-"—'__ —'

--««с

--^-V -

-SO

SO

100 150 200 250

300

В

100 150 200 250

Номер пикселя

Рисунок 1.8 - Пример модельного объекта, значения пикселей которого имеют значения, принадлежащие диапазону значений пикселей морской поверхности: а - столбец № 117 (А-А) на изображении, б - значения пикселей вдоль столбца № 117, в - строка № 92 (В-В) на изображении, г - значения пикселей вдоль строки № 92

г

Чтобы учитывать различную степень отличия значений пикселей посторонних объектов и морской поверхности (например, рисунки 1.6 - 1.8) в рамках данной работы на основе вычислительных экспериментов с позиций построения решающих процедур обнаружения посторонних объектов на оптических изображениях морской акватории рассматриваются различные признаковые пространства.

Рассмотрим свойства значений пикселей участков морской поверхности. Отметим, что морская поверхность является фоном, на котором должно происходить обнаружение посторонних для нее объектов. Возможность различения фона и неизвестного объекта возникает только тогда, когда можно указать соответствующий признак, который может принимать существенно разные значения при обработке значений пикселей, соответствующих фрагментам морской поверхности в отсутствии и при наличии неизвестных объектов. Ясно, что важнейшим условием достижения высокой степени адекватности выбора таких признаков служит учет свойств фона, которые проявляются в значениях пикселей.

Основное свойство фона на участках морской акватории заключается в наличии на морской поверхности движения, которое принято называть волнением [2, 3, 12, 39, 40, 42].

Кроме того, волновые движения могут выстраиваться в некотором направлении, отражающем общую среднюю направленность, что в частности проявляется в виде наличия гребней и провалов поверхности [60, 72, 104, 109, 117, 141]. Таким образом, на поверхности моря часто возникают локальные почти периодические движения.

Список литературы диссертационного исследования кандидат наук Черноморец Дарья Андреевна, 2025 год

СПИСОК ЛИТЕРАТУРЫ

1. Абузяров З.К. Морское волнение и его прогнозирование [Текст] / З.К. Абузяров. Ленинград: Гидрометеоиздат, 1981. 166 с.

2. Акмайкин Д.А. Определение параметров морской поверхности с помощью судовой радиолокационной станции [Текст] / Д.А. Акмайкин, Д.Б. Хоменко // Вестн. Мор. гос.ун-та., Владивосток, Сер. Судовождение. 2010. Вып. 42/2010. С. 48-53.

3. Алексеев Г. М. Морское дело [Текст] / Г.М. Алексеев [и др.]; под ред. А. И. Щетининой. Л.: Транспорт, 1967. 880 с.

4. Баклицкий В.К. Корреляционно-экстремальные методы навигации и наведения [Текст] / В.К. Баклицкий. Тверь: ТО «Книжный клуб», 2009. 360 с.

5. Бондаренко В.А. Нейросетевой алгоритм полнокадрового распознавания надводных объектов в реальном времени [Текст] / В.А. Бондаренко, В.А. Павлова,

B.А. Тупиков, Н.Г. Холод // Известия ЮФУ. Технические науки. 2020. № 1 (211).

C. 188-199.

6. Бондаренко В.А. Алгоритм нейросетевого распознавания надводных объектов в реальном времени [Текст] / В.А. Бондаренко, В.А. Павлова, В.А. Тупиков, Н.Г. Холод // Известия Тульского государственного университета. Технические науки. 2021. № 1. С. 19-33.

7. Бондур В.Г. Автоматизированный анализ пространственных спектров космических оптических и радиолокационных изображений прибрежных акваторий [Текст] / В.Г. Бондур, В.Е. Воробьев, В.В. Замшин // Моря России: фундаментальные и прикладные исследования. Севастополь. 23-28 сентября 2019. С. 10-24.

8. Бондур В.Г. Восстановление спектров морского волнения по космическим изображениям высокого разрешения при различных условиях волнообразования [Текст] / В.Г. Бондур, В.Е. Воробьев, А.Б. Мурынин // Исследование земли из космоса. 2020. № 3. С. 45-58.

9. Бондур В.Г. Космический мониторинг загрязнений морской среды на основе анализа пространственной структуры поверхностного волнения [Текст] /

B.Г. Бондур, В.Е. Воробьев, В.В. Замшин // Моря России: методы, средства и результаты исследований. Севастополь, пгт. Кацивели. 24-28 сентября 2018.

C.114-116.

10. Бондур В.Г. Метод исследования спектров морского волнения в широком диапазоне длин волн по спутниковым и контактным данным [Текст] / В.Г. Бондур, В.А. Дулов, А.Б. Мурынин // Мировой океан: модели, данные и оперативная океанология. Севастополь. 26-30 сентября 2016. С. 7-24.

11. Бондур В.Г. Мониторинг загрязнений черного моря по данным космических радиолокационных съёмок [Текст] / В.Г. Бондур, Н.В. Евтушенко, В.В. Замшин, Е.Р. Матросова // Моря России: наука, безопасность, ресурсы. Севастополь. 03-07 октября 2017. С. 193-199.

12. Брынский Д.Е. Оценки длины волны в групповых наблюдениях ортогональнолинеечным волномером в сопоставлении с оценками другими способами [Текст] / Д.Е. Брынский, С.В. Касилов, Д.В. Сердюков, В.И. Сичкарев // Судовождение-2000: сб. науч. Трудов. Новосибирск: НГАВТ. 2000. С. 34-43.

13. Вагущенко Л.Л. Судовые навигационно-информационные системы [Текст] / Л.Л. Вагущенко. Одесса: Латстар, 2004. 302 с.

14. Вальд А. Статистические решающие функции [Текст] / А. Вальд // Теория игр. Позиционные игры: сб. / под ред. Н.Н. Воробьева и И.Н. Врублевской. М.: Наука, 1967.

15. Ван дер Варден Б.Л. Математическая статистика [Текст] / Б. Л. Ван дер Варден. М.: ЁЁ Медиа, 2012. 435 с.

16. Василенко А.М. Структура нейросетевой экспертной системы распознавания и классификации объектов по их информационным полям в системе комплексного мониторинга морских акваторий [Электронный ресурс] / А.М. Василенко, В.А. Пятакович, М.В. Мироненко // Интернет-журнал «НАУКОВЕДЕНИЕ». 2017. Том 9, № 2. Режим доступа: http://naukovedenie.ru/PDF/55TVN217.pdf.

17. Васильев В.И. Распознающие системы / В.И. Васильев. Киев: Наукова Думка, 1983. 422 с.

18. Вентцель Е.С. Теория вероятностей [Текст] / Е.С. Вентцель. М.: ЁЁ Медиа, 2024. 576 с.

19. Гандин Л.С. Статистические методы интерпретации метеорологических данных [Текст] / Л.С. Гандин, Р.С. Каган. Л.: Гидрометеоиздат, 1976. 359 с.

20. Гантмахер Ф.Р. Теория матриц [Текст] / Ф.Р. Гантмахер. М.: Наука, 1967. 576 с.

21. Гонсалес Р. Цифровая обработка изображений. Издание 3-е, исправленное и дополненное [Текст] / Р. Гонсалес, Р. Вудс. М.: Техносфера, 2012. 1104 с.

22. Громыко Г.Л. Теория статистики: Учебник [Текст] / под ред. проф. Г.Л. Громыко, 2-е изд., перераб. и доп. М.: ИНФРА-М, 2005. 267 с.

23. Голиков В.С. Субполосные свойства фрагментов изображений морской поверхности [Текст] / В.С. Голиков, Д.А. Черноморец // Экономика. Информатика. 2021. № 48 (4). С. 747-763.

24. Жиляков Е.Г. Анализ и аппроксимация функций по эмпирическим данным на основе субполосных представлений [Текст] / Е.Г. Жиляков, И.И. Лубков, Е.В. Болгова // Экономика. Информатика. 2022. № 49 (4). С. 833-853.

25. Жиляков Е.Г. Об обнаружении малоразмерных объектов на морской поверхности на основе признаков отличий свойств её малых фрагментов в локальной области [Текст] / Е.Г. Жиляков, Д.А. Черноморец, Е.В. Болгова, А.А. Черноморец // Информационные технологии в науке, образовании и производстве (ИТНОП-2023): сборник материалов IX Международной научно-технической конференции, Белгород. 31 мая - 02 июня 2023. С. 80-89.

