DOI: 10.17586/2226-1494-2019-19-6-1072-1078


УДК 621.396.01

СУБПОЛОСНЫЙ АНАЛИЗ ИЗОБРАЖЕНИЙ МОРСКОЙ ПОВЕРХНОСТИ НА ОСНОВЕ КОСИНУС-ПРЕОБРАЗОВАНИЯ

Черноморец Д.А., Михелев В.М., Болгова Е.В., Черноморец А.А.


Читать статью полностью 
Язык статьи - русский

Ссылка для цитирования:
Черноморец Д.А., Михелев В.М., Болгова Е.В., Черноморец А.А. Субполосный анализ изображений морской поверхности на основе косинус-преобразования // Научно-технический вестник информационных технологий, механики и оптики. 2019. Т. 19. № 6. С. 1072–1078. doi: 10.17586/2226-1494-2019-19-6-1072-1078


Аннотация
Предмет исследования. Предложен подход к исследованию частотных свойств последовательности изображений морской поверхности (кадров видеозаписи) на основе субполосного анализа в рамках косинус-преобразования. Изучение частотных свойств позволяет решать задачи обнаружения объектов на взволнованной поверхности моря. Метод. Приведены основные теоретические положения субполосного анализа в рамках косинус-преобразования. Показаны способы формирования применяемых при анализе данных субполосных матриц косинус-преобразования и вычисления частей энергий анализируемых векторов в различных частотных интервалах. Приведено описание субполосного подхода к анализу распределения значений энергии компонент изображений в частотной области. Показан способ построения отдельных компонент последовательности изображений морской поверхности (кадров видеозаписи) в виде векторов. Векторы содержат значения пикселей, имеющих одни и те же координаты в наборе изображений, и позволяют вычислять части энергии в заданных частотных интервалах. Основные результаты. В вычислительных экспериментах использованы видеозаписи морской поверхности с различными уровнями волнения. Анализ распределения значений частей энергии соответствующих компонент используемых видеозаписей показал, что различной взволнованности морской поверхности соответствуют различные распределения в частотной области энергии соответствующих компонент. Установлено, что при слабой взволнованности энергия компонент изображений сосредоточена в области низких частот, при увеличении взволнованности морской поверхности значения частей энергии компонент соответствующих изображений повышаются в области высоких частот. Практическая значимость. Полученные особенности распределения частей энергии компонент изображений морской поверхности могут быть использованы при решении задач обнаружения объектов, плавающих на морской поверхности, на основе анализа их частотных характеристик.

Ключевые слова: взволнованная морская поверхность, субполосный анализ, косинус-преобразование, субполосная матрица, часть энер- гии, частотный интервал

Благодарности. Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 19-07-00657.

Список литературы
  1. Кравченко В.Ф., Луценко В.И., Луценко И.В. Рассеяние радиоволн морем и обнаружение объектов на его фоне. М.: ФИЗМАТЛИТ, 2015. 448 с.
  2. Rodriguez-Blanco M., Golikov V. Multiframe GLRT-based adaptive detection of multipixel targets on a sea surface // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2016. V. 9. N 12. P. 5506–5512. doi: 10.1109/JSTARS.2016.2582383
  3. Golikov V., Rodriguez-Blanco M., Lebedeva O. Robust multipixel matched subspace detection with signal-dependent background power // Journal of Applied Remote Sensing. 2016. V. 10. N 1. P. 015006. doi: 10.1117/1.JRS.10.015006
  4. Manolakis D., Truslow E., Pieper M., Cooley T., Brueggeman M. Detection algorithms in hyperspectral imaging systems: an overview of practical algorithms // IEEE Signal Processing Magazine. 2014. V. 31. N 1. P. 24–33. doi: 10.1109/MSP.2013.2278915
  5. Scharf L.L., Friedlander B. Matched subspace detectors // IEEE Transactions on Signal Processing. 1994. V. 42. N 8. P. 2146–2157. doi: 10.1109/78.301849
  6. Harsanyi J.C., Chang C.-I. Hyperspectral image classification and dimensionality reduction: an orthogonal subspace projection approach // IEEE Transactions on Geoscience and Remote Sensing. 1994. V. 32. N 4. P. 779–785. doi: 10.1109/36.298007
  7. Kraut S., Scharf L.L., McWhorter L.T. Adaptive subspace detectors // IEEE Transactions on Signal Processing. 2001. V. 49. N 1. P. 1–16. doi: 10.1109/78.890324
  8. 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. P. 629–640. doi: 10.1109/JSTSP.2011.2113170
  9. 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. P. 1392–1409. doi: 10.1109/36.934072
  10. Zhang L., Zhang L., Tao D., Huang X., Du B. Hyperspectral remote sensing image subpixel target detection based on supervised metric learning // IEEE Transactions on Geoscience and Remote Sensing. 2014. V. 52. N 8. P. 4955–4965. doi: 10.1109/TGRS.2013.2286195
  11. Golikov V., Lebedeva O., Rodriguez-Blanco M. GLRT subspace detection of multi-pixel targets with known and unknown spatial parameters in presence of signal-dependent background power // Computers and Electrical Engineering. 2016. V. 52. P. 38–48. doi: 10.1016/j.compeleceng.2016.04.016
  12. Жиляков Е.Г., Черноморец А.А. Об оптимальном выделении субполосных компонент изображений // Информационные системы и технологии. 2013. № 1(75). С. 5–11.
  13. Zhilyakov E.G., Belov S.P., Chernomorets A.A., Rakov V.I. Variational methods of analysis of signals based on the frequency of ideas // International Journal of Computer Applications in Technology. 2016. V. 9. N 35. P. 71–76.
  14. Черноморец А.А., Болгова Е.В. Об анализе данных на основе косинусного преобразования // Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. 2015. № 1(198). С. 68–73.
  15. Черноморец А.А., Болгова Е.В., Черноморец Д.А. Обобщенный субполосный анализ на основе унитарных преобразований // Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. 2015. № 7(204). С. 97–104.
  16. Болгова Е.В. Свойства субинтервальных матриц двумерного косинусного преобразования // Информационные системы и технологии. 2017. № 6(104). С. 19–28.


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2019 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика