Россия
Россия
Россия
Россия
Разработан метод нечеткого улучшения изображения, позволяющий разбить значения пикселей изображения на различные степени ассоциаций, чтобы компенсировать потерю локальной яркости в темных и светлых областях при повышении всего уровня яркости изображения. Метод состоит из трех этапов. Во-первых, спутниковое изображение преобразуется из пространства яркости черно-белого отображения в пространство принадлежности с помощью нечеткой кластеризации C-средних. Во-вторых, соответствующая модель конвертирования каждого кластера строится на основе соответствующей принадлежности к определенному кластеру. В-третьих, изображение восстанавливается в пространство уровней яркости черно-белого изображения путем объединения сконвертированных значений серого цвета для каждого кластера. Полученные результаты демонстрируют, что предложенный метод способствует улучшению качества визуализации изображения и повышению точности измерения показателей.
изображение, обработка, цвет, интерпретация, нечеткая логика
1. Polesel A., Ramponi G., Mathews V.J. Image enhancement via adaptive unsharp masking // IEEE transactions on image processing. 2000. Vol. 9. № 3. P. 505–510. DOI:https://doi.org/10.1109/83.826787.
2. Nasu Iu., Lanin V.V. Development of Legal Document Classification System Based on Support Vector Machine // Proceedings of the Institute for System Programming of the RAS. 2023. Vol. 35. № 2. P. 49–56. DOI:https://doi.org/10.15514/ISPRAS-2023-35(2)-4. EDN NKCHIR.
3. Михайлюк Ю.П., Начаров Д.В. Аппаратная реализация метода повышения различимости объектов на изображениях путём нормализации гистограммы яркости // Вестник Поволжского государственного технологического университета. Сер.: Радиотехнические и инфокоммуникационные системы. 2023. № 2 (58). С. 27–43. DOI:https://doi.org/10.25686/2306-2819.2023.2.27. EDN IHICQM.
4. Бассель З. Применение метода опорных векторов и гистограмм направленных градиентов для классификации событий на изображениях // Образование, наука, производство. Белгород: Белгородский гос. технол. ун-т им. В.Г. Шухова, 2015. С. 2652–2659. EDN VNPITN.
5. Раухваргер А.Б., Пошехонов Н.А. Приведение гистограммы яркости слабоконтрастных цифровых изображений к двухуровневому кусочно-равномерному распределению // Вестник Астраханского государственного технического университета. Сер.: Управление, вычислительная техника и информатика. 2020. № 1. С. 57–63. DOI:https://doi.org/10.24143/2072-9502-2020-1-57-63. EDN JQBJIU.
6. Zadeh L.A. Zadeh, Fzzy sets // Fuzzy sets, fuzzy logic, and fuzzy systems. 1965. P. 19–34.
7. Kalkabekova T.Zh. Analysİs of clusterİng methods and modellİng a clusterİng data network // Энергетика, инфокоммуникационные технологии и высшее образование: сб. науч. статей по материалам Междунар. конф: в 3-х т. Казань: Казанский гос. энергетический ун-т, 2023. Т. 3. P. 53–62. EDN ZBSLCK.
8. Bezdek J.C., Bezdek J.C. Objective function clustering // Pattern recognition with fuzzy objective function algorithms. 1981. P. 43–93. DOI:https://doi.org/10.1007/978-1-4757-0450-1_3.
9. Ross M. Segment cluster tracking // Conference on Colour in Graphics, Imaging, and Vision. Society of Imaging Science and Technology. 2004. Vol. 2. P. 130–134.
10. Segmentation of Images Used in Unmanned Aerial Vehicles Navigation Systems / N. Yeromina [et al.] // Problems of the Regional Energetics. 2023. № 4 (60). P. 30–42. DOI:https://doi.org/10.52254/1857-0070.2023.4-60.03. EDN GBQPEW.
11. Iskra N.A., Iskra V., Lukashevich M. Neural network based image understanding with ontological approach // Открытые семантические технологии проектирования интеллектуальных систем. 2019. № 3. P. 113–122. EDN DVIKMR.
12. Сазонов В.В. Нелинейная SVD-факторизация в задаче повышения контрастности изображений // Проблемы автоматизации и управления в технических системах: сб. науч. статей XXXV Всерос. с междунар. участием науч.-техн. конф., посвящ. 80-летию Пензенского гос. ун-та: в 2-х т. Пенза: Пензенский гос. ун-т, 2023. С. 229–233. EDN BBBPNI.
13. Nill N.B., Bouzas B. Objective image quality measure derived from digital image power spectra // Optical engineering. 1992. Vol. 31. № 4. P. 813–825. DOI:https://doi.org/10.1117/12.56114.
14. Тумко В.В., Начаров Д.В., Михайлюк Ю.П. Метод повышения качества изображения посредством нормализации гистограммы яркости // СВЧ-техника и телекоммуникационные технологии (КрыМиКо'2018): материалы 28-й Междунар. Крымской конф. М.; Минск; Севастополь: Севастопольский гос. ун-т, 2018. Т. 2. С. 420–426. EDN YQEUCT.