26. Жиляков Е.Г. Об обнаружении на оптических изображениях поверхности морской акватории посторонних объектов [Текст] / Е.Г. Жиляков, Д.А. Черноморец // Экономика. Информатика. 2023. № 50 (1). С. 219-230.

27. Жиляков Е.Г. Оптимальные субполосные методы анализа и синтеза сигналов конечной длительности [Текст] / Е.Г. Жиляков //Автомат. и телемех. 2015. №4. С. 51-66.

28. Жиляков Е.Г. Построение трендов отрезков временных рядов [Текст] / Е.Г. Жиляков // Автоматика и телемеханика. 2017. № 3. С. 80-95.

29. Жиляков Е.Г. Субполосная аппроксимация изображений при сжатии объемов их битовых представлений [Текст] / Е.Г. Жиляков, А.В. Коськин, И.И. Лубков, А.А. Черноморец // Экономика.Информация. 2022. № 49 (3). С. 607-615.

30. Журавлев Ю.И. Распознавание. Математические методы. Программная система. Практические применения / Ю.И. Журавлев, В.В. Рязанов, О.В. Сенько. М.: Фазис, 2005. 159 с.

31. Заблотский А. БПЛА: первое знакомство. Авиация и время [Текст] / А. Заблотский, Р. Ларинцев. М.: Вече, 2008. 250 с.

32. Коваленко И. Теория вероятностей и математическая статистика [Текст] / И. Коваленко, А. Филиппова. М.: Высшая школа, 1982. 256 с.

33. Козинцев В.И. Обнаружение нефтяных загрязнений на морской поверхности двухчастотным дистанционным лазерным методом [Текст] / В.И. Козинцев, М.Л. Белов, В.А. Городничев, О.А. Смирнова, Ю.В. Федотов, А.М. Хрусталева // Вестник МГТУ им. Н.Э. Баумана. Сер. "Приборостроение". 2006. № 4. - С. 3-12.

34. Красильников H.H. Цифровая обработка изображений [Текст] / H.H. Красильников. M.: Вузовская книга, 2001. 320 с.

35. Кремер Н.Ш. Теория вероятностей и математическая статистика: Учебник для вузов [Текст] / Н.Ш. Кремер. М.: ЮНИТИ-ДАНА, 2004. 573 с.

36. Кривилев А. Основы компьютерной математики с использованием системы Matlab / А. Кривилев. М.: Лекс-Книга, 2005. 496 с.

37. Кулешов А. Методы и алгоритмы обработки изображений / А. Кулешов, Л. Сушкова, Н. Шевченко. Саарбрюккен: LAP Lambert Academic Publishing, 2012. 104 с.

38. Лаврова О.Ю. Комплексный спутниковый мониторинг морей России [Текст] / О.Ю. Лаврова, А.Г. Костяной, А.Г. Лебедев [и др.]. М.: ИКИ РАН, 2011. 480с.

39. Лубковский В.К. Анализ волнового поля по фотоснимкам экрана судовой РЛС [Текст] / В.К. Лубковский // Научные проблемы Сибири и Дальнего Востока, Новосибирск: ФГОУ ВПО «НГАВТ». 2008. № 2. С. 115-119.

40. Матущевский Г.В. О некоторых важных вопросах измерения волн неконтактными методами [Текст] / Г.В. Матущевский // Неконтактные методы измерения океанографических параметров: сборник Моск. отд. Гидрометеоиздата. 1977. С. 96-99.

41. Методы компьютерной обработки изображений [Текст] / Под ред. В.А. Сойфера. Изд. 2-е, испр. М.: ФИЗМАТЛИТ, 2003. 784 с.

42. Монин А.С. Явления на поверхности океана [Текст] / А.С. Монин, В.П. Красицкий. Л: Гидрометиздат, 1985. 375 с.

43. Никифоров И.В. Последовательное обнаружение изменения свойств временных рядов [Текст] / И.В. Никифоров. М.: Наука, 1983. 199 с.

44. Олейник И.И. Малоразмерные беспилотные летательные аппараты: задачи обнаружения и пути их решения [Текст] / И.И. Олейник, А.А. Черноморец, В.Г. Андронов, Е.Г. Жиляков, А.Н. Заливин, И.Е. Мухин, А.А. Чуев. Курск: Юго-Зап. гос. ун-т, 2021. 171 с.

45. Павлушенко М.И. Беспилотные летательные аппараты: история, применение, угроза распространения и перспективы развития [Текст] / М.И. Павлушенко, Г.М. Евстафьев, И.К. Макаренко. М.: Права Человека, 2005. 611 с.

46. Пат. 2109304С1 Российская Федерация, МПК6 О 01 Б 11/06, 13/89. Способ обнаружения аномалий морской поверхности [Текст] / Шалаев В.С., Щербаков А.А., Куренков А.А., Илларионов Г.П., Давыдов В.Ф.; заявитель и патентообладатель Московский гос. ун-т леса. № 97100436/09; заявл. 15.01.1997; опубл. 20.04. 1998. 9 с.: ил.

47. Пат. 2419105С1 Российская Федерация, МПК О 01 Б 13/06. Способ определения координат сверхзвукового низколетящего объекта по следу на

морской поверхности [Текст] / Джигимон А.Н., Стабровский В.Н., Худзик Т.А.; заявители и патентообладатели Джигимон А.Н., Стабровский В.Н., Худзик Т.А. № 2009133863/28; заявл. 09.09.2009; опубл. 20.05.2011, Бюл. №14. 9 с.: ил.

48. Пат. 2423722С1 Российская Федерация, МПК G 01 S 13/02. Способ распознавания надводных кораблей на взволнованной морской поверхности [Текст] / Верба В.С., Неронский Л.Б., Осипов И.Г., Пущинский С.Н., Турук В.Э.; заявитель и патентообладатель ОАО «Концерн радиостроения «Вега». № 2010113532/09; заявл. 07.04.2010; опубл. 10.07.2011, Бюл. №19. 7с.: ил.

49. Пат. 2582073C2 Российская Федерация, МПК G 01 S 3/00. Способ определения аномалий на морской поверхности неконтактным радиолокационным методом [Текст] / Ляпин К.К., Титков И.В., Глебов И.В.; заявители и патентообладатели ВУНЦ «Военно-морская академия им. Адмирала Флота Советского Союза Н.Г. Кузнецова», РФ, от имени которой выступает Министерство обороны РФ. № 2014126961/07; заявл. 01.07.2014; опубл. 20.04.2016, Бюл. № 11. 9 с.: ил.

50. Пат. 2596628С1 Российская Федерация, МПК G 01 S 13/88, G 01 C 11/00. Способ определения загрязнения морской поверхности [Текст] / Бондур В.Г., Воробьев В.Е., Замшин В.В., Давыдов В.Ф., Корольков А.В.; заявитель и патентообладатель НИИ «АЭРОКОСМОС». № 2015115570/28; заявл. 24.04.2015; опубл. 10.09.2016, Бюл. №25. 14 с.: ил.

51. Пат. 2632176С1 Российская Федерация, МПК G 01 C 11/06, G 01 S 13/90. ^особ идентификации загрязнений морской поверхности [Текст] / Бондур В.Г., Давыдов В.Ф., Замшин В.В.; заявитель и патентообладатель НИИ «АЭРОКОСМОС». № 2016124098; заявл. 17.06.2016; опубл. 02.10.2017, Бюл. №28. 18 с.: ил.

52. Пат. 2664255C2 Российская Федерация, МПК G 01 C 11/06, G 01 V 8/00. Способ идентификации загрязнений морской поверхности [Текст] / Давыдов В.Ф., Комаров Е.Г., Соболев А.В., Запруднов В.И.; заявитель и патентообладатель МГТУ им. Н.Э. Баумана. № 2015151473; заявл. 02.12.2015; опубл. 15.08.2018, Бюл. №23. 16 с.: ил.

53. Пат. 2675072С1 Российская Федерация, МПК а 01 8 11/06. Способ определения аномалий морской поверхности [Текст] / Бондур В.Г., Воробьев В.Е., Давыдов В.Ф.; заявитель и патентообладатель НИИ «АЭРОКОСМОС». № 2017138557; заявл. 07.11.2017; опубл. 14.12.2018, Бюл. №35. 17 с.: ил.

54. Пат. 2702423С1 Российская Федерация, МПК О 01 С 11/04. Способ определения уровня загрязнения морской поверхности [Текст] / Бондур В.Г., Воробьев В.Е., Замшин В.В., Давыдов В.Ф.; заявитель и патентообладатель НИИ «АЭРОКОСМОС». № 2018146298; заявл. 25.12.2018; опубл. 08.10.2019, Бюл. № 28. 13 с.: ил.

55. Пат. 38235Ш Российская Федерация, МПК О 03 В 37/00, О 06 К 9/00. Система дистанционного выявления малоразмерных объектов [Текст] / Воробьев Н.Д., Грибков В.Ф., Позняков П.В., Рыбаков А.Н., Слатин В.В., Филатов В.Г.; заявители и патентообладатели ЗАО «Новые технологии», ФГУП «Гос. научно-исследовательский институт авиационных систем». № 2004101855/20; заявл. 28.01.2004; опубл. 27.05.2004. 56 с.: ил.

56. Петров Д.В. О выборе размеров прецедента в задаче обнаружения объектов на цифровых изображениях [Текст] / Д.В. Петров, Е.Г. Жиляков, Д.А. Черноморец, Е.В. Болгова, А.А. Черноморец // Экономика. Информатика. 2022. № 49 (2). С. 339-348.

57. Полковникова Н.А. Нейросетевые системы автоматического распознавания морских объектов [Текст] / Н.А. Полковникова // Эксплуатация морского транспорта. 2020. № 1 (94). С. 207-218.

58. Прэтт У. Цифровая обработка изображений: Кн.1., Кн.2. [Текст] / У. Прэтт; пер. с англ. М.: Мир, 1982. 792 с.

59. Пятакович В.А. Нейросетевые архитектуры для решения задач классификации информационных полей морских объектов, методика их обучения [Электронный ресурс] / В.А. Пятакович, А.М. Василенко, М.В. Мироненко // Интернет-журнал «НАУКОВЕДЕНИЕ». 2017. Том 9, № 2. Режим доступа: http://naukovedenie.ru/PDF/54TVN217.pdf.

60. Регистр СССР. Ветер и волны в океанах и морях: справочные данные [Текст]. Л.: Транспорт, 1974. 360 с.

61. Сизова, Т.М. Статистика для бакалавров: учебное пособие. Часть II [Текст] / Т.М. Сизова. СПб: Университет ИТМО, 2016. 70с.

62. Сирота А.А. Алгоритм совместного обнаружения и оценивания границы объектов на изображения в условиях аддитивных помех [Текст] / А.А. Сирота,

A.И. Соломатин // Сб. докл. XVI МНТК «Радиолокация, навигация, связь»: Воронеж. 2010. т. 1. С.172-183.

63. Сичкарев В.И. Статистические характеристики рельефных волн, измеренных ортогонально-линеечным волномером Сичкарева [Текст] / В.И. Сичкарев // Судовождение-2000: сб. науч. тр., Новосибирск: Новосиб. гос. акад. вод. трансп. 2000. С. 26-33.

64. Скороход Б.А. Алгоритмы мониторинга положения объектов на морской поверхности с помощью монокулярной видеокамеры [Текст] / Б.А. Скороход // Системы контроля окружающей среды. 2021. № 4 (46). С. 124-133.

65. Скороход Б.А. Обнаружение морских объектов на изображении [Текст] / Б.А. Скороход // Интеллектуальные системы, управление и мехатроника. Материалы Всероссийской научно-технической конференции молодых ученых, аспирантов и студентов. 2016. С. 268-272.

66. Стрелков Б.В. Лазерный метод обнаружения нефтяных загрязнений на взволнованной морской поверхности, использующий угловое сканирование [Текст] / Б.В. Стрелков, М.Л. Белов, С.А. Тухватуллина, В.А. Городничев // Наука и образование. 2012. № ФС 77-48211. С. 187-198.

67. Тупиков В.А. Способ автоматического обнаружения объектов на морской поверхности в видимом диапазоне [Текст] / В.А. Тупиков, В.А. Павлова,

B.А. Александров, В.А. Бондаренко // Известия Тульского государственного университета. Технические науки. 2016. №11-3. С. 105-121.

68. Удинцова Н.М. Эконометрика. Часть 1: Парная регрессия и корреляция в эконометрических исследованиях: учебное пособие [Текст] / Н.М. Удинцова,

Н.А. Коптева. Зерноград: Азово-Черноморский инженерный институт ФГБОУ ВО Донской ГАУ, 2015. 61 с.

69. Федотов А.А. Методы компьютерной обработки биомедицинских изображений в среде МАТЬАВ: Учеб. пособие [Текст] / А.А. Федотов, С.А. Акулов, А.С. Акулова. Самара: Изд-во СГАУ, 2015. 88 с.

70. Фетисов В.С. Беспилотная авиация: терминология, классификация, современное состояние [Текст] / В.С. Фетисов, Л.М. Неугодникова, В.В. Адамовский, Р.А. Красноперов; под ред. В.С. Фетисова. Уфа: ФОТОН, 2014. 217 с.

71. Фурман Я.А. Введение в контурный анализ; приложения к обработке изображений и сигналов [Текст] / Я.А. Фурман, А.В. Кревецкий, А.К. Передреев [и др.]. М.: ФИЗМАТЛИТ, 2003. 592 с.

72. Хоменко Д.Б. Методы определения параметров морского волнения с помощью судовой радиолокационной станции [Текст] / Д.Б. Хоменко // Сб. докл. 61-й междунар. молодеж. науч.-технич. конф. «Молодежь - Наука - Инновации», Владивосток: Мор.гос. ун-т. 2013. С. 18-20.

73. Черноморец Д.А. Об оценивании размера объекта на цифровом изображении [Текст] / Д.А. Черноморец // Информационные технологии в науке, образовании и производстве (ИТНОП-2023): сборник материалов IX Международной научно-технической конференции, Белгород. 31 мая - 02 июня 2023. С. 116-119.

74. Черноморец Д.А. О влиянии размеров фрагментов изображений морской поверхности на результаты обнаружения объектов [Текст] / Д.А. Черноморец, Е.В. Болгова, А.А. Черноморец // Научные исследования и разработки 2023: естественные и технические науки: сборник материалов ХУП-ой международной очно-заочной научно-практической конференции, Москва: Издательство НИЦ «Империя». 8 февраля 2023. С. 40-42.

75. Черноморец Д.А. О свойствах взаимных корреляций фрагментов изображений морской поверхности в видеопотоке [Электронный ресурс] / Д.А. Черноморец // XXVIII Международная конференция студентов, аспирантов и

молодых ученых «Ломоносов», МГУ им. М.В.Ломоносова. 12-23 апреля 2021. URL: https://lomonosov-msu.ru/archive/Lomonosov_2021/data/21935/uid557729_ report.pdf (дата обращения: 20.03.2024).

76. Чернышов П.В. Анализ точности восстановления высот индивидуальных волн при измерении прибрежным свчрадиолокатором по данным стохастического моделирования взволнованной морской поверхности [Текст] / П.В. Чернышов, Д.В. Ивонин, С.А. Мысленков, З.А. Халиков // Современные проблемы дистанционного зондирования Земли из космоса. 2016. -13(5). С. 68-78.

77. Шорохова И.С. Статистические методы анализа: учебное пособие [Текст] / И.С. Шорохова, Н.В. Кисляк, О.С. Мариев. Екатеринбург: Изд-во Урал. ун-та, 2015. 300 с.

78. Щербаков Ф.С. Селекция кильватерного следа подводных лодок на морской поверхности по его радиоизображению [Текст] / Ф.С. Щербаков, В.Ф. Давыдов // Сборник Вопросы специального машиностроения, серия 4, Миноборонпром, СССР. 1990. вып. 10(202).

79. Янковский А.А. Критерии выбора метода бинаризации при обработке изображений лабораторных анализов [Текст] / А.А. Янковский, А.Н. Бугрий // АСУ и приборы автоматики. 2010. № 153. С. 53-56.

80. Abubaker A., Qahwaji R., Ipson S., Saleh M. One Scan Connected Component Labeling Technique. Signal Processing and Communications, 2007, pp. 1283 - 1286.

81. Antonacopoulos A., Karatzas D., Krawczyk H., Wiszniewski B. The Lifecycle of a Digital Historical Document: Structure and Content. ACM Symposium on Document Engineering, 2004, pp. 147 -154.

