Субполосные свойства фрагментов изображений морской поверхности
DOI:
https://doi.org/10.52575/2687-0932-2021-48-4-747-763Ключевые слова:
изображение морской поверхности, соседние области изображения, субполосные свойства, информативные подобласти пространственных частот, информативные субполосные компоненты, мера отличияАннотация
В работе оценивание различий субполосных свойств областей изображений морской поверхности предложено осуществлять путем сравнения распределения информативных долей квадрата нормы соседних областей изображения, а также сравнения отличий соседних областей и их информативных субполосных компонент на основании значений соответствующих среднеквадратических отклонений и коэффициентов корреляции. Приведены соотношения для вычисления информативных подобластей пространственных частот заданных изображений и соответствующих информативных субполосных компонент, а также соотношения, позволяющие вычислить на основе среднеквадратического отклонения и коэффициента корреляции анализируемые меры отличия заданных матриц. Проведенные вычислительные эксперименты показали, что значения рассматриваемых мер отличия при анализе заданных центральной и соседних областей различных размеров изменяются несущественно. На примере гистограмм показано, что наличие или отсутствие малозаметного объекта на изображениях анализируемых областей изменяет распределение значений исследуемых мер отличия незначительно.
Скачивания
Библиографические ссылки
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.
Просмотров аннотации: 63
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2021 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
