ОБ ОЦЕНИВАНИИ РАЗМЕРОВ ИНФОРМАТИВНЫХ ФРАГМЕНТОВ НА ИЗОБРАЖЕНИЯХ МОРСКОЙ ПОВЕРХНОСТИ
В работе предложено решение одной из задач, возникающих при построении современных систем безопасности движения в морских акваториях, а именно, оценивание размеров информативных фрагментов на изображении, которые представляется целесообразным использовать при обнаружении посторонних объектов на изображении морской поверхности. Оценивание размеров информативных фрагментов предложено осуществлять на основании вычисления среднего расстояния между контурами видимых на изображении элементов волн, такими как их гребни, впадины и др. Контуры данных элементов волн определяются на основе оператора Кэнни. Оценивание размеров информативных фрагментов выполняется вдоль столбцов и строк анализируемого изображения. Проведены вычислительные эксперименты, иллюстрирующие работоспособность разработанного алгоритма. Полученные оценки размеров информативных фрагментов изображений морской поверхности представляется целесообразным применять при их анализе, в частности, при решении задач обнаружения посторонних объектов на изображениях морской поверхности.
Черноморец Д.А., Болгова Е.В., Черноморец А.А., Петина М.А. Об оценивании размеров информативных фрагментов на изображениях морской поверхности // Научный результат. Информационные технологии. – Т.9, №2, 2024. – С. 3-11. DOI: 10.18413/2518-1092-2024-9-2-0-1
Пока никто не оставил комментариев к этой публикации.
Вы можете быть первым.
1. Международные правила предупреждения столкновений судов в море 1972 (МППСС-72). – М.: РКонсульт, 2004. – 80 с.
2. Алексеев А. А. Конфигурация управляющего комплекса в вариации мультиагентной системы потока судов в концепции развития Е-навигации // Транспортное дело России. – 2020. – № 4. – С. 197-200.
3. Лентарёв А.А. Основы теории управления движением судов. Владивосток: Морской государственный университет; 2018. – 181 с.
4. Коноплёв, М.А. Применение аппарата нечеткой логики для определения уровня опасности столкновения / М.А. Коноплёв // Эксплуатация морского транспорта. – 2009. – №2. – С. 34-39.
5. Бурылин Я. В., Попов А. Н. Авторулевой безэкипажного судна // Эксплуатация морского транспорта. – 2019. – № 3 (92). – С. 41–45.
6. Некрасов С.Н., Леденёв Н.И. Комплексный ситуационный подход к оценке навигационной безопасности плавания // Навигация и гидрография. – 2019. – № 55. – С. 34-42.
7. Коренев А.С., Хабаров С.П., Шпекторов А.Г. Формирование траекторий движения безэкипажного судна. Морские интеллектуальные технологии. 2021; 54 (4-1): 158-165. DOI: 10.37220/MIT.2021.54.4.047.
8. Гриняк В.М., Иваненко Ю.С., Люлько В.И., Шуленина А.В., Щурыгин А.В. Цифровое представление и комплексная оценка навигационной безопасности движения на морских акваториях. Моделирование, оптимизация и информационные технологии. 2020;8(1). DOI: 10.26102/2310-6018/2020.28.1.003.
9. Tam, Ch.K., Bucknall, R., Greig, A. Review of collision avoidance and path planning methods for ships in close range encounters // Journal of Navigation. – 2009. – Vol. 62. – №3. – P. 455-476.
10. Zhu X., Xu H., Lin J. Domain and its model based on neural networks // Journal of Navigation. – 2001. – Vol. 54. – P. 97–103.
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. Zhao L., Shi G. Maritime anomaly detection using density-based clustering and recurrent neural network. Journal of Navigation. 2019;72(4):894–916. DOI: 10.1017/S0373463319000031
13. Zhen R., Jin Y., Hu Q., Shao Zh., Niktakos N. Maritime anomaly detection within coastal waters based on vessel trajectory clustering and naïve Bayes classifier. Journal of Navigation. 2017; 70(3): 648–670. DOI: 10.1017/S0373463316000850.
14. Pallotta G., Vespe M., Bryan K. Vessel pattern knowledge discovery from AIS data: a framework for anomaly detection and route prediction. Entropy. 2013; 15: 2218–2245. DOI: 10.3390/e15062218.
15. Жиляков Е.Г., Черноморец Д.А., 2023. Об обнаружении на оптических изображениях поверхности морской акватории посторонних объектов. Экономика. Информатика. 50(1): 219-230. DOI 10.52575/2687-0932-2023-50-1-219-23016.
16. Тупиков, В.А. Способ автоматического обнаружения объектов на морской поверхности в видимом диапазоне [Текст] / В.А. Тупиков, В.А. Павлова, В.А. Александров, В.А. Бондаренко // Известия Тульского государственного университета. Технические науки. – 2016. – №11-3. – С. 105-121.
17. Скороход, Б.А. Автоматическое обнаружение и автосопровождение Объектов на морской поверхности при сложном фоне с помощью видеокамеры [Текст] / Б.А. Скороход, А.В. Стаценко, С.И. Фатеев // Интеллектуальные системы, управление и мехатроника. Материалы Всероссийской научно-технической конференции молодых ученых, аспирантов и студентов – 2017. – С. 152-156.
18. Черноморец Д.А., Болгова Е.В., Черноморец А.А. О влиянии размеров фрагментов изображений морской поверхности на результаты обнаружения объектов // В сборнике: Научные исследования и разработки 2023: естественные и технические науки. сборник материалов XVII-ой международной очно-заочной научно-практической конференции. Москва, 2023. С. 40-42.
19. Ursol D.V., Chernomorets D.A., Bolgova E.V., Chernomorets A.A. Objects Detection Based On The Sea Surface Video Fragments Cross-Correlation // Research Result. Information Technologies. 2022. Т. 7. № 2.
С. 19-27.
20. 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.
21. Canny J. A Computational Approach to Edge Detection. IEEE Transactions On Pattern Analysis And Machine Intelligence, Vol. PAMI-8, NO. 6, November 1986.