82. Baird H.S. Difficult and urgent open problems in document image analysis for libraries. 1st International workshop on Document Image Analysis for Libraries, 2004.

84. Bento M. de F. Unmanned aerialvehicles: an overview. Inside GNSS, 2008, 3(1), pp. 54-61.

85. Bradley D., Roth, G. Adaptive Thresholding using the Integral Image. Journal of Graphics Tools, 2007, 12(2), pp. 13-21. doi:10.1080/2151237X.2007.10129236.

86. Burt P.J., Hong T.H. and Rosenfeld A. Segmentation and estimation of image region properties through cooperative hierarchical computation. IEEE Trans. SMC, 1981, №11, pp. 802-809.

87. Burt P.J., Yen C., Xu X. Recovery of distorted document images from bound volumes. Sixth International Conference on Document Analysis and Recognition, 2001, pp. 429-233.

88. Borghgraef A., Acheroy M. Using optical flow for the detection of floating mines in IR image sequences. Proc. SPIE 6395, Electro-Optical and Infrared Systems: Technology and Applications III, 2006, 63950Y, https://doi.org/10.1117/12.688839.

89. Borghgraef A., Barnich O., Lapierre F., Droogenbroeck M. V., Philips W., Acheroy M. An Evaluation of Pixel-Based Methods for the Detection of Floating Objects on the Sea Surface. EURASIP Journal on Advances in Signal Processing, 2010, Volume 2010, Article ID 978451, 11 pages, doi:10.1155/2010/978451.

90. Canny J. A Computational Approach To Edge Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, 8(6), pp. 679-698.

91. Chen Y., Nasrabadi N.M., Tran T.D. Sparse representation for target detection in hyperspectral imagery. IEEE Journal on Selected Topics in Signal Processing, 2011, V. 5, N 3, pp. 629-640. doi: 10.1109/JSTSP.2011.2113170

92. Chernomorets D.A., Golikov V., Balabanova T.N., Prokhorenko E.I., Bolgova E.V., Chernomorets A.A. Correlation Properties of Sea Surface Images on Video Stream Frames. International journal of nonlinear analysis and applications, 2021. doi: 10.22075/IJNAA.2021.25012.2883

93. Corbane C., Najman L., Pecoul E., Demagistri L., Petit M. A complete processing chain for ship detection using optical satellite imagery. International Journal of Remote Sensing, 2010, vol. 31, no. 22, pp. 5837-5854.

94. Degtyarev A.B., Reed A.M. Modelling of incident waves near the ship' s hull (application of autoregressive approach in problems of simulation of rough seas). Proceedings of the 12th International Ship Stability Workshop, 2011.

95. Deriche R. Using Canny's criteria to derive a recursively implemented optimal edge detector. Int. J. Computer Vision, April 1987, Vol. 1, pp. 167-187.

96. Edward R.D. An Introduction to Morphological Image Processing. 1992, ISBN 0-8194-0845-X.

97. Feng M.-L., Tan Y.-P. Contrast adaptive binarization of low quality document images. IEICE Electron. Express, 2004, Vol. 1, No. 16, pp.501-506.

98. Forsyth A.D., Ponce J. Computer Vision: A Modern Approach. Prentice-Hall, New York, NY, USA, 2002.

99. Garg R., Mittal B., Garg S. Histogram Equalization Techniques for Image Enhancement. International Journal of Electronics and Communication Technology, Vol.2, No, 2011, p. 107-111.

100. Gatos B., Pratikakis I., Perantonis, S.J. Adaptive degraded document image binarization. Pattern Recognition, 2006, 39, pp. 317 - 327.

101. Golikov V., Lebedeva O. Adaptive detection of subpixel targets with hypothesis dependent background power. IEEE Signal Process. Aug. 2013, Lett., vol. 20, no. 8, pp. 751-754.

102. Golikov V., Samovarov O., Chernomorets D., Rodriguez-Blanco M. Detection of Multi-Pixel Low Contrast Object on a Real Sea Surface. Mathematics, 2022, 10(3), 392. URL: https://www.mdpi.com/2227-7390/10/3/392 (дата обращения: 22.03.2024).

103. Gonzalez R.C., Woods R.E. Digital Image Processing. 2nd edition, Prentice-Hall, 2002, pp. 793.

104. Hasselmann K., Barnett T.P., Bouws E., Carlson D.E., Hasselmann P., Eake K. et al. Measurements of wind-wave growth and swell decay during the joint north sea wave project (JONSWAP). Deutsche Hydrographische Zeitschrift, 1973, 8(12).

105. Jeong J.M., Park G.K. Object Detection Method in Sea Environment Using Fast Region Merge Algorithm. Journal of the Korean Institute of Intelligent Systems, 2012, Volume 22, Issue 5, pp. 610-616.

106. Jeong J.M., Park K.T., Park G.K. Robust Object Detection in Sea Environment Based on DWT. Soft Computing in Intelligent Control, Advances in Intelligent Systems and Computing, 2014, volume 272, pp. 45-53.

107. Kadyrov A., Yu H., Liu H. Ship Detection and Segmentation using Image Correlation. IEEE, 2016. doi: 978-1-4799-0652-9.

108. Khurshid K., Faure C., Vincent N. Feature based word spotting for ancient printed documents. Eight international workshop on pattern recognition in information systems, Spain, 2008.

109. Khurshid K., Siddiqi I., Faure C., Vincent N. Comparison of Niblack inspired binarization methods for ancient documents. Proc. SPIE 7247, Document Recognition and Retrieval XVI, 19 Jan. 2009, 72470U.

110. Leedham G., Yan C., Takru K., Tan J.H. Mian N.L. Comparison of Some Thresholding Algorithms for Text/Background Segmentation in Difficult Document Images. 7th International Conference on Document Analysis and Recognition ICDAR, 2003, Vol. 2.

111. Longuet-Higgins M.S. The statistical analysis of a random, moving surface. Philosophical Transactions of the Royal Society of London. A: Mathematical, Physical and Engineering Sciences, 1957, 249(966), pp. 321-387.

112. Lo T., Leung H., Litva J., Haykin S. Fractal Characterization of Sea-scattered Signals and Detection of Sea-surface Targets. IEE Proceedings, Part F: Radar and Signal Processing, 1993, vol. 140, no. 4. pp. 243-250.

113. Lyu H., Shao Z., Cheng T., Yin Y. Sea-Surface Object Detection Based on Electro-Optical Sensors: A Review. IEEE Intelligent Transportation Systems Magazine, 2022, vol. 99, pp. 2-27.

114. Manolakis D., Siracusa C., Shaw G. Hyperspectral subpixel target detection using the linear mixing model. IEEE Transactions on Geoscience and Remote Sensing, 2001, V. 39, N 7, pp. 1392-1409. doi: 10.1109/36.934072

115. Mustafa W. A., Yazid H., Jaafar M. An improved sauvola approach on document images binarization. Journal of Telecommunication, Electronic and Computer Engineering, 2018, 10(2), pp. 43-50.

116. Niblack W. An Introduction to Digital Image Processing. Prentice Hall, Englewood Cliffs, 1986.

117. Ochi K.M. Ocean Waves. Cambridge University Press, Cambridge, UK,

1998.

118. OnurKarali A., Okman O.E., Aytag T. Adaptive image enhancement based on clustering of wavelet coefficients for infrared sea surveillance systems. Infrared Phys. Technol, 2011, 54, pp. 382-394.

119. Otsu N. A threshold selection method from grey level histogram. IEEE Trans. Syst. Man Cybern., 1979, vol. 9 no. 1, pp. 62-66.

120. Pambudi E.A., Wijaya E.S., Fauzan A. Improved Sauvola threshold for background subtraction on moving object detection. International Journal of Software Engineering and Computer Systems (IJSECS), ISSN: 2289-8522, 2019, Volume 5, Issue 2, pp. 78-89.

121. Pat. 0266247A1 USA, Int. Cl. G 01 S 13/86, 17/10, 17/89, 7/499. A detection system for detecting an object on a water surface. Hjelmstad J.; applicants LADAR LIMITED, HJELMSTAD AS. Appl. No. 15/031, 022; filed 23.10.2014; date of patent 15,09,2016. 38 p.

122. Pat. 10055648B1 USA, Int. Cl. G 06 K 9/00, G 06 K 9/62. Detection, classification, and tracking of surface contacts for maritime assets. Grigsby W.R., Louchard E., Schorr D.J., Nord M.J., McGaughey J., Mathur S.S.; assignee BAE Systems Information and Electronic Systems Integration Inc. Appl. No. 15/130, 227; filed 15.04.2016; date of patent 21.08.2018. 23 p.

123. Pat. 7532541B2 USA, Int. Cl. G 01 S 15/89. Object detection using acoustic imaging. Govindswamy K., Rogers G.; assignee FEV Engine Technology, Inc. Appl. No. 11/678, 207; filed 23.02.2017; date of patent 12.05.2019. 10 p.

124. Pierson W.P., Moskowitz L. A proposed spectral form for fully developed wind seas based on the similarity theory of S.A. Kitaigordskii. Journal of Geophysical Research, 1964, 69(24), pp. 5181-5190.

125. Rangayyan R.M. Biomedical Image Analysis. CRC Press, Boca Raton, 2005, pp.1306.

126. Sankur B. Survey over image thresholding techniques and quantitative performance evaluation. Journal of Electronic Imaging, 2004, 13(1), pp. 146-154. doi: 10.1117/1.1631315.

127. Sauvola J., Pietikainen M. Adaptive document image binarization. Pattern Recognition, 2000, 33.

128. Sauvola J., Seppanen T., Haapakoski S., Pietikainen M. Adaptive Document Binarization. 4th Int. Conf. On Document Analysis and Recognition, Ulm, Germany, 1997, pp.147-152.

129. Scharf L.L. Statistical Signal Processing: detection, estimation, and time series analysis. Reading, Mass.: Addison-Wesley Pub. Co., 1991, pp. 544.

130. Schöller F.E.T., Plenge-Feidenhans'l M.K., Stets J. D., Blanke M. Assessing Deep-learning Methods for Object Detection at Sea from LWIR Images. 12th IFAC Conference on Control Applications in Marine Systems, Robotics, and Vehicles CAMS 2019, Volume 52, Issue 21, pp. 64-71.

131. Schöller F.E.T., Plenge-Feidenhans'l M.K., Stets J. D., Blanke M. Object Detection at Sea Using Ensemble Methods Across Spectral Ranges. 13th IFAC Conference on Control Applications in Marine Systems, Robotics, and Vehicles CAMS 2021, Volume 54, Issue 16, pp. 1-6.

132. Seeger M., Dance C. Binarising Camera Images for OCR. ICDAR, 2001.

133. Senthilkumaran N., Vaithegi S. Image Segmentation By Using Thresholding Techniques For Medical Images. Computer Science & Engineering: An International Journal, 2016, 6(1), pp. 1-13.

134. Serra J. Image Analysis and Mathematical Morphology. 1982, ISBN 0-12637240-3.

135. Serra J. Image Analysis and Mathematical Morphology. Volume 2: Theoretical Advances, 1988, ISBN 0-12-637241-1.

136. Shafait F., Keysers D., Breuel T.M. Efficient implementation of local adaptive thresholding techniques using integral images. Proc. 15th Document Recognition and Retrieval Conf. (DRR-2008). Part IS&T/SPIE Int. Symp. Electron. Imag., San Jose, CA, USA, Jan. 2008, vol. 6815.

137. Shao Z., Lyu H., Yin Y., Cheng T. Multi-Scale Object Detection Model for Autonomous Ship Navigation in Maritime Environment. Journal of Marine Science and Engineering, 2022, 10 (11): 1783, D0I:10.3390/jmse10111783.

138. Singh T.R., Roy S., Singh O.I., Sinam T., Singh K.M. A New Local Adaptive Thresholding Technique in Binarization. International Journal of Computer Science Issues, 2012, 8(6), pp. 271-277.

139. Soni T., Zeidler J.R., Ku W.H. Adaptive whitening filters for small target detection. Proc. SPIE 1698, 1992.

140. Stathis P., Kavallieratou E., Papamarko N. An Evaluation Technique for Binarization Algorithms. Journal of Universal Computer Science, 2008.

141. Stewart R. Introduction to Physical Oceanography. Texas A & M University, 2008.

142. Subashini P., Sridevi N. An optimal binarization algorithm based on Particle Swarm Optimization. International Journal on Soft Computing and Engineering, 2011, 1(4), pp. 32-36.

143. Toyama K., Krumm J., Brumitt B., Meyers B. Wallflower: principles and practice of background maintenance. Proceedings of the 7th IEEE International Conference on Computer Vision, 1999, 1, pp. 255-261.

144. Trier O.D., Taxt T. Evaluation of Binarization Methods for Document Images". IEEE Transactions on Pattern Analysis and Machine Intelligence, 1995, 17, pp. 312-315.

145. Ursol D.V. Objects detection based on the sea surface video fragments cross-correlation [Текст] / D.V. Ursol, D.A. Chernomorets, E.V. Bolgova, A.A.

Chernomorets // Научный результат. Информационные технологии. 2022. № 2. Том 7. С. 19-27.

146. Vatani N., Enayatifar R. Gray Level Image Edge Detection Using a Hybrid Model of Cellular Learning Automata and Stochastic Cellular Automata.OALib, 2015, 02(01), pp. 1-8. doi: 10.4236/oalib. 1101203

147. Wei Z.Y., Lee D.J., Jilk D., Schoenberger, R. Motion projection for floating object detection. Proceedings of the 3rd International Symposium on Advances in Visual Computing, 2007, Lecture Notes in Computer Science, pp. 152-161.

148. Wolf C. Jolion J-M. Extraction and Recognition of Artificial Text in Multimedia Documents. Pattern Analysis and Applications, 2003, 6(4), pp. 309-326.

149. Yang Z., Li Y., Wang B., Ding S., Jiang P. A Lightweight Sea Surface Object Detection Network for Unmanned Surface Vehicles. Journal of Marine Science and Engineering, 2022, 10, 965. doi.org/10.3390/jmse10070965.

150. Zhilyakov E.G., Golikov V., Chernomorets D.A., Samovarov O.I., Babarinov S.L. Detection of Slow-Moving Objects Floating on an Agitated Sea Surface based on Subband Analysis within the Cosine Transform. Jour of Adv Research in Dynamical & Control Systems, Vol. 12, 05-Special Issue, April 2020, pp. 1314-1325. doi: 10.5373/JARDCS/V12SP5/20201891.

151. Zhu C., Zhou H., Wang R., Guo J. A novel hierarchical method of ship detection from spaceborne optical image based on shape and texture features. Geoscience and Remote Sensing, IEEE Transactions on, 2010, vol. 48, no. 9, pp. 34463456.

Справка об использовании результатов диссертационных исследований

об использовании информационной технологии селекции фрагментов морской поверхности, занятых посторонними для нее объектами, на основе адаптивной обработки единичных кадров цифровых оптических изображений морских акваторий

1. Настоящая справка составлена о том, что в ООО «НПП «ЭИТ» БелГУ» принята к использованию разработанная Черноморец Дарьей Андреевной информационная технология селекции фрагментов морской поверхности, занятых посторонними для нее объектами, на основе адаптивной обработки единичных кадров цифровых оптических изображений морских акваторий.

2. В основе используемой информационной технологии лежат разработанные автором метод и алгоритмы адаптивной субполосной обработки единичных кадров цифровых оптических изображений морских акваторий.

3. Особенностью принятой к использованию информационной технологии селекции фрагментов морской поверхности, занятых посторонними для нее объектами, на основе адаптивной обработки единичных кадров цифровых оптических изображений морских акваторий является адекватный учет движений водной поверхности, что способствует ее эффективной реализации.

4. Вычислительные эксперименты иллюстрируют высокую работоспособность предлагаемой информационной технологии.

5. Программная реализация информационной технологии не предъявляет высоких требований к архитектуре компьютерных средств.

Заместитель директора

«УТВЕРЖДАЮ» Директор 000 «НПП «ЭИТ» БелГУ»

« М?>~> сентября 2024 г.

СПРАВКА

ООО «НПП «ЭИТ» БелГУ» по научной работе

С.А. Кунгурцев

Акт внедрения в учебный процесс результатов диссертационных исследований

УТВЕРЖДАЮ

и.о. директора Института инженерных и цифровых технологий ФГАДУ-В©^елгородский греударственны^Цтциональный .исследовательски й\н и верситет», до ктор, хехничесюр^иау к, доцент

!ихарев А.Г.

АКТ

внедрения в учебный процесс информационной технологии селекции фрагментов морской поверхности, занятых посторонними для нее объектами, разработанной Черноморец Дарьей Андреевной

Мы, ниже подписавшиеся, и.о. заведующего кафедрой информационно-телекоммуникационных систем и технологий, кандидат технических наук, доцент Олейник И.И., профессор кафедры информационно-телекоммуникационных систем и технологий, доктор технических наук, профессор Жиляков Е.Г., доцент кафедры информационно-телекоммуникационных систем и технологий, кандидат технических наук, доцент Балабанова Т.Н., составили настоящий акт о внедрении информационной технологии селекции фрагментов морской поверхности, занятых посторонними для нее объектами, на основе адаптивной обработки единичных кадров цифровых оптических изображений морских акваторий, разработанной Черноморец Д.А., в учебный процесс по специальности 10.05.04 «Информационно-аналитические системы безопасности», специализация «Автоматизация информационно-аналитической деятельности».

При проведении занятий по дисциплине «Анализ речевых сигналов и изображений» используется следующее:

1. Теоретические основы разработанной информационной технологии.

2. Программно-алгоритмическая реализация разработанной информационной технологии.

Использование в учебном процессе студентов специальности 10.05.04 «Информационно-аналитические системы безопасности», специализация «Автоматизация информационно-аналитической деятельности» позволяет им овладеть компетенциями

Свидетельство о государственной регистрации программы для ЭВМ

Результаты применения разработанных алгоритмов и искусственной

нейронной сети

На рисунках Г.1 - Г.12 приведены результаты применения разработанных алгоритмов и искусственной нейронной сети (ИНС) YOLO11x при обнаружении посторонних предметов на изображениях морской акватории. На рисунках Г .1, Г.3, Г.5, Г.6, Г.9 - Г.12 стрелками отмечены предметы, необнаруженные с помощью ИНС.

/

Рисунок Г.1 - Пример обнаружения посторонних предметов на изображении морской акватории: а - результат применения разработанных алгоритмов,

б - результат применения ИНС

Рисунок Г.1 демонстрирует, что на анализируемом изображении при применении разработанных алгоритмов обнаружены два предмета, при применении искусственной нейронной сети не обнаружен слабоконтрастный предмет (необнаруженный предмет отмечен стрелкой).

И

1б

Рисунок Г.2 демонстрирует, что на анализируемом изображении обнаружен посторонний предмет как при применении разработанных алгоритмов, так и при применении искусственной нейронной сети.

Рисунок Г.3 - Пример обнаружения посторонних предметов на изображении морской акватории: а - результат применения разработанных алгоритмов,

б - результат применения ИНС

Рисунок Г.3 демонстрирует, что на анализируемом изображении при применении разработанных алгоритмов обнаружены предметы, находящиеся на морской поверхности, при применении искусственной нейронной сети не обнаружены малоразмерные предметы (необнаруженные предметы отмечены стрелкой).

Рисунок Г.4 демонстрирует, что на анализируемом изображении, на котором отсутствуют посторонние предметы, ложно не выделены предметы как при применении разработанных алгоритмов, так и при применении искусственной нейронной сети.

Рисунок Г.5 - Пример обнаружения посторонних предметов на изображении морской акватории: а - результат применения разработанных алгоритмов,

б - результат применения ИНС

Рисунок Г.5 демонстрирует, что на анализируемом изображении при применении разработанных алгоритмов обнаружен слабоконтрастный предмет, при применении искусственной нейронной сети слабоконтрастный предмет не обнаружен (необнаруженный предмет отмечен стрелкой).

Рисунок Г.6 демонстрирует, что на анализируемом изображении при применении разработанных алгоритмов обнаружен слабоконтрастный предмет, а также имеет место ложное обнаружение постороннего предмета (отмечено стрелкой на рисунке Г.6а), при применении искусственной нейронной сети не обнаружен слабоконтрастный предмет (необнаруженный предмет отмечен стрелкой на рисунке Г.6б).

Рисунок Г.7 - Пример обнаружения посторонних предметов на изображении морской акватории: а - результат применения разработанных алгоритмов,

б - результат применения ИНС

Рисунок Г.7 демонстрирует, что на анализируемом изображении при применении разработанных алгоритмов обнаружен предмет, находящийся на морской поверхности, при применении искусственной нейронной сети предмет также обнаружен.

Рисунок Г.8 демонстрирует, что на анализируемом изображении при применении разработанных алгоритмов обнаружены все предметы, находящиеся на морской поверхности, при применении искусственной нейронной сети также обнаружены все предметы.

Рисунок Г.9 - Пример обнаружения посторонних предметов на изображении морской акватории: а - результат применения разработанных алгоритмов,

б - результат применения ИНС

Рисунок Г.9 демонстрирует, что на анализируемом изображении при применении разработанных алгоритмов обнаружен предмет, находящийся на морской поверхности, при применении искусственной нейронной сети предмет не обнаружен (необнаруженный предмет отмечен стрелкой).

Рисунок Г.10 - Пример обнаружения посторонних предметов на изображении морской акватории: а - результат применения разработанных алгоритмов,

б - результат применения ИНС

Рисунок Г.10 демонстрирует, что на анализируемом изображении при применении разработанных алгоритмов обнаружен предмет, находящийся на морской поверхности, при применении искусственной нейронной сети предмет не обнаружен (необнаруженный предмет отмечен стрелкой).

1а

Рисунок Г.11 - Пример обнаружения посторонних предметов на изображении морской акватории: а - результат применения разработанных алгоритмов,

б - результат применения ИНС

Рисунок Г.11 демонстрирует, что на анализируемом изображении при применении разработанных алгоритмов обнаружен предмет, находящийся на морской поверхности, при применении искусственной нейронной сети предмет не обнаружен (необнаруженный предмет отмечен стрелкой).

1

_ '"V - > 7 3

<* 5 4

а

б

Рисунок Г.12 - Пример обнаружения посторонних предметов на изображении морской акватории: а - результат применения разработанных алгоритмов,

б - результат применения ИНС

Рисунок Г.12 демонстрирует, что на анализируемом изображении при применении разработанных алгоритмов обнаружены все предметы, находящиеся на морской поверхности, при применении искусственной нейронной сети не обнаружен слабоконтрастный предмет (необнаруженный предмет отмечен стрелкой).

Листинг основных функций разработанного прототипа программной реализации информационной технологии селекции фрагментов морской поверхности, занятых посторонними для нее объектами, на основе адаптивной обработки единичных кадров цифровых оптических изображений морских акваторий

clc

clear all close all

R_Module1 R_Module2 R_Module3 R_Module4

disp('Вычисления завершены ')

% ==========================

% ==========================

% Модуль 1 - Модуль подготовки % ==========================

% ==========================

function R_Module1

% === Module1 === % ==========================

% === ввод параметров % ==========================

Params_FNumber1 = 1; Params_SESizes = [4 4]; % Params_FNumber1 = 3; % Params_SESizes = [1 2; 2 3; 3 3];

% инициализовать переменные Sea_Koef1 =3; Sea_Size1=12;

% поля для области обнаружения Params_FUp1 = 20; Params_FDn1 = 20; Params_FLeft1 = 20; Params_FRight1 = 20;

%

% === завершен ввод параметров % ==========================

% =======================================

Apertural =[Sea_Size1 ]

if Params_FNumber1 == 1 TypeMorphOpenArea=1; else

TypeMorphOpenArea=2; end

se_size2D =Params_SESizes(end,1:2) NRangeAreas=Params_FNumber1 seColRectSizel = Params_SESizes; seAreaRectSizel = Params_SESizes;

C_KoefCol_WaveMove 1 =Sea_Koef1; C_KoefRow_WaveMove1 =Sea_Koef1;

TypeFeatureArr0=[1 2 3 7 8]; % начальный вектор номеров используемых признаков TypeLocalDistinction=1;

TypeComplexirFlag=1; TypeComplexirArray=[1 2 3 7 8 102 103];

BarWidth1=0.2; BoundaryType1 =[1;1]; LineWidth1=[1; 1]; LineColor0=[0; 0]; LineColor1=[1; 1]; LineColorStr1=['w' 'k'] SizeArea2=[10;10];

LineColor00=1;

Eps0=1.e-5;

% =====================================

% === завершен ввод исходных данных === % =====================================

% =====================================

% === Ввод исходного изображения === % =====================================

[fname,pname] = uigetfile('*.*','Выбор изображения'); % выбор изображения

Image0=imread(fname); Image00Init=double(Image0(:,:,1))/255.; clear Image0

[N1 Init,N2Init]=size(Image00Init)

figure('Name',['Image00Init Исходное изображение ']); imshow(Image00Init);

D1_RangeArea00=[Params_FUp1 +1 N1Init-Params_FDn1 Params_FLeft1+1 N2Init-Params_FRight1]

D00_RangeArea00Init=D1_RangeArea00

Image00Analysis=Image00Init(...

D00_RangeArea00Init(1 ):D00_RangeArea00Init(2),...

D00_RangeArea00Init(3):D00_RangeArea00Init(4)); % =======================================

Frame01 GrayDraw=R_DrawMarker2Area(Image00Init,... [D00_RangeArea00Init(1) D00_RangeArea00Init(3) ... D00_RangeArea00Init(2)-D00_RangeArea00Init(1 )+1 ... D00_RangeArea00Init(4)-D00_RangeArea00Init(3)+1 ],... BoundaryType1,LineWidth1 ,LineColor1,SizeArea2); figure('Name',['Исходное изображение +Границы области обнаружения, ']); imshow(Frame01 GrayDraw);

iApertura1=1;

M1_Wind=Apertura1(iApertura1) % апертура фрагмента M2_Wind=M1_Wind;

M1_Fragm=M1_Wind; M2_Fragm=M2_Wind;

iPos1 Left=ceil(M1_Wind/2)-1; iPos1 Right=M1_Wind-iPos1 Left-1; iPos2Left=ceil(M2_Wind/2)-1; iPos2Right=M2_Wind-iPos2Left-1;

NeighbSdvig1=[ -1 -1; -1 0; -1 1; 0 -1; 0 1; 1 -1; 1 0; 1 1];

NeighbSdvigNumb1=size(NeighbSdvig1,1) % кол-во соседей

NeighbSdvigM1=NeighbSdvig1; NeighbSdvigM1(:,1)=NeighbSdvig1 (:,1)*M1_Fragm; NeighbSdvigM1(:,2)=NeighbSdvig1 (:,2)*M2_Fragm;

Margin1 Left=M1_Wind+iPos1 Left;

Margin1 Right=M1_Wind+iPos1 Right;

Margin2Left=M2_Wind+iPos2Left;

Margin2Right=M2_Wind+iPos2Right;

[Margin1 Left Margin1 Right Margin2Left Margin2Right]

% Создать изображение с полями - Pad the image. StrPadding='symmetric';

imageP = padarray(Image00Analysis,[Margin1Left Margin2Left],StrPadding,'pre'); Image00 = padarray(imageP,[Margin1Right Margin2Right],StrPadding,'post'); clear imageP

[N1 ,N2]=size(Image00)

D00_RangeArea00=[Margin1 Left+1 N1-Margin1Right Margin2Left+1 N2-Margin2Right ]

figure('Name',['Новая область анализа с полями ']) imshow(Image00);

TypeFeatureArr0Len=length(TypeFeatureArr0);

% создать уточненный список TypeFeatureArr2 признаков if TypeLocalDistinction > 0 TypeFeatureArr1 Len=2*TypeFeatureArr0Len; TypeFeatureArr1 =zeros(1,TypeFeatureArr1 Len); TypeFeatureArr1 (1:TypeFeatureArr0Len)=TypeFeatureArr0(1:end);

TypeFeatureArr1 (TypeFeatureArr0Len+1 :end)=100+TypeFeatureArr0(1:end);

NeighbSdvig1=[ -1 -1; -1 0; -1 1; 0 -1; 0 1; 1 -1; 1 0; 1 1]; NeighbSdvigNumb1 =size(NeighbSdvig1,1)

else

TypeFeatureArr1 Len=TypeFeatureArr0Len; TypeFeatureArr1 =TypeFeatureArr0;

NeighbSdvig1=[0 0]; NeighbSdvigNumb1 =0

end % if TypeLocalDistinction > 0

TypeFeatureArr1

save('m_Module1 .mat',...

'TypeFeatureArr1','TypeFeatureArr1 Len','TypeFeatureArr0Len',... 'NeighbSdvig1','NeighbSdvigNumb1','NeighbSdvigM1',... 'D1_RangeArea00','D00_RangeArea00','D00_RangeArea00Init',... 'M1_Wind','M2_Wind',...

'N1Init','N2Init','Image00Init','N1','N2','Image00',... 'TypeLocalDistinction',...

'iPos1 Left','iPos1 Right','iPos2Left','iPos2Right',... 'C_KoefCol_WaveMove1 ','C_KoefRow_WaveMove1',... 'TypeMorphOpenArea','NRangeAreas','seAreaRectS ize1','se_size2D',... 'Eps0','TypeComplexirFlag','TypeComplexirArray')

end

function Area00Draw=R_DrawAreas1 (Image02,D1_1 _RangeArea00,... Area00K1 ,Area00K2)

[N1Range,N2Range]=size(Image02);

Area00Draw=Image02;

Area00N1=D1_1_RangeArea00(2)-D1_1_RangeArea00(1)+1; Area00N2=D1_1_RangeArea00(4)-D1_1_RangeArea00(з)+1;

Area00Step1 =floor(Area00N1/Area00K1 ); Area00Step2=floor(Area00N2/Area00K2);

Area00DrawColor1=max(Area00Draw(:));

for i1Area=1:Area00K1

i1BegArea=D1_1_RangeArea00(1)+(i1Area-1 )*Area00Step1 ; if i1Area < А^ООМ

i1EndArea=D1_1_RangeArea00(1)+i1Area*Area00Step1 -1; else

i1EndArea=D1_1_RangeArea00(2); end

Area00Draw(i1BegArea,D1_1_RangeArea00(3):D1_1_RangeArea00(4))=Area00DrawColor1

Area00Draw(i1EndArea,D1_1_RangeArea00(3):D1_1_RangeArea00(4))=Area00DrawColor1

for i2Area=1:Area00K2

i2BegArea=D1_1_RangeArea00(3)+(i2Area-1)*Area00Step2; if i2Area < Area00K2

i2EndArea=D1_1_RangeArea00(3)+i2Area*Area00Step2-1; else

i2EndArea=D1_1_RangeArea00(4); end

Area00Draw(D1_1_RangeArea00(1):D1_1_RangeArea00(2),i2BegArea)=Area00DrawColor1

Area00Draw(D1_1_RangeArea00(1):D1_1_RangeArea00(2),i2EndArea)=Area00DrawColor1

end % for i2Area=1 :K2Area00 end % for i1 Area=1 : K1 Area00 end

funetion frame1 =R_DrawMarker2Area(frame0,Areas1,... TypeBoundary1 ,MarkerWidth1 ,MarkerColor1,SizeArea2)

frame1=frame0;

NAreas1 =size(Areas1, 1 ); [N1 ,N2]=size(frame1 );

for i1=1:NAreas1 i1Point=Areas1(i1,1); i2Point=Areas1 (i1,2); size1=Areas1(i1,3); size2=Areas1(i1,4);

switch TypeBoundary1 (i1)

case 0 % 0-отметить объект крестиком iA=i1Point-SizeArea2(i1); % внешняя

if iA < 1, iA=1; end jA=i2Point-SizeArea2(i1); % внутренняя

if jA < 1, jA=1; end iB=i1Point-1;

if iB < 1, iB=1; end jB=i2Point-1;

if jB < 1, jB=1; end iC=i1Point+size1; % внешняя

if iC > N1, iC=N1; end jC=i2Point+size2;

if jC > N2, jC=N2; end iD=iC+SizeArea2(i1)-1; % внешняя

if iD > N1, iD=N1; end jD=jC+SizeArea2(i1)-1; if jD > N2, jD=N2; end

iA1 =iB+floor(size1/2)+1 -floor(MarkerWidth1(i1 )/2); if iA1 < 1, iA1=1; end if iA1 > N1, iA1=N1; end jA2=jB+floor(size2/2)+1 -floor(MarkerWidth1(i1 )/2); if jA2 > N2, jA2=N2; end if jA2 < 1, jA2=1; end iB1 =iA1 +MarkerWidth1 (i1 )-1;

if iB1 > N1, iB1=N1; end jB2=jA2+MarkerWidth1 (i1 )-1; if jB2 > N2, jB2=N2; end

frame1 (iA:iB,jA2:jB2)=MarkerColor1(i1); frame1 (iA1:iB1 ,jA:jB)=MarkerColor1(i1); frame1 (iA1:iB1 ,jC:jD)=MarkerColor1(i1); frame1 (iC:iD,jA2:jB2)=MarkerColor1(i1);

otherwise %1-отметить объект рамкой iA=i1Point-MarkerWidth1(i1); % внешняя

if iA < 1, iA=1; end jA=i2Point-MarkerWidth1(i1); % внутренняя

if jA < 1, jA=1; end iB=i1Point-1;

if iB < 1, iB=1; end jB=i2Point-1;

if jB < 1, jB=1; end iC=i1Point+size1; % внешняя

if iC > N1, iC=N1; end jC=i2Point+size2;

if jC > N2, jC=N2; end iD=i1Point+size1+MarkerWidth1(i1)-1; % внешняя

if iD > N1, iD=N1; end jD=i2Point+size2+MarkerWidth1 (i1 )-1; if jD > N2, jD=N2; end

frame1 (iA:iD,jA:jB)=MarkerColor1(i1); frame1 (iA:iB,jB:jC)=MarkerColor1(i1);

frame1 (iA:iD,jC:jD)=MarkerColor1(i1); frame1 (iC:iD,jB:jC)=MarkerColor1(i1);

end % switch TypeBoundary end % for i1=1:NPoints end

% ==================================================

% ==================================================

% Модуль 2 - Модуль вычисления значений признаков селекции % ==================================================

% ==================================================

function R_Module2

% === Module2 === load('m_Module1.mat')

% создать 3-ю мерную матрицу значений всех признаков Image00Feature1 =zeros(N1,N2,TypeFeatureArr1 Len);

Fragm001=zeros(M1_Wind,M2_Wind);

Fragm00=zeros(M1_Wind,M2_Wind); % =============================

% === цикл по всем признакам % =============================

for iTypeFeatureArr1 =1 :TypeFeatureArr1 Len

TypeFeature1 =TypeFeatureArr1 (iTypeFeatureArr1);

disp(['=== TypeFeature1=' int2str(TypeFeature1)])

switch TypeFeature1

case 1 % =1 - на основе значения одного пикселя

TypeFeatureStr1 - Значение пикселя'; case 2 % =0 - на основе среднего

TypeFeatureStrl -'Среднее'; case 3 % на основе средне квадратического отклонения TypeFeatureStrl ='СКО';

case 4 % на основе коэф-та вариации

TypeFeatureStr1 -'КоэфВариации'; case 5 % на основе медианы TypeFeatureStr1 - Медиана'; case 6 % на основе Среднее ПоляризПреобр TypeFeatureStr1 - Среднее ПоляризПреобр'; case 7 % на основе СКО ПоляризПреобр TypeFeatureStrl ='СКО ПоляризПреобр'; case 8 % на основе квадрата нормы фрагмента и его ПоляризПреобр

TypeFeatureStrl-'Квадраты нормы ПоляризПреобр'; case 101 % =1 - на основе значения одного пикселя TypeFeatureStrl -'ЛокОтличияЗначение пикселя'; case 102 % =0 - на основе среднего

TypeFeatureStrl-'ЛокОтличияСреднее'; case 103 % на основе средне квадратического отклонения

TypeFeatureStrl-'ЛокОтличияСКО'; case 104 % на основе коэф-та вариации

TypeFeatureStrl-'ЛокОтличияКоэфВариации'; case 105 % на основе медианы

TypeFeatureStrl-'ЛокОтличияМедиана'; case 106 % на основе Среднее ПоляризПреобр

TypeFeatureStrl -'ЛокОтличияСреднее ПоляризПреобр'; case 107 % на основе СКО ПоляризПреобр

TypeFeatureStr1 -'ЛокОтличияСКО ПоляризПреобр'; case 108 % на основе квадрата нормы фрагмента и его ПоляризПреобр

TypeFeatureStM-ЛокОтличияКвадраты нормы ПоляризПреобр'; otherwise % Признак не задан TypeFeatureStr1='Признак не задан'; disp(['Ошибка: ' TypeFeatureStr1]) return

end % switch TypeFeature1 disp(['TypeFeatureStr1= ' TypeFeatureStr1])

if TypeFeature1 ==1

if TypeLocalDistinction > 0

iPos1 MinFragm=D00_RangeArea00(1)-1; iPos1 MaxFragm=D00_RangeArea00(2)+1; iPos2MinFragm=D00_RangeArea00(3)-1; iPos2MaxFragm=D00_RangeArea00(4)+1; else

iPos1 MinFragm=D00_RangeArea00(1); iPos1MaxFragm=D00_RangeArea00(2); iPos2MinFragm=D00_RangeArea00(3); iPos2MaxFragm=D00_RangeArea00(4); end % if TypeLocalDistinction > 0

if iPos1MinFragm-iPos1Left < 1 || iPos2MinFragm-iPos2Left < 1 disp(['=== ОшибкаяПризнак Поля слева: ' int2str(iPos1MinFragm) ' ' ...

int2str(iPos2MinFragm)]) disp([' при фрагменте ' int2str(M1_Wind)]) disp([' для признака ' int2str(TypeFeature1)]) return

end

if iPos1MaxFragm+iPos1Right > N1 || iPos2MaxFragm+iPos2Right > N2 disp(['=== Ошибка Признак Поля справа: ' int2str(iPos1MaxFragm) ' ' ...

int2str(iPos2MaxFragm) ' N1 N2=' int2str(N1) ' ' int2str(N2)]) disp([' при фрагменте ' int2str(M1_Wind)]) disp([' для признака ' int2str(TypeFeature1)]) return end

end % if TypeFeature1 ==1

if TypeFeature1 > 1 && TypeFeature1 < 100 if TypeLocalDistinction > 0

iPos1 MinFragm=D00_RangeArea00(1)-M1_Wind; iPos1MaxFragm=D00_RangeArea00(2)+M1_Wind; iPos2MinFragm=D00_RangeArea00(3)-M2_Wind; iPos2MaxFragm=D00_RangeArea00(4)+M2_Wind; else

iPos1 MinFragm=D00_RangeArea00(1); iPos1MaxFragm=D00_RangeArea00(2); iPos2MinFragm=D00_RangeArea00(3); iPos2MaxFragm=D00_RangeArea00(4); end % if TypeLocalDistinction > 0

if iPos1MinFragm-iPos1Left < 1 || iPos2MinFragm-iPos2Left < 1 disp(['=== ОшибкаяПризнак Поля слева: ' int2str(iPos1MinFragm) ' ' ...

int2str(iPos2MinFragm)]) disp([' при фрагменте ' int2str(M1_Wind)]) disp([' для признака ' int2str(TypeFeature1)]) return end

if iPos1MaxFragm+iPos1Right > N1 || iPos2MaxFragm+iPos2Right > N2 disp(['=== Ошибка Признак Поля справа: ' int2str(iPos1MaxFragm) ' ' ...

int2str(iPos2MaxFragm) ' N1 N2=' int2str(N1) ' ' int2str(N2)]) disp([' при фрагменте ' int2str(M1_Wind)]) disp([' для признака ' int2str(TypeFeature1)]) return end

end % if TypeFeature1 > 1 && TypeFeature1 < 100

if TypeFeature1 == 101

% вычисляются локальные отличия на основе значения одного пикселя iPos1 MinFragm=D00_RangeArea00(1); iPos1MaxFragm=D00_RangeArea00(2); iPos2MinFragm=D00_RangeArea00(3); iPos2MaxFragm=D00_RangeArea00(4);

if iPos1MinFragm-1 < 1 || iPos2MinFragm-1 < 1 disp(['=== Ошибка ЛокОтличия Поля слева: ' int2str(iPos1MinFragm) ' ' ...

int2str(iPos2MinFragm)]) disp([' для признака ' int2str(TypeFeature1)]) return end

if iPos1MaxFragm+1 > N1 || iPos2MaxFragm+1 > N2 disp(['=== Ошибка ЛокОтличия Поля справа: ' int2str(iPos1MaxFragm) ' ' ...

int2str(iPos2MaxFragm) ' N1 N2=' int2str(N1) ' ' int2str(N2)]) disp([' для признака ' int2str(TypeFeature1)]) return end

end % if TypeFeature1 == 101

if TypeFeature1 > 101