Фреймворк для побудови ортофотоплану термальних та мультиспектральних зображень отриманих із БПЛА для інтелектуальних систем

Автор(и)

  • Віктор Михайлович Синєглазов Державний університет «Київський авіаційний інститут» https://orcid.org/0000-0002-3297-9060
  • Кирило Сергійович Лесогорський Національний технічний університет України «Київський політехнічний інститут ім. І. Сікорського» https://orcid.org/0000-0003-2773-7398

DOI:

https://doi.org/10.18372/1990-5548.84.20189

Ключові слова:

машинне навчання, ортофотоплан, обробка зображень, безпілотні літальні апарати, виявлення мін

Анотація

У статті представлено фреймворк для ортофотомозаїки мультиспектральних та теплових зображень, зібраних безпілотними літальними апаратами. Запропонований фреймворк базується на двоетапній попередній обробці даних та мозаїчному ортофотографічному відновленні зображень, отриманих за допомогою маршрутно спланованої колекції безпілотних літальних апаратів. Етап надвисокої роздільної здатності та відновлення зображень виконується за допомогою двоканальної штучної нейронної мережі для відновлення зображень U-net. Фреймворк спрощує процес і робить зібрані дані менш чутливими до шуму завдяки етапам відновлення зображення та масштабування. Фреймворк був протестований на видимих, мультиспектральних та теплових зображеннях і забезпечує покращення пікового співвідношення сигнал/шум на 3,5% та 5,34% для мультиспектральних та теплових ортофотомозаїк.

Біографії авторів

Віктор Михайлович Синєглазов , Державний університет «Київський авіаційний інститут»

Доктор технічних наук

Професор

Завідувач кафедри авіаційних комп’ютерно-інтегрованих комплексів

Факультет аеронавігації, електроніки і телекомунікацій

Кирило Сергійович Лесогорський , Національний технічний університет України «Київський політехнічний інститут ім. І. Сікорського»

Аспірант

Кафедра штучного інтелекту

Інститут прикладного системного аналізу

Посилання

P. Bergmans, “A simple converse for broadcast channels with additive white gaussian noise (corresp.),” IEEE Trans. on Information Theory, 1974, vol. 20, no. 2, pp. 279-280. https://doi.org/10.1109/TIT.1974.1055184

Wong, Chi Man, et al. "Spatial filtering in SSVEP-based BCIs: Unified framework and new improvements." IEEE Transactions on Biomedical Engineering 67.11 (2020): 3057-3072. https://doi.org/10.1109/TBME.2020.2975552

Roy, Vandana, and Shailja Shukla. "Spatial and transform domain filtering method for image de-noising: a review." International Journal of Modern Education and Computer Science 5.7 (2013): 41. https://doi.org/10.5815/ijmecs.2013.07.05

Buades, Antoni, Bartomeu Coll, and Jean-Michel Morel. "Non-local means denoising." Image Processing On Line 1 (2011): 208-212. https://doi.org/10.5201/ipol.2011.bcm_nlm

Liu, Zhe, Wei Qi Yan, and Mee Loong Yang. "Image denoising based on a CNN model." 2018 4th International conference on control, automation and robotics (ICCAR). IEEE, 2018. https://doi.org/10.1109/ICCAR.2018.8384706

Michailovich, Oleg, and Allen Tannenbaum. "Blind deconvolution of medical ultrasound images: A parametric inverse filtering approach." IEEE Transactions on Image Processing 16.12 (2007): 3005-3019. https://doi.org/10.1109/TIP.2007.910179

Robinson, Enders A., and Sven Treitel. "Principles of digital Wiener filtering." Geophysical Prospecting 15.3 (1967): 311-332. https://doi.org/10.1111/j.1365-2478.1967.tb01793.x

Ingaramo, Maria, et al. "Richardson–Lucy deconvolution as a general tool for combining images with complementary strengths." ChemPhysChem 15.4 (2014): 794-800. https://doi.org/10.1002/cphc.201300831

Real, Rommel, and Qinian Jin. "A revisit on Landweber iteration." Inverse problems 36.7 (2020): 075011. https://doi.org/10.1088/1361-6420/ab8bc4

Min, Chao, et al. "Blind deblurring via a novel recursive deep CNN improved by wavelet transform." IEEE Access 6 (2018): 69242-69252. https://doi.org/10.1109/ACCESS.2018.2880279

Lindeberg, Tony. "Scale invariant feature transform." (2012): 10491. https://doi.org/10.4249/scholarpedia.10491

Bay, Herbert, et al. "Speeded-up robust features (SURF)." Computer vision and image understanding 110.3 (2008): 346-359. https://doi.org/10.1016/j.cviu.2007.09.014

Peng, Zongyi, et al. "Seamless UAV hyperspectral image stitching using optimal seamline detection via graph cuts." IEEE Transactions on Geoscience and Remote Sensing 61 (2023): 1-13. https://doi.org/10.1109/TGRS.2023.3275970

Wyatt, Clair. Radiometric calibration: theory and methods. Elsevier, 2012.

Sineglazov, Viktor, Kyrylo Lesohorskyi, and Olena Chumachenko. "Faster Image Deblurring for Unmanned Aerial Vehicles." 2024 2nd International Conference on Unmanned Vehicle Systems-Oman (UVS). IEEE, 2024. https://doi.org/10.1109/UVS59630.2024.10467152

Glossner, John, Samantha Murphy, and Daniel Iancu. "An overview of the drone open-source ecosystem." arXiv preprint arXiv:2110.02260 (2021).

##submission.downloads##

Опубліковано

2025-06-27

Номер

Том 2 № 84 (2025)

Розділ

КОМП’ЮТЕРНІ НАУКИ ТА ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ

Ліцензія

Authors who publish with this journal agree to the following terms:

Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.

Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.

Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).