The subband properties of the sea surface image fragments
DOI:
https://doi.org/10.52575/2687-0932-2021-48-4-747-763Keywords:
image of the sea surface, adjacent image areas, subband properties, informative subdomains spatial frequencies, informative subband components, measure of differenceAbstract
In this paper, author proposes to evaluate the differences in the subband properties of the sea surface image areas by comparing the distribution of informative parts of the squared norm of the adjacent image areas as well as comparing the differences between adjacent areas and their informative subband components based on the values of the corresponding standard deviations and the correlation coefficients. The author gives ratios for calculating the informative spatial frequencies subdomains of the given images and the corresponding informative subband components, as well as the ratios that allow calculating the analyzed measures of the given matrices difference on the basis of the standard deviation and the correlation coefficient. The conducted computing experiments have shown that the values of the considered measures of difference do not change significantly when analyzing the given central and adjacent areas of various sizes. Using the example of histograms, author shows that the presence or absence of an inconspicuous object in the analyzed image areas changes the values distribution of the studied difference measures slightly.
Downloads
References
Горелик А.Л., Скрипкин В.А. 2004. Методы распознавания. М., Высшая школа: 264.
Жиляков Е.Г. 2007. Вариационные методы анализа и построения функций по эмпирическим данным на основе частотных представлений. Белгород, Издательство БелГУ, 160 с.
Жиляков Е.Г., Ефимов Н.О. 2015. О субполосном анализе изображений. Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика, 1 (198): 118–124.
Жиляков, Е.Г., Черноморец А.А., Белов А.С., Болгова Е.В. 2013. О субполосных свойствах изображений. Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика, 7 (150):175–182.
Жиляков Е.Г., Черноморец А.А., Болгова Е.В. 2016. Об информационных подобластях пространственных частот изображений. Научные ведомости БелГУ. Сер. Экономика. Информатика, 23 (244): 87–92.
Жиляков Е.Г., Черноморец А.А., Болгова Е.В. 2017. О субинтервальных матрицах на основе унитарных преобразований. Научный результат. Информационные технологии, 2 (1): 55–63.
Жиляков, Е.Г., Черноморец А.А., Болгова Е.В. 2016. Субполосные модели в обработке изображений. Белгород, ООО «ГиК», 155 с.
Жиляков Е.Г., Черноморец А.А., Заливин А.Н. 2009. Об эффективности метода оценивания значений долей энергии изображений на основе частотных представлений. Информационные системы и технологии, 2 (52): 12–22.
Жиляков Е.Г., Черноморец Д.А. 2020. Об информативности субполосного анализа потока изображений при обнаружении объектов. Информационные технологии в науке, образовании и производстве (ИТНОП-2020): сборник материалов VIII Международной научно-технической конференции, 24–25 сентября 2020, Белгород: 65–68.
Черноморец А.А., Болгова Е.В. 2016. Об исследовании субполосных свойств изображений земной поверхности. Научные ведомости БелГУ. Сер. Экономика. Информатика, 9 (230): 188–196.
Черноморец Д.А., Болгова Е.В., Черноморец А.А., Барсук А.А. 2019. Представление изображений на основе базиса собственных векторов субполосных матриц косинус-преобразования. Научный результат. Информационные технологии, 4 (1): 3–8.
Черноморец Д.А. 2021. О свойствах взаимных корреляций фрагментов изображений морской поверхности в видеопотоке. XXVIII Международная конференция студентов, аспирантов и молодых ученых «Ломоносов», 12–23 апреля 2021, Москва, МГУ им. М.В.Ломоносова.
Bay H., Ess A., Tuytelaars T., Gool L.V. 2008. SURF: Speeded-up robust features. Comput Vis Image Und, 110 (3): 346–359.
Conte E., De Maio A., Ricci G. 2001. GLRT-based adaptive detection algorithms for rangespread targets. IEEE Trans. Signal Process, 49(7): 1336–1348.
Zhilyakov Evgeniy G., Golikov Victor, Chernomorets Daria A., Samovarov Oleg I., Babarinov Sergei L. 2020. 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, 12, 05-Special Issue: 1314–1325. DOI: 10.5373/JARDCS/V12SP5/20201891.
Felzenszwalb P., Girshick R., McAllester D., Ramanan D. 2010. Object detection with discriminatively trained partbased models. IEEE Transactions on Pattern Analysis and Machine Intelligence, 32(9):1627–1645.
Golikov V., Lebedeva O. 2013. Adaptive detection of subpixel targets with hypothesis dependent background power. IEEE Signal Process, 20 (8): 751–754.
Golikov V., Rodriguez-Blanco M., Lebedeva O. 2016. Robust multipixel matched subspace detection with signal-dependent background power. Journal of applied remote sensing, 10(1): 015006-1-015006-11.
Krizhevsky A., Sutskever I., Hinton G. 2012. Imagenet classification with deep convolutional neural networks. In Advances in Neural Information Processing Systems, 25: 1106–1114.
Scharf L.L, Friedlander B. 1994. Matched subspace detectors. Signal Process571, IEEE Transactions, 42 (8): 2146–2157.
Abstract views: 48
Share
Published
How to Cite
Issue
Section
Copyright (c) 2021 ECONOMICS. INFORMATION TECHNOLOGIES
This work is licensed under a Creative Commons Attribution 4.0 International License.